Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 4. С. 33-46
Использование методов машинного обучения для радарно-оптического синтеза серий безоблачных спутниковых изображений высокого пространственного и временного разрешения
Д.Е. Плотников
1 , Ц. Чжоу
2 1 Институт космических исследований РАН, Москва, Россия
2 Московский государственный университет имени М.В. Ломоносова, Москва, Россия
Одобрена к печати: 22.07.2024
DOI: 10.21046/2070-7401-2024-21-4-33-46
Исследован потенциал метода машинного обучения Random Forest для решения задачи синтеза безоблачных изображений нормализованного относительного индекса растительности NDVI (англ. Normalized Difference Vegetation Index) на основе совместного применения радарных данных C-диапазона Sentinel 1 и спутниковой системы оптической съёмки MSI (англ. Multispectral Instrument) Sentinel 2. В рамках исследования был разработан метод построения и оптимизации модели для кросс-сенсорного синтеза безоблачных значений NDVI на основе ряда радарных, топографических и тематических предикторов, построенных для синхронных пар спутниковых снимков Sentinel 1 и Sentinel 2, полученных за вегетационный период 2021 г. на территорию Калининградской обл. В процессе оптимизации модели использовалось рекурсивное исключение малоинформативных признаков и кросс-валидация, а для поиска наилучшей комбинации параметров модели — сеточный поиск. В результате работы модели на основе только радарных измерений были сформированы ряды безоблачных изображений NDVI с высоким пространственным и временным разрешением на всю территорию Калининградской обл. На эффективность разработанного подхода указывают высокие значения характеристик точности модели, полученные по тестовому набору: средняя абсолютная ошибка прогнозирования MAE (англ. mean absolute error) NDVI равна 0,08, среднеквадратическое отклонение RMSE (англ. root mean squared error) составляет 0,12, коэффициент корреляции R равен 0,78 и индекс Уиллмота WIA (англ. Willmot Index of Agreement) — 0,87. Полученные результаты показывают, что Random Forest имеет значительный потенциал для применения в кросс-сенсорном синтезе безоблачных изображений для восстановления временных рядов NDVI.
Ключевые слова: кросс-сенсорное синтезирование, Sentinel 1, Sentinel 2, восстановление временных рядов, машинное обучение, кросс-валидация, recursive feature elimination, сеточный поиск
Полный текстСписок литературы:
- 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. DOI: 10.21046/2070-7401-2018-15-5-141-153.
- Лупян Е. А., Барталев С. А., Крашенинникова Ю. С. и др. Анализ развития озимых культур в южных регионах европейской части России весной 2018 года на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 272–276. DOI: 10.21046/2070-7401-2018-15-2-272-276.
- Лупян Е. А., Прошин А. А., Бурцев М. А. и др. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151–170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
- Плотников Д. Е., Хвостиков С. А., Барталев С. А. (2018а) Метод автоматического распознавания сельскохозяйственных культур на основе спутниковых данных и имитационной модели развития растений // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 131–141. DOI: 10.21046/2070-7401-2018-15-4-131-141.
- Плотников Д. Е., Колбудаев П. А., Барталев С. А., Лупян Е. А. (2018б) 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.
- Плотников Д. Е., Ёлкина Е. С., Дунаева Е. А. и др. Развитие метода автоматического распознавания озимых культур на основе спутниковых данных для оценки их состояния на территории Республики Крым // Таврический вестн. аграр. науки. 2020. № 1(21). С. 64–83. DOI: 10.33952/2542-0720-2020-1-21-64-83.
- Савин И. Ю., Барталев С. А., Лупян Е. А., Толпин В. А., Медведева М. А., Плотников Д. Е. Спутниковый мониторинг воздействия засухи на растительность (на примере засухи 2010 года в России) // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 150–162.
- Середа И. И., Денисов П. В., Трошко К. А. и др. Уникальные условия развития озимых культур, наблюдаемые по данным спутникового мониторинга на европейской территории России в октябре 2020 г. // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 304–310. DOI: 10.21046/2070-7401-2020-17-5-304-310.
- Шабанов Н. В., Барталев С. А., Ерошенко Ф. В., Плотников Д. Е. Развитие возможностей дистанционной оценки индекса листовой поверхности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 166–178. DOI: 10.21046/2070-7401-2018-15-4-166-178.
- Alvarez-Mozos J., Villanueva J., Arias M., Gonzalez-Audicana M. Correlation between NDVI and Sentinel 1 derived features for maize // 2021 IEEE Intern. Geoscience and Remote Sensing Symp. IGARSS. 2021. P. 6773–6776. DOI: https://10.1109/IGARSS47720.2021.9554099.
- Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. No. 1. DOI: 10.1023/A:1010933404324.
- Dos Santos E. P., Da Silva D. D., Do Amaral C. H. Vegetation cover monitoring in tropical regions using SAR-C dual-polarization index: seasonal and spatial influences // Intern. J. Remote Sensing. 2021. V. 42. Iss. 19. P. 7581–7609. DOI: 10.1080/01431161.2021.1959955.
- Dos Santos E. P., Da Silva D. D., Do Amaral C. H. et al. A Machine Learning approach to reconstruct cloudy affected vegetation indices imagery via data fusion from Sentinel 1 and Landsat-8 // Computers and Electronics in Agriculture. 2022. V. 194. Article 106753. https://doi.org/10.1016/j.compag.2022.106753.
- Gao F., Masek J., Schwaller M., Hall F. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance // IEEE Trans. Geoscience and Remote Sensing. 2006. V. 44. No. 8. P. 2207–2218. DOI: 10.1109/TGRS.2006.872081.
- Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031.
- Karra K., Kontgis C., Statman-Weil Z. et al. Global land use/land cover with Sentinel 2 and deep learning // 2021 IEEE Intern. Geoscience and Remote Sensing Symp. IGARSS. 2021. P. 4704–4707. DOI: 10.1109/IGARSS47720.2021.9553499.
- Lin H., Chen J., Pei Z., Zhang S., Hu X. Monitoring sugarcane growth using Envisat ASAR // IEEE Trans. Geoscience and Remote Sensing. 2009. V. 47. No. 8. P. 2572–2579.
- Mishra D., Pathak G., Singh B. P. et al. Crop classification by using dual-pol SAR vegetation indices derived from Sentinel 1 SAR-C data // Environmental Monitoring Assessment. 2022. V. 195. No. 1. Article 115. DOI: 10.1007/s10661-022-10591-x.
- Müller H., Rufin P., Griffiths P. et al. Mining dense Landsat time series for separating cropland and pasture in a heterogeneous Brazilian savanna landscape // Remote Sensing of Environment. 2015. V. 156. P. 490–499. https://doi.org/10.1016/j.rse.2014.10.014.
- Plotnikov D. E., Loupian E. A., Kolbudaev P. A. et al. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // 8th Intern. Conf. Information Technology and Nanotechnology (ITNT). 2022. DOI: 10.1109/ITNT55410.2022.9848630.
- Roy D. P., Yan L. Robust Landsat-based crop time series modeling // Remote Sensing of Environment. 2018. V. 238. Article 110810. https://doi.org/10.1016/j.rse.2018.06.038.
- Van Tricht K., Gobin A., Gilliams S., Piccard I. Synergistic use of radar Sentinel 1 and optical Sentinel 2 imagery for crop mapping: a case study for Belgium // Remote Sensing. 2018. V. 10. No. 10. Article 1642. DOI: 10.3390/rs10101642.
- Veloso A., Mermoz S., Bouvet A. et al. Understanding the temporal behavior of crops using Sentinel 1 and Sentinel 2-like data for agricultural applications // Remote Sensing of Environment. 2017. V. 199. P. 415–426. https://doi.org/10.1016/j.rse.2017.07.015.
- Waldner F., Schucknecht A., Lesiv M. et al. Conflation of expert and crowd reference data to validate global binary thematic maps // Remote Sensing of Environment. 2019. V. 221. P. 235–246. DOI: 10.1016/j.rse.2018.10.039.
- Wang Q., Shi W., Li Z., Atkinson P. M. Fusion of Sentinel 2 images // Remote Sensing of Environment. 2016. V. 187. P. 241–252. https://doi.org/10.1016/j.rse.2016.10.030.
- Wu M., Zhang X., Huang W. et al. Reconstruction of daily 30 m data from HJ CCD, GF-1 WFV, Landsat, and MODIS data for crop monitoring // Remote Sensing. 2015. V. 7. No. 12. P. 16293–16314. DOI: 10.3390/rs71215826.
- Wu M., Wu C., Huang W., Niu Z., Wang C., Li W., Hao P. An improved high spatial and temporal data fusion approach for combining Landsat and MODIS data to generate daily synthetic Landsat imagery // Information Fusion. 2016. V. 31. Iss. 31. P. 14–25.
- Wu B., Zhang M., Zeng H. et al. Challenges and opportunities in remote sensing-based crop monitoring: A review // National Science Review. 2023. V. 10. Iss. 4. Article nwac290. DOI: doi.org/10.1093/nsr/nwac290.
- Yan L., Roy D. P. Large-area gap filling of Landsat reflectance time series by Spectral-Angle-Mapper Based Spatio-Temporal Similarity (SAMSTS) // Remote Sensing. 2018. V. 10. No. 4. Article 609. DOI: 10.3390/rs10040609.
- Zhou T., Pan J., Zhang P. et al. Mapping winter wheat with multi-temporal SAR and optical images in an Urban Agricultural Region // Sensors. 2017. V. 17. No. 7. Article 1210. DOI: 10.3390/s17061210.