последующих оценок параметров: расчета площадей участков, однородных. по каким-либо свойствам, выделения их границ и т.п. Возможны два подхода к распознаванию на снимках гидрологических объектов — интерпретационный и формальный. Первый из них отвечает дешифрированию изображений традиционными способами и предполагает выявление гидрологической сущности объекта, второй реализуется при автоматизированной обработке и состоит в определении принадлежности объекта к какому-нибудь заданному классу [106]. В основе существующих схем машинного распознавания лежат либо вероятностная, либо детермини- стическая концепции. Вероятностные схемы построены с помощью байесо- вой теории принятия решения. В детерминистических, характеризующихся резльной связью между подлежащим распознаванию объектом и принимае- мым при этом решением, как правило, используются различные метриче- ские соотношения. При статистическом подходе [9, 101] полагают, что дешифрируемое гидрологическое образование с некоторой вероятностью относится к лю- бому из классов изучаемой совокупности объектов. Эта вероятность оцени- вается с учетом характеристик конкретных изображений, а также статисти- ческих данных о соответствующих параметрах классов, таких, как размеры, форма, спектральные свойства изображения и пр. [106) . Решение о принад- лежности объекта тому или иному классу принимается с помощью заранее выбранного статистического критерия, определяемого в основном функ- циональной основой объекта. Такая процедура классификации выполняется при наличии банка априорных данных, представляющих спектральные характеристики. известных природных образований (эталонных участков поверхности) ‚ полученные при аэровизуальных или наземных наблюдениях. Априорная информация используется на этапе обучения ЭВМ, т.е. на стадии формирования `дешифровочных признаков. При отсутствии априорной информации классификация объектов дешифрирования осуществляется с помощью методов кластерного анализа [70]. Использование детерминистической схемы распознавания для выделения площадей сплошного и пятнистого залегания снежного покрова и Пол- ностью освободившихся от снега описано В.В. Сумароковой, Л.П. Бабкиной [106). Целиком заснеженные и бесснежные области распознаются со’ 100%-ной вероятностью по каждому из четырех каналов: 0,5—0,6; 0,6—07; 0,7—0,8; 0,8—1,0 мкм. Ошибки распознавания зоны несплошного снежного покрова составляют по диапазонам: 0,5—0,6 мкм — 22%, 0,6—0,7 мкм — 16%, 0,7-0,8 мкм — 12%, 0,8-—1,0 мкм — 41%. Большая погрешность деши- фрирования в ближней ИК зоне вызвана совпадением фототона изображе- ния пятнистого покрова и влажной поверхности почвы. Идентификация границ участков поверхности, необходимая при карто- графировании, может быть осуществлена с помощью предназначенных для этого алгоритмов. Данная процедура предполагает выделение однородных по какому-нибудь спектральному признаку областей без опознавания каждого пиксела. Выделенные участки классифицируются для каждого из них целиком. Один из простых алгоритмов состоит в расчете средней яркости и дисперсии для нескольких точек линии сканирования с после- довательной заменой крайней точки на рядом лежащую. Резкое увеличение дисперсии соответствует точке из другой области, что и служит признаком 32