Year: 2025
Type: article
Abstract: In the processing of aerospace digital data, Principal Component Analysis (PCA) is utilized to enhance the spectral brightness of images by identifying new features, as well as compressing and reducing the dimensionality of multidimensional datasets. PCA reduces the size of hyperspectral data and generates new features, known as principal components (PCs). The first PC contains the most information, while the last PC contains the least. This enables the representation of hundreds of channels of multidimensional data with a small number of components. The primary objective of this study is to analyze the 234-channel hyperspectral data from the PRISMA satellite, both independently and in conjunction with VV and VH polarization synthetic aperture radar (SAR) data obtained from the Sentinel-1B satellite. Ulaanbaatar was selected as the test area for this research. When the 202 channels of PRISMA satellite data were processed and analyzed using the PCA, it was found that 98.9% of the total information was contained in the first five components, with PC1 accounting for 53.66% of the total variance of the original 202 channels. In contrast, when the combined hyperspectral and SAR data were processed, the first five components represented 99.1% of the total information, resulting in an increase of 0.2% in total information content. Overall, the results of the study show that the use of multiple source data and integration can further improve the quality of thematic interpretation and analysis. Олон эх сурвалжийн мэдээг гол компонентын аргаар шинжилсэн дүн ХУРААНГУЙ: Агаар-сансрын тоон өгөгдлийг боловсруулахад гол компонентын шинжилгээ (ГКШ)-ний арга нь сувгуудыг шинээр тодорхойлон дүрс зургийн спектр тодролыг сайжруулахаас гадна, олон хэмжээст өгөгдлийг шахаж, хэмжээсийг нь багасгахад ашиглагдана. Хайперспектрийн мэдээг ГКШ-ний аргаар хэмжээсийг нь багасган, шинэ сувгуудыг буюу гол компонент (ГК)-уудыг үүсгэхэд, эхний ГК хамгийн их мэдээллийг, сүүлийн ГК хамгийн бага мэдээллийг агуулдаг. Ингэснээр, олон зуун сувгийн өгөгдлийг цөөн тооны компонентуудаар илэрхийлэх боломжтой болдог. Энэхүү судалгаа нь PRISMA дагуулын 234 сувгийн хайперспектрийн мэдээг тусад нь болон Sentinel-1В дагуулаас VV, VH туйлшралуудаар хүлээн авсан синтетик апертурт радар (САР)-ын өгөгдөлтэй нийлүүлэн ГКШ-ний аргаар дүн шинжилгээ хийх үндсэн зорилготой бөгөөд судалгааны загвар талбай болгон Улаанбаатар хотыг сонгон авав. PRISMA дагуулын 202 сувгийн мэдээг ГКШ-ний аргаар боловсруулан, шинжилгээ хийхэд нийт мэдээллийн 98.9% нь эхний 5 компонентэд агуулагдаж байсан ба ГК1 нь анхдагч 202 сувгийн мэдээний нийт дисперсийн 53.66 хувийг агуулж байв. Харин хайперспектрийн болон САР-ын нэгдмэл мэдээг ГКШ-ний аргаар боловсруулан шинжлэхэд эхний 5 компонент нийт мэдээллийн 99.1%-ийг агуулж, нийт мэдээллийн агууламж 0.2%-иар нэмэгдсэн байлаа. Судалгааны үр дүнгээс харахад, олон эх сурвалжийн мэдээг нийлмэл байдлаар ашигласнаар сэдэвчилсэн тайлал болон дүн шинжилгээний чанарыг илүү сайжруулах боломжтой байна. Түлхүүр үгс: Хайперспектрийн мэдээ, САР-ын мэдээ, Дүн шинжилгээ
Institution: Mongolian Academy of Sciences
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7127050749