Аннотация:Дистанционные измерения в оптическом диапазоне широко используются в различных подходах, связанных с распознаванием образов и анализом сцен. Данная научно-исследовательская проблематика связана с автоматизацией процедур принятия решений, направленных на разделение различных классов объектов земной поверхности на гиперспектральных изображениях видимого и ближнего инфракрасного диапазона. Когнитивные технологии разрабатываются для обработки этих изображений с использованием методов оптимизации выделения спектральных и текстурных признаков соответствующих объектов. Приемные устройства аппаратуры дистанционного зондирования основаны на технологии «Прибор с зарядовой связью» (ПЗС), позволяющей получать спектральные кубы данных (две горизонтальных координаты и длина волны). Описываются процедуры компьютерного видения в задаче обработки оптических данных дистанционного зондирования. Для этой цели рассматривается следующие классификаторы: искусственные нейронные сети, линейный и нелинейный дискриминантный анализ, метод опорных векторов, байесовская стратегия в областях пространственной и спектральной оптимизации. Особое внимание уделяется усовершенствованию алгоритмов машинного обучения в проблеме распознавания образов для лесной растительности различного породного и возрастного состава по гиперспектральным изображениям. Рассмотрены приложения повышения точности на основе разделения пикселей лесного полога соответствующего класса по различным градациям освещенности (полностью освещенные Солнцем элементы крон деревьев, полностью затененное фоновое пространство и наполовину освещенные и затененные фитоэлементы растительности). Демонстрируется, что ошибки дистанционных методов распознавания различных классов древостоев сопоставимы с ошибками наземных методов лесотаксации. Данное обстоятельство позволяет использовать процедуры автоматизации для оценки текущего состояния лесных экосистем на основе обработки изображений гиперспектрального зондирования. Для восстановления биологических и продукционных параметров распознаваемых классов древостоев решаются прямые и обратные задачи атмосферной оптики. Методика основана на предлагаемых процедурах обработки гиперспектральных изображений и данныхмоделирования проекционных характеристик лесного полога. С применением когнитивных технологий нам удалось провести детальную классификацию тестовых изображений, распознать классы древостоев различного возрастного и породного состава внутри их контуров на обрабатываемых изображениях, а также восстановить параметры биологической продуктивности для указанных классов объектов.