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. 2022. Т. 19. № 6. С. 138-150

Развитие индексной парадигмы в дистанционном зондировании почвенно-растительного покрова

И.М. Михайленко 1 , В.Н. Тимошин 1 
1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
Одобрена к печати: 22.11.2022
DOI: 10.21046/2070-7401-2022-19-6-138-150
Цель работы — системный анализ и обобщение общепринятой индексной парадигмы использования данных дистанционного зондирования Земли (ДЗЗ) для оценивания состояния почвенно-растительного покрова. Установлено, что скалярная форма и отсутствие математической основы не позволяют использовать общепринятые вегетационные и подобные им индексы для оценивания векторов количественных показателей почвенно-растительного покрова. В то же время для принятия многих видов управляющих решений в земледелии актуально построение индексных изображений, отражающих такие неколичественные показатели, как виды культурных и сорных растений, наличие болезней растений, повреждений посевов и почв, физических и химических стрессов. По своему информационному содержанию оценивание таких неколичественных (счётных) состояний представляет собой процедуры распознавания образов или классов объектов почвенно-растительного комплекса. Субъективный эмпирический подход при выборе спектрального состава индексов и их комбинаций, используемый в настоящее время, не позволяет обеспечить достаточную надёжность таких процедур. Поэтому целью исследования в настоящей работе стала формализация процесса, благодаря чему можно полностью исключить эмпирический подход построения индексов и автоматизировать всю процедуру их формирования для любого числа и вида распознаваемых объектов. Основу формализации составляют алгоритмы оценивания и отбора информативности признаков с последующим построением индексных моделей, представляющих собой линейные решающие правила для распознавания классов. При этом признаками классов представляются спектральные поддиапазоны, на которые разбивается весь спектр данных ДЗЗ, а число информативных признаков выбирается из условия обеспечения требуемой надёжности распознавания всех наблюдаемых объектов (классов).
Ключевые слова: индексные модели, распознавание образов, информативные признаки, алгоритмы, информативность признаков, идентификация моделей
Полный текст

Список литературы:

  1. Андреев Г. Г., Бочаров В. П., Сазонов Н. В., Чабан Л. Н. Автоматизация тематической обработки космических снимков при оценке состояния сельскохозяйственных культур // Исслед. Земли из космоса. 1986. № 5. С. 95–102.
  2. Данилов Р. Ю., Кремнева О. Ю., Исмаилов В. Я., Третьяков В. А., Ризванов А. А., Кривошеин В. В., Пачкин А. А. Общая методика и результаты наземных гиперспектральных исследований сезонного изменения отражательных свойств посевов сельскохозяйственных культур и отдельных видов сорных растений // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 113–127. DOI: 10.21046/2070-7401-2020-17-1-113-127.
  3. Дуда Р., Харт П. Распознавание образов и анализ сцены: пер. с англ. Г. Г. Вайнштейна, А. М. Васьковского / под ред. В. Л. Стефанюка. М.: Мир, 1976. 507 с.
  4. Кашкин В. Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.
  5. Михайленко И. М. Основные задачи оценки состояния посевной и почвенной среды по данным космического зондирования // Экологические системы и приборы. 2011. № 8. С. 17–24.
  6. Ту Дж., Гонсалес Р. Принципы распознавания образов: пер. с англ. И. Б. Гуревича / под ред. Ю. И. Журавлева. M.: Мир, 1978. 411 с.
  7. Шеннон К. Работы по теории информации и кибернетике: пер. с англ. / с предисл. А. Н. Колмогорова; под ред. Р. Л. Добрушина, О. Б. Лупанова. М.: Изд-во иностр. лит-ры, 1963. 829 с.
  8. Эйкхофф П. Основы идентификации систем управления. Оценка параметров и состояний: пер. с англ. В. А. Лотцкого, А. С. Манделя / под ред. Н. С. Райбмана. М.: Мир, 1975. 683 с.
  9. Baret F., Guyot G., Major D. TSAVI: A vegetation index which minimizes soil brightness effects on LAI or APAR estimation // 12th Canadian Symp. Remote Sensing and Remote Sensing Symp. (IGARSS’89). 10–14 July 1989, Vancouver, Canada. 1989. P. 1355–1358. DOI: 10.1109/IGARSS.1989.576128.
  10. Clevers J. G. P. W. The derivation of a simplified reflectance model for the estimation of leaf area index // Remote Sensing of Environment. 1988. V. 35. P. 53–70. DOI: 10.1016/0034-4257(88)90041-7.
  11. Crippen R. E. Calculating the Vegetation Index Faster // Remote Sensing of Environment. 1990. V. 34. P. 71–73. DOI: 10.1016/0034-4257(90)90085-z.
  12. Crist E. P., Cicone R. C. Application of the tasseled cap concept to simulated thematic mapper data // Photogrammetric Engineering and Remote Sensing. 1984. V. 50. P. 343–352.
  13. Huete A. R. A Soil-Adjusted Vegetation Index (SAVI) // Remote Sensing of Environment. 1988. V. 25. P. 295–309. DOI: 10.1016/0034-4257(88)90106-X.
  14. Huete A. R., Jackson R. D., Post D. F. Spectral response of a plant canopy with different soil backgrounds // Remote Sensing of Environment. 1985. V. 17. P. 37–53. DOI: 10.1016/0034-4257(85)90111-7.
  15. Jackson R. D. Spectral indices in n-space // Remote Sensing of Environment. 1983. V. 13. P. 409–421. DOI: 10.1016/0034-4257(83)90010-X.
  16. Jordan C. F. Derivation of leaf area index from quality of light on the forest floor // Ecology. 1969. V. 50. P. 663–666. DOI: 10.2307/1936256.
  17. Kaufman Y. J., Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS// IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. Iss. 2. P. 261–270. DOI: 10.1109/36.134076.
  18. Kauth R. J., Thomas G. S. The tasseled cap-A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat // Proc. Symp. Machine Processing of Remotely Sensed Data. 29 June – 1 July 1976. Paper 159. P. 4B-41–4B-51.
  19. Kriegler F. J., Malia W. A., Nalepka R. F., Richardson W. Preprocessing transformations and their effects on multispectral recognition // Proc. 6th Intern. Symp. Remote Sensing of Environment. Ann Arbor, MI: Univ. Michigan, 1969. P. 97–131.
  20. Leprieur C., Verstraete M. M., Pinty B., Chehbouni A. NOAA/AVHRR Vegetation Indices: Suitability for Monitoring Fractional Vegetation Cover of the Terrestrial Biosphere // Physical Measurements and Signatures in Remote Sensing: Proc. 6th ISPRS Symp. 1994. P. 1103–1110.
  21. Lillesand T. M., Kiefer R. W. Remote Sensing and Image Interpretation. 2nd ed. N. Y.; Chicheste; Brisbane; Toronto; Singapore: John Wiley and Sons, 1987. 721 p. DOI: 10.1080/01431168708954824.
  22. Pinty B., Verstraete M. M. GEMI: A Non-Linear Index to Monitor Global Vegetation from Satellites // Plant Ecology. 1991. V. 101. P. 15–20. DOI: 10.1007/ BF0031911.
  23. Qi J., Chehbouni A., Huete A. R., Ker Y. H. Modified Soil Adjusted Vegetation Index (MSAVI) // Remote Sensing of Environment. 1994. V. 48. P. 119–126. DOI: 10.1016/0034-4257(94)90134-1.
  24. Richardson A. J., Everitt J. H. Using spectral vegetation indices to estimate rangeland productivity // Geocarto Intern. 1992. V. 1. P. 63–69. DOI: 10.1080/10106049209354353.
  25. Richardson A. J., Wiegand C. L. Distinguishing vegetation from soil background information // Photogrammetric Engineering and Remote Sensing. 1977. V. 43. P. 1541–1552.
  26. Rouse J. W., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the great plains with ERTS // Third ERTS-1 Symp. NASA, Goddard Space Flight Center, 1973. V. 1. P. 309–317.
  27. Tu T.-M., Chen Ch.-H., Wu J.-L., Chang Ch.-I. A Fast Two-Stage Classification Method for High Dimensional Remote Sensing Data // IEEE Trans. Geoscience and Remote Sensing. 1998. V. 36. No. 1. P. 182–191. DOI: 10.1109/36.655328.