Методы автоматизированного дешифрирования характеристик сельскохозяйственных угодий по радиолокационным данным

Радиолокационная съёмка является перспективным средством для мониторинга сельскохозяйственных угодий, поскольку позволяет получить информацию о состоянии посевов вне зависимости от времени суток и погодных условий. Требования к оперативности дешифрирования сельскохозяйственных угодий на большой площади делает целесообразным использование автоматизированных методов. Выбор оптимального алгоритма обработки зависит от решаемых задач и особенностей данных.
Основным результатом работы явилось создание и валидация с использованием наземных данных методики автоматизированного дешифрирования сельскохозяйственных угодий (состояния залежей, состава и состояния посевов сельскохозяйственных культур) по радиолокационным данным на примере полнополяриметрических данных Radarsat-2.
Необходимым этапом предварительной обработки данных является подавление спекла – особенности радиолокационных изображений, проявляющейся в виде зернистости. На основе проведенного теоретического анализа методов подавления спекла и экспериментальных работ сделан вывод о том, что фильтрацию одиночного снимка целесообразно проводить разными методами для однородных (посевы) и неоднородных участков (залежи, заросшие кустарником). В частности, для первых предпочтителен неадаптивный фильтр Mean с большим размером окна, для вторых – адаптивный фильтр Lee или адаптивный фильтр Gamma MAP с большим размером окна. При сравнении алгоритмов фильтрации спекла в задаче автоматизированного разделения участков залежи с растительностью и без неё установлено, что наибольшее влияние на достоверность последующей классификации оказывало увеличение размера окна, в то время как варьирование типов фильтров на результатах классификации сказывалось в меньшей степени.
Проведенные теоретические и экспериментальные работы с радиолокационными снимками сельскохозяйственных территорий показали эффективность использования таких методов классификации радиолокационных данных как кластеризация, метод минимального расстояния, метод опорных векторов. Наибольшая достоверность достигалась при классификации значений в децибелах.
Состояние залежей возможно охарактеризовать при помощи классификации, выполненной на основе компоненты объемного рассеяния поляриметрических декомпозиций Freeman-Durden, Yamaguchi. По данным C-диапазона достоверно интерпретировались лишь 2 класса, соответствующие участкам с растительностью и без нее.
Наиболее достоверный результат при распознавании состава сельскохозяйственных культур (томаты, картофель, рис, ячмень, люцерна) показала классификация по минимальному расстоянию. Автоматизированное распознавание большинства рассмотренных культур эффективно при классификации снимков, полученных в перекрестной поляризации, при проведении съемок в конце июня и конце июля, поскольку именно в это время наиболее ярко проявляются различия в значении и динамике объёма биомассы у разных культур.
Для оценки состояния посевов оптимальной явилась неконтролируемая поляриметрическая классификация Freeman-Durden с настройками по умолчанию. Она позволила определить убранные или незасаженные участки (поверхностное рассеяние), посевы, где растения имеют большую биомассу (объемное рассеяние), и отдельно – посевы риса после трубкования (двойное отражение).
Для обработки радиолокационных данных использовано программное обеспечение Sentinel-1 Toolbox и ENVI. Исследования выполнены в рамках собственных работ НЦ ОМЗ АО «Российские космические системы» при частичной поддержке гранта Президента поддержки ведущих научных школ России НШ-2248.2014.5 и проекта РФФИ-13-05-12011-офи, данные Radarsat-2 получены в рамках проекта SOAR-EI №5137.