Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 155-165
Распознавание и классификация посевов сельскохозяйственных культур Хабаровского края с использованием NDVI и EVI
Л.В. Илларионова
1 , А.С. Степанов
2 , Е.А. Фомина
1 1 Вычислительный центр ДВО РАН, Хабаровск, Россия
2 Дальневосточный научно-исследовательский институт сельского хозяйства, Хабаровск, Россия
Одобрена к печати: 15.03.2023
DOI: 10.21046/2070-7401-2023-20-2-155-165
Разработка подходов к идентификации и классификации посевов сельскохозяйственных культур на региональном уровне относится к одной из важнейших задач цифрового земледелия. Решение этой задачи с использованием данных дистанционного зондирования Земли особенно актуально для южной части Дальнего Востока, что обусловлено различиями в сроках посева, уборки, длительности фаз вегетации сельхозкультур макрорегиона в сравнении с западной частью РФ и, соответственно, снижением точности существующих алгоритмов. Для проведения классификации использовались данные о севообороте сельскохозяйственных полей Хабаровского р на общей площадью более 4000 га, исследовались 8 классов пахотных земель. Были рассмотрены 37 мультиспектральных снимков с разрешением 20 м, полученных со спутников Sentinel 2A/B в период с апреля по октябрь 2021 г. Для каждого пикселя были сформированы временные ряды значений NDVI (англ. Normalized Difference Vegetation Index) и EVI (англ. Enhanced Vegetation index), а также построены аппроксимированные кривые сезонного хода с использованием функции Фурье. Наилучшие результаты классификации на основе машинного обучения были достигнуты при использовании метода Random Forest, общая точность составила 95 %. При применении в качестве входных данных значений разных индексов — NDVI и EVI — значимых различий в точности классифицирования выявлено не было. По результатам кроссвалидации было установлено, что точность распознавания основных классов находится на высоком уровне: ошибка определения классов «соя», «гречиха», «залежь», «пар» и «многолетние травы» не превышала 10 %. Полученные результаты подтвердили возможность использования NDVI и EVI для классификации пахотных земель южной части Дальнего Востока, при этом в качестве базы должны рассматриваться кривые сезонного хода именно этого региона, что обусловлено особенностями вегетационных циклов сельхозкультур.
Ключевые слова: классификация, распознавание, пахотные земли, индекс вегетации, Дальний Восток, машинное обучение, аппроксимация
Полный текстСписок литературы:
- Арзамасцева Н. В., Прохорова Н. В., Хамидова Л. Л. Проблема достоверности и полноты информации о состоянии и использовании земель сельскохозяйственного назначения // Изв. Тимирязевской с.-х. акад. 2021. № 3. С. 119–128. DOI: 10.26897/0021-342X-2021-3-119-128.
- Буланов К. А., Денисов П. В., Лупян Е. А., Мартьянов А. С., Середа И. И., Трошко К. А., Толпин В. А., Барталев С. А., Хвостиков С. А. Блок работы с данными дистанционного зондирования Земли Единой федеральной информационной системы о землях сельскохозяйственного назначения // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 171–182. DOI: 10.21046/2070-7401-2019-16-3-171-182.
- Лупян Е. А., Савин И. Ю., Барталев С. А., Толпин В. А., Балашов И. В., Плотников Д. Е. Спутниковый сервис мониторинга состояния растительности («ВЕГА») // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 190–198.
- Лупян Е. А., Барталев С. А., Толпин В. А., Жарко В. О., Крашенинникова Ю. С., Оксюкевич А. Ю. Использования спутникового сервиса ВЕГА в региональных системах дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 215–232.
- Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 143–154. DOI: 10.21046/2070-7401-2019-16-6-143-154.
- 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. DOI: 10.21046/2070-7401-2018-15-2-112-127.
- Якушев В. П., Захарян Ю. Г., Блохина С. Ю. Состояние и перспективы использования дистанционного зондирования Земли в сельском хозяйстве // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 1. С. 287–294. DOI: 10.21046/2070-7401-2022-19-1-287-294.
- Bartalev S., Egorov V., Loupian E., Khvostikov S. A new locally-adaptive classification method LAGMA for large-scale land cover mapping using remote-sensing data // Remote Sensing Letters. 2014. V. 5. No. 1. P. 55–64. DOI: 10.1080/2150704X.2013.870675.
- Bellon B., Begue A., Lo Seen D., Lebourgeois V., Evangelista B. A., Simoes M., Ferraz R. Improved regional-scale Brazilian cropping systems’ mapping based on a semi-automatic object-based clustering approach // Intern. J. Applied Earth Observation and Geoinformation. 2018. V. 68. P. 127–138. DOI: 10.1016/j.jag.2018.01.019.
- Chen Y., Lu D., Moran E., Batistella M., Dutra L., Del’Arco L., da Silva R., Huang J., Luiz A., de Oliveira M. Mapping croplands, cropping patterns, and crop types using MODIS time-series data // Intern. J. Applied Earth Observation and Geoinformation. 2018. V. 69. P. 133–147. DOI: 10.1016/j.jag.2018.03.005.
- Griffiths P., Nendel C., Hostert P. Intra-annual reflectance composites from Sentinel 2 and Landsat for national-scale crop and land cover mapping // Remote Sensing of Environment. 2019. V. 220. P. 135–151. DOI: 10.1016/j.rse.2018.10.031.
- Feyisa G. L., Palao L. K., Nelson A., Gumma M. K., Paliwal A., Win K. T., Nge K. H., Johnson D. E. Characterizing and mapping cropping patterns in a complex agro-ecosystem: An iterative participatory mapping procedure using machine learning algorithms and MODIS vegetation indices // Computers and Electronics in Agriculture. 2020. V. 175. Art. No. 105595. DOI: 10.1016/j.compag.2020.105595.
- Hao P., Tang H., Chen Z., Meng Q., Kang Y. Early-season crop type mapping using 30-m reference time series // J. Integrative Agriculture. 2020. V. 19. No. 7. P. 1897–1911. DOI: 10.1016/S2095-3119(19)62812-1.
- Liu J., Shang J., Qian B., Huffman T., Zhang Y., Dong T., Jing Q., Martin T. Crop yield estimation using time-series MODIS data and the effects of cropland masks in Ontario, Canada // Remote Sensing. 2019. V. 11. Art. No. 2419. DOI: 10.3390/rs11202419.
- Tolpin V., Loupian E., Bartalev S., Plotnikov D., Matveev A. Possibilities of agricultural vegetation condition analysis with the “VEGA” satellite service // Atmospheric and Oceanic Optics. 2014. V. 27. P. 581–586.
- Tufail R., Ahmad A., Javed M., Sajid R. A machine learning approach for accurate crop type mapping using combined SAR and optical time series data // Advances in Space Research. 2021. V. 69. Iss. 1. P. 331–346. DOI: 10.1016/j.asr.2021.09.019.
- Yan S., Yao X., Zhu D., Liu D., Zhang L., Yu G., Gao B., Yang J., Yun W. Large-scale crop mapping from multi-source optical satellite imageries using machine learning with discrete grids // Intern. J. Applied Earth Observation and Geoinformation. 2021. V. 103. Art. No. 102485. DOI: 10.1016/j.jag.2021.102485.
- Zhang H., Kang J., Xu X., Zhang L. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel 2 imagery: A case study of Yi’an County, Heilongjiang province, China // Computers and Electronics in Agriculture. 2020. V. 176. Art. No. 105618. DOI: 10.1016/j.compag.2020.105618.