Информационные технологии в дистанционном зондировании Земли

Д.Е. Плотников¹, D. de Abelleyra², S. Veron², M. Zhang³, В.А. Толпин¹, С.А. Барталев¹, M. Lavreniuk⁴, F. Waldner⁵, A. Ziad⁶

Институт космических исследований РАН, Москва, Россия
dmitplot@d902.iki.rssi.ru
Instituto de Clima y Agua, Instituto Nacional de Tecnología Agropecuaria (INTA), Buenos Aires, Argentina
Institute of Remote Sensing and Digital Earth, Chinese Academy of Science, Beijing, China
Department of Space Information Technologies, Space Research Institute NAS and SSA (SRI), Kyiv, Ukraine
Earth and Life Institute - Environment, Croix du Sud, Université Catholique de Louvain, Louvain-la-Neuve, Belgium
Agriculture and Agri-Food Canada, Ottawa, Canada

В работе рассматривается эффективность опорной информации, полученной с помощью фотоинтерпретации спутниковых снимков международным коллективом волонтѐров, для решения задачи устойчивого распознавания используемой пашни на больших территориях на основе данных Landsat и методов обучаемой классификации. В эксперименте участвовали коллективы, осуществляющие поддержку участков JECAM из Аргентины, Бельгии, Канады, Китая, России и Украины, которые также обеспечивали настоящее исследование наземными опорными данными для оценки точности получаемых карт. В результате с помощью системы Vega-Geoglam была собрана репрезентативная опорная выборка с известными характеристиками точности, которая была использована для распознавания пахотных земель текущего сезона вегетации на примере шести различных агроландшафтов в указанных регионах мира.

Литература:

[1] Waldner F., De Abelleyra D., Santiago V., Zhang M., Wu B., Plotnikov D.E., Bartalev S.A., Lavreniuk M., Skakun S., Kussul, N.N., Le Maire G., Dupuy S., Jarvis I., Defourny, Р. Towards a set of agrosystem-specific cropland mapping methods to address the global cropland diversity, International Journal of Remote Sensing, 2016, Vol. 37. Issue 14. DOI:10.1080/01431161.2016.1194545.
[2] Plotnikov D.E., Kolbudaev P.A., Bartalev S.A., Loupian E.A. Automated annual cropland mapping from reconstructed time series of Landsat data, Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa, 2018, Vol. 15, No. 2, pp. 112–127. DOI: 10.21046/2070-7401-2018-15-2-112-127. (in Russian)
[3] Bartalev S.A., Plotnikov D.E., Loupian E.A. Mapping of arable land in Russia using multiyear time series of MODIS data and the LAGMA classification technique, Remote Sensing Letters, 2016, Vol. 7. No. 3, pp. 269-278. DOI: 10.1080/2150704X.2015.1130874.
[4] Plotnikov D.E., Kolbudaev P.A., Bartalev S.A. Identification of dynamically homogeneous areas with time series segmentation of remote sensing data , Computer Optics,. 2018, Vol. 42, No. 3, pp. 447-456. DOI: 10.18287/2412-6179-2018-42-3-447-456. (in Russian).
[5] Tolpin V.A., Balashov I.V., Bartalev S.A., Loupian E.A., Plotnikov D.E., Ladonina N.N., Stytsenko F.V. Information System for Global Satellite Monitoring of Agriculture VEGA-GEOGLAM // XIII All-Russian Open Conference "Contemporary Problems of Remote Sensing of the Earth from Space", Book of Abstracts, Moscow, IKI RAS, 16-20 November 2015, P. 431. (in Russian)
[6] Jun Chen, Jin Chen, A. Liao, X. Cao, Lijun Chen, Xuehong Chen, C. He, G. Han, S. Peng, M. Lu, W. Zhang, X. Tong, J. Mills. Global land cover mapping at 30m resolution: A POK-based operational approach. ISPRS Journal of Photogrammetry and Remote Sensing, Volume 103, 2015, pp 7-27, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs.2014.09.002.
[7] Fischer G., Nachtergaele F., Prieler S., Teixeira E., Tòth G., Velthuizen H., Verelst L., Wiberg D. Global Agro-Ecological Zones (GAEZ v3.0) - Model Documentation, 2012.
[8] Skakun, S.V.; Basarab, R.M. Reconstruction of Missing Data in Time-Series of Optical Satellite Images Using Self-Organizing Kohonen Maps, Journal of Automation and Information Sciences, 2014, 46.
[9] Matton, N., G. S. Canto, F. Waldner, S. Valero, D. Morin, J. Inglada, M. Arias, S. Bontemps, B. Koetz, and P. Defourny. An Automated Method for Annual Cropland Mapping along the Season for Various Globally-Distributed Agrosystems Using High Spatial and Temporal Resolution Time Series, Remote Sensing, 2015, 7 (10): 13208–13232. doi:10.3390/rs71013208.
[10] Breiman L. Random Forests, Machine Learning, 2001, Vol. 45, No. 1, DOI:10.1023/A:1010933404324.
[11] Bartalev S.A., Egorov V.A., Loupian E.A., Khvostikov S.A. A new locally-adaptive classification method LAGMA for large-scale land cover mapping using remote-sensing data, Remote Sensing Letters, 2014, Vol. 5, No. 1, pp. 55-64, DOI: 10.1080/2150704X.2013.870675.
[12] Stehman S.V. Selecting and Interpreting Measures of Thematic Classification Accuracy. Remote Sensing of Environment, 1997, Vol.62, pp. 77–89, doi:10.1016/S0034-4257(97)00083-7.
[13] Loupian EA, Proshin AA, Burtsev MA, Balashov IV, Bartalev SA, Efremov VYu, Kashnitskiy AV, Mazurov AA, Matveev AM, Sudneva OA, Sychugov IG, Tolpin VA, Uvarov IA. IKI center for collective use of satellite data archiving, processing and analysis systems aimed at solving the problems of environmental study and monitoring, Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa, 2015, 12(5), pp. 263-284.(in Russian)

Информационные технологии в дистанционном зондировании Земли - RORSE 2018

Электронный сборник статей 16-й конференции (12-16 ноября 2018 г., Москва, Россия)

Оценка точности и верификация алгоритмов обработки данных дистанционного зондирования