Vegetation Indices (NDVI and EVI) Time Series Approximation for Monitoring Crops of Khabarovsk Territory

Cover Page

Cite item

Full Text

Abstract

Approximation of the series of the seasonal vegetation index time series is the basis for monitoring agricultural crops, their identification and cropland classification. For cropland of the Khabarovsk Territory in the period from May to October 2021, NDVI and EVI time series were constructed using Sentinel-2A (20 m) multispectral images using a cloud mask. Five functions were used to approximate time series: Gaussian function; double Gaussian; double sine wave; Fourier series; double logistic. Characteristics of extremums for approximated time series for different types of arable land were built and calculated: buckwheat, perennial grasses, soybeans, fallow and ley. It was shown that each type requires a characteristic species. It was found (p<0.05) that Fourier approximation showed the highest accuracy for NDVI and EVI series (average error, respectively, 8.5% and 16.0%). Approximation of the NDVI series using a double sine, double Gaussian and double logistic function resulted in an error increase of 8.9-10.6%. Approximation of EVI series based on double Gaussian and double sine wave causes an increase in average errors up to 18.3-18.5%. The conducted a posteriori analysis using the Tukey criterion showed that for soybean, fallow and ley lands, it is better to use the Fourier series, double Gaussian or double sine wave to approximate vegetation indices, for buckwheat it is advisable to use the Fourier series or double Gaussian. In general, the average approximation error of the NDVI seasonal time series is 1.5-4 times less than the approximation error of the EVI series.

About the authors

A. S Stepanov

Far Eastern Research Institute of Agriculture (FEARI)

Email: stepanfx@mail.ru
Clubnaya St. 13

E. A Fomina

Computing Center of the Far Eastern Branch of the Russian Academy of Sciences (CC FEB RAS)

Email: eliz37@mail.ru
Kim Yu Chen St. 65

L. V Illarionova

Computing Center of the Far Eastern Branch of the Russian Academy of Sciences (CC FEB RAS)

Email: illarionova_l@list.ru
Kim Yu Chen St. 65

K. N Dubrovin

Computing Center of the Far Eastern Branch of the Russian Academy of Sciences (CC FEB RAS)

Email: nobforward@gmail.com
Kim Yu Chen St. 65

D. V Fedoseev

Computing Center of the Far Eastern Branch of the Russian Academy of Sciences (CC FEB RAS)

Email: d.fedoseev@mail.ru
Kim Yu Chen St. 65

References

  1. Ferchichi A., Abbes A.B., Barra V., Farah I.R. Forecasting vegetation indices from spatio-temporal remotely sensed data using deep learning-based approaches: A systematic literature review // Ecological Informatics. 2022. vol. 68. no. 101552.
  2. Liu J., Song W. Mapping abandoned cropland using Within-Year Sentinel-2 time series // Catena. 2023. vol. 223. no. 106924.
  3. Терехин Э.А. Оценка сезонных значений вегетационного индекса (NDVI) для детектирования и анализа состояния посевов сельскохозяйственных культур // Исследование земли из космоса. 2015. № 1. doi: 10.7868/S0205961415010108.
  4. Савин И.Ю., Лупян Е.А., Барталев С.А. Оперативный спутниковый мониторинг состояния посевов сельскохозяйственных культур в России // Геоматика. 2011. № 2. С. 69–76.
  5. Черепанов А.С., Дружинин Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. № 3. C. 28–32.
  6. Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. Т. 19. № 3. С. 76–102.
  7. Zhang C., Marzougui A., Sankaran S. High-resolution satellite imagery applications in crop phenotyping: An overview // Computers and Electronics in Agriculture. 2020. vol. 175. no. 105584.
  8. Kong D., Zhang Y., Gu X., Wang D. A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine // Journal of Photogrammetry and Remote Sensing. 2019. vol. 155. pp. 13–24.
  9. Chen Y., Hu J., Cai Z., Yang J., Zhou W., Hu Q., Wang C., You L., Xu B. A phenology-based vegetation index for improving ratoon rice mapping using harmonized Landsat and Sentinel-2 data // Journal of Integrative Agriculture. 2023. 20 p. doi: 10.1016/j.jia.2023.05.035.
  10. Hao P., Tang H., Chen Z., Meng Q., Kang Y. Early-season crop type mapping using 30-m reference time series // Journal of Integrative Agriculture. 2020. vol. 19. no. 7. pp. 1897–1911.
  11. Singh R.K., Rizvi J., Behera M.D., Biradar C. Automated crop type mapping using time-weighted dynamic time warping-A basis to derive inputs for enhanced food and Nutritional Security // Current Research in Environmental Sustainability. 2021. vol. 3. no. 100032.
  12. Shammi S.A., Meng Q. Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling // Ecological Indicators. 2021. vol. 121. no. 107124.
  13. Bandaru V., Yaramasu R., Koutilya P.N.V.R., He J., Fernando S., Sahajpal R., Wardlow B.D., Suyker A., Justice C. PhenoCrop: An integrated satellite-based framework to estimate physiological growth stages of corn and soybeans // International Journal of Applied Earth Observation and Geoinformation. 2020. vol. 92. no. 102188.
  14. Tian F., Cai Z., Jin H., Hufkens K., Scheifinger H., Tagesson T., Smets B., Van Hoolst R., Bonte K., Ivits E., Tong X., Ardo J., Eklundh L. Calibrating vegetation phenology from Sentinel-2 using eddy covariance, PhenoCam, and PEP725 networks across Europe // Remote Sensing of Environment. 2021. vol. 260. no. 112456.
  15. Катаев М.Ю., Бекеров А.А., Медвецкий Д.В. Методика сглаживания временного ряда вегетационного индекса NDVI // Доклады ТУСУРа. 2017. Т. 20. № 1. С. 85–88.
  16. Li S., Xu L., Jing Y., Yin H., Li X., Guan X. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques // International Journal of Applied Earth Observation and Geoinformation. 2021. vol. 105. no. 102640.
  17. Миклашевич Т.С., Барталев С.А. Метод определения фенологических характеристик растительного покрова на основе временных рядов спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 9–24.
  18. Shao Y., Lunetta R.S., Wheeler B., Iiame J.S., Campbella J.B. An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data // Remote Sensing of Environment. 2016. vol. 174. pp. 258–265.
  19. Плотников Д.Е., Миклашевич Т.С., Барталев С.А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 2. С. 103–110.
  20. Atkinson P.M., Jeganathan C., Dash J., Atzberger C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology // Remote Sensing of Environment. 2012. vol. 123. pp. 400–417.
  21. Cao R., Chen J., Shen M., Tang Y. An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data // Agricultural and Forest Meteorology. 2015. vol. 200. pp. 9–20.
  22. Seo B., Lee J., Lee K., Hong S., Kang S. Improving remotely-sensed crop monitoring by NDVI-based crop phenology estimators for corn and soybeans in Iowa and Illinois, USA // Field Crops Research. 2019. vol. 238. pp. 113–128.
  23. Воробьёва Н.С., Чернов А.В. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). Самара: Новая техника, 2017. С. 390–399.
  24. Hird J.N., McDermid G.J. Noise reduction of NDVI time series: An empirical comparison of selected techniques // Remote Sensing of Environment. 2009. vol. 113. no. 1.pp. 248–258.
  25. Julien Y., Sobrino J.A. Optimizing and comparing gap-filling techniques using simulated NDVI time series from remotely sensed global data // International Journal of Applied Earth Observation and Geoinformation. 2019. vol. 76. pp. 93–111.
  26. Stepanov A., Dubrovin K., Sorokin A., Aseeva T. Predicting soybean yield at the regional scale using remote sensing and climatic data // Remote Sensing. 2020. vol. 12(12). no. 1936.
  27. Stepanov A., Dubrovin K., Sorokin A. Function fitting for modeling seasonal normalized difference vegetation index time series and early forecasting of soybean yield // The Crop Journal. 2022. vol. 10. no. 5. pp. 1452–1459.
  28. Lin S., Hao D, Zheng Y., Zhang H., Wang C., Yuan W. Multi-site assessment of the potential of fine resolution red-edge vegetation indices for estimating gross primary production // International Journal of Applied Earth Observation and Geoinformation. 2022. vol. 113. no. 102978.
  29. Gavin H.P. The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems. Department of civil and environmental engineering, Duke University, 2019. vol. 19.
  30. Zhao J., Zhang X. An Adaptive Noise Reduction Method for NDVI Time Series Data Based on S–G Filtering and Wavelet Analysis // Journal Indian Society Remote Sensing. 2018. vol. 46. no. 12. pp. 1975–1982.
  31. Han Y., Meng J., Xu J. Soybean growth assessment method based on NDVI and phenological calibration // Transactions of the Chinese Society of Agricultural Engineering. 2017. vol. 33. no. 2. pp. 177–182.
  32. Zhang H., Kang J., Xu X., Zhang L. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China // Computers and Electronics in Agriculture. 2020. vol. 176. no. 105618.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».