Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 5. С. 29-37
Оценка эффективности алгоритмов постобработки данных беспилотных авиационных средств для повышения точности вегетационных RGB-индексов
М.В. Тихонова
1 , Я.С. Жигалева
1 , Н.А. Александров
1 , А.В. Бузылёв
1 , А.М. Ярославцев
1 1 Российский государственный аграрный университет — МСХА имени К.А. Тимирязева, Москва, Россия
Одобрена к печати: 09.07.2025
DOI: 10.21046/2070-7401-2025-22-5-29-37
Внедрение беспилотных авиационных средств (БАС) в агроэкологический мониторинг ограничено погрешностями, возникающими при фотограмметрической обработке данных. В работе проведена оценка эффективности специализированного алгоритма постобработки, направленного на устранение артефактов сшивки ортомозаик, полученных со стандартной RGB-камеры (англ. Red, Green, Blue). Исследование выполнено на примере постагрогенной агроэкосистемы в Пензенской области. Проведён сравнительный анализ пяти вегетационных индексов: NGRDI (англ. Normalized Green Red Difference Index), VARI (англ. Visible Atmospherically Resistant Index), ExG (англ. Excess Green Vegetation Index), TGI (англ. Triangular Greenness Index), VEG (англ. Vegetativen Index), рассчитанных по данным БАС до и после коррекции. В качестве эталонного показателя использовался нормализованный разностный вегетационный индекс NDVI (англ. Normalized Difference Vegetation Index), полученный по мультиспектральным данным дистанционного зондирования спутника Sentinel-2 (L2A). Для оценки точности применялся регрессионный анализ с расчётом коэффициента детерминации (R2). Установлено, что применение алгоритма коррекции обеспечивает систематическое и статистически значимое улучшение сопоставимости RGB-индексов со спутниковыми данными. Для точечной выборки по всей территории исследования коэффициент детерминации R2 увеличился в среднем на 35 %. Наилучшие результаты показали индексы NGRDI (R2 вырос с 0,372 до 0,506) и VARI (R2 вырос с 0,361 до 0,494).
Ключевые слова: дистанционное зондирование, БАС, вегетационные индексы, NDVI, обработка изображений, TGI, VARI, ExG, NGRDI, VEG, агроэкология
Полный текстСписок литературы:
- Пивченко Д. В., Мешалкина Ю. Л., Ярославцев А. М. и др. Сравнительный анализ вегетационных индексов для агроэкологического мониторинга озимой пшеницы в условиях Московской области // АгроЭкоИнфо. 2019. № 3. 14 с.
- Campos-Taberner M., García-Haro F. J., Camps-Valls G. et al. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring // Remote Sensing of Environment. 2016. V. 187. P. 102–118. DOI: 10.1016/j.rse.2016.10.009.
- Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS // Remote Sensing of Environment. 1996. V. 58. No. 3. P. 289–298. DOI: 10.1016/S0034-4257(96)00072-7.
- Hague A., Tillett N. D. A bandpass-filter-based approach to crop row detection // Mechatronics. 2001. V. 11. No. 1. P. 1–12. DOI: 10.1016/S0957-4158(00)00003-9.
- Hunt E. R., Jr., Daughtry C. S.T., Eitel J. U. H., Long D. S. Remote sensing leaf chlorophyll content using a visible band index // Agronomy J. 2011. V. 103. No. 4. P. 1090–1099. DOI: 10.2134/agronj2010.0395.
- Li H., Chen Z., Jiang Z. et al. Comparative analysis of GF-1, HJ-1, and Landsat-8 data for estimating the leaf area index of winter wheat // J. Integrative Agriculture. 2017. V. 16. P. 266–285. DOI: 10.1016/S2095-3119(15)61293-X.
- Liu J., Zhao C., Yang G. et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform // Trans. Chinese Society of Agricultural Engineering. 2016. V. 32. P. 98–106. DOI: 10.11975/j.issn.1002-6819.2016.24.013.
- Meyer G. E., Neto J. C. Verification of color vegetation indices for automated crop imaging applications // Computers and Electronics in Agriculture. 2008. V. 63. No. 2. P. 282–293. DOI: 10.1016/j.compag.2008.03.009.
- Rouse J. W., Jr., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the Great Plains with ERTS // 3rd ERTS-1 Symp. NASA, Goddard Space Flight Center, 1974. V. 351. P. 309–317.
- Sankaran S., Khot L. R., Zúñiga Espinoza C. et al. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review // European J. Agronomy. 2015. V. 70. P. 112–123. DOI: 10.1016/j.eja.2015.07.004.
- Tikhonova M. V., Buzylev A. V., Zgigaleva Ya. S., Polshina M. A. Dynamics of carbon stock on fallow lands of black soils // Caspian J. Environmental Sciences. 2025. V. 23. No. 1. P. 13–20. DOI: 10.22124/CJES.2025.8557.
- Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. V. 8. No. 2. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
- Wang L., Zhou X., Zhu X. et al. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data // Crop J. 2016. V. 4. P. 212–219. DOI: 10.1016/j.cj.2016.01.008.