izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2025-6-4-12izmertech-2447Research ArticleОБЩИЕ ВОПРОСЫ МЕТРОЛОГИИ И ИЗМЕРИТЕЛЬНОЙ ТЕХНИКИGENERAL PROBLEMS OF METROLOGY AND MEASUREMENT TECHNIQUESМодифицированный метод структурного анализа данных дистанционного зондированияModified method of structural analysis of remote sensing datahttps://orcid.org/0000-0002-0664-3870ЛапкоА. В.LapkoA. V.

Александр Васильевич Лапко

Красноярск

 

Aleksandr V. Lapko

Krasnoyarsk

lapko@icm.krasn.ruhttps://orcid.org/0000-0001-6938-9323ЛапкоВ. А.LapkoV. A.

Василий Александрович Лапко

Красноярск

Vasiliy A. Lapko

Krasnoyarsk

valapko@yandex.ruhttps://orcid.org/0000-0002-5794-7938ИмС. Т.ImS. T.

Сергей Тхекдеевич Им

Красноярск

Sergey T. Im

Krasnoyarsk

stim@ksc.krasn.ruhttps://orcid.org/0000-0002-0029-2555ЮроненЮ. П.YuronenYu. P.

Юрий Павлович Юронен

Красноярск

Yuri P. Yuronen

Krasnoyarsk

yuri_sam@mail.ruСибирский государственный университет науки и технологий имени академика М. Ф. Решетнёва; Институт вычислительного моделирования Сибирского отделения РАНРоссияReshetnev Siberian State University of Science and Technology; Institute of Computational Modelling of the Siberian Branch of the Russian Academy of SciencesRussian FederationСибирский государственный университет науки и технологий имени академика М. Ф. Решетнёва; Институт леса имени В. Н. Сукачева Сибирского отделения РАНРоссияReshetnev Siberian State University of Science and Technology; Sukachev Institute of Forest of the Siberian Branch of the Russian Academy of SciencesRussian FederationСибирский государственный университет науки и технологий имени академика М. Ф. РешетнёваРоссияReshetnev Siberian State University of Science and TechnologyRussian Federation202513122025746412Copyright © Лапко А.В., Лапко В.А., Им С.Т., Юронен Ю.П., 20252025Лапко А.В., Лапко В.А., Им С.Т., Юронен Ю.П.Lapko A.V., Lapko V.A., Im S.T., Yuronen Y.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.izmt.ru/jour/article/view/2447

Рассмотрена задача автоматизации дешифрирования данных дистанционного зондирования природных объектов. Показано, что существующие методы структурного анализа спектральных данных основаны на экспертном оценивании показателей используемых алгоритмов. Для автоматизации дешифрирования информации дистанционного зондирования разработан модифицированный метод структурного анализа данных, основанный на использовании составляющих компонент коэффициента корреляции пары спектральных признаков. Каждая компонента определяется произведением её составляющих в виде нормированных значений спектральных признаков. На основе знаков составляющих компонент коэффициента корреляции (положительные, отрицательные и знакопеременные) формируется четыре класса. По полученной информации определяется решающее правило для оценивания принадлежности контрольной ситуации в пространстве пары спектральных признаков к одному из обнаруженных классов. На примере обнаружения участков лесного массива, повреждённых сибирским шелкопрядом, проведено сравнение результатов применения предложенного метода и традиционных методов декомпозиции данных дистанционного зондирования с использованием нормализованных вегетационных индексов – NDVI (normalized difference vegetation index), GNDVI (green normalized difference vegetation index). Для характеристики обнаруженных классов модифицированным методом и определения пороговых значений NDVI, GNDVI использованы ядерные оценки плотностей вероятностей. Представлена процедура оптимизации ядерной оценки плотности вероятности, основанная на выборе коэффициентов размытости ядерных функций из условия максимума функции правдоподобия. Применение модифицированного метода структурного анализа данных дистанционного зондирования позволяет обойти проблему определения пороговых значений вегетационных индексов.

The problem of automating the interpretation of remote sensing data from natural objects is considered. It is shown that existing methods for structural analysis of spectral data are based on expert evaluation of the algorithms used. To automate the decoding of remote sensing information, a modifi ed method of structural data analysis has been developed, based on the use of the components of the correlation coeffi cient of a pair of spectral features. Each component is determined by the product of its components in the form of normalized values of spectral features. Based on the signs of the components of the correlation coeffi cient (positive, negative and alternating), four classes are formed. Based on the information obtained, a decision rule is determined for assessing the belonging of a control situation in the space of a pair of spectral features to one of the detected classes. Using the example of detecting forest areas damaged by the Siberian silkmoth, a comparison was made between the results of applying the proposed method and traditional methods of decomposing remote sensing data using normalized vegetation indices NDVI and GNDVI. To characterize the detected classes using the proposed method and to determine the threshold values of NDVI and GNDVI, kernel probability density estimates are used. The procedure for optimizing the kernel probability density estimate is considered, based on the choice of the fuzziness coeffi cients of the kernel functions from the condition of the maximum likelihood function. The use of a modifi ed method of structural analysis of remote sensing data allows us to circumvent the problem of determining threshold values of vegetation indices.

структурный анализ спектральных данныхавтоматическая классификациякоэффициент корреляциинормализованный вегетационный индекс (NDVIGNDVI)ядерная оценка плотности вероятностидекомпозиция статистических данныхданные дистанционного зондированиялесной массивstructural analysis of spectral dataautomatic classifi cationcorrelation coeffi cientnormalized vegetation index (NDVIGNDVI)kernel probability density estimationstatistical data decompositionremote sensing dataforest areaReferencesБорзов С. М., Потатуркин О. И. Повышение эффективности классификации гиперспектральных изображений за счет разномасштабной пространственной обработки. Компьютерная оптика, 44(6), 937–943 (2020). https://doi.org/10.18287/2412-6179-CO-779 ; https://elibrary.ru/xrxptwBorzov S. M., Potaturkin O. I. Increasing the classifi cation effi ciency of hyperspectral images due to multi-scale spatial processing. Computer Optics, 44(6), 937–943 (2020). https://doi.org/10.18287/2412-6179-CO-779 ; https://elibrary.ru/xrxptwШипко В. В., Борзов С. М. Исследование эффективности классификации гиперспектральных данных при ограничениях на разрядность квантования, количество спектральных каналов и пространственное разрешение. Автометрия, 58(3), 79–87 (2022). https://doi.org/10.15372/AUT20220309 ; https://elibrary.ru/amztfvShipko V. V., Borzov S. M. Analysis of the effi ciency of hyperspectral data classifi cation under constraints on the quantization bit depth, the number of spectral channels, and spatial resolution. Optoelectronics, Instrumentation and Data Processing, 58(3), 273–280 (2022). https://doi.org/10.3103/S8756699022030062 ; https://elibrary.ru/amztfvЖурбин И. В., Шаура А. С., Злобина А. Г., Баженова А. И. Выявление участков антропогенно-преобразованной природной среды на основе комплексного анализа разносезонной мультиспектральной съёмки. Автометрия, 60(1), 73–83 (2024). https://doi.org/10.15372/AUT20240108 ; https://elibrary.ru/beyneqZhurbin I. V., Shaura A. S., Zlobina A. G., Bazhenova A. I. Detection of areas of the anthropogenically transformed natural environment based on a comprehensive analysis of multiseasonal multispectral survey. Optoelectronics, Instrumentation and Data Processing, 60(1), 106–115 (2024). https://doi.org/10.3103/s8756699024700080 ; https://elibrary.ru/beyneqЛапко А. В., Лапко В. А., Им С. Т., Тубольцев В. П., Авдеенок В. Л. Непараметрический алгоритм выделения классов, соответствующих одномодальным фрагментам плотности вероятности многомерных случайных величин. Автометрия, 55(3), 22–30 (2019). https://doi.org/10.15372/AUT20190303 ; https://elibrary.ru/rvipgkLapko A. V., Lapko V. A., Im S. T., Tuboltsev V. P., Avdeenok V. A. Nonparametric algorithm of identifi cation of classes corresponding to single-mode fragments of the probability density of multidimensional random variables. Optoelectronics, Instrumentation and Data Processing, 55(3), 230–236 (2019). https://doi.org/10.3103/S8756699019030038 ; https://elibrary.ru/rvipgkТубольцев В. П., Лапко А. В., Лапко В. А. Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема и его применение. Искусственный интеллект и принятие решений, (4), 49–57 (2023). https://doi.org/10.14357/20718594230405 ; https://elibrary.ru/qhnfruTuboltsev V. P., Lapko A. V., Lapko V. A. Modifi ed nonparametric algorithm for automatic classifi cation of large-volume statistical data and its application. Scientifi c and Technical Information Processing, 51(6), 592–597 (2024). https://doi.org/10.3103/S0147688224700552 ; https://elibrary.ru/qhnfruШевырногов А. П., Ботвич И. Ю., Письман Т. И., Волкова А. И., Кононова Н. А., Иванов С. А. Информативность спектральных вегетационных индексов для дешифрирования луговой и степной растительности Хакасии по наземным и спутниковым данным. Исследование Земли из космоса, (1), 16–28 (2024). https://doi.org/10.31857/S0205961424010028 ; https://elibrary.ru/gncmtkShevyrnogov A. P., Botvich I. Yu., Pisman T. I., Volkova A. I., Kononova N. A., Ivanov S. A. Informative value of spectral vegetation indices for the meadow and steppe vegetation monitoring of Khakassia by ground and satellite data. Izvestiya, Atmospheric and Oceanic Physics, 60(9), 992–1002 (2024). https://doi.org/10.31857/S0205961424010028 ; https://elibrary.ru/gncmtkSahu G., Garanayak M., Paikaray B. Green vegetation detection in satellite imagery using the normalised difference vegetation index method. International Journal of Bioinformatics Research and Applications, 19(4), 327–342 (2023). https://doi.org/10.1504/ijbra.2023.135367 ; https://elibrary.ru/ayuqdkSahu G., Garanayak M., Paikaray B. Green vegetation detection in satellite imagery using the normalised difference vegetation index method. International Journal of Bioinformatics Research and Applications, 19(4), 327–342 (2023). https://doi.org/10.1504/ijbra.2023.135367 ; https://elibrary.ru/ayuqdkBasit I., Faizi F., Mahmood Kh., Faizi R., Ramzan S., Parvez Sh., Mushtaq F. Assessment of vegetation dynamics under changed climate situation using geostatistical modeling. Theoretical and Applied Climatology, 155(4), 3371–3386 (2024). https://doi.org/10.1007/s00704-024-04840-x ; https://elibrary.ru/plvaivBasit I., Faizi F., Mahmood Kh., Faizi R., Ramzan S., Parvez Sh., Mushtaq F. Assessment of vegetation dynamics under changed climate situation using geostatistical modeling. Theoretical and Applied Climatology, 155(4), 3371–3386 (2024). https://doi.org/10.1007/s00704-024-04840-x ; https://elibrary.ru/plvaivСегура Мартинес В. Д. Сравнение индексов вегетации NDVI, GNDVI, NDMI и NDWI на примере африканской пальмы в Пуэрто-Вильчес (Сантандер, Колумбия). Агрофизика, (4), 25–31 (2023). https://doi.org/10.25695/AGRPH.2023.04.04 ; https://elibrary.ru/morywpSegura Martinez W. D. Comparison of vegetation indices NDVI, GNDVI, NDMI and NDWI on the example of an african palm in Puerto Vilches (Santander, Colombia). Agrophysica, (4), 25–31 (2023). https://doi.org/10.25695/AGRPH.2023.04.04 ; https://elibrary.ru/morywpPiedad Rubio A. M., Hernández López D. R., Lárraga Altamirano H. R., Zacarías González E. Teledetección en la agricultura de precisión: estado del arte de los índices de vegetación. Tectzapic, (6), 47–59 (2020). (In Esp.)Piedad Rubio A. M., Hernández López D. R., Lárraga Altamirano H. R., Zacarías González E. Teledetección en la agricultura de precisión: estado del arte de los índices de vegetación. Tectzapic, (6), 47–59 (2020). (In Esp.)Лапко А. В., Лапко В. А. Методика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляции. Измерительная техника, 73(6), 12–17 (2024). https://doi.org/10.32446/0368-1025it.2024-6-12-17 ; https://elibrary.ru/pphujkLapko A. V., Lapko V. A. Procedure for decomposing the values of two-dimensional spectral features of remote sensing based on the analysis of correlation coeffi cient components. Measurement Techniques, 67(6), 427–432 (2024). https://doi.org/10.1007/s11018-024-02362-6 ; https://elibrary.ru/pphujkЛапко А. В., Лапко В. А., Им С. Т. Декомпозиция спектральных признаков дистанционного зондирования на основе составляющих коэффициента корреляции. Автометрия, 61(3), 28–36 (2025). https://doi.org/10.15372/AUT20250303 ; https://elibrary.ru/fzvcxoLapko A. V., Lapko V. A., Im S. T. Decomposition of Spectral Features of Remote Sensing Based on the Correlation Coeffi cient Components. Optoelectronics, Instrumentation and Data Processing, 61(3), 310–317 (2025). https://doi.org/10.3103/S8756699025700360 ; https://elibrary.ru/fzvcxoParzen E. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065–1076 (1962). https://doi.org/10.1214/aoms/1177704472Parzen E. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065–1076 (1962). https://doi.org/10.1214/aoms/1177704472Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятности и её применения, 14(1), 156–161 (1969).Epanechnikov V. A. Non-parametric estimation of a multivariate probability density. Theory of Probability & Its Applications, 14(1), 156–161 (1969). https://doi.org/10.1137/1114019Duin R. P. W. On the choice of smoothing parameters for Parzen estimators of probability density functions. IEEE Transactions on Computers, C-25(11), 1175–1179 (1976). https://doi.org/10.1109/TC.1976.1674577Duin R. P. W. On the choice of smoothing parameters for Parzen estimators of probability density functions. IEEE Transactions on Computers, C-25(11), 1175–1179 (1976). https://doi.org/10.1109/TC.1976.1674577Botev Z. I., Kroese D. P. Non-asymptotic Bandwidth Selection for Density Estimation of Discrete Data. Methodology and Computing in Applied Probability, 10(3), 435–451 (2008). https://elibrary.ru/pljmagBotev Z. I., Kroese D. P. Non-asymptotic Bandwidth Selection for Density Estimation of Discrete Data. Methodology and Computing in Applied Probability, 10(3), 435–451 (2008). https://elibrary.ru/pljmagKharuk V. I., Im S. T., Soldatov V. V. Siberian silkmoth outbreaks surpassed geoclimatic barrier in Siberian Mountains. Journal of Mountain Science, 17, 1891–1900 (2020). https://doi.org/10.1007/s11629-020-5989-3 ; https://elibrary.ru/xetekqKharuk V. I., Im S. T., Soldatov V. V. Siberian silkmoth outbreaks surpassed geoclimatic barrier in Siberian Mountains. Journal of Mountain Science, 17, 1891–1900 (2020). https://doi.org/10.1007/s11629-020-5989-3 ; https://elibrary.ru/xetekqKharuk V. I., Im S. T., Ranson K. J., Yagunov M. N. Climate-induced northerly expansion of Siberian silkmoth range. Forests, 8(8), 301 (2017). https://doi.org/10.3390/f8080301 ; https://elibrary.ru/xnooweKharuk V. I., Im S. T., Ranson K. J., Yagunov M. N. Climate-induced northerly expansion of Siberian silkmoth range. Forests, 8(8), 301 (2017). https://doi.org/10.3390/f8080301Riano D., Chuvieco E., Salas J., Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types. IEEE Transactions on Geoscience and Remote Sensing, 41, 1056–1061 (2003). https://doi.org/10.1109/TGRS.2003.811693Riano D., Chuvieco E., Salas J., Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types. IEEE Transactions on Geoscience and Remote Sensing, 41, 1056–1061 (2003). https://doi.org/10.1109/TGRS.2003.811693Huang S., Tang L., Hupy J. P. et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forest Research, 32, 1–6 (2021). https://doi.org/10.1007/s11676-020-01155-1 ; https://elibrary.ru/lmntkdHuang S., Tang L., Hupy J. P. et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forest Research, 32, 1–6 (2021). https://doi.org/10.1007/s11676-020-01155-1 ; https://elibrary.ru/lmntkdChávez R. O., Clevers J. G. P. W., Decuyper M., de Bruin S., Herold M. 50 years of water extraction in the Pampa del Tamarugal basin: Can Prosopis tamarugo trees survive in the hyper-arid Atacama Desert (Northern Chile). Journal of Arid Environments, 124, 292–303 (2016). https://doi.org/10.1016/j.jaridenv.2015.09.007 ; https://elibrary.ru/veltztChávez R. O., Clevers J. G. P. W., Decuyper M., de Bruin S., Herold M. 50 years of water extraction in the Pampa del Tamarugal basin: Can Prosopis tamarugo trees survive in the hyper-arid Atacama Desert (Northern Chile). Journal of Arid Environments, 124, 292–303 (2016). https://doi.org/10.1016/j.jaridenv.2015.09.007 ; https://elibrary.ru/veltztGitelson A., Kaufman Y., Merzlyak M. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58, 289–298 (1996). https://doi.org/10.1016/S0034-4094257(96)00072-7 ; https://elibrary.ru/ldkhlhGitelson A., Kaufman Y., Merzlyak M. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58, 289–298 (1996). https://doi.org/10.1016/S0034-4094257(96)00072-7 ; https://elibrary.ru/ldkhlhHunt E. R. Jr., Hively W. D., Fujikawa S. J., Linden D. S., Daughtry C. S. T., McCarty G. W. Acquisition of NIR-GreenBlue Digital Photographs from Unmanned Aircraft for Crop Monitoring. Remote Sensing, 2(1), 290–305 (2010). https://doi.org/10.3390/rs2010290 ; https://elibrary.ru/pnqned.Hunt E. R. Jr., Hively W. D., Fujikawa S. J., Linden D. S., Daughtry C. S. T., McCarty G. W. Acquisition of NIR-GreenBlue Digital Photographs from Unmanned Aircraft for Crop Monitoring. Remote Sensing, 2(1), 290–305 (2010). https://doi.org/10.3390/rs2010290 ; https://elibrary.ru/pnqned.

The authors declare that there are no conflicts of interest present.