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. 2020. Т. 17. № 4. С. 61-72

Технология совместного анализа временных рядов изображений интерферометрической когерентности Sentinel 1 и вегетационного индекса по данным Sentinel 2 для мониторинга сельскохозяйственных полей

Т.Н. Чимитдоржиев 1, 2 , А.В. Дмитриев 1 , П.Н. Дагуров 1 
1 Институт физического материаловедения СО РАН, Улан-Удэ, Россия
2 Научно-исследовательский институт аэрокосмического мониторинга «АЭРОКОСМОС», Москва, Россия
Одобрена к печати: 22.06.2020
DOI: 10.21046/2070-7401-2020-17-4-61-72
В работе на примере тестового участка в Республике Бурятия представлены возможности комплексного использования радарных изображений в C-диапазоне длин волн и спектрозональных оптических снимков для мониторинга земель в сельскохозяйственном обороте. Для оценки динамики пахотных земель и сельскохозяйственных культур использованы временные ряды радиолокационных данных интерферометрической когерентности и изображений вегетационного индекса MSAVI. Интерферометрическая когерентность получена по данным спутникового радиолокатора Sentinel 1 с периодичностью 12 дней с 04.04.2019 по 25.10.2019. Вегетационный индекс рассчитан по мультиспектральным снимкам Sentinel 2 в безоблачную погоду. При помощи кластерного анализа временных рядов изображений интерферометрической когерентности выделены три класса полей: пашни под парами с несколькими минимумами когерентности в период изменения поверхностной структуры поля и сельскохозяйственные поля со схожей динамикой когерентности в вегетационный период с двумя различными 12-дневными периодами локальных минимумов в период посевной обработки. По аналогии с когерентностью при помощи алгоритма кластеризации ISODATA и с применением «маски» пахотных полей временной ряд изображений MSAVI был сегментирован на три класса: пашни под парами и два класса полей с максимальными значениями индекса порядка 0,3 и 0,4. Сравнительный анализ временных рядов когерентности и индекса вегетации был выполнен по данным после 22 мая, чтобы исключить время посевной с аномальными значениями когерентности. Обнаружена отрицательная корреляция порядка –0,8 между значениями когерентности и индексом вегетации для полей с сельскохозяйственными культурами после посева и до уборки урожая. Полученные результаты позволяют рассмотреть технологию оценки интерферометрической когерентности сельскохозяйственных полей как некоторую альтернативу традиционному анализу динамики значений вегетационных индексов для мониторинга и оценки состояния посевов.
Ключевые слова: интерферометрическая когерентность, вегетационный индекс, временные ряды, сельскохозяйственные поля
Полный текст

Список литературы:

  1. Дмитриев А. В., Чимитдоржиев Т. Н., Гусев М. А., Дагуров П. Н., Емельянов К. С., Захаров А. И., Кир­бижекова И. И. Базовые продукты зондирования Земли космическими радиолокаторами с синтезированной апертурой // Исслед. Земли из космоса. 2014. № 5. С. 83–91.
  2. Чимитдоржиев Т. Н. Графическое обоснование применимости методики вычисления вегетационных индексов для обработки радарной интерферометрической когерентности // Исслед. Земли из космоса. 2007. № 3. С. 53–58.
  3. Якушев В. П., Дубенок Н. Н., Лупян Е. А. Опыт применения и перспективы развития технологии дистанционного зондирования Земли для сельского хозяйства // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 11–23.
  4. Chimitdorzhiev T. N., Dagurov P. N., Bykov M. E., Dmitriev A. V., Kirbizhekova I. I. Comparison of ALOS PALSAR interferometry and field geodetic leveling for marshy soil thaw/freeze monitoring, case study from the Baikal lake region, Russia // J. Applied Remote Sensing. 2016. V. 10. No. 1. id. 016006. 12 p.
  5. Defourny P., Bontemps S., Bellemans N., Cara C., Dedieu G., Guzzonato E., Savinaud M. Near real-time agriculture monitoring at national scale at parcel resolution: Performance assessment of the Sen2-Agri automated system in various cropping systems around the world // Remote Sensing of Environment. 2019. V. 221. P. 551–568.
  6. Harfenmeister K., Spengler D., Weltzien C. Analyzing Temporal and Spatial Characteristics of Crop Parameters Using Sentinel 1 Backscatter Data // Remote Sensing. 2019. V. 11. No. 13. id. 1569. 30 p.
  7. Khabbazan S., Vermunt P., Steele-Dunne S., Ratering Arntz L., Marinetti C., van der Valk D., Iannini L., Molijn R., Westerdijk K., van der Sande C. Crop monitoring using Sentinel 1 data: A case study from the Netherlands // Remote Sensing. 2019. V. 11. No. 16. id. 1887. 8 p.
  8. Muzalevskiy K. V. Temperature dependence of the backscattering coefficient measured by ALOS PALSAR during cooling and heating of tundra topsoil // J. Radio Electronics (Zhurnal Radioelektroniki). 2019. No. 11. id 621.369.9 . 7 p.
  9. Pepe A., Calò F. A review of interferometric synthetic aperture RADAR (InSAR) multi-track approaches for the retrieval of Earth’s surface displacements // Applied Sciences. 2017. V. 7. No. 12. id. 1264. 39 p.
  10. Pulella A., Aragão Santos R., Sica F., Posovszky P., Rizzoli P. Multi-temporal Sentinel 1 backscatter and coherence for rainforest mapping // Remote Sensing. 2020. V. 12. No. 5. id. 847. 17 p.
  11. Rabus B., When H., Nolan M. The Importance of Soil Moisture and Soil Structure for InSAR Phase and Backscatter, as Determined by FDTD Modeling // IEEE Trans. Geoscience and Remote Sensing. 2010. V. 48. No. 5. P. 2421–2429.
  12. Qi J., Chehbouni A., Huete A. R., Kerr Y. H., Sorooshian S. A modified soil adjusted vegetation index // Remote Sensing of Environment. 1994. V. 48. No. 2. P. 119–126.
  13. Koetz B. Sentinels for Agricultural Monitoring: Sen4CAP — Concept and Goals. ESA, 2018. 51 p. URL: http://esa-sen4cap.org/sites/default/files/Sen4CAP_1stEvidence_DirectPaymentCommittee_March2018.pdf (accessed 17.06.2020).
  14. Tonooka H., Tachikawa T. ASTER cloud coverage assessment and mission operations analysis using Terra/MODIS cloud mask products // Remote Sensing. 2019. V. 11. No. 23. id. 2798. 18 p.
  15. Wang S., Lu X., Chen Z., Zhang G., Ma T., Jia P., Li B. Evaluating the feasibility of illegal open-pit mining identification using InSAR coherence // Remote Sensing. 2020. V. 12. No. 3. id. 367. 15 p.
  16. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review // Remote Sensing of Environment. 2020. V. 236. id. 111402. 19 p.
  17. Whelen T., Siqueira P. Time-series classification of Sentinel 1 agricultural data over North Dakota // Remote Sensing Letters. 2018. V. 9. No. 5. P. 411–420.
  18. Xue F., Lv X., Dou F., Yun Y. A review of time-series interferometric SAR techniques: a tutorial for surface deformation analysis // IEEE Geoscience and Remote Sensing Magazine. 2020. V. 8. No. 1. P. 22–42.
  19. Zwieback S., Hensley S., Hajnsek I. Assessment of soil moisture effects on L-band radar interferometry // Remote Sensing of Environment. 2015. V. 164. P. 77–89.