Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 131-141
Метод автоматического распознавания сельскохозяйственных культур на основе спутниковых данных и имитационной модели развития растений
Д.Е. Плотников
1 , С.А. Хвостиков
1 , С.А. Барталев
1 1 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 01.08.2018
DOI: 10.21046/2070-7401-2018-15-4-131-141
В работе рассматривается метод автоматического создания независимой и репрезентативной обучающей выборки на основе имитационной модели роста и развития растений WOFOST, параметризованной по историческим наземным и спутниковым данным, для распознавания посевов сельскохозяйственных культур текущего сезона вегетации. Предложенный метод позволил осуществить уверенное распознавание полей, занятых пятью различными культурами, без использования актуальной наземной информации об их расположении или априорных знаний о различиях их сезонного развития. Рассчитанная на основе наземных данных для пяти исследуемых культур общая точность распознавания составила 85 %. Рассмотрение временных серий модельных значений индекса листовой поверхности в качестве эталонов фазовых характеристик позволило использовать относительно простые критерии для определения типичных представителей выбранных культур на основе анализа их сезонной фенологии и дало возможность построить опорную выборку для обучения и дальнейшей классификации. Такое решение может быть использовано при распознавании широкого набора сельскохозяйственных культур на больших территориях, где основной проблемой является сложность или невозможность своевременного получения опорных данных текущего сезона вегетации для обучения классификатора другими методами.
Ключевые слова: распознавание культур, дистанционное зондирование, автоматическое построение обучающей выборки, объектно-ориентированная классификация, имитационное моделирование, WOFOST
Полный текстСписок литературы:
- 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.
- 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.
- 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.
- Плотников Д. Е., Колбудаев П. А., Барталёв С. А. Выделение сезонно-однородных областей на основе анализа временных серий спутниковых изображений // Компьютерная оптика. Самара: ИСОИ РАН, 2018. Т. 42. № 3. С. 447–456. DOI: 10.18287/2412-6179-2018-42-3-447-456.
- 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.
- Bingfang W., Jihua M., Qiangzi L., Nana Y., Xin D., Miao Z. Remote sensing-based global crop monitoring: experiences with China’s CropWatch system // Intern. J. Digital Earth. 2014. V. 7. Iss. 2. P. 113–137. DOI: 10.1080/17538947.2013.821185.
- Breiman L. Random forests // Machine Learning. 2001. V. 45. Iss. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- de Wit A., Duveiller G., Defourny P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations // Agricultural and Forest Meteorology. 2012. V. 164. P. 39–52.
- Diepen C., Wolf J., Keulen H., Rappoldt C. WOFOST: a simulation model of crop production // Soil Use and Management. 1989. V. 5. Iss. 1. P. 16–24.
- Fischer G., Nachtergaele F., Prieler S., Teixeira E., Tòth G., Velthuizen H., Verelst L., Wiberg D. Global Agro-Ecological Zones (GAEZ v3.0). Model Documentation. IIASA/FAO, 2012.
- Foerster S., Kaden K., Förster M., Itzerott S. Crop type mapping using spectral-temporal profiles and phenological information // Computers and Electronics in Agriculture. 2012. V. 89. P. 30–40. DOI: 10.1016/j.compag.2012.07.015.
- Foody M. G., Mathur A., Sanchez Hernandez C., Boyd D. Training set size requirements for the classification of a specific class // Remote Sensing of Environment. 2006. V. 104. P. 1–14. DOI: 10.1016/j.rse.2006.03.004.
- Ines A. V. M., Das N. N., Hansen J. W., Njoku E. G. Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction // Remote Sensing of Environment. 2013. V. 138. P. 149–164. DOI: 10.1016/j.rse.2013.07.018.
- Jones J. W., Hoogenboom G., Porter C. H., Boote K. J., Batchelor W. D., Hunt L. A., Wilkens P. W., Singh U., Gijsman A. J., Ritchie J. T. The DSSAT cropping system model // European J. Agronomy. 2003. V. 18. Iss. 3. P. 235–265. DOI: 10.1016/S1161-0301(02)00107-7.
- Kalnay E., Kanamitsu M., Kistler R., Collins W., Deaven D., Gandin L., Iredell M., Saha S., White G., Woollen J., Zhu Y., Chellian M., Ebisuzaki W., Higgins W., Janowiak J., Mo K. C., Ropelewski C., Wang J., Leetmaa A., Reynolds R., Jenne R., Joseph D. The NCEP/NCAR 40-year reanalysis project // Bull. American Meteorological Society. 1996. V. 77. Iss. 3. P. 437–471. DOI: 10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2.
- Lobell D. B., Thau D., Seifert C., Engle E., Little B. A scalable satellite-based crop yield mapper // Remote Sensing of Environment. 2015. V. 164. P. 324–333. DOI: 10.1016/j.rse.2015.04.021.
- Massey R., Sankey T., Congalton R., Yadav K., Thenkabail P., Ozdogan M., Sánchez Meador A. MODIS phenology-derived, multi-year distribution of conterminous U. S. crop types // Remote Sensing of Environment. 2017. V. 198. P. 490–503. DOI: 10.1016/j.rse.2017.06.033.
- Palchoudhuri Y., Valcarce-Diñeiro R., King P., Sanabria-Soto M. Classification of multi-temporal spectral indices for crop type mapping: a case study in Coalville, UK // J. Agricultural Science. 2018. V. 156. Iss. 1. P. 24–36. DOI: 10.1017/S0021859617000879.
- Song Q., Hu Q., Zhou Q., Hovis C., Xiang M., Tang H., Wu W. In-Season Crop Mapping with GF-1/WFV Data by Combining Object-Based Image Analysis and Random Forest // Remote Sensing. 2017. V. 9. P. 1184. DOI: 10.3390/rs9111184.
- Tripathy R., Chaudhari K. N., Mukherjee J., Ray S. S., Patel N. K., Panigrahy S., Parihar J. Forecasting wheat yield in Punjab state of India by combining crop simulation model WOFOST and remotely sensed inputs. // Remote Sensing Lett. 2013. V. 4. Iss. 1. P. 19–28. DOI: 10.1080/2150704X.2012.683117.
- Waldner F., De Abelleyra D., Santiago V., Zhang M., Wu B., Plotnikov D.E., Bartalev S.A., Lavreniuk M., Skakun S., Kussul N. N., Le Maire G., Dupuy S., Jarvis I., Defourny Р. Towards a set of agrosystem-specific cropland mapping methods to address the global cropland diversity // Intern. J. Remote Sensing. 2016. V. 37. Iss. 14. DOI: 10.1080/01431161.2016.1194545.
- Zafar S., Waqar M. Crop Type Mapping by Integrating Satellite Data and Crop Calendar over Okara District, Punjab (Pakistan) // J. Space Technology. 2014. V. 4. Iss. 1. P. 21–25.