Вісник Астрономічної школи, 2014, том 10, № 1, с. 70–74

https://doi.org/10.18372/2411-6602.10.1070
Завантажити PDF
УДК 504.064:535.361.2:519.6

Оцінювання біохімічних компонент в рослинності на основі методів статистичного навчання та даних дистанційного зондування

Семенів О.В.

Інститут космічних досліджень НАН України та Державного космічного агентства України

Реферат

У роботі представлено підхід до оцінювання стану рослинності шляхом визначення концентрації хлорофілу в листі рослин за спектральними даними із застосуванням методу статистичного навчання. Проведено описання методу побудови моделі на основі рішення двоїстої задачі оптимізації. Представлено процедуру одержання експериментальних даних і результати комп'ютерних розрахунків та порівняльного аналізу.

Ключові слова: ДЗЗ; оценивание; метод опорных векторов; состояние растительности; идентификация модели

Перелік посилань

  1. Андреева А.В., Бузников А.А., Тимофеев А.А. и др. Оценка экологического состояния окружающей среды по спектрам отражения индикаторных видов растительности // Современные проблемы дистанционного зондирования Земли из космоса. – 2006. – 3, № 2. – С.265–270.
  2. Андреева А.В., Бузников А.А., Скрябин С.В. и др. Исследование характера изменения оптических характеристик растительности под воздействием тяжелых металлов для разработки метода дистанционной диагностики загрязнения // Современные проблемы дистанционного зондирования Земли из космоса. – 2007. – 4, № 2. – С.175–182.
  3. Бідюк П.І., Митник О.Ю. Застосування генетичного алгоритму в задачах оцінювання вмісту хлорофілу в рослинності // Наукові вісті НТУУ “КПІ”. – 2004. – № 4. – С.65–70.
  4. Кынчева Р., Илиев И., Борисова Д., Горгиев Г. Раннее обнаружение физиологического стресса растительности по многоспектральным данным // Современные проблемы дистанционного зондирования Земли из космоса. – 2011. – 8, № 4. – С.319–326.
  5. Семенив О.В., Шатохина Ю.В., Яценко В.О. Валидация моделей классификации гиперспектральных данных // Проблеми управления и информатики. – 2008. – № 3. – С.113–119.
  6. Якунина И.В., Попов Н.С. Методы и приборы контроля окружающей среды. Экологический мониторинг // Тамбов: Изд-во Тамб. гос. техн. ун-та, 2009. – 188 с.
  7. Яценко В.О., Кочубей С.М., Хандрига П.А. и др. Новый метод дистанционного оценивания содержания хлорофилла в растительности и его программно-аппаратная реализация // Космічна наука і технологія. – 2007. – № 3(13). – С.35–45.
  8. Albayrak S. Use of reflectance measurements for the detection of N, P, K, ADF and NDF Contents in sainfoin pasture // Sensors. – 2008. – № 8. – P.7275–7286. https://doi.org/10.3390/s8117275
  9. Bousquet O., Boucheron S., Lugosi G. Introduction to statistical learning theory // Advanced Lectures on Machine Learning. – 2003. – P.169–207. https://doi.org/10.1007/978-3-540-28650-9_8
  10. Choe E., Meer F., Ruitenbeek F., et. al. Mapping of heavy metal pollution in stream sediments using combined geochemistry, field spectroscopy, and hyperspectral remote sensing: A case study of the Rodalquilar mining area, SE Spain // Remote Sensing of Environment. – 2008. – 112. – P.3222–3233. https://doi.org/10.1016/j.rse.2008.03.017
  11. Delalieux S., Auwerkerken A., Verstraeten W.W., et al. Hyperspectral reflectance and fluorescence imaging to detect scab induced stress in apple leaves // Remote sensing. – 2009. – № 1(4). – P.858–874. https://doi.org/10.3390/rs1040858
  12. Feret J.B., François C., Asner G.P., et at. PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments // Remote Sensing of Environment. – 2008. – № 112. – P.3030–3043. https://doi.org/10.1016/j.rse.2008.02.012
  13. Lamb D.W., Steyn-Ross М., Schaare P., et al. Estimating leaf nitrogen concentration іn rye grass (Lolium spp.) pasture using the chlorophyll red-edge: theoretical modelling and experimental observations // Int. J. Remote Scens. – 2002. – № 23. – P.3619–3648. https://doi.org/10.1080/01431160110114529
  14. Lelong C.C.D., Roger J.-M., Brégand S., et al. Evaluation of oil-palm fungal disease infestation with canopy hyperspectral reflectance data // Sensors. – 2010. – 10. – P.734–747. https://doi.org/10.3390/s100100734
  15. Platt J.C. Fast training of support vector machines using sequential minimal optimization / In B. Scholkopf, C.J.C. Burges, A.J. Smola (Eds), Advances in kernel methods – support vector learning // Cambridge, MA: MIT Press. – 1998. – P.185–208.
  16. Rosso P.H., Pushnik J.C., Mui Lay, Ustin S.L. Reflectance properties and physiological responses of Salicornia virginica to heavy metal and petroleum contamination // Environmental Pollution. – 2005. – 137. – P.241–252. https://doi.org/10.1016/j.envpol.2005.02.025
  17. Smith K.L., Steven M.D., Colls J.J. Use of hyperspectral derivative ratios in the red-edge region to identify plant stress responses to gas leaks // Remote Sensing of Environment. – 2004. – 92. – P.207–217. https://doi.org/10.1016/j.rse.2004.06.002
  18. Smola A.J., Scholkopf B. A tutorial on support vector regression // Statistics and Computing. – № 14. – 2004. – P.199–222. https://doi.org/10.1023/b:stco.0000035301.49549.88
  19. Suárez L., Zarco-Tejada P.J., Berni J.A.J., et al. Modelling PRI for water stress detection using radiative transfer models // Remote Sensing of Environment. – 2009. – 113. – P.730–744. https://doi.org/10.1016/j.rse.2008.12.001
  20. Zarco-Tejada P.J., Berni J.A.J., Suárez L., et al. Imaging chlorophyll fluorescence with an airborne narrow-band multispectral camera for vegetation stress detection // Remote Sensing of Environment. – 2009. – 113. – P.1262–1275. https://doi.org/10.1016/j.rse.2009.02.016

Завантажити PDF