Модифицированный метод структурного анализа данных дистанционного зондирования

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.

1. Борзов 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/xrxptw

2. Шипко 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/amztfv

3. Журбин 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/beyneq

4. Лапко 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/rvipgk

5. Тубольцев 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/qhnfru

6. Шевырногов 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/gncmtk

7. Sahu 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/ayuqdk

8. Basit 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/plvaiv

9. Сегура 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/morywp

10. 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.)

11. 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/pphujk

12. Лапко 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/fzvcxo

13. Parzen 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/1177704472

14. Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятности и её применения, 14(1), 156–161 (1969).

15. Duin 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.1976.1674577

16. Botev 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/pljmag

17. Kharuk 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/xetekq

18. Kharuk 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/xnoowe

19. Riano 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.2003.811693

20. Huang 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/lmntkd

21. Chávez 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/veltzt

22. Gitelson 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/ldkhlh

23. 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.