Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 112-127
Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat
Д.Е. Плотников
1 , П.А. Колбудаев
1 , С.А. Барталев
1 , E.А. Лупян
1 1 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 05.04.2018
DOI: 10.21046/2070-7401-2018-15-2-112-127
В работе рассматривается метод ежегодного автоматического распознавания используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat (ETM+, OLI). Метод предусматривает использование спектрально-динамических признаков выявления пахотных земель, извлекаемых из временных серий значений вегетационных индексов и измерений коэффициентов спектральной яркости в красном, ближнем инфракрасном и коротковолновом инфракрасном диапазонах длин волн. Для достижения требуемой для автоматического распознавания пахотных земель частоты временных серий был использован метод восстановления пропущенных измерений на основе пространственно-временных связей между похожими объектами. Для учёта изменчивости почвенно-климатических условий и применяемой агротехники выращивания сельскохозяйственных культур на протяжённых территориях исследуемых регионов был использован программный комплекс локально-адаптивной классификации LAGMA с непараметрическим классификатором Random Forest. Валидация полученных карт пахотных земель Московской области и Приморского края на уровне пикселей Landsat была выполнена на основе наземной информации и экспертной интерпретации спутниковых данных высокого и сверхвысокого пространственного разрешения для территорий Каширского и Октябрьского районов, входящих в состав этих субъектов. Общая точность распознавания используемых пахотных земель Московской области составила 88,7 %, а Приморского края ― 84,4 %.
Ключевые слова: дистанционное зондирование Земли, пахотные земли, распознавание, Landsat, восстановление временных серий, пространственно-временной анализ
Полный текстСписок литературы:
- Барталев С. А., Егоров В. А., Лупян Е. А., Плотников Д. Е., Уваров И. А. Распознавание пахотных земель на основе многолетних спутниковых данных спектрорадиометра MODIS и локально-адаптивной классификации // Компьютерная оптика. Самара: ИСОИ РАН, 2011. Т. 35. № 1. С. 103–116.
- Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А. Состояние и перспективы развития методов спутникового картографирования растительного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 203–221.
- Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 c.
- Иванов М. А., Прищепов А. В., Голосов В. Н., Залялиев Р. Р., Ефимов К. В., Кондратьева А. А., Киняшова А. Д., Ионова Ю. К. Методика картографирования динамики пахотных угодий в бассейнах рек Европейской территории России за период 1985–2015 гг. // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 161–171.
- Колбудаев П. А., Барталев С. А., Плотников Д. Е., Матвеев А. М. Технология обработки спутниковых данных Landsat-TM/ETM+ // 14-я Всероссийская открытая конф. «Современные проблемы дистанционного зондирования Земли из космоса»: сб. тез. Москва, ИКИ РАН. 2016. С. 37.
- Лупян Е. А., Прошин А. А., Бурцев М. А., Балашов И. В., Барталев С. А., Ефремов В. Ю., Кашницкий А. В., Мазуров А. А., Матвеев А. М., Суднева О. А., Сычугов И. Г., Толпин В. А., Уваров И. А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 247–267.
- Люри Д. И., Горячкин С. В., Караваева Н. А., Денисенко E. A., Нефедова Т. Т. Динамика сельскохозяйственных земель России в XX веке и постагрогенное восстановление растительности и почв. М.: ГЕОС, 2010. 416 с.
- Плотников Д. Е. Метод сегментации временной серии спутниковых изображений // 12-я Всероссийская открытая конф. «Современные проблемы дистанционного зондирования Земли из космоса»: сб. тез. Москва, ИКИ РАН, 2014. С. 375.
- Плотников Д. Е., Барталев С. А., Лупян Е. А. Признаки распознавания пахотных земель на основе многолетних рядов данных спутникового спектрорадиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 1. С. 330–341.
- Плотников Д. Е., Миклашевич Т. С., Барталев С. А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 2. С. 103–110.
- Плотников Д. Е., Колбудаев П. А., Барталев С. А. Автоматическое распознавание используемых пахотных земель на основе временных серий синтезированных ежедневных изображений Landsat на территорию Приморского края // 14-я Всероссийская открытая конф. «Современные проблемы дистанционного зондирования Земли из космоса»: сб. тез. Москва, ИКИ РАН. 2016. С. 387.
- Плотников Д. Е., Колбудаев П. А., Барталев С. А., Лупян Е. А. Распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat на примере Московской области // 15-я Всероссийская открытая конф. «Современные проблемы дистанционного зондирования Земли из космоса»: сб. тез. Москва, ИКИ РАН. 2017. С. 382.
- Bartalev S. A., Egorov V. A., Loupian E. A., Khvostikov S. A. A new locally-adaptive classification method LAGMA for large-scale land cover mapping using remote-sensing data // Remote Sensing Letters. 2014. V. 5. No. 1. P. 55–64. DOI: 10.1080/2150704X.2013.870675.
- Bartalev S. A., Plotnikov D. E., Loupian E. A. Mapping of arable land in Russia using multiyear time series of MODIS data and the LAGMA classification technique // Remote Sensing Letters. 2016. V. 7. No. 3. P. 269–278. DOI: 10.1080/2150704X.2015.1130874.
- Breiman L. Random Forests // Machine Learning. 2001. V. 45. Iss. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- Chen J., Chen J., Liao A., Cao X., Chen L., Chen X., He C., Han G., Peng S., Lu M., Zhang W., Tong X., Mills J. Global land cover mapping at 30 m resolution: A POK-based operational approach // ISPRS J. Photogrammetry and Remote Sensing. 2015. V. 103. P. 7–27. URL: https://doi.org/10.1016/j.isprsjprs.2014.09.002.
- Förster S., Kaden K., Förster M., Itzerott S. Crop type mapping using spectral-temporal profiles and phonological information // Computers and Electronics in Agriculture. 2012. V. 89. P. 30–40. URL: http://doi.org/10.1016/j.compag.2012.07.015.
- Hua L., Zhang X., Chen X., Yin K., Tang L. A feature-based approach of decision tree classification to map time series urban land use and land cover with Landsat 5 TM and Landsat 8 OLI in a Coastal City, China. October 2017 // Intern. J. Geo-Information. 2017. V. 6. No. 11. P. 331. DOI: 10.3390/ijgi6110331.
- Maxwell S. K., Craig M. E. Use of Landsat ETM+ SLC-off segment-based gap-filled imagery for crop type mapping. Geocarto International. 2008. V. 23. No. 3. P. 169–179. DOI: 10.1080/10106040701207399.
- Richardson A. J., Weigand C. L. Distinguishing vegetation from soil background information // Photogrammetric Engineering & Remote Sensing. 1977. V. 43. P. 1541–1552.
- Stehman S. V. Selecting and Interpreting Measures of Thematic Classification Accuracy // Remote Sensing of Environment. 1997. V. 62. P. 77–89. DOI: 10.1016/S0034-4257(97)00083-7.
- Waldner F., Canto G. S., Defourny P. Automated annual cropland mapping using knowledge-based temporal features // ISPRS J. Photogrammetry and Remote Sensing. 2015. V. 110. P. 1–13. DOI: 10.1016/j.isprsjprs.2015.09.013.
- Xu Y., Yu L., Zhao Y., Feng D., Cheng Y., Cai X., Gong P. Monitoring cropland changes along the Nile River in Egypt over past three decades (1984–2015) using remote sensing // Intern. J. Remote Sensing. 2017. V. 38. P. 4459–4480. DOI: 10.1080/01431161.2017.1323285.
- Yan L., Roy D. P. Conterminous United States crop field size quantification from multi-temporal Landsat data // Remote Sensing of Environment. 2016. V. 172. P. 67–86. DOI: 10.1016/j.rse.2015.10.034.
- Zhao X., Wang X., Cao G., Chen K., Tang W., Zhang Z. Crop identification by using seasonal parameters extracted from time series Landsat images in a mountainous agricultural county of Eastern Qinghai Province, China // J. Agricultural Science. 2017. V. 9. No. 4. P. 116–127. DOI: 10.5539/jas.v9n4p116.