Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 2. С. 204-215
Методика типизации земельных угодий алгоритмами контролируемой классификации (на примере промышленно развитых районов Белгородской области)
О.И. Григорьева 1 , Л. Хуан 1 1 Белгородский государственный национальный исследовательский университет, Белгород, Россия
Одобрена к печати: 30.11.2025
DOI: 10.21046/2070-7401-2026-23-2-204-215
Создана модель типизации земельных угодий на основе классификации спутниковых данных Sentinel 2. В ходе работ проведена оценка сопряжённости обучающих данных и фактического состояния типов земельных угодий. Выполнена классификация типов земельных угодий по трём основным методам контролируемой классификации. Наилучший результат показала классификация, осуществлённая по методу максимального правдоподобия. Проведена оценка точности на основе коэффициента Каппа, значение которого составило 0,9. При сравнении с визуально-интерпретационными данными по космическим снимкам типов земельных угодий выявились отклонения в таких типах земель, как пашня с посевами и сенокосы и пастбища, земли под застройкой, промышленно-разработанные земли и дороги, нарушенные земли. Модель адаптирована для локальных условий региона исследования. Она способна оперативно обрабатывать большие объёмы данных, создавать продукты регионального масштаба с высоким пространственным разрешением и итеративно улучшаться для возможности принятия оперативных решений в области управления земельными ресурсами. Полученные результаты подтверждают эффективность созданной модели, метода максимального правдоподобия для решения задач картографирования земельных угодий с высоким уровнем точности. Разработанная модель может быть использована для мониторинга землепользования, инвентаризации сельскохозяйственных земель и решения других прикладных задач в сфере управления земельными ресурсами.
Ключевые слова: дистанционное зондирование Земли, контролируемая классификация, метод максимального правдоподобия, типизация земельных угодий
Полный текстСписок литературы:
- Алпысбай М. А., Серикбаева Э. Б., Талгарбаева Д. Н., Ниязбеков Б. Л. Сравнительный анализ методов машинного обучения для обработки данных дистанционного зондирования // Вестн. КазНУ. Сер. геогр. 2025. Т. 78(3). С. 142–152. https://doi.org/10.26577/JGEM202578310.
- Барталев С. А., Лупян Е. А., Нейштадт И. А. Метод выявления используемых пахотных земель по данным дистанционного зондирования со спутников // Современные проблемы дистанционного зондирования Земли из космоса. 2006. Вып. 3. Т. 2. С. 271–280.
- Барталёв С. А., Егоров В. А., Лупян Е. А., Плотников Д. Е., Уваров И. А. Распознавание пахотных земель на основе многолетних спутниковых данных спектрорадиометра MODIS и локально-адаптивной классификации // Компьютер. оптика. 2011. Т. 35. № 1. С. 103–116.
- Дубровин К. Н., Верхотуров А. Л., Степанов А. С. Использование временных рядов NDVI и методов машинного обучения для классификации пахотных земель Хабаровского края // Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2023. C. 361. DOI 10.21046/21DZZconf-2023a.
- Лупян Е. А., Денисов П. В., Середа И. И. и др. Наблюдение развития озимых культур в южных регионах России весной 2020 г. на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 285–291. DOI: 10.21046/2070-7401-2020-17-2-285-291.
- Павлова А. И. Агроэкологическая классификация сельскохозяйственных земель с использованием машинного обучения, ГИС и ДДЗЗ // Siberian J. Life Sciences and Agriculture. 2023. Т. 15. № 6. С. 72–88. DOI: 10.12731/2658-6649-2023-15-6-960.
- Плотников Е. Д., Барталев С. А., Лупян Е. А. Признаки распознавания пахотных земель на основе многолетних рядов данных спутникового спектрорадиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 1. С. 330–341.
- 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. аграрной науки. 2020. № 1(21). С. 64–83. DOI: 10.33952/2542-0720-2020-1-21-64-83.
- Терехин Э. А. Анализ спектрально-отражательных свойств залежных земель Среднерусской лесостепи по данным Sentinel 2 // Компьютер. оптика. 2023. Т. 47. № 2. С. 306–313. DOI: 10.18287/2412-6179-CO-1160.
- Терехин Э. А. Особенности восстановления древесной растительности на постагрогенных землях юга Среднерусской возвышенности // Региональные геосистемы. 2024. Т. 48. № 3. С. 405–415. DOI: 10.52575/2712-7443-2024-48-3-405-415.
- Уваров И. А., Барталев С. А. Разработка автоматического регионально-адаптивного алгоритма обучаемой классификации лесов по спутниковым данным MODIS // Аэрокосм. методы и ГИС-технологии в лесоведении и лесном хоз-ве: докл. 4-й Международ. конф. М.: ГОУ ВПО МГУЛ, 2007. С. 145–146.
- Уваров И. А., Барталев С. А. Алгоритм и программный комплекс распознавания типов земного покрова на основе локально-адаптивной обучаемой классификации спутниковых изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 1. С. 353–365.
- Хуснутдинов А. О., Хабаров В. И., Карманов В. С. Глубокое обучение для анализа многомерных временных рядов: систематизация типов данных, задач, архитектур и подходов // Системы анализа и обработки данных. 2025. Т. 99. № 3. С. 113–136. DOI: 10.17212/2782-2001-2025-3-113-136.
- 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.
- Bakkestuen V., Venter Z., Ganerød A. J., Framstad E. Delineation of wetland areas in South Norway from Sentinel 2 imagery and LiDAR using TensorFlow, U-Net, and Google Earth Engine // Remote Sensing. 2023. V. 15. No. 5. Article 1203. DOI: 10.3390/rs15051203.
- Cerulli G. Fundamentals of supervised machine learning: With applications in Python, R, and Stata. Springer, 2023. 420 p. DOI: 10.1007/978-3-031-41337-7.
- Cheng G., Sun X., Li K. et al. Perturbation-seeking generative adversarial networks: A defense framework for remote sensing image scene classification // IEEE Trans. Geosciense and Remote Sensing. 2022. V. 60. Article 5605111. DOI: 10.1109/TGRS.2021.3081421.
- Grant B. G. UAV imagery analysis: challenges and opportunities // Proc. SPIE. Long-Range Imaging II. 2017. V. 10204. Article 1020406. DOI: 10.1117/12.2264138.
- Guan J., Liu J., Sun J. et al. Meta metric learning for highly imbalanced aerial scene classification // 45th Intern. Conf. on Acoustics, Speech and Signal Processing (ICASSP 2020). IEEE, 2020. P. 4047–4051. DOI: 10.1109/ICASSP40776.2020.9052900.
- Hamzah A. S., Abdul-Rhaim L. A. Smart home automation system using cloud computing based enhancement security and environment // 2nd Intern. Conf. on Advances in Engineering Science and Technology (AEST 2022). 2022. P. 334–339. DOI: 10.1109/AEST55805.2022.10412921.
- 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. 2020. V. 32. No. 5. P. 1–6. DOI: 10.1007/s11676-020-01155-1.
- Jones H. G., Vaughan R. A. Remote sensing of vegetation: Principles, techniques, and applications. N. Y.: Oxford University Press, 2010. 384 p.
- Nimbalkar M. S., Shinde P. S., Chaure R. S. Remote sensing-based assessment of surface water bodies in Sahara District, Maharashtra // InSight Bull.: A Multidisciplinary Interlink Intern. Research J. 2025. V. 2. No. 6. P. 79–85.
- Song H., Xie H., Duan Y. et al. Pure data correction enhancing remote sensing image classification with a lightweight ensemble model // Scientific Reports. 2025. V. 15. No. 1. Article 5507. DOI: 10.1038/ s41598-025-89735-1.
- Wang P., Zhao X., Chen Y., Zhan L. Improving remote sensing scene classification with data augmentation techniques to mitigate class imbalance // Frontiers in Computer Science. 2025. V. 7. Article 1613648. DOI: 10.3389/fcomp.2025.1613648.
- Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery // Intern. J. Remote Sensing. 2003. V. 24. No. 3. P. 583–594. DOI: 10.1080/01431160304987.