Идентификация сельскохозяйственных культур с использованием радарных изображений

Обложка
  • Авторы: Дубровин К.Н1, Степанов А.С2, Верхотуров А.Л3, Асеева Т.А2
  • Учреждения:
    1. Вычислительный центр Дальневосточного отделения Российской академии наук (ВЦ ДВО РАН)
    2. Дальневосточный научно-исследовательский институт сельского хозяйства (ДВ НИИСХ)
    3. Институт горного дела Дальневосточного отделения Российской академии наук (ИГД ДВО РАН)
  • Выпуск: Том 21, № 2 (2022)
  • Страницы: 405-426
  • Раздел: Искусственный интеллект, инженерия данных и знаний
  • URL: https://journal-vniispk.ru/2713-3192/article/view/266346
  • DOI: https://doi.org/10.15622/ia.21.2.7
  • ID: 266346

Цитировать

Полный текст

Аннотация

Одной из наиболее важных задач в практической сельскохозяйственной деятельности является идентификация сельскохозяйственных культур, произрастающих на отдельных полях в данный момент и ранее. Для снижения трудоемкости процесса идентификации в последние годы используются данные дистанционного зондирования Земли (ДЗЗ), в том числе значения индексов, рассчитываемые по ходу периода вегетации. При этом обработка оптических спутниковых снимков и получение достоверных значений индексов зачастую бывает затруднено из-за облачности во время съемки. Для решения этой проблемы в статье предложено использовать в качестве основного показателя, характеризующего сельскохозяйственную культуру, кривую сезонного хода радарного вегетационного индекса с двойной поляризацией (DpRVI). В период 2017-2020 гг. для идентификации культур на опытных полях Дальневосточного научно-исследовательского института сельского хозяйства (ДВ НИИСХ) было получено и обработано 48 радарных снимков Хабаровского муниципального района Хабаровского края со спутника Sentinel-1 (разрешение 22 м, интервал съемки − 12 дней). В качестве основных идентифицируемых культур выступали соя и овес. Также были добавлены пиксели полей, не занятых данными культурами (кормовые травы, заброшенные поля). Были получены ряды значений DpRVI как для отдельных пикселей и полей, так и аппроксимированные ряды для трех классов. Аппроксимация проводилась с использованием функции Гаусса, двойной логистической функции, квадратного и кубического полиномов. Установлено, что оптимальным алгоритмом аппроксимации является использование двойной логистической функции (средняя ошибка составила 4,6%). В среднем, ошибка аппроксимации индекса вегетации для сои не превышала 5%, для многолетних трав – 8,5%, а для овса – 11%. Для опытных полей общей площадью 303 га с известным севооборотом была проведена классификация взвешенным методом k ближайших соседей (обучающая выборка сформирована по данным 2017-2019 гг, тестовая -2020 г.). В результате верно идентифицировано 90% полей. Общая точность классификации по пикселям составила 73%, что позволило выявить несоответствие реальных границ полей заявленным, определить заброшенные и заболоченные участки. Таким образом, установлено, что индекс DpRVI может быть использован для идентификации сельскохозяйственных культур юга Дальнего Востока и служить основой для автоматического классифицирования пахотных земель.

Об авторах

К. Н Дубровин

Вычислительный центр Дальневосточного отделения Российской академии наук (ВЦ ДВО РАН)

Email: nobforward@gmail.com
ул. Ким Ю Чена 65

А. С Степанов

Дальневосточный научно-исследовательский институт сельского хозяйства (ДВ НИИСХ)

Email: stepanfx@mail.ru
ул. Клубная 13

А. Л Верхотуров

Институт горного дела Дальневосточного отделения Российской академии наук (ИГД ДВО РАН)

Email: andrey@ccfebras.net
ул. Тургенева 51

Т. А Асеева

Дальневосточный научно-исследовательский институт сельского хозяйства (ДВ НИИСХ)

Email: aseeva59@mail.ru
ул. Клубная 13

Список литературы

  1. Mapping croplands, cropping patterns, and crop types using MODIS time-series data / Y. Cheng [и др.] // International Journal of Applied Earth Observation and Geoinformation. 2018. vol. 69. pp. 133-147.
  2. Improved regional-scale Brazilian cropping systems’ mapping based on a semi-automatic object-based clustering approach / B. Bellon [и др.] // International Journal of Applied Earth Observation and Geoinformation. 2018. vol. 68. pp. 127-138.
  3. Griffiths P., Nendel C., Hostert P. Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping // Remote Sensing of Environment. 2019. vol. 220. pp. 135-151.
  4. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China / H. Zhang [и др.] // Computers and Electronics in Agriculture. 2020. vol. 176. 105618.
  5. Early-season crop type mapping using 30-m reference time series / P. Hao [и др.] // Journal of Integrative Agriculture. 2020. vol. 19. iss. 7. pp. 1897-1911.
  6. Миклашевич Т.С., Барталев С.А., Плотников Д.Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. №6. С. 143-154.
  7. Arias M., Campo-Bescós M.Á, Álvarez-Mozos J. Crop Classification Based on Temporal Signatures of Sentinel-1 Observations over Navarre Province, Spain // Remote Sensing. 2020. vol. 12. iss. 2. 278.
  8. Improved Early Crop Type Identification by Joint Use of High Temporal Resolution SAR And Optical Image Time Series / J. Inglada [и др.] // Remote Sensing. 2016. vol. 8. iss. 5. 362.
  9. Synergistic Use of Radar Sentinel-1 and Optical Sentinel-2 Imagery for Crop Mapping: A Case Study for Belgium / van Tricht K. [и др.] // Remote Sensing. 2018. vol. 10. iss. 10. 1642.
  10. Kim Y., van Zyl J.J. A Time-Series Approach to Estimate Soil Moisture Using Polarimetric Radar Data // IEEE Transactions on Geoscience and Remote Sensing. 2009. vol. 47. №8. pp. 2519-2527.
  11. C-band polarimetric indexes for maize monitoring based on a validated radiative transfer model / X. Blaes [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 2006. vol. 44. iss. 4. pp. 791–800.
  12. Integration of optical and Synthetic Aperture Radar (SAR) imagery for delivering operational annual crop inventories / H. McNairn [и др.] // ISPRS Journal of Photogrammetry and Remote Sensing. 2009. vol. 64. iss. 5. pp. 434–449.
  13. Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data / D. Mandal [и др.] // Remote Sensing of Environment. 2020. vol. 247. 111954.
  14. Freeman A., Durden S.L. A Three-Component Scattering Model for Polarimetric SAR Data // IEEE Transactions on Geoscience and Remote Sensing. 1998. vol. 36. iss. 3. pp. 963-973.
  15. Four Component Scattering Model for Polarimetric SAR Image Decomposition / Yamaguchi Y. [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 2005. vol. 43. iss. 8. pp. 1699-1706.
  16. Arii M., van Zyl J.J., Kim Y. Adaptive Model-Based Decom-position for Polarimetric SAR Covariance Matrices // IEEE Transactions on Geoscience and Remote Sensing. 2011. vol. 49. iss. 3. pp. 1104-1113.
  17. Костенков Н.М., Ознобихин В.И. Почвы и почвенные ресурсы юга Дальнего Востока, и их оценка // Почвоведение. 2006. №5. С. 517–526.
  18. Новороцкий П.В. Климатические изменения в бассейне Амура за последние 115 лет // Метеорология и гидрология. 2007. №2. С. 43−53.
  19. База данных показателей муниципальных образований. URL: www.gks.ru/dbscripts/munst/ (дата обращения: 21.08.2021).
  20. Sentinel-1 Mission Status / P. Potin [и др.] // 11th European Conference on Synthetic Aperture Radar. Proceedings EUSAR. 2016. pp. 59–64.
  21. Intensity and phase statistics of multilook polarimetric interferometric SAR imagery / J.S. Lee [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 1994. vol 32. iss. 5. pp. 1017-1028.
  22. Lee J.S., Pottier E. Polarimetric SAR Radar Imaging: From Basic to Applications // Boca Raton: CRC Press. 2009. 438 p.
  23. Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data / A. Berger [и др.] // Computers and Electronics in Agriculture. 2018. vol. 161. pp. 305-311.
  24. An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data. / R. Cao [и др.] // Agric. For. Meteorol. 2015. vol. 200. pp. 9–20.
  25. Predicting Soybean Yield at the Regional Scale Using Remote Sensing and Climatic Data / A. Stepanov [и др.] // Remote Sensing. 2020. vol. 12. iss. 12. 1936.
  26. Evaluating the impacts of models, data density and irregularity on reconstructing and forecasting dense Landsat time series. / J. Zhang [и др.] // Science of Remote Sensing. 2021. №4. 100023.
  27. Mapping crops within the growing season across the United States / V.S. Konduri [и др.] // Remote Sensing of Environment. 2020. vol. 251. 112048.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».