Использование простанственно-спектральных характеристик для сравнительной оценки площадей посевов сухостепной зоны Кулундинской равнины

В условиях глобальных климатических изменений, резких колебаний климата и нестабильности сельскохозяйственного производства во всем мире особое значение приобретает оперативный мониторинг состояния посевов. Так как большинство участков сельскохозяйственных культур имеют более или менее однородные пространственно-яркостные характеристики, то для максимально эффективного решения этой важной задачи должны использоваться модели, описывающие пространственную однородность сельскохозяйственных участков в терминах яркостной структуры элементов растра. И если еще несколько лет назад было возможно применение только спектральной составляющей космической информации о посевах, то новые спутники с высоким и сверхвысоким разрешением позволяют также учитывать их визуально-пространственные характеристики. Основное внимание в исследовании было уделено вычислению площадей посевов пшеницы, так как этот класс занимает большую часть территории хозяйства, сравнению с данными региональных респондентов и вычислению абсолютных и относительных ошибок для полученных площадей.
На первом этапе для получения искомых карт сельскохозяйственных объектов использовались многоспектральные данные среднего разрешения (SPOT-4, 20м, 4 канала) и процессы многоспектральной классификации, не учитывающие пространственного распределения яркостных характеристик:
- на основе кластерного анализа: среднее значение ошибки составило 17,8%, коэффициент корреляции 0,95;
- на основе оценок максимального правдоподобия: среднее значение ошибки составило 13,5%, коэффициент корреляции 0,94. Применение параметрической классификации показало возможность более детального выделения естественной растительности Кулундинской равнины, а также лесополос и населенных пунктов. Также, границы полей выделелись более четко, просматриваются однорядные лесополосы и грунтовые дороги.
Известно, что агрокультуры характеризуются различными текстурными характеристиками на снимках высокого разрешения [1,2]. Поскольку в частности, колосовые культуры имеют перекрестный и узкорядный имеют способы посадки, пропашные — квадратно-гнездовой и гнездовой. Поэтому для повышения эффективности методов выделения сельскохозяйственных объектов необходимо использовать свойство «текстурности» агрокультур. Особенно это свойство проявляется в фенофазах кущения и спелости, когда способы посадки идентифицируются наболее четко. Поэтому на втором этапе исследования использовались многоспектральные данные выского разрешения (Rapideye, 5м, 5 каналов) и интегральный анализ пространственных и спектральных признаков сельскохозяйственных объектов [1,3,4]:
- ковариационных матриц событий, характеризующих статистики второго порядка и описывающих пространственные связи пар яркостей элементов текстурного объекта;
- ковариационных матриц смежности, характеризующих числа переходов яркостей в парах элементов текстурного объекта, отстоящих друг от друга на некотором заданном расстоянии;
- специальных индексов растительности: ARVI (atmospherically resistant vegetation index), GRVI (green ratio vegetation index), RVI (ratio vegetation index).
Исследование выполняется в рамках интеграционного проекта СО РАН «Разработка принципов и информационно-вычислительных технологий обработки и интерпретации мультиспектральных спутниковых изображений высокого и сверхвысокого пространственного разрешения (для наук о Земле, экологии и природопользования).
Литература:
1. Eckert, S., 2012, «Improved Forest Biomass and Carbon Estimations Using Texture Measures from WorldView-2 Satellite Data», Remote Sensing, No. 4, pp. 810-829.
2. Sheoran A., 2009. «Land cover/use Classification Using Optical and Quad Polarization Radar Imagery», thesis, George University, Fairfax, VA, 126 p.
3. Anys, H., A. Bannari, D. C. He, and D. Morin, 1994. «Texture analysis for the mapping of urban areas using airborne MEIS-II images», Proceedings of the First International Airborne Remote Sensing Conference and Exhibition, Strasbourg, France, Vol. 3, pp. 231-245.
4. Haralick, R. M., Shanmugan, K., and Dinstein, I., 1973, «Textural Features for Image Classification» IEEE Transactions on Systems, Man, and Cybernetics, Vol. 3, No. 6, pp. 610-621.