Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
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. 2021. Т. 18. № 2. С. 51-63

Автоматизированная классификация растительного покрова средиземноморского ландшафта по космическим изображениям высокого пространственного разрешения с учётом спектрально-текстурных и топографических признаков

А. Хатиб 1 , В.А. Малинников 1 
1 Московский государственный университет геодезии и картографии, Москва, Россия
Одобрена к печати: 25.02.2021
DOI: 10.21046/2070-7401-2021-18-2-51-63
В работе рассматриваются результаты оценки достоверности автоматизированной классификации растительного покрова средиземноморского ландшафта по алгоритмам случайного леса и максимума правдоподобия с учётом различных спектрально-текстурных и топографических признаков, извлекаемых из многозональных космических изображений высокого пространственного разрешения Landsat (OLI) и цифровой модели рельефа (ASTER GDEM 2). Показано, что из большого количества разнообразных спектрально-текстурных и топографических признаков с помощью алгоритма случайного леса можно выделить набор из 20 наиболее информативных признаков, при использовании которых общая точность классификации растительного покрова увеличивается на 3,7 % по сравнению со случаем использования всех 36 признаков, рассмотренных нами. Общая точность классификации растительного покрова по алгоритмам случайного леса и максимума правдоподобия при использовании набора из 20 наиболее информативных признаков составляет 87,3 и 86,4 % соответственно, а это различие в достоверности классификации имеет статистическую значимость при уровнях значимости 10 и 5 % по проведённому статистическому тесту Мак-Немара на основе распределения хи квадрат с поправкой Йетса на непрерывность. Вместе с тем оценка минимальной точности распознавания всех выделенных классов растительного покрова показывает, что использование алгоритма случайного леса даёт более достоверные результаты, чем алгоритм максимума правдоподобия. Это демонстрирует эффективность применения алгоритма случайного леса для классификации растительного покрова средиземноморского ландшафта с учётом спектральных и топографических признаков, что согласуется с результатами исследований, проведённых на других территориях средиземноморского региона.
Ключевые слова: автоматизированная классификация, многозональные космические изображения, цифровая модель рельефа, растительный покров, средиземноморский регион, случайный лес, максимум правдоподобия, текстурные признаки, топографические признаки, информативность признаков, тест Мак-Немара, статистическая значимость
Полный текст

Список литературы:

  1. Барталев С. А., Лупян Е. А. Исследования и разработки ИКИ РАН по развитию методов спутникового мониторинга растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 1. С. 197–214.
  2. 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.
  3. Гаврилюк Е. А., Плотникова А. С., Плотников Д. Е. Картографирование наземных экосистем Печоро-Илычского заповедника и его окрестностей на основе восстановленных мультивременных спутниковых данных Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 141–153.
  4. Малинников В. А., Стеценко А. Ф., Алтынов А. Е., Попов С. М. Мониторинг природной среды аэрокосмическими средствами: учеб. пособие. М.: МИИГАиК, 2008. 145 c.
  5. Марчуков В. С., Стыценко Е. А. Дешифрирование растительного покрова с использованием спектрально-временных признаков // Исслед. Земли из космоса. 2012. № 1. С. 77–88.
  6. Плотников Д. Е., Колбудаев П. А., Барталев С. А., Лупян Е. А. Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 112–127.
  7. Савиных В. П., Малинников В. А., Цыпина Э. М., Сладкопевцев С. А. География из космоса. М.: МИИГАиК, 2000. 244 c.
  8. Стыценко Е. А. Возможности распознавания сельскохозяйственных угодий с использованием методики совместной автоматизированной обработки разносезонных многозональных космических изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 172–183.
  9. Терехин Э. А. Информативность спектральных вегетационных индексов для дешифрирования сельскохозяйственной растительности // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 4. С. 243–248.
  10. Хатиб А., Малинников В. А. Дешифрирование растительного покрова Средиземноморского региона на многозональных космических изображениях с учетом данных цифровой модели рельефа // Изв. высш. учеб. заведений. Геодезия и аэрофотосъемка. 2019. Т. 63. № 4. С. 432‒439.
  11. Чабан Л. Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования. М.: МИИГАиК, 2016. 77 c.
  12. Чистяков С. П. Случайные леса: обзор // Тр. Карельского науч. центра РАН. 2013. № 1. С. 117‒136.
  13. Aaron E., Timothy A., Fang F. Implementation of machine-learning classification in remote sensing: an applied review // Intern. J. Remote Sensing. 2018. V. 39. No. 9. P. 2784–2817.
  14. Belgiu M., Dragut L. Random forest in remote sensing: A review of applications and future directions // ISPRS J. Photogrammetry and Remote Sensing. 2016. V. 114. P. 24–31.
  15. Breiman L. Random Forests // Machine Learning. 2001. V. 45. P. 5–32.
  16. Introduction to Remote Sensing. Fifth Edition / ed. Campbell J., Wynne R. N. Y.: The Guilford Press, 2011. 662 p.
  17. Chen J., Chen Jin, 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.
  18. Congalton R. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data // Remote Sensing of Environment. 1991. V. 37. No. 1. P. 35–46.
  19. Corcoran J., Knight J., Gallant A. Influence of Multi-Source and Multi-Temporal Remotely Sensed and Ancillary Data on the Accuracy of Random Forest Classification of Wetlands in Northern Minnesota // Remote Sensing. 2013. V. 5. No. 7. P. 3212–3238.
  20. Elumnoh A., Shrestha R. Application of DEM Data to Landsat Image Classification: Evaluation in a Tropical Wet-Dry Landscape of Thailand // Photogrammetric Engineering and Remote Sensing. 2000. V. 66. No. 3. P. 297–304.
  21. Foody G. Thematic Map Comparison: Evaluating the Statistical Significance of Differences in Classification Accuracy // Photogrammetric Engineering and Remote Sensing. 2004. V. 70. No. 5. P. 627–633.
  22. Frank T. Mapping Dominant Vegetation Communities in the Colorado Rocky Mountain Front Range with Landsat Thematic Mapper and Digital Terrain Data // Photogrammetric Engineering and Remote Sensing. 1988. V. 54. No. 12. P. 1727–1734.
  23. Franklin S. Terrain Analysis from Digital Patterns in Geomorphometry and Landsat MSS Spectral Response // Photogrammetric Engineering and Remote Sensing. 1987. V. 53. No. 1. P. 59–65.
  24. Gounaridis D., Apostolou A., Koukoulas S. Land cover of Greece, 2010: a semi-automated classification using random forests // J. Maps. 2016. V. 12. No. 5. P. 1055–1062.
  25. Hansen M., Potapov P., Moore R., Hancher M., Turubanova S., Tyukavina A., Thau D., Stehman S., Goetz S., Loveland T., Kommareddy A., Egorov A., Chini L., Justice C., Townshend J. High-Resolution Global Maps of 21st-Century Forest Cover Change // Science. 2013. V. 342. No. 6160. P. 850–853.
  26. Haralick R., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Trans. Systems, Man, and Cybernetics. 1973. V. 3. No. 6. P. 610–621.
  27. Janssen L., Jaarsma M., van der Linden E. Integrating Topographic Data with Remote Sensing for Land-Cover Classification // Photogrammetric Engineering and Remote Sensing. 1990. V. 56. No. 11. P. 1503–1506.
  28. Jin Y., Liu X., Chen Y., Liang X. Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: a case study of central Shandong // Intern. J. Remote Sensing. 2018. V. 39. No. 23. P. 1–21.
  29. Krishna B. Improving Landsat and IRS Image Classification: Evaluation of Unsupervised and Supervised Classification through Band Ratios and DEM in a Mountainous Landscape in Nepal // Remote Sensing. 2009. V. 1. No. 4. P. 1257–1272.
  30. Rodriguez-Galiano V., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J. An assessment of the effectiveness of a random forest classifier for land-cover classification // ISPRS J. Photogrammetry and Remote Sensing. 2012. V. 67. P. 93–104.
  31. State of Mediterranean Forests. FAO, 2013. 173 p.
  32. Sundseth K. Natura 2000 in the Mediterranean Region. Luxembourg: Office for Official Publications of the European Communities, 2009. 12 p.
  33. Zanter K. Landsat 8 Surface Reflectance Code (LASRC) Product Guide. Department of the Interior U. S., 2018. 34 p.