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. 2024. Т. 21. № 5. С. 379-386

Обнаружение возможности дистанционного распознавания орошаемых земель Республики Крым на основе спектрально-временных и температурных признаков

Е.С. Ёлкина 1 , Д.Е. Плотников 1 , Е.А. Дунаева 2 
1 Институт космических исследований РАН, Москва, Россия
2 Научно-исследовательский институт сельского хозяйства Крыма, Симферополь, Россия
Одобрена к печати: 12.10.2024
DOI: 10.21046/2070-7401-2024-21-5-379-386
Описаны результаты обнаружения новых спектрально-временных и температурных признаков, построенных по данным оптических и тепловых каналов спутника Landsat-8 в целях выявления орошаемых сельскохозяйственных земель Республики Крым в 2023 г. Оценка значимости признаков указывает на высокую информативность признака средневзвешенной даты максимума NDVI (англ. Normalized Difference Vegetation Index), максимальной температуры поверхности земли, а также медианного сезонного индекса GNDVI (англ. Green Normalized Difference Vegetation Index). Оценка модели для распознавания орошаемых земель на тестовом наборе показала общую точность 98,5 %, метрика F-score по классу «орошаемые» составила 98,7 %, была продемонстрирована возможность получения карты орошаемых участков. Дальнейшее расширение обучающей выборки позволит обеспечить устойчивое спутниковое картографирование орошаемых земель региона исследования. Необходимо отметить, что зависимость продуктивности используемых земель Республики Крым от климатических условий определяет необходимость использования орошения для устойчивого получения урожаев сельскохозяйственных культур, поэтому обнаружение возможности распознавания орошаемых земель способствует получению актуальной картографической информации об их расположении, необходимой для устойчивого управления сельским хозяйством и повышения продовольственной безопасности региона. Универсальность и переносимость исследованных признаков позволяет говорить о возможности их использования для распознавания орошаемых земель Республики Крым и для других сезонов вегетации.
Ключевые слова: орошаемые земли, Landsat, Sentinel-2, Random Forest, вегетационные индексы, рациональное природопользование
Полный текст

Список литературы:

  1. Бекмухамедов Н. Э., Малахов Д. В., Цычуева Н. Ю. Метод космического мониторинга орошаемых территорий по спутниковым данным среднего пространственного разрешения в условиях Южного Казахстана // Proc. Intern. scientific review of the technical sciences, mathematics and computer science. 2020. P. 29–44. EDN: MCVGVK.
  2. Демин А. П. Развитие орошения и производство продовольствия в Республике Крым (2014–2020 гг.) // Орошаемое земледелие. 2022. № 3(38). С. 30–34. DOI: 10.35809/2618-8279-2022-3-5.
  3. Дунаева Е. А., Плотников Д. Е., Хвостиков С. А. и др. Использование данных дистанционного зондирования для ранней диагностики наступления засушливых условий // Таврический вестн. аграр. науки. 2019. № 4(20). С. 28–45. DOI: 10.33952/2542-0720-2019-4-20-28-45.
  4. 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.
  5. 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. 64–82. DOI 10.33952/2542-0720-2020-1-21-64-83.
  6. Плотников Д. Е., Бойматов Ю. Ш., Ёлкина Е. С. et al. Оценка эффективности мультисезонных моделей машинного обучения для оперативного распознавания озимых культур на больших территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 5. С. 116–129. DOI: 10.21046/2070-7401-2024-21-5-116-129.
  7. 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 года // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 304–310. DOI 10.21046/2070-7401-2020-17-5-304-310.
  8. Шабанов Н. В., Барталев С. А., Ерошенко Ф. В. и др. 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.
  9. Юрченко И. Ф. Использование орошаемых земель Республики Крым в условиях дефицита водных ресурсов // Природообустройство. 2023. № 1. С. 13–20. DOI: 10.26897/1997-6011-2023-1-13-20.
  10. Breiman L. Random forests // Machine learning. 2001. V. 45(1). P. 5–32.
  11. Duan S., Ru C., Li Z. et al. Reviews of methods for land surface temperature retrieval from Landsat thermal infrared data // National Remote Sensing Bull. 2021. V. 25. P. 1591–1617. DOI: 10.11834/jrs.20211296.
  12. McAllister A., Whitfield D., Abuzar M. Mapping Irrigated farmlands using vegetation and thermal thresholds derived from Landsat and ASTER data in an irrigation district of Australia // Photogrammetric Engineering and Remote Sensing. 2015. V. 81. Iss. 3. P. 229–238. DOI: 10.14358/PERS.81.3.229.
  13. Ozdogan M., Gutman G. A. New methodology to map irrigated areas using multi-temporal MODIS and ancillary data: An application example in the continental US // Remote Sensing of Environment. 2008. V. 112. Iss. 9. P. 3520–3537. DOI: 10.1016/j.rse.2008.04.010.
  14. Pervez M. S., Brown J. F. Mapping irrigated lands at 250-m scale by merging MODIS data and National Agricultural Statistics // Remote Sensing. 2010. V. 2. Iss. 10. P. 2388–2412. DOI: 10.3390/rs2102388.
  15. Plotnikov D. E., Kolbudaev P. A., Matveev A. M., et al. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // 2022 8th Intern. Conf. Information Technology and Nanotechnology (ITNT). 2022. P. 1–5. DOI: 10.1109/ITNT55410.2022.9848630.
  16. Salmon J. M., Friedl M. A., Frolking S. et al. Global rain-fed, irrigated, and paddy croplands: A new high resolution map derived from remote sensing, crop inventories and climate data // Intern. J. Applied Earth Observation and Geoinformation. 2015. V. 38. Iss. 9. P. 321–334. DOI: 10.1016/j.jag.2015.01.014.
  17. Tan M. B., Ran Y. H., Feng M. et al. Long-term monitoring of the annual irrigated cropland extent in fragmented and heterogeneous arid landscapes using machine learning and Landsat imagery // Water Resources Research. 2024. V. 60. P. 1–20. DOI: 10.1029/2023WR036945.
  18. Thenkabail P. S., Biradar C. M., Noojipady P. et al. Global Irrigated Area Map (GIAM) for the end of the last millennium derived from remote sensing // Intern. J. Remote Sensing. 2008. V. 30. Iss. 14. P. 3679–3733. DOI: 10.1080/01431160802698919.
  19. Xu T., Deines J. M., Kendall A. D. et al. Addressing challenges for mapping irrigated fields in subhumid temperate regions by integrating remote sensing and hydroclimatic data // Remote Sensing. 2019. V. 11. Iss. 3. Article 370. 16 p. DOI: 10.3390/rs11030370.
  20. 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.
  21. Zhang C., Dong J., Xie Y. et al. Mapping irrigated croplands in China using a synergetic training sample generating method, machine learning classifier, and Google Earth Engine // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 112. Iss. 3. 30 p. DOI: 10.1016/j.jag.2022.102888.