Идентификация сельскохозяйственных культур с использованием радарных изображений

Обложка

Цитировать

Полный текст

Аннотация

Одной из наиболее важных задач в практической сельскохозяйственной деятельности является идентификация сельскохозяйственных культур, произрастающих на отдельных полях в данный момент и ранее. Для снижения трудоемкости процесса идентификации в последние годы используются данные дистанционного зондирования Земли (ДЗЗ), в том числе значения индексов, рассчитываемые по ходу периода вегетации. При этом обработка оптических спутниковых снимков и получение достоверных значений индексов зачастую бывает затруднено из-за облачности во время съемки. Для решения этой проблемы в статье предложено использовать в качестве основного показателя, характеризующего сельскохозяйственную культуру, кривую сезонного хода радарного вегетационного индекса с двойной поляризацией (DpRVI). В период 2017-2020 гг. для идентификации культур на опытных полях Дальневосточного научно-исследовательского института сельского хозяйства (ДВ НИИСХ) было получено и обработано 48 радарных снимков Хабаровского муниципального района Хабаровского края со спутника Sentinel-1 (разрешение 22 м, интервал съемки − 12 дней). В качестве основных идентифицируемых культур выступали соя и овес. Также были добавлены пиксели полей, не занятых данными культурами (кормовые травы, заброшенные поля). Были получены ряды значений DpRVI как для отдельных пикселей и полей, так и аппроксимированные ряды для трех классов. Аппроксимация проводилась с использованием функции Гаусса, двойной логистической функции, квадратного и кубического полиномов. Установлено, что оптимальным алгоритмом аппроксимации является использование двойной логистической функции (средняя ошибка составила 4,6%). В среднем, ошибка аппроксимации индекса вегетации для сои не превышала 5%, для многолетних трав – 8,5%, а для овса – 11%. Для опытных полей общей площадью 303 га с известным севооборотом была проведена классификация взвешенным методом k ближайших соседей (обучающая выборка сформирована по данным 2017-2019 гг, тестовая -2020 г.). В результате верно идентифицировано 90% полей. Общая точность классификации по пикселям составила 73%, что позволило выявить несоответствие реальных границ полей заявленным, определить заброшенные и заболоченные участки. Таким образом, установлено, что индекс DpRVI может быть использован для идентификации сельскохозяйственных культур юга Дальнего Востока и служить основой для автоматического классифицирования пахотных земель.

Об авторах

К. Н Дубровин

Вычислительный центр Дальневосточного отделения Российской академии наук (ВЦ ДВО РАН)

Email: nobforward@gmail.com
ул. Ким Ю Чена 65

А. С Степанов

Дальневосточный научно-исследовательский институт сельского хозяйства (ДВ НИИСХ)

Email: stepanfx@mail.ru
ул. Клубная 13

А. Л Верхотуров

Институт горного дела Дальневосточного отделения Российской академии наук (ИГД ДВО РАН)

Email: andrey@ccfebras.net
ул. Тургенева 51

Т. А Асеева

Дальневосточный научно-исследовательский институт сельского хозяйства (ДВ НИИСХ)

Email: aseeva59@mail.ru
ул. Клубная 13

Список литературы

  1. Mapping croplands, cropping patterns, and crop types using MODIS time-series data / Y. Cheng [и др.] // International Journal of Applied Earth Observation and Geoinformation. 2018. vol. 69. pp. 133-147.
  2. Improved regional-scale Brazilian cropping systems’ mapping based on a semi-automatic object-based clustering approach / B. Bellon [и др.] // International Journal of Applied Earth Observation and Geoinformation. 2018. vol. 68. pp. 127-138.
  3. Griffiths P., Nendel C., Hostert P. Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping // Remote Sensing of Environment. 2019. vol. 220. pp. 135-151.
  4. 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 / H. Zhang [и др.] // Computers and Electronics in Agriculture. 2020. vol. 176. 105618.
  5. Early-season crop type mapping using 30-m reference time series / P. Hao [и др.] // Journal of Integrative Agriculture. 2020. vol. 19. iss. 7. pp. 1897-1911.
  6. Миклашевич Т.С., Барталев С.А., Плотников Д.Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. №6. С. 143-154.
  7. Arias M., Campo-Bescós M.Á, Álvarez-Mozos J. Crop Classification Based on Temporal Signatures of Sentinel-1 Observations over Navarre Province, Spain // Remote Sensing. 2020. vol. 12. iss. 2. 278.
  8. Improved Early Crop Type Identification by Joint Use of High Temporal Resolution SAR And Optical Image Time Series / J. Inglada [и др.] // Remote Sensing. 2016. vol. 8. iss. 5. 362.
  9. Synergistic Use of Radar Sentinel-1 and Optical Sentinel-2 Imagery for Crop Mapping: A Case Study for Belgium / van Tricht K. [и др.] // Remote Sensing. 2018. vol. 10. iss. 10. 1642.
  10. Kim Y., van Zyl J.J. A Time-Series Approach to Estimate Soil Moisture Using Polarimetric Radar Data // IEEE Transactions on Geoscience and Remote Sensing. 2009. vol. 47. №8. pp. 2519-2527.
  11. C-band polarimetric indexes for maize monitoring based on a validated radiative transfer model / X. Blaes [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 2006. vol. 44. iss. 4. pp. 791–800.
  12. Integration of optical and Synthetic Aperture Radar (SAR) imagery for delivering operational annual crop inventories / H. McNairn [и др.] // ISPRS Journal of Photogrammetry and Remote Sensing. 2009. vol. 64. iss. 5. pp. 434–449.
  13. Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data / D. Mandal [и др.] // Remote Sensing of Environment. 2020. vol. 247. 111954.
  14. Freeman A., Durden S.L. A Three-Component Scattering Model for Polarimetric SAR Data // IEEE Transactions on Geoscience and Remote Sensing. 1998. vol. 36. iss. 3. pp. 963-973.
  15. Four Component Scattering Model for Polarimetric SAR Image Decomposition / Yamaguchi Y. [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 2005. vol. 43. iss. 8. pp. 1699-1706.
  16. Arii M., van Zyl J.J., Kim Y. Adaptive Model-Based Decom-position for Polarimetric SAR Covariance Matrices // IEEE Transactions on Geoscience and Remote Sensing. 2011. vol. 49. iss. 3. pp. 1104-1113.
  17. Костенков Н.М., Ознобихин В.И. Почвы и почвенные ресурсы юга Дальнего Востока, и их оценка // Почвоведение. 2006. №5. С. 517–526.
  18. Новороцкий П.В. Климатические изменения в бассейне Амура за последние 115 лет // Метеорология и гидрология. 2007. №2. С. 43−53.
  19. База данных показателей муниципальных образований. URL: www.gks.ru/dbscripts/munst/ (дата обращения: 21.08.2021).
  20. Sentinel-1 Mission Status / P. Potin [и др.] // 11th European Conference on Synthetic Aperture Radar. Proceedings EUSAR. 2016. pp. 59–64.
  21. Intensity and phase statistics of multilook polarimetric interferometric SAR imagery / J.S. Lee [и др.] // IEEE Transactions on Geoscience and Remote Sensing. 1994. vol 32. iss. 5. pp. 1017-1028.
  22. Lee J.S., Pottier E. Polarimetric SAR Radar Imaging: From Basic to Applications // Boca Raton: CRC Press. 2009. 438 p.
  23. Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data / A. Berger [и др.] // Computers and Electronics in Agriculture. 2018. vol. 161. pp. 305-311.
  24. An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data. / R. Cao [и др.] // Agric. For. Meteorol. 2015. vol. 200. pp. 9–20.
  25. Predicting Soybean Yield at the Regional Scale Using Remote Sensing and Climatic Data / A. Stepanov [и др.] // Remote Sensing. 2020. vol. 12. iss. 12. 1936.
  26. Evaluating the impacts of models, data density and irregularity on reconstructing and forecasting dense Landsat time series. / J. Zhang [и др.] // Science of Remote Sensing. 2021. №4. 100023.
  27. Mapping crops within the growing season across the United States / V.S. Konduri [и др.] // Remote Sensing of Environment. 2020. vol. 251. 112048.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).