Вісник Астрономічної школи, 2018, том 14, № 1, с. 30–34

https://doi.org/10.18372/2411-6602.14.04
Завантажити PDF
УДК 528.8+504.064+535.361.2

Методи підвищення точності класифікації агрофітоценозів за супутниковими зображеннями

Семенів О.В.1, 2, 3, Підгородецька Л.В.1

1Інститут космічних досліджень НАН України і ДКА України, 03187, м. Київ, пр. Академіка Глушкова, 40
2Svitla Systems, Inc., 02002, м. Київ, вул. Євгена Сверстюка, 2A
3Thermo Fisher Scientific, Inc., 3380 Central Expressway, 95051 Санта Клара, США

Реферат

Стаття присвячена проблемі класифікації агрофітоценозів за даними супутникового спостереження та методам підвищення точності оцінювання. Побудовано модель визначення типу сільськогосподарських культур за мультиспектральними даними на основі методу опорних векторів. Апробація модифікованого алгоритму класифікації сільськогосподарських культур здійснювалася на основі результатів супутникової зйомки пілотної території господарства «Степовий» Кам'янсько-Дніпровського району Запорізької області. Для цифрової обробки використано наземні опорні дані щодо сівозмін господарства, нормативну базу фаз розвитку сільгоспкультур для важко-суглинистих та середньо-суглинистих ґрунтів, характерних для степової зони півдня України та дані ДЗЗ досліджуваної території апаратурою супутників Landsat ТМ та ETM+ за 2001 та 2003 рр. Досліджено, що значна кількість хибно класифікованих пікселів (>5%) припадають на зони стиків полів (межі полів) та хаотично розкиданих поодиноких сегментів невірно класифікованих культур в межах поля (≈12). В основному дана похибка зумовлена просторовими коливаннями у вологості ґрунту, станом здоров'я рослин, типом проективного покриття, спектральною схожістю культур, фенологічною стадією розвитку рослин, часом супутникового спостереження. Для мінімізації впливу вищезгаданих факторів на кінцевий результат класифікації було використано методи медіанної та рангової фільтрації. Метод медіанної фільтрації дозволив підвищити на 3% точність класифікації, а метод рангової фільтрації – на 2% в порівнянні із простою процедурою методу опорних векторів. Похибка класифікації та недоліки фільтрації значною мірою пов'язані із зонами переходу площ посівів різних культур, так званими межами полів. Оскільки просторове розрізнення становить 30×30 метрів, то для навчання моделі класифікації доцільно було б відкидати пікселі переходу (межові) із навчальної вибірки.

Ключові слова: ДЗЗ; оцінювання; стан рослинності; класифікація; фільтрація

Перелік посилань

  1. Vizilter Y.V., Zheltov S.Y., Knyaz V.A., Hodarev A.N., Morzhen A.V. Image analysis and processing with LabVIEW IMAQ Vision. – М.: DMK Press, 2009. – 464 p.
  2. Lyalko V.I., Popov M.O. Multispectral remote sensing in nature management. – Kyiv: Naukova dumka, 2006. – 360 p.
  3. Semeniv O.V. Estimation of biochemical components in vegetation based on statistical learning methods and remote sensing data // Astronomical School's Reports. – 2014. – Vol. 10, No. 1. – P.70–74. https://doi.org/10.18372/2411-6602.10.1070
  4. Shadchyna T.M. Scientific fundamentals of crops state remote monitoring. – Kyiv: Phytosociocenter, 2001. – 220 p.
  5. Astola J., Haavisto P., Neuvo Y. Vector median filters // Proc. of the IEEE. – 1990. – Vol. 78(4). – P.678–689. https://doi.org/10.1109/5.54807
  6. Bo Chen, Fang Qiu, Bingfang Wu, Hongyue Du. Image segmentation based on constrained spectral variance difference and edge penalty // Remote Sens. – 2015. – Vol. 7. – P.5980–6004. https://doi.org/10.3390/rs70505980
  7. Bruzzone L., Pieto D.F. A partially unsupervised cascade classifier for the analysis of multitemporal remote-sensing images // Pattern Recognition Letters. – 2002. – Vol. 23. – P.1063–1071. https://doi.org/10.1016/s0167-8655(02)00053-3
  8. Egbert S.L., Park S., Price K.P. Using conservation reserve program maps derived from satellite imagery to characterize landscape structure // Compute Electron Agric. – 2002. – Vol. 37. – Р.141–156. https://doi.org/10.1016/s0168-1699(02)00114-x
  9. Foody G.M., Mathur A. Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification // Remote Sensing of Environment. – 2004. – Vol. 93. – P.107–117. https://doi.org/10.1016/j.rse.2004.06.017
  10. Kogan F.N. Operational space technology for global vegetation assessment // Bull. Am. Meteorol. Soc. – 2001. – Vol. 82(9). – P.1949–1964. https://doi.org/10.1175/1520-0477(2001)082<1949:ostfgv>2.3.co;2
  11. Lim J.S. Two-dimensional signal and image processing. – Englewood Cliffs, NJ, Prentice Hall, 1990. – P.469–476.
  12. Podgorodetskaya L.V., Prutsko Y.V., Semeniv O.V. Farmland state estimation based on agrophytocenoses classification and remote sensing satellite data // Journal of Automation and Information Sciences. – 2016. – Vol. 48(5). – P.55–63. https://doi.org/10.1615/jautomatinfscien.v48.i5.50
  13. Semeniv O.V., Pidgorodetska L.V. Biophysical Parameters of Water Ecosystem Estimation Using Satellite Images and Optimization Techniques // Journal of Automation and Information Sciences. – 2014. – Vol. 46(9). – P.68–77. https://doi.org/10.1615/jautomatinfscien.v46.i9.60
  14. Schmedtmann J., Campagnolo M.L. Reliable crop identification with satellite imagery in the context of common agriculture policy subsidy control // Remote Sens. – 2015. – Vol. 7. – P.9325–9346. https://doi.org/10.3390/rs70709325
  15. Yan L., Roy D.P. Automated crop field extraction from multi-temporal Web Enabled Landsat Data // Remote Sensing of Environment. – 2014. – Vol. 144. – P.42–64. https://doi.org/10.1016/j.rse.2014.01.006
  16. Xi Chen, Tao Fang, Hong Huo, Deren Li Measuring the effectiveness of various features for thematic information extraction from very high resolution remote sensing imagery // IEEE Transactions on geoscience and remote sensing. – 2015. – Vol. 53(9). – P.4837–4851. https://doi.org/10.1109/tgrs.2015.2411331

Завантажити PDF