Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 5. С. 159-173

Развитие методов спутникового мониторинга состояния посевов сахарного тростника в Южной Индии

Е.С. Ёлкина 1 , В.А. Егоров 1 , Д.Е. Плотников 1 , Е.В. Самофал 1 , С.А. Барталев 1 , В.K. Патил 2 , Д.К. Сунил 2 , В.К. Чаван 3 
1 Институт космических исследований РАН, Москва, Россия
2 Институт прикладных сельскохозяйственных исследований им. К.Дж. Сомайя, Самирвади, Индия
3 Институт инженерных наук и информационных технологий имени К. Дж. Сомайя, Мумбаи, Индия
Одобрена к печати: 28.06.2019
DOI: 10.21046/2070-7401-2019-16-5-159-173
В рамках работы проведён анализ возможностей мониторинга посевов сахарного тростника по спутниковым данным дистанционного зондирования на территории Индии и представлены подходы к дистанционной оценке их состояния. Для оценки возможностей разделимости посевов сахарного тростника и других сельскохозяйственных культур, а также для формирования опорной выборки данных для обучения классификатора и валидации результатов обработки спутниковых изображений была собрана наземная информация о посевах сельскохозяйственных культур на территории тестового региона. Для проведения исследований спектрально-временных особенностей посевов сахарного тростника построены однородные временные ряды оптических (Sentinel-2) и радарных (Sentinel-1) спутниковых данных за 2017–2018 гг. Исследования фенологических особенностей посевов сахарного тростника, а также характеристик, основанных на анализе временных рядов данных дистанционного зондирования, показали, что информативными признаками для распознавания этой культуры могут являться длина вегетационного периода и накопленная биомасса. Оценка состояния посевов в терминах водной и азотной обеспеченности может проводиться с использованием определённых вегетационных индексов, информативность которых будет проверена с помощью данных, полученных в рамках эксперимента на полях Института прикладных сельскохозяйственных исследований им. К. Дж. Сомайя в Южной Индии. В качестве технологической платформы для проведения исследований и разработок научный проект Российского фонда фундаментальных исследований и Департамента науки и технологии Правительства Индии № 18-51-45001 ИНД_а ориентирован на использование веб-сервиса спутникового мониторинга Vega-GEOGLAM.
Ключевые слова: сахарный тростник, распознавание культур, спутниковый мониторинг, оценка состояния, Vega-GEOGLAM, Sentinel
Полный текст

Список литературы:

  1. 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. 263–284.
  2. Толпин В. А., Барталев С. А., Ёлкина Е. С., Кашницкий А. В., Константинова А. М., Лупян Е. А., Марченков В. В., Плотников Д. Е. Информационная система Vega-GEOGLAM ― инструмент разработки методов и подходов использования данных спутникового дистанционного зондирования в интересах решения задач глобального сельскохозяйственного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 183–197.
  3. Abdel-Rahman E. M., Ahmed F. B. The application of remote sensing techniques to sugarcane (Saccharum spp. hybrid) production: a review of the literature // Intern. J. Remote Sensing. 2008. V. 29. P. 3753–3767.
  4. Abdelrahim E., Abdelaziem A. Monitoring and Yield Estimation of Sugarcane Using Remote Sensing and IS // American J. Engineering Research. 2018. V. 7. Iss. 1. P. 170–179.
  5. Allen R. G., Tasumi M., Morse A., Trezza R., Wright J. L., Bastiaanssen W., Kramber W., Lorite I., Robinson C. W. Satellite-Based Energy Balance for Mapping Evapotranspiration with Internalized Calibration (METRIC) ― Applications // J. Irrigation and Drainage Engineering. 2007. V. 133(4). P. 395–406.
  6. Baghdadi N., Cresson R., Todoroff P., Moinet S. Multitemporal Observations of Sugarcane by TerraSAR-X Images // Sensors. 2010. No. 10. P. 8899–8919.
  7. Cleveland W. S. Robust Locally Weighted Regression and Smoothing Scatterplots // J. American Statistical Association. 1979. V. 74(368). P. 829–836.
  8. Delegido J., Verrelst J., Meza C., Rivera J., Alonso L., Moreno О. A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems // European J. Agronomy. 2013. V. 46. P. 42–52.
  9. Formaggio A. R., Vieira M. A., Rennó C. D., Mello M. P. Object-Based Image Analysis and Data Mining for mapping sugarcane with Landsat imagery in Brazil // The Intern. Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. 2010. V. XXXVIII-4/C7. P. 10–19.
  10. Fortes C., Dematee J. A. M. Discrimination of sugarcane varieties using Landsat 7 ETM+ spectral data // Intern. J. Remote Sensing. 2006. V. 27. No. 7–8. P. 1395–1412.
  11. Junior C. C., Johann J. A., Antunes J. F. G. Mapping of sugarcane crop area in the Paraná State using Landsat/TM/OLI and IRS/LISS-3 images // Revista Brasileira de Engenharia Agrícola e Ambiental. 2017. V. 21. No. 6. P. 427–432.
  12. Lin H., Chen J., Liang S., Li Q. Sugarcane Mapping in Tillering Period by Quad-Polarization TerraSAR-X Data // IEEE Geoscience and Remote Sensing Letters. 2015. V. 12. No. 5. P. 993–997.
  13. Lisboa I. P., Damian J. M., Cherubin M. R., Barros P. P. S., Fiorio P. R., Cerri C. C., Pellegrino C. E. Prediction of Sugarcane Yield Based on NDVI and Concentration of Leaf-Tissue Nutrients in Fields Managed with Straw Removal // Agronomy. 2018. V. 8. P. 196.
  14. Mulianga B., Bégué A., Clouvel P., Todoroff P. Mapping Cropping Practices of a Sugarcane-Based Cropping System in Kenya Using Remote Sensing // Remote Sensing. 2015. V. 7. No. 11. P. 14428–14444.
  15. Mulyono S., Nadirah. Identifying Sugarcane Plantation using LANDSAT-8 Images with Support Vector Machines // Earth and Environmental Science. 2016. V. 47. No. 1. P. 1–8.
  16. Muñoz-Huerta R. F., Guevara-Gonzalez R. G., Contreras-Medina L. M., Torres-Pacheco I., Prado-Olivarez J., Ocampo-Velazquez R. V. A Review of Methods for Sensing the Nitrogen Status in Plants: Advantages, Disadvantages and Recent Advances // Sensors. 2013. No. 13. P. 10823–10843.
  17. Rajeev R., Ankita J., Nain A. S. Remote sensing as a tool for discrimination and accuracy assessment of Sugarcane crop // Intern. J. Basic and Applied Agricultural Research. 2014. V. 12. No. 2. P. 173–177.
  18. Schultz B., Immitzer M. Self-Guided Segmentation and Classification of Multi-Temporal Landsat 8 Images for Crop Type Mapping in Southeastern Brazil // Remote Sensing. 2015. No. 7. P. 14482–14508.
  19. Sharma L. K., Bu H., Denton A., Franzen D. W. Active-optical sensors using red NDVI compared to red edge NDVI for prediction of corn grain yield in North Dakota, USA // Sensors. 2015. V. 15. No. 11. P. 27832–27853.
  20. Steinhausen M. J., Wagner P. D., Balaji N., Waske B. Combining Sentinel-1 and Sentinel-2 data for improved land use and land cover mapping of monsoon regions // Intern. J. Applied Earth Observation and Geoinformation. 2018. V. 7. P. 595–604.
  21. Verma A. K., Garg P. K., Hari Prasad K. S. Sugarcane crop identification from LISS IV data using ISODATA, MLC, and indices based decision tree approach // Arabian J. Geosciences. 2017. V. 10. No. 1. P. 1–17.
  22. Vicente L. E., Gomes D., Victoria D. d. C., Vicente A. K., Iwashita F. Evaluation of annual sugarcane monitoring using MODIS/EVI temporal series and spectral mixture analysis approach // Intern. Geoscience and Remote Sensing Symp.: Proc. 2013. P. 1–8.
  23. Vikesh K., Vinod K., Jain K. Development of Spectral Signatures and Classification of Sugarcane using ASTER Data // Intern. J. Computer Science and Communication. 2010. V. 1. No. 1. P. 45–251.
  24. Zhou Z., Huang J., Wang J., Zhang K., Kuang Z., Zhong S., Song X. Object-Oriented Classification of Sugarcane Using Time-Series Middle-Resolution Remote Sensing Data Based on AdaBoost // PLoS ONE. 2015. V. 10(11). P. 1–16.