Инд. авторы:	Рылов С.А., Новгородцева О.Г., Дубровская О.А., Пестунов И.А.
Заглавие:	Иерархические алгоритмы кластеризации мультиспектральных изображений и их использование при создании тематических карт паводковой обстановки
Библ. ссылка:	Рылов С.А., Новгородцева О.Г., Дубровская О.А., Пестунов И.А. Иерархические алгоритмы кластеризации мультиспектральных изображений и их использование при создании тематических карт паводковой обстановки // Всероссийская конференция «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM – 2015)» 24 – 28 августа 2015 года: Сборник трудов / Институт вычислительных технологий СО РАН. - 2015. - Новосибирск. - С.165-171. - ISBN: 978-5-905569-10-4. - Гос. регистр. №: 0321502971.
Внешние системы:	РИНЦ: 25841252;
Реферат:	rus: В рамках сеточного и ансамблевого подходов разработаны вычислительно эффективные иерархические алгоритмы кластеризации HCA и HECA для сегментации мультиспектральных изображений. Предложенные алгоритмы позволяют выделять вложенные кластеры даже при наличии пересечений. На основе данных алгоритмов разработан метод автоматического выделения водных объектов на спутниковых изображениях высокого и среднего разрешения, позволяющий создавать карты паводковой ситуации.
Издано:	2015
Физ. характеристика:	с.165-171
Конференция:	Название: Всероссийская конференция «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов» Аббревиатура: SDM-2015 Город: с. Усть-Сема, Республика Алтай Страна: Россия Даты проведения: 2015-08-24 - 2015-08-28 Ссылка: http://conf.nsc.ru/SDM-2015
Цитирование:	[1] Пестунов И.А., Синявский Ю.Н. Алгоритмы кластеризации в задачах сегментации спутниковых изображений // Вестник КемГУ. 2012. № 4/2 (52). C. 110–125. [2] Xu R., Wunsch D.I. Survey of clustering algorithms // IEEE Trans. on Neural Networks. 2005. Vol. 16, N 3. P. 645–678. [3] Куликова Е.А., Пестунов И.А., Синявский Ю.Н. Непараметрический алгоритм кластеризации для обработки больших массивов данных // Тр. 14 конф. «Математические методы распознавание образов». Изд-во MAKS Press, 2009. С. 149–152. [4] Ilango M.R., Mohan V. A survey of grid based clustering algorithms // Intern. J. Eng. Sci. and Technology. 2010. Vol. 2(8). P. 3441–3446. [5] Yonggang L., Yi W. PHA: A fast potential-based hierarchical agglomerative clustering method // Pattern Recogn. 2013. Vol. 46, is. 5. P. 1227–1239. [6] Leclerc B. Description combinatoire des ultramétriques // Math. Sci. Humaines. 1981. Vol. 127, N 73. P. 5-37. [7] Mirzaei A., Rahmati M. A novel hierarchical-clustering-combination scheme based on fuzzy-similarity relations // IEEE Trans. Fuzzy Syst. 2010. Vol. 18, no. 1. P. 27–39. [8] Olson Cl.F. Parallel algorithms for hierarchical clustering // Parallel Computing. 1995. Vol. 21, is. 8. P. 1313–1325. [9] Ghaemi R., Sulaiman M., Ibrahim H., Mustapha N. A Survey: Clustering Ensembles Techniques // World Acad. of Sci., Engineering and Technology. 2009. Vol. 3, N 2. P. 535–544. [10] Kashef R., Kamel M. Cooperative clustering // Patt. Recogn. 2010. Vol. 43. P. 2315–2329. [11] Franek L., Jiang X. Ensemble clustering by means of clustering embedding in vectorspaces // Patt.Recogn. 2014. Vol. 47. P. 833–842. [12] Zheng L., Li T., Ding C. Hierarchical Ensemble Clustering // Proceedings of 2010 IEEE International Conference on Data Mining. IEEE, 2010. P. 1199–1204. [13] Maurizio V. Principal classifications analysis a method for generating consensus dendrograms and its application to three-way data // Computational Statistics & Data Analysis. 1998. Vol. 27, is. 3. P. 311–331. [14] Рылов С.А. Модель двухмерных данных «Бананы» [Электронный ресурс]. Электронные данные (1 текстовый файл). 2015. Режим доступа: https://cloud.mail.ru/public/AHaf/4KwZ4wuG4 дата обращения: 10.07.2015). [15] Рылов С.А. Модель двухмерных данных для кластеризации [Электронный ресурс]. Электронные данные (1 текстовый файл). 2015. Режим доступа: https://cloud.mail.ru/public/c5f33ae275a8/TestData_Rylov_2D_Labelled_2472_elements.txt (дата обращения: 10.07.2015). [16] Achtert E., Kriegel H., Schubert E., Zimek A. Interactive Data Mining with 3D-Parallel-CoordinateTrees // Proc. ACM Intern. Conf. on Management of Data (SIGMOD). NY, 2013. P. 1009–1012. [17] Sun F., Sun W., Chen J., Gong P. Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery // International Journal of Remote Sensing. 2012. Vol. 33. Is. 21. P. 6854–6875. [18] Gedik E. et al. A new robust method for bridge detection from high resolution electro-optic satellite images // Proceedings of the 4th GEOBIA. 2012. P. 298–302. [19] McFeeters S. K. Using the Normalized Difference Water Index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: a practical approach // Remote Sensing. 2013. Vol. 5. №. 7. P. 3544–3561.