1. На главную
  2. Электронные версии
  3. Сенсорные системы
  4. T. 37, № 2, 2023

Сенсорные системы, 2023, T. 37, № 2, стр. 171-180

Классификация сельскохозяйственных культур на основе анализа временных рядов вегетационного индекса c понижением их размерности

М. А. Павлова 1, *, Д. С. Сидорчук 1, Д. А. Бочаров 1

1 Институт проблем передачи информации им. А.А. Харкевича РАН
127051 Москва, Большой Каретный пер., 19, Россия

* E-mail: pavlovamar96@gmail.com

Поступила в редакцию 10.03.2023
После доработки 28.03.2023
Принята к публикации 29.03.2023

Аннотация

В работе рассматривается задача классификации сельскохозяйственных культур. Как известно, для решения этой задачи значительно эффективнее использовать не только мгновенные данные дистанционного зондирования или вычисленные по ним вегетационные индексы, но и их исторический набор для разных моментов времени. Временные ряды, образованные значениями индексов для фиксированной пространственной точки для разных моментов времени, характеризуются высоким уровнем пропусков значений, вызванных в первую очередь наличием облачности в некоторые даты. Проведено исследование известных методов аппроксимации временных рядов. Также исследуется вопрос о том, может ли снижение размерности аппроксимированных временных рядов повысить качество рассматриваемой классификации. В экспериментальной части работы использовались временные ряды индекса NDVI, вычисленного по мультиспектральным спутниковым данным Sentinel-2. Исследовалась классификация кукурузы, подсолнечника, пшеницы и сои. В работе показано, что снижение размерности методом UMAP позволяет в среднем в 1.5 раза повысить значение F1-меры в сравнении с использованием данных исходной размерности. Предложен новый метод классификации культур, основанный на аппроксимации временных рядов вегетационных индексов NDVI кубическим сплайном, извлечение малоразмерных признаков алгоритмом UMAP и их классификации методом k ближайших соседей.

Ключевые слова: ДЗЗ, классификация сельскохозяйственных культур, временные ряды, NDVI, аппроксимация временного ряда, извлечение признаков, снижение размерности, UMAP

Список литературы

  1. Барталев С.А., Лупян Е.А., Нейштадт И.А., Савин И.Ю. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS. Исследование Земли из космоса. 2006. Т. 3. С. 68–75.

  2. Бахтадзе Н.Н., Максимов Е.М., Максимова Н.Е., Дончан Д.М., Кузнецов Д.С., Захаров Э.А. Системы интеллектуального менеджмента для цифрового земледелия. Часть 1. Информационные технологии и вычислительные системы. 2020. Т. 2. С. 99–111. https://doi.org/10.14357/20718632200208

  3. Блохина С.Ю. Применение дистанционного зондирования в точном земледелии. Вестник Российской сельскохозяйственной науки. 2018. № 5. С. 10–16. https://doi.org/10.30850/vrsn/2018/5/10-16

  4. Бочаров Д.А., Николаев Д.П., Павлова М.А., Тимофеев В.А. Алгоритм детекции и компенсации теней от облаков на мультиспектральных спутниковых снимках для местностей сельскохозяйственных угодий. Информационные процессы. 2021. Т. 21. № 4. С. 295–312. https://doi.org/10.53921/18195822_2021_21_4_295

  5. Воробьева Н.С., Чернов А.В. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам. Сборник трудов III международной конференции и молодежной школы “Информационные технологии и нанотехнологии” (ИТНТ-2017)-Самара: Новая техника. Самара. 2017. С. 390–399.

  6. Павлова М.А., Сидорчук Д.С., Кущев Д.О., Бочаров Д.А., Николаев Д.П. Эквализация условий съемки на основе спектральных моделей для нужд точного земледелия с использованием БПЛА. Информационные процессы. 2022. Т. 22. № 4. С. 404–413. https://doi.org/10.53921/18195822_2022_22_4_404

  7. Плотников Д.Е., Барталев С.А., Жарко В.О., Михайлов В.В., Просянникова О.И. Экспериментальная оценка распознаваемости агрокультур по данным сезонных спутниковых измерений спектральной яркости. Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 199–208.

  8. Пугачева И.Ю., Шевырногов А.П. Изучение динамики NDVI посевов сельскохозяйственных культур на территории Красноярского края и Республики Хакасия. Современные проблемы дистанционного зондирования Земли из космоса. 2008. Т. 5. № 2. С. 347–351.

  9. Фирсов Н.А., Подлипнов В.В., Николаев П.П., Машков С.В., Ишкин П.А., Скиданов Р.В., Никоноров А.В. Нейросетевая классификация гиперспектральных изображений растительности с формированием обучающей выборки на основе адаптивного вегетационного индекса. Компьютерная оптика. 2021. Т. 45. №. 6. С. 887–896. https://doi.org/10.18287/2412-6179-CO-1038

  10. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы. Геоматика. 2009. № 3. С. 28–32.

  11. Якушев В.П., Дубенок Н.Н., Лупян Е.А. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства. Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 11.

  12. Abe B.T., Jordaan J.A. Hyperspectral image classification based on NMF Features Selection Method. Sixth International Conference on Machine Vision (ICMV 2013). SPIE, 2013. T. 9067. C. 114–119. https://doi.org/10.1117/12.2050072

  13. Belda S., Pipia L., Morcillo-Pallarés P., Verrelst J. Optimizing gaussian process regression for image time series gap-filling and crop monitoring. Agronomy. 2020. T. 10. № 5. C. 618. https://doi.org/10.3390/agronomy10050618

  14. Bouteldja S., Kourgli A. A comparative analysis of SVM, K-NN, and decision trees for high resolution satellite image scene classification. Twelfth International Conference on Machine Vision (ICMV 2019). SPIE, 2020. T. 11433. C. 410–416. https://doi.org/10.1117/12.2557563

  15. Chakhar A., Hernández-López D., Ballesteros R., Moreno M.A. Improving the accuracy of multiple algorithms for crop classification by integrating sentinel-1 observations with sentinel-2 data. Remote Sensing. 2021. T. 13. № 2. C. 243. https://doi.org/10.3390/rs13020243

  16. Gilbertson J.K., Van Niekerk A. Value of dimensionality reduction for crop differentiation with multi-temporal imagery and machine learning. Computers and Electronics in Agriculture. 2017. T. 142. C. 50–58. https://doi.org/10.1016/j.compag.2017.08.024

  17. Groten S.M.E. NDVI–crop monitoring and early yield assessment of Burkina Faso. International Journal of Remote Sensing. 1993. T. 14. № 8. C. 1495–1515. https://doi.org/10.1080/01431169308953983

  18. Hird J.N., McDermid G.J. Noise reduction of NDVI time series: An empirical comparison of selected techniques. Remote Sensing of Environment. 2009. T. 113. № 1. C. 248–258. https://doi.org/10.1016/j.rse.2008.09.003

  19. Li J., Shen Y., Yang C. An adversarial generative network for crop classification from remote sensing timeseries images. Remote Sensing. 2020. T. 13. № 1. C. 65. https://doi.org/10.3390/rs13010065

  20. McInnes L., Healy J., Melville J. Umap: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426. 2018. https://doi.org/10.48550/arXiv.1802.03426

  21. Murmu S., Biswas S. Application of fuzzy logic and neural network in crop classification: a review. Aquatic Procedia. 2015. T. 4. C. 1203–1210. https://doi.org/10.1016/j.aqpro.2015.02.153

  22. Orynbaikyzy A., Gessner U., Conrad C. Crop type classification using a combination of optical and radar remote sensing data: A review. International journal of remote sensing. 2019. T. 40. №. 17. C. 6553–6595. https://doi.org/10.1080/01431161.2019.1569791

  23. Reedha R., Dericquebourg E., Canals R., Hafiane A. Transformer neural network for weed and crop classification of high resolution UAV images. Remote Sensing. 2022. T. 14. № 3. C. 592. https://doi.org/10.3390/rs14030592

  24. Rußwurm M., Körner M. Self-attention for raw optical satellite time series classification. ISPRS journal of photogrammetry and remote sensing. 2020. T. 169. C. 421–435. https://doi.org/10.1016/j.isprsjprs.2020.06.006

  25. Sishodia R.P., Ray R.L., Singh S.K. Applications of remote sensing in precision agriculture: A review. Remote Sensing. 2020. T. 12. № 19. C. 3136. https://doi.org/10.3390/rs12193136

  26. Sun R., Chen S., Su H., Mi C., Jin N. The effect of NDVI time series density derived from spatiotemporal fusion of multisource remote sensing data on crop classification accuracy. ISPRS International Journal of Geo-Information. 2019. T. 8. № 11. C. 502. https://doi.org/10.3390/ijgi8110502

  27. Velliangiri S., Alagumuthukrishnan S., Thankumar S.I. A review of dimensionality reduction techniques for efficient computation. Procedia Computer Science. 2019. T. 165. C. 104–111. https://doi.org/10.1016/j.procs.2020.01.079

  28. Yang S., Gu L., Li X., Jiang T., Ren R. Crop classification method based on optimal feature selection and hybrid CNN-RF networks for multi-temporal remote sensing imagery. Remote sensing. 2020. T. 12. № 19. C. 3119. https://doi.org/10.3390/rs12193119

  29. Zhang S., Lei Y., Wang L., Li H., Zhao H. Crop classification using MODIS NDVI data denoised by wavelet: A case study in Hebei Plain, China. Chinese Geographical Science. 2011. T. 21. C. 322–333. https://doi.org/10.1007/s11769-011-0472-2

Дополнительные материалы отсутствуют.

Инструменты

предыдущая статья выпуска содержание выпуска

Сенсорные системы

Архивы выпусков Информация о журнале Отправить рукопись в журнал