Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 2. С. 111-125
Сравнение результатов применения структурного анализа данных дистанционного зондирования и значений нормализованного индекса выгорания NBR
А.В. Лапко 1, 2 , В.А. Лапко 1, 2 , С.Т. Им 1, 3 , Ю.П. Юронен 1 1 Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Красноярск, Россия
2 Институт вычислительного моделирования СО РАН, Красноярск, Россия
3 Институт леса им. В.Н. Сукачева СО РАН, Красноярск, Россия
Одобрена к печати: 17.02.2026
DOI: 10.21046/2070-7401-2026-23-2-111-125
Методы декомпозиции спектральных данных дистанционного зондирования — основа создания автоматизированных систем обработки информации. Предлагается новая методика структурного анализа данных дистанционного зондирования, которая использует составляющие компонент оценки коэффициента корреляции. Составляющие оценки коэффициента корреляции представляются нормированными значениями спектральных признаков. Их произведение образует компоненты оценки коэффициента корреляции. На основе значений составляющих компонент оценки коэффициента корреляции формируется решающее правило, которое определяет четыре класса значений спектральных признаков. Классы характеризуются положительными, отрицательными и знакопеременными значениями составляющих оценки коэффициента корреляции. С использованием решающего правила формируется алгоритм оценивания принадлежности контрольных ситуаций к определённым классам. Рассматриваются результаты применения предложенного подхода по данным тестового участка лесного растительного покрова, повреждённого сибирским шелкопрядом в пространстве спектральных признаков каналов NIR (англ. near infrared) и SWIR-2 (англ. short-wave infrared, range-2) космического аппарата Landsat-8/OLI (англ. Operational Land Imager). Рассматриваемая пара спектральных признаков NIR и SWIR-2 используется для расчёта нормализованного индекса выгорания NBR (англ. Normalized Burn Ratio). Проводится сравнение результатов применения метода структурного анализа данных дистанционного зондирования и спектрального индекса NBR. При сравнении используются ядерные оценки плотности вероятности анализируемых случайных величин. Полученные результаты иллюстрируются картосхемами, графиками ядерных оценок плотности вероятности и таблицами основных показателей дешифрирования тестового участка лесного массива. Предложенный метод структурного анализа данных является универсальным. Его применение не требует назначения пороговых значений в отличие от индекса NBR и может быть адаптирован при исследовании технических, биохимических, медико-биологических и экологических систем.
Ключевые слова: структурный анализ данных, автоматическая классификация, составляющие коэффициента корреляции, ядерная оценка плотности вероятности, индекс NBR, данные дистанционного зондирования, спектральные признаки, лесной массив, сибирский шелкопряд
Полный текстСписок литературы:
- Бабий И. А., Водневская В. С., Ждановский М. Н. и др. Сравнение вегетационных индексов NDVI, GNDVI, BNDVI, NDII и COASTAL NDVI для оценки состояния лесного массива, поврежденного сибирским шелкопрядом // Агрофизика. 2025. № 4. С. 60–70. DOI: 10.25695/AGRPH.2025.04.09.
- Васильев В. И., Эш С. Н. Особенности алгоритмов самообучения и кластеризации // Управляющие системы и машины. 2011. № 3. С. 3–9.
- Дорофеюк А. А. Методология экспертно-классификационного анализа в задачах управления и обработки сложноорганизованных данных (история и перспективы развития) // Проблемы управления. 2009. № 3.1. С. 19–28.
- Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятности и ее применения. 1969. Т. 14. № 1. С. 156–161.
- Журбин И. В., Шаура А. С., Злобина А. Г., Баженова А. И. Выявление участков антропогенно-преобразованной природной среды на основе комплексного анализа разносезонной мультиспектральной съёмки // Автометрия. 2024. Т. 60. № 1. С. 73–83. DOI: 10.15372/AUT20240108.
- Загоруйко Н. Г. Когнитивный анализ данных. Новосибирск: ГЕО, 2013. 183 с.
- Лапко А. В., Лапко В. А. Ядерные оценки плотности вероятности и их применение. Красноярск: СибГУ им. М. Ф. Решетнева, 2021. 308 с.
- Лапко А. В., Лапко В. А. Методика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляции // Измерительная техника. 2024. Т. 73. № 6. С. 12–17. DOI: 10.32446/0368-1025it.2024-6-12-17.
- Лапко А. В., Лапко В. А., Им С. Т. Методика декомпозиции спектральных данных дистанционного зондирования пожаров лесных территорий // Информатика и системы управления. 2024. Т. 81. № 3. С. 112–120. DOI: 10.22250/18142400_2024_81_3_112.
- Лапко А. В., Лапко В. А., Им С. Т. (2025а) Декомпозиция спектральных признаков дистанционного зондирования на основе составляющих коэффициента корреляции // Автометрия. 2025. Т. 61. № 3. С. 28–36. DOI: 10.15372/AUT20250303.
- Лапко А. В., Лапко В. А., Им С. Т., Юронен Ю. П. (2025б) Модифицированный метод структурного анализа данных дистанционного зондирования // Измерительная техника. 2025. Т. 74. № 6. С. 4–12. DOI: 10.32446/0368-1025it.2025-6-4-12.
- Лапко А. В., Лапко В. А., Шаруева А. В. (2025в) Непараметрический алгоритм распознавания образов в задачах анализа данных дистанционного зондирования антропогенных территорий // Автометрия. 2025. Т. 61. № 1. С. 87–97. DOI: 10.15372/AUT20250111.
- Пономарёв Е. И., Якимов Н. Д., Третьяков П. Д., Сультсон С. М. Оценка дефолиации темнохвойных древостоев после воздействия сибирского шелкопряда по дистанционным данным // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 4. С. 175–186. DOI: 10.21046/2070-7401-2023-20-4-175-186.
- Синюткина А. А., Гашкова Л. П. Оценка постпирогенной динамики растительности верхового болота (Западная Сибирь) на основе спутниковых данных Landsat // Региональные геосистемы. 2025. Т. 49. № 1. С. 112–127. DOI: 10.52575/2712-7443-2025-49-1-112-127.
- Сультсон С. М., Горошко А. А., Демидко Д. А. и др. Анализ пространственного распространения вспышки сибирского шелкопряда на основе рельефа местности в условиях горных южно-таёжных лесов Сибири // Siberian J. Life Sciences and Agriculture. 2025. Т. 17. № 1. С. 282–307. DOI: 10.12731/2658-6649-2025-17-1-1054.
- Тубольцев В. П., Лапко А. В., Лапко В. А. Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема и его при менение // Искусственный интеллект и принятие решений. 2023. № 4. С. 49–57. DOI: 10.14357/20718594230405.
- Шаруева А. В., Лапко А. В., Лапко В. А. Непараметрические методы проверки гипотез о распределениях случайных величин при анализе данных дистанционного зондирования. Новосибирск: СО РАН, 2024. 189 с. DOI: 10.53954/9785604990094.
- Avetisyan D., Stankova N., Dimitrov Z. Assessment of spectral vegetation indices performance for post-fire monitoring of different forest environments // Fire. 2023. V. 6. No. 8. Article 290. DOI: 10.3390/fire6080290.
- Duin R. P. W. On the Choice of smoothing parameters for Parzen estimators of probability density functions // IEEE Trans. Computers. 1976. V. C-25. No. 11. P. 1175–1179. DOI: 10.1109/TC.1976.1674577.
- 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. P. 289–298. DOI: 10.1016/ S0034-4094257(96)00072-7.
- Hardisky M., Klemas V., Smart R. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies // Photogrammetric Engineering and Remote Sensing. 1983. V. 49. P. 77–83.
- Härdle W. K., Lu H. H. S., Shen X. Handbook of big data analytics. Berlin; Heidelberg: Springer, 2018. 538 p.
- 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.
- Hunt E. R., Jr., Hively W. D., Fujikawa S. J. et al. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring // Remote Sensing. 2010. V. 2. No. 1. P. 290–305. DOI: 10.3390/ rs2010290.
- Key C. H. Ecological and sampling constraints on defining landscape fire severity // Fire Ecology. 2006. V. 2. No. 2. P. 34–59.
- Kharuk V. I., Im S. T., Soldatov V. V. Siberian silkmoth outbreaks surpassed geoclimatic barrier in Siberian Mountains // J. Mountain Science. 2020. V. 17. No. 8. P. 1891–1900. DOI: 10.1007/s11629-020-5989-3.
- Kim Y., Jeong M.-H., Youm M. et al. Recovery of forest vegetation in a burnt area in the Republic of Korea: A perspective based on Sentinel 2 data // Applied Sciences. 2021. V. 11. Article 2570. DOI: 10.3390/ app11062570.
- Lopes L. F., Dias F. S., Fernandes P. M., Acácio V. A remote sensing assessment of oak forest recovery after postfire restoration // European J. Forest Research. 2024. V. 143. P. 1001–1014. DOI: 10.1007/ s10342-024-01667-z.
- Meneses-Tovar C. L. El índice normalizado diferencial de la vegetación como indicador de la degradación del bosque // Unasylva. 2011. V. 62. No. 238. P. 39–46.
- Miller J. D., Yool S. R. Mapping forest postfire Canopy consumption in several overstory types using multi-temporal Landsat TM and ETM data // Remote Sensing of Environment. 2002. V. 82. P. 481–496. DOI: 10.1016/S0034-4257(02)00071-8.
- Pan T., Wang H., Chen J. et al. Escalating landscape fire exposure and its deteriorating global equity: Role of associated population changes, socioeconomic levels, and climate changes // Science of the Total Environment. 2026. V. 1013. Article 181228. DOI: 10.1016/j.scitotenv.2025.181228.
- Potter C. Landscape patterns of vegetation canopy regrowth following wildfires in the Sierra Nevada mountains of California // Open J. Forestry. 2015. V. 5. P. 723–732. DOI: 10.4236/ojf.2015.57064.
- Riano D., Chuvieco E., Salas J., Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types (2003) // IEEE Trans. Geoscience and Remote Sensing. 2003. V. 41. P. 1056–1061. DOI: 10.1109/TGRS.2003.811693.
- Rudemo M. Empirical choice of histogram and kernel density estimators // Scandinavian J. Statistics. 1982. No. 9. P. 65–78.
- Slinkina O. A., Mikhaylov P. V., Sultson S. M. et al. Mapping tree mortality caused by Siberian silkmoth outbreak using Sentinel 2 remote sensing data // Forests. 2023. V. 14. No. 12. Article 2436. DOI: 10.3390/ f14122436.
- Sriwongsitanon N., Jandang W., Williams J. et al. Using normalised difference infrared index patterns to constrain semi-distributed rainfall–runoff models in tropical nested catchments // Hydrology and Earth System Sciences. 2023. V. 27. No. 11. P. 2149–2171. DOI: 10.5194/hess-27-2149-2023.
- Stephens C. W., Ives A. R., Radeloff V. C. Substantial increases in burned area in circumboreal forests from 1983 to 2020 captured by the AVHRR record and a new autoregressive burned area detection algorithm // Remote Sensing of Environment. 2025. V. 325. Article 114789. DOI: 10.1016/j .rse.2025.114789.
- Vermote E., Justice C., Claverie M., Franch B. Preliminary analysis of the performance of the Landsat 8/ OLI land surface reflectance product // Remote Sensing of Environment. 2016. V. 185. P. 46–56. DOI: 10.1016/j .rse.2016.04.008.
- Zhao G., Xu E., Yi X. et al. Comparison of forest restorations with different burning severities using various restoration methods at Tuqiang Forestry Bureau of Greater Hinggan Mountains // Remote Sensing. 2023. V. 15. Article 2683. DOI: 10.3390/rs15102683.
- Zeng Y., Deng F., Yang W. et al. Fire has emerged as a critical disturbance agent in the boreal forest ecosystems of Northeast Asia // Global Ecology and Conservation. 2026. V. 65. Article e04041. DOI: 10.1016/j . gecco.2025.e04041.