Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 51-66
Перспективы использования псевдоцветных композитов при анализе многолетних временных рядов спутниковых данных в задаче оценки состояния растительного покрова
А.Г. Терехов
1 , Г.Н. Сагатдинова
1 , Р.И. Мухамедиев
1 , И.Ю. Савин
2, 3 , Е.Н. Амиргалиев
1 , С.Б. Саиров
4 1 Институт информационных и вычислительных технологий, Алматы, Казахстан
2 Почвенный институт им. В.В. Докучаева, Москва, Россия
3 Институт экологии РУДН, Москва, Россия
4 РГП «Казгидромет», Алматы, Казахстан
Одобрена к печати: 27.09.2023
DOI: 10.21046/2070-7401-2023-20-6-51-66
Спутниковые снимки и рассчитанный на их основе вегетационный индекс NDVI (англ. Normalized Differences Vegetation Index) часто используются для мониторинга состояния растительного покрова, и в настоящее время накоплен значительный объём такой информации. При обработке больших временных рядов спутниковых сцен в ряде случаев возникают математические трудности, например при кластеризации данных. Решением проблемы может служить параметризация данных спутникового мониторинга. Для каждой пиксельной позиции сотни значений NDVI из спутниковых сцен могут быть сведены к трём характерным функциональным параметрам, в частности к экстремуму NDVI и среднему многолетнему значению NDVI, а также ещё к одной дополнительной характеристике. Это открывает дорогу для построения псевдоцветных композитных изображений и последующей их кластеризации любыми стандартными алгоритмами. В данном исследовании рассматривался южный регион Казахстана общей площадью более 700 тыс. км2. Временной ряд карт NDVI, полученных на основе данных Sentinel 2 (разрешение 10 м) за период апрель – октябрь 2018–2022 гг. (около 160 покрытий), служил основой для описания состояния растительного покрова с использованием Google Earth Engine. В качестве дополнительного параметра использовался многолетний максимум индекса засоления почв VSSI (англ. Vegetation Soil Salinity Index). Создавалось псевдоцветное композитное RGB-изображение, в котором в канал Red был загружен многолетний максимум индекса засоления почв VSSI, в канал Green — многолетний максимум NDVI, а в канал Blue — среднее многолетнее значение NDVI за апрель – октябрь. Изображение отображало состояние растительности исследуемого региона с отделением сельскохозяйственной растительности от естественной и с детальным ранжированием поливной пашни по особенностям развития сельскохозяйственных культур. Эта информация может служить основой для последующей кластеризации данных с целью анализа состояния растительности юга Казахстана при решении различных прикладных задачах. В качестве примера приведены результаты оценки засоленности поливной пашни Кызылкумского сельского округа Жетысайского р-на Туркестанской обл. Казахстана, выполненной с помощью неконтролируемой (ISODATA) классификации псевдоцветного изображения. Полученные результаты продемонстрировали перспективность такого метода анализа и уточнили результаты, ранее полученные с помощью спутниковых данных MODIS (англ. Moderate Resolution Imaging Spectroradiometer).
Ключевые слова: дистанционное зондирование, Sentinel 2, временной ряд спутниковых сцен, состояние растительности, засоление почв, облако точек, псевдоцветной композит
Полный текстСписок литературы:
- Абаев Н. Н., Сагатдинова Г. Н., Маглинец Ю. А. и др. Спутниковый мониторинг зимней промывки пашни от вторичного засоления на примере ирригационного массива «Голодная степь» (Казахстан) // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 152–163. DOI: 10.21046/2070-7401-2023-20-3-152-163.
- Терехов А. Г., Абаев Н. Н., Витковская И. С. и др. О связи между состоянием горной растительности Тянь-Шаня и индексами Северо-Атлантической Осцилляции в весенне-летний период следующего года // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 275–281. DOI: 10.21046/2070-7401-2020-17-2-275-281.
- Терехов А. Г., Сагатдинова Г. Н., Мурзабаев Б. А. Принципы региональной оценки многолетней засоленности пашни в Казахстанском секторе долины реки Сырдарьи по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 169–179. DOI: 10.21046/2070-7401-2022-19-2-169-179.
- Харазми Р., Паниди Е. А., Каркон Варносфадерани М. Оценка динамики аридных экосистем на основе временных рядов космических снимков // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 5. С. 214–223. DOI: 10.21046/2070-7401-2016-13-5-214-223.
- Шинкаренко С. С., Барталев С. А. Сезонная динамика NDVI пастбищных ландшафтов Северного Прикаспия по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 4. С. 179–194. DOI: 10.21046/2070-7401-2020-17-4-179-194.
- Шинкаренко С. С., Барталев С. А. Многолетняя динамика NDVI аридных пастбищных ландшафтов Европейской России и сопредельных территорий // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 108–123. DOI: 10.21046/2070-7401-2022-19-6-108-123.
- Abbas A. W., Minallh N., Ahmad N., Abid S. A. R., Khan M. A. A. K-Means and ISODATA clustering algorithms for landcover classification using remote sensing // Sindh University Research J. — SURJ (Science Series). 2016. V. 48. No. 2. P. 315–318.
- Asfaw E., Suryabhagavan K. V., Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia // J. Saudi Society of Agricultural Sciences. 2018. V. 17. Iss. 3. P. 250–258. DOI: 10.1016/j.jssas.2016.05.003.
- Chelali M., Kurtz C., Puissant A., Vincent N. Deep-STaR: Classification of image time series based on spatio-temporal representations // Computer Vision and Image Understanding. 2021. V. 208–209. Article 103221. DOI: 10.1016/j.cviu.2021.103221.
- Colomines L., Kurtz C., Puissant A., Vincent N. Dealing with Incomplete Land-Cover Database Annotations Applied to Satellite Image Time Series Semantic Segmentation // Pattern Recognition and Artificial Intelligence. ICPRAI 2022. Lecture Notes in Computer Science / eds. El Yacoubi M., Granger E., Yuen P. C., Pal U., Vincent N. Cham: Springer, 2022. Pt. 1. V. 13363. P. 211–222. DOI: 10.1007/978-3-031-09037-0_18.
- Dehni A., Lounis M. Remote sensing techniques for salt affected soil mapping: application to the Oran region of Algeria // Procedia Engineering. 2012. V. 33. P. 188–198. DOI: 10.1016/j.proeng.2012.01.1193.
- Dhodhi M. K., Saghri J. A., Ahmad I. Ul-Mustafa R. D-ISODATA: A Distributed Algorithm for Unsupervised Classification of Remotely Sensed Data on Network of Workstations // J. Parallel and Distributed Computing. 1999. V. 59. Iss. 2. P. 280–301. DOI: 10.1006/jpdc.1999.1573.
- Doi R. Improved discrimination among similar agriculturalplots using red-and-green-based pseudo-colour imaging // Intern. Agrophysics. 2016. V. 30. No. 2. P. 151–163. DOI: 10.1515/intag-2015-0086.
- Eamus D., Huete A., Yu Q. Vegetation dynamics. Cambridge University Press, 2016. 513 p.
- Forzieri G., Castelli F., Vivoni E. R. Vegetation Dynamics within the North American Monsoon Region // J. Climate. 2011. V. 24. P. 1763–1783. DOI: 10.1175/2010JCLI3847.1.
- Gite K. R., Gupta P. GAN-FuzzyNN: Optimization Based Generative Adversarial Network and Fuzzy Neural Network Classification for Change Detection in Satellite Images // Sensing an Imaging. 2023. V. 24. Article 1. DOI: 10.1007/s11220-022-00404-3.
- Guarnieri A., Vettore A. Automated techniques for satellite image segmentation // Intern. Archives of Photogrammetry Remote Sensing and Spatial Information Sciences. 2002. V. 34. No. 4. P. 406–410.
- Gunst R. F., Webster J. T. Regression analysis and problems of multicollinearity // Communications in Statistics-Theory and Methods. 1975. V. 4. No. 3. P. 277–292. DOI: 10.1080/0361092708827246.
- Hatfield J. L., Prueger J. H., Sauer T. J. et al. Applications of vegetative indices from remote sensing to agriculture: Past and future // Inventions. 2019. V. 4. No. 4. Article 71. DOI: 10.3390/inventions4040071.
- Huang S., Tang L., Hupy J. P. et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing // J. Forestry Research. 2021. V. 32. P. 1–6. DOI: 10.1007/s11676-020-01155-1.
- Interdonato R., Ienco D., Gaetano R., Ose K. DuPLO: a DUal view Point deep Learning architecture for time series classification // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 149. P. 91–104. DOI: 10.1016/j.isprsjprs.2019.01.011.
- Li S., Xu L., Jing Y. et al. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques // Intern. J. Applied Earth Observation and Geoinformation. 2021. V. 105. Article 102640. DOI: 10.1016/j.jag.2021.102640.
- Lucchese L., Mitra S. K. Unsupervised segmentation of color images based on k-means clustering in the chromaticity plane // Proc. Workshop on Content-Based Access of Image and Video Libraries (CBAIVL’99). Fort Collins, CO, USA, 1999. P. 74–78. DOI: 10.1109/IVL.1999.781127.
- Pelletier C., Webb G. I., Petitjean F. Temporal convolutional neural network for the classification of satellite image time series // Remote Sensing. 2019. V. 11. Iss. 5. Article 523. DOI: 10.3390/rs11050523.
- Petitjean F., Kurtz C., Passat N., Gançarski P. Spatio-temporal reasoning for the classification of satellite image time series // Pattern Recognition Letters. 2012. V. 33. Iss. 13. P. 1805–1815. DOI: 10.1016/j.patrec.2012.06.009.
- Phiri D., Simwanda M., Salekin S. et al. Sentinel 2 data for land cover/use mapping: a review // Remote Sensing. 2020. V. 12. Iss. 14. Article 2291. DOI: 10.3390/rs12142291.
- Roerink G. J., Menenti M., Soepboer W., Su Z. Assessment of climate impact on vegetation dynamics by using remote sensing // Physics and Chemistry of the Earth, Parts A/B/C. 2003. V. 28. Iss. 1–3. P. 103–109. DOI: 10.1016/S1474-7065(03)00011-1.
- Sami Kh., Kushal K., Fulton J. P. et al. Remote sensing in agriculture — accomplishments, limitations, and opportunities // Remote Sensing. 2020. V. 12. No. 22. Article 3783. DOI: 10.3390/rs12223783.
- Singh S. Pattern recognition of infrared images and pseudo-color image processing: Forest fire in Himalaya // Intern. J. Engineering Research and Applications (IJERA). 2018. V. 8. No. 6. P. 25–28. DOI: 10.9790/9622-0806042528.
- Stoian A., Poulain V., Inglada J. et al. Land cover maps production with high resolution satellite image time series and convolutional neural networks: Adaptations and limits for operational systems // Remote Sensing. 2019. V. 11. Iss. 17. Article 1986. DOI: 10.3390/rs11171986.
- Tucker C. J., Vanpraet C. L., Sharman M. J., Van Ittersum G. Satellite Remote Sensing of Total Herbaceous Biomass Production in the Senegalese Sahel // Remote Sensing of Environment. 1985. V. 17. P. 233–249. DOI: 10.1016/0034-4257(85)90097-5.
- Woodward F. I., Lomas M. R. Vegetation dynamics – simulating responses to climatic change // Biological Reviews. 2004. V. 79. No. 3. P. 643–670. DOI: 10.1017/S1464793103006419.
- Xi W., Du Sh., Wang Yi-Ch., Zhang X. A spatiotemporal cube model for analyzing satellite image time series: Application to land-cover mapping and change detection // Remote Sensing of Environment. 2019. V. 231. Article 111212. DOI: 10.1016/j.rse.2019.111212.
- Xue J., Su B. Significant remote sensing vegetation indices: A review of developments and applications // Sensors. 2017. V. 2017. Article 1353691. DOI: 10.1155/2017/1353691.
- Yan J., Zhang G., Ling H., Han F. Comparison of time-integrated NDVI and annual maximum NDVI for assessing grassland dynamics // Ecological Indicators. 2022. V. 136. Article 108611. DOI: 10.1016/j.ecolind.2022.108611.
- Yavariabdi A., Kusetogullari H. Change Detection in Multispectral Landsat Images Using Multiobjective Evolutionary Algorithm // IEEE Geoscience and Remote Sensing Letters. 2017. V. 14. No. 3. P. 414–418. DOI: 10.1109/LGRS.2016.2645742.