A statistical approach to sensitivity zone definition in remote sensing methods

Osnovni predmet istraživanja u disertaciji je analiza metodologije daljinskog uzorkovanja s aspekta prikupljanja i pripreme podataka u formu pogodnu za obradu, i posebno obrade podataka statističkim metodama u svrhu klasifikacije, sa ciljem identifikacije određenih pojava. Poseban akcenat istraživanja je predlaganje metodologije za definisanje zone osetljivosti pri klasifikaciji pojava, primarmo pomoću statističkih metoda multivarijacione analize. Daljinsko uzorkovanje se najčešće opisuje kao naučna oblast i tehnika za prikupljanje informacija o objektu (najčešće Zemljinoj površini) bez dolaženja u kontakt sa njim. Sprovodi se uzorkovanjem (očitavanjem) putem beleženja reflektovane ili emitovane energije (elektromagnetno zračenje, akustičnost, itd.) objekta, procesiranjem, analiziranjem i primenom informacija. Danas, daljinsko uzorkovanje je prepoznata interdisciplinarna oblast širom sveta. Često je uparena sa disciplinama obrade slika i geografskog informacionog sistema (GIS) za široku oblast geospatijalne nauke i tehnologije, te se u disertaciji čini osvrt na povezanost GIS-a i daljinskog uzorkovanja, gde je GIS nezaobilazan alat u analizi prostornih podataka. Svaka digitalna slika je sastavljena od piksela, koji čine najsitnije komponente jedne slike i koji imaju svoju osvetljenost i zabeležni spektar boja, a koje možemo smatrati pojedinačnim entitetima statističkog uzorka koji predstavlja sama slika. U disertaciji je od posebnog značaja klasifikacija daljinski uzorkovanih podataka i koristi se da identifikuje i klasifikuje delove ili piksele slike. Klasifikacija se izvodi na višestrukim skupovima podataka a cilj je dodeljivanje svakog piksela slike određenoj klasi na osnovu statističkih karakteristika intenziteta i obojenosti piksela. Termin multivarijaciona analiza se koristi da predstavi višedimenzionalni aspekt analize podataka. Mnogobrojne pojave i fenomeni opisani su većim brojem različitih promenljivih, a to se svakako odnosi i na podatke dobijene daljinskim uzorkovanjem gde je svako piksel tipično predstavljen u tri ili više različitih opsega svetlosnog spektra. Multivarijaciona analiza se opisuje kao skup statističkih metoda koje simultano analiziraju višedimenziona merenja dobijena za svaku jedinicu posmatranja iz skupa objekata koji ispitujemo. U disertaciji su naročito opisane tehnike Analize grupisanja, koja je od manjeg značaja za kasnije predloženi metod, i Diskriminacione analize, koja je u srži predloženog metoda. Posebno je opisana Bajesova teorija odlučivanja kao fundamentalan statistički pristup problemu klasifikacije. Pristup bazira na kvantifikaciji kompromisa između različitih odluka klasifikacije pomoću verovatnoće i cene ili napora koji se javljaju tokom odlučivanja. Bajesova teorija odlučivanja pretpostavlja da je problem odlučivanja postavljen u probabilističkom kontekstu. Diskriminaciona analiza se bavi problemom razdvajanja grupa i alokacijom opservacija u ranije definisane grupe. U disertaciji je od posebnog značaja cilj diskriminacione analize koji se naziva klasifikacija a koji se odnosi na utvrđivanje postupka za klasifikaciju opservacija na osnovu vrednosti nekoliko promenljivih u dve ili više razdvojenih, unapred definisanih grupa...The main topic of the research in this dissertation is the analysis of remote sensing methodology from the aspect of collecting and preparing data in a form suitable for processing, and in particular data processing by the means of statistical methods for the purpose of classification, to identify certain phenomena. A particular emphasis of the research is to propose a methodology for defining the sensitivity zone in the classification of phenomena, primarily using statistical methods of multivariate analysis. Remote sensing is typically described as a scientific field and technique for collecting information about an object (usually the Earth's surface) without being in direct contact with the object. It is carried out by sampling through recording reflected or emitted energy (electromagnetic radiation, acoustics, and others) of the object, processing, analysing, and applying the information. Today, remote sensing is recognized as an interdisciplinary field all over the world. It is often paired with image processing disciplines and a geographic information system (GIS) for a vast area of geospatial science and technology, hence, in this dissertation a link between GIS and remote sensing is described, where GIS is a necessary tool in spatial data analysis. Each digital image is composed of pixels, which are the smallest components of a single image and have their brightness and a color spectrum recorded, which we can consider as individual entities of a statistical sample representing the image. In this dissertation, the classification of remotely-sensed data is of particular importance and is used to identify and classify parts or the pixels of the image. The classification is performed on multiple data sets, and the goal is to assign each pixel of an image to a particular class based on the statistical characteristics of the intensity and color of the pixels. The term multivariate analysis is used to present a multidimensional aspect of data analysis. Numerous phenomena are described by many different variables, and this certainly applies to data obtained by remote sensing where each pixel is typically represented in three or more different light spectrum bandwidths. Multivariate analysis is described as a set of statistical methods that simultaneously analyze multidimensional measurements obtained for each observation unit from a set of objects that we are examining. This dissertation describes the Data clustering techniques, which are, though, of less importance to the proposed method, and the Discriminant Analysis, which is at the core of the proposed method. Bayesian decision theory is described as a fundamental statistical approach to the problem of classification. The approach is based on the quantification of the compromise between different classification decisions using the probability and cost or effort that arise during decision-making. Bayesian decision theory assumes that the decision-making problem is set in a probabilistic context. Discriminant analysis deals with the problem of group separation and the allocation of observations in previously defined groups. In this dissertation, it is of particular importance the objective of discriminant analysis called classification, which refers to the establishment of a procedure for classifying observations based on the value of several variables in two or more separated, predefined a group..