Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений

Розглянуто проблему класифікації агрофітоценозів за даними супутникового спостереження. Запропоновано процедуру попередньої обробки супутникових зображень для підвищення точності та швидкості експрес-аналізу стану сільськогосподарських угідь. Основна ідея алгоритму полягає в побудові моделей класифі...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2016
Автори:	Подгородецкая, Л.В., Пруцко, Ю.В., Семенив, О.В.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут кібернетики ім. В.М. Глушкова НАН України 2016
Назва видання:	Проблемы управления и информатики
Теми:	Космический мониторинг
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/208180
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений / Л.В. Подгородецкая, Ю.В. Пруцко, О.В. Семенив // Проблемы управления и информатики. — 2016. — № 3. — С. 152-159. — Бібліогр.: 16 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-208180
record_format	dspace
spelling	irk-123456789-2081802025-10-21T00:05:28Z Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений Оцінювання стану посівних площ на основі класифікації агрофітоцинозів за даними супутникових спостережень Farmland state estimation based on agrophytocenoses classification and remote sensing satellite data Подгородецкая, Л.В. Пруцко, Ю.В. Семенив, О.В. Космический мониторинг Розглянуто проблему класифікації агрофітоценозів за даними супутникового спостереження. Запропоновано процедуру попередньої обробки супутникових зображень для підвищення точності та швидкості експрес-аналізу стану сільськогосподарських угідь. Основна ідея алгоритму полягає в побудові моделей класифікації знімків агрофітоценозів на основі використання методу статистичного навчання. Наведено результати тестування алгоритму, проведено комп'ютерне моделювання оптимальних параметрів моделі для забезпечення високої точності та узагальнюючого статистичного показника. Попередні результати класифікації супутникових знімків сільськогосподарських угідь продемонстрували, що застосування вищезгаданого методу дозволяє значно спростити процес експрес-аналізу стану агрофітоценозів, оперативно та достовірно визначати площі посівних, підвищити швидкість обробки знімків, при цьому зберігається висока точність класифікації (понад 70 %) і коефіцієнт регулярності при різних вхідних даних. Розглянуто проблему класифікації агрофітоценозів за даними супутникового спостереження. Запропоновано процедуру попередньої обробки супутникових зображень для підвищення точності та швидкості експрес-аналізу стану сільськогосподарських угідь. Основна ідея алгоритму полягає в побудові моделей класифікації знімків агрофітоценозів на основі використання методу статистичного навчання. Наведено результати тестування алгоритму, проведено комп'ютерне моделювання оптимальних параметрів моделі для забезпечення високої точності та узагальнюючого статистичного показника. Попередні результати класифікації супутникових знімків сільськогосподарських угідь продемонстрували, що застосування вищезгаданого методу дозволяє значно спростити процес експрес-аналізу стану агрофітоценозів, оперативно та достовірно визначати площі посівних, підвищити швидкість обробки знімків, при цьому зберігається висока точність класифікації (понад 70 %) і коефіцієнт регулярності при різних вхідних даних. 2016 Article Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений / Л.В. Подгородецкая, Ю.В. Пруцко, О.В. Семенив // Проблемы управления и информатики. — 2016. — № 3. — С. 152-159. — Бібліогр.: 16 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/208180 504.064:58.05:51-76:581.133.1:535.361.2 10.1615/JAutomatInfScien.v48.i5.50 ru Проблемы управления и информатики application/pdf Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Космический мониторинг Космический мониторинг
spellingShingle	Космический мониторинг Космический мониторинг Подгородецкая, Л.В. Пруцко, Ю.В. Семенив, О.В. Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений Проблемы управления и информатики
description	Розглянуто проблему класифікації агрофітоценозів за даними супутникового спостереження. Запропоновано процедуру попередньої обробки супутникових зображень для підвищення точності та швидкості експрес-аналізу стану сільськогосподарських угідь. Основна ідея алгоритму полягає в побудові моделей класифікації знімків агрофітоценозів на основі використання методу статистичного навчання. Наведено результати тестування алгоритму, проведено комп'ютерне моделювання оптимальних параметрів моделі для забезпечення високої точності та узагальнюючого статистичного показника. Попередні результати класифікації супутникових знімків сільськогосподарських угідь продемонстрували, що застосування вищезгаданого методу дозволяє значно спростити процес експрес-аналізу стану агрофітоценозів, оперативно та достовірно визначати площі посівних, підвищити швидкість обробки знімків, при цьому зберігається висока точність класифікації (понад 70 %) і коефіцієнт регулярності при різних вхідних даних.
format	Article
author	Подгородецкая, Л.В. Пруцко, Ю.В. Семенив, О.В.
author_facet	Подгородецкая, Л.В. Пруцко, Ю.В. Семенив, О.В.
author_sort	Подгородецкая, Л.В.
title	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
title_short	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
title_full	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
title_fullStr	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
title_full_unstemmed	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
title_sort	оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2016
topic_facet	Космический мониторинг
url	https://nasplib.isofts.kiev.ua/handle/123456789/208180
citation_txt	Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений / Л.В. Подгородецкая, Ю.В. Пруцко, О.В. Семенив // Проблемы управления и информатики. — 2016. — № 3. — С. 152-159. — Бібліогр.: 16 назв. — рос.
series	Проблемы управления и информатики
work_keys_str_mv	AT podgorodeckaâlv ocenivaniesostoâniâposevnyhploŝadejnaosnoveklassifikaciiagrofitocenozovpodannymsputnikovyhnablûdenij AT pruckoûv ocenivaniesostoâniâposevnyhploŝadejnaosnoveklassifikaciiagrofitocenozovpodannymsputnikovyhnablûdenij AT semenivov ocenivaniesostoâniâposevnyhploŝadejnaosnoveklassifikaciiagrofitocenozovpodannymsputnikovyhnablûdenij AT podgorodeckaâlv ocínûvannâstanuposívnihploŝnaosnovíklasifíkacííagrofítocinozívzadanimisuputnikovihspostereženʹ AT pruckoûv ocínûvannâstanuposívnihploŝnaosnovíklasifíkacííagrofítocinozívzadanimisuputnikovihspostereženʹ AT semenivov ocínûvannâstanuposívnihploŝnaosnovíklasifíkacííagrofítocinozívzadanimisuputnikovihspostereženʹ AT podgorodeckaâlv farmlandstateestimationbasedonagrophytocenosesclassificationandremotesensingsatellitedata AT pruckoûv farmlandstateestimationbasedonagrophytocenosesclassificationandremotesensingsatellitedata AT semenivov farmlandstateestimationbasedonagrophytocenosesclassificationandremotesensingsatellitedata
first_indexed	2025-10-21T01:20:36Z
last_indexed	2025-10-22T01:09:36Z
_version_	1846642345528786944
fulltext	© Л.В. ПОДГОРОДЕЦКАЯ, Ю.В. ПРУЦКО, О.В. СЕМЕНИВ, 2016 152 ISSN 0572-2691 КОСМИЧЕСКИЙ МОНИТОРИНГ УДК 504.064:58.05:51-76:581.133.1:535.361.2 Л.В. Подгородецкая, Ю.В. Пруцко, О.В. Семенив ОЦЕНИВАНИЕ СОСТОЯНИЯ ПОСЕВНЫХ ПЛОЩАДЕЙ НА ОСНОВЕ КЛАССИФИКАЦИИ АГРОФИТОЦЕНОЗОВ ПО ДАННЫМ СПУТНИКОВЫХ НАБЛЮДЕНИЙ Введение Наблюдение за состоянием растительности — важное направление сельскохо- зяйственного производства [1]. Использование методов и средств дистанционного зондирования все более значимо для мониторинга сельскохозяйственных угодий и планирования аграрной деятельности [2]. Продуктивность растений и прогнозирова- ние урожайности существенно влияют на национальную и международную экономи- ку, а также на решение проблем продовольственной безопасности [1–5]. В настоящее время данные дистанционного зондирования Земли (ДЗЗ) — важный источник получения оперативной и объективной информации о состоянии сельскохо- зяйственного производства на больших и отдаленных от центров управления террито- риях, что особенно актуально для нашей страны. Такая информация необходима орга- нам управления на всех уровнях: от региональных до общегосударственных, для кон- троля, планирования и оценивания эффективности отрасли [6]. Сельскохозяйственный мониторинг возник на базе использования материалов наземных наблюдений и оце- нок, а также использования моделей прогнозирования урожая по метеорологическим данным. В условиях реального времени, когда сеть наземных пунктов агрономическо- го наблюдения практически свернута, а мониторинг средствами авиации из-за высокой стоимости почти не проводится, использование спутниковых данных ДЗЗ — довольно перспективное направление. С помощью данных ДЗЗ осуществляется комплексный подход к решению задач сельского хозяйства, в частности: общий мониторинг сель- скохозяйственных территорий, в том числе целых регионов; наблюдение снегового покрова и оценка влагонакопления; оценка температуры и влажности почв; определе- ние площади полей под разными культурами; контроль состояния развития разных сельскохозяйственных культур; выявление участков деградации почв; прогнозирова- ние урожайности; мониторинг темпов сбора урожая и т.п. С учетом значительного прогресса в усовершенствовании технологий получения высококачественных спект- ральных изображений возникает задача создания адаптивных методов оценки инфор- мативных параметров состояния сельскохозяйственных угодий для обеспечения эф- фективного землепользования. Модель классификации агрофитоценозов на основе метода опорных векторов Процесс разделения векторов ,jx ,...,,1 Jj  на несколько классов можно представить в виде поэтапной классификации на два класса }1,1{jz на основе С-модификации метода опорных векторов [7, 8]: Международный научно-технический журнал «Проблемы управления и информатики», 2016, № 3 153 ,...,,1,0 ,1))(( , 2 1 min T 0 T ,, Jj bz C j jjj j J jb      xw ww ξw (1) где )( jx ― функция, проецирующая набор векторов jx в пространство высше- го порядка, C — управляющий параметр. Задачу (1) обычно сводят к решению дуальной задачи ,0 ,,,1,0 , 2 1 min T TT    αz αeQαα JjCj  (2) где e — единичный вектор, C — параметр, характеризующий верхнюю допусти- мую границу значений, Q — JJ  -положительная матрица, ),,( ijijji KzzQ xx ,ij  ),(exp),( 2 ijijK xxxx  0 — радиально-базисная керн-функция. Решение задачи (2) осуществляется путем поиска оптимальных значений вектора :w )( 1 jjj J j z xw    (3) и функции решения .)(sgn))((sgn 1 T            bKzb jjj J j xx,xw (4) В результате обучения в качестве модельных параметров сохраняются значе- ния ,w jjz  ,j ,b порядковые индексы опорных векторов и тип керн-функции. Таким образом, реализуется разделение входного множества на два класса, для разделения на несколько классов проводится определенная модификация, ко- торая состоит в использовании (4) при сравнении одного класса с другим и суммировании получаемых результатов. Такая процедура классификации из- вестна как классификация «один-на-один» [9, 10]. Если нужно провести клас- сификацию на k классов с известными значениями ,kz осуществляется по- строение 2/)1( kk моделей, каждая из которых обучается для разделения на два класса. Таким образом, для обучающих данных, принадлежащих i- и j-му клас- сам, решается такая оптимизационная задача: .0)( ,если,)(1)()( ,если,)(1)()( ,)()( 2 1 min T T T ,,      tji jttjijitji ittjijitji tji t jiji b zb zb C jiji xxw xxw ww ξw (5) 154 ISSN 0572-2691 Далее используется стратегия голосования, где исследуемый вектор данных после прохождения всех моделей относится к классу, имеющему максимальное количество положительных значений. Если же в результате получено подмноже- ство классов с одинаковым количеством положительных значений, то предпочте- ние отдается первому порядковому номеру из этого подмножества. Более детально преимущества и недостатки такого подхода классификации на несколько классов рассмотрены в работе [11]. Данные ДЗЗ и наземные наблюдения для идентификации модели оценивания агрофитоценозов Объект исследований. В качестве объекта для апробации модели классифи- кации снимков агрофитоценозов выбраны сельскохозяйственные угодья хозяй- ства «Степной» Каменско-Днепровского района Запорожской области. В ходе ра- боты использована архивная спутниковая съемка исследуемой территории аппа- ратурой спутников Landsat ТМ и ETM+, наземные эталонные данные севооборотов хозяйства за 2001 и 2003 гг. и нормативная база фаз развития сель- хозкультур для тяжелосуглинистых и среднесуглинистых почв, характерных для степной зоны юга Украины. Предварительная обработка наземных данных. Для обработки данных наземных наблюдений, проведенных на территории указанного хозяйства на про- тяжении 2001 и 2003 гг. [12], использовался формат Shape — широко распростра- ненный векторный формат географических файлов. Наземные данные о севообо- ротах хозяйства, полученные в виде картосхем за каждый год наблюдения, пере- ведены с бумажных носителей в электронный вид путем векторизации территории хозяйства на снимках, полученных аппаратурой спутника Landsat ETM+ в панхроматическом диапазоне. Процесс векторизации состоял в оконтуривании средствами ARCGIS (модуль ArcMap) на изображении в ручном или автоматическом режиме границ полей, овражно-балочной сети и населенных пунктов с точностью до пиксела (15×15 м) и формировании в соответствующих файлах формата Shapе данных относительно координат узлов полигональных объектов — полей под культурами (рис. 1), под паром и проектных полей — сельскохозяйственных угодий, находящихся в про- цессе планирования землепользования и организации территории для более про- дуктивного использования земель. Подсолнух Горох Соя Кукуруза на силос Кукуруза на зерно Овес Яровой ячмень Озимая пшеница Травы однолетние Травы многолетние Люцерна Продовольственные зерновые культуры Кормовые фуражные культуры Продовольственные зернобобовые культуры Технические культуры Рис. 1 Международный научно-технический журнал «Проблемы управления и информатики», 2016, № 3 155 В результате этого этапа обработки получены полигональные шейп-файлы с атрибутивными данными относительно севооборотов хозяйства за соответствую- щие годы наблюдений (рис. 2). Предварительная обработка данных дистанционных наблюдений. Для тестирования модели классификации агрофитоценозов в ходе работы использова- лись космические Landsat ТМ и ЕТМ+, свободно распространяемые геологиче- ской службой США, обеспечивающие достаточную периодичность и непрерыв- ность мониторинга. При выборе космических снимков учитывались средние сроки фаз разви- тия культур согласно нормативной базе фаз развития сельхозкультур для тя- желосуглинистых и среднесуглинистых почв, характерных для степной зоны юга Украины [13]. Оптимальным для дистанционных исследований является пе- риод максимальной вегетации основных сельхозкультур данного региона — налив зерна и молочно-восковая зрелость озимой пшеницы и ярового ячменя; начало цветения — налив бобов сои и гороха; 15-й лист — формирование зерна кукурузы; отрастание после покоса и накопление биомассы люцерны и т.д. Таким образом, наиболее информативными для исследования агрофитоценозов данного региона являются снимки территории в период с 23.05 по 30.06. Предварительная обработка снимков включала универсальные процедуры объединения данных каналов видимого, ближнего и среднего инфракрасного диа- пазонов (1–5 и 7 каналов аппаратуры Landsat TM и ETM+) для дальнейшего упрощения работы с ними и выделения на снимке области интереса — террито- рии хозяйства (рис. 3). Данные каналов 6 (ТМ) и 61, 62 (ETM+) в работе не ис- пользовались. Геометрическая коррекция снимков не проводилась, поскольку по- лученные снимки уровня обработки 1Т предварительно переведены в проекцию UTM на эллипсоиде WGS 1984 по данным орбитальной привязки и ортотранс- формированы с использованием DEM и GCP. Рис. 3 Компоновка данных. Совместимость форматов является одним из наиболее важных условий работы с геоинформационными системами, напри- мер, при импорте «сырых» необработанных данных или данных, конвертиру- емых из других программных продуктов. Для упрощения дальнейшего анализа и программной реализации модели классификации, предварительно обрабо- танные в ходе описанных выше этапов, данные ДЗЗ и наземных наблюдений были переведены в удобный вид текстовой таблицы формата ASCII (American Standard Code for Information Interchange). Подготовленное для классификации спутниковое изображение хозяйства из многослойного графического формата (.img) (см. рис. 3) конвертируется в тексто- вую таблицу (.asc). При импорте векторных данных, как отмечалось ранее, прихо- дится иметь дело с большим количеством разных форматов. В сравнении с раст- ровыми форматами структура векторных данных более сложная, что делает процесс импорта векторных данных более запутанным. Выход из этой ситуации — возможность промежуточного конвертирования данных наземных наблюдений из горох люцерна кукуруза на зерно кукуруза на силос овес озимая пшеница пар подсолнух проектные соя травы многолетние травы однолетние яровой ячмень Рис. 2 156 ISSN 0572-2691 векторного формата (.shp) в растровый (.tif) с тем же геометрическим разрешени- ем, что и спутниковое изображение хозяйства аппаратурой Landsat ТМ или ETM+ (30 м), и последующее окончательное конвертирование данных (.tif) в текстовую таблицу (.asc) по аналогии, как это делалось для формата (.img). При этом каждо- му пикселу спутникового изображения хозяйства присваивается соответствую- щий номер класса сельскохозяйственных угодий по данным файла севооборотов хозяйства согласно опорным наземным данным. Тестирование точности и адаптация моделей классификации агрофитоценозов на основе метода опорных векторов В ходе исследований реконструирована модель классификации типов куль- тур сельскохозяйственных угодий с использованием метода опорных векторов. Проведен анализ статистических параметров точности классификации по назем- ным опорным данным и разработана процедура валидации модели для увеличе- ния показателя обобщения и регулярности. Проведено компьютерное моделиро- вание зависимости точности классификации модели от значений управляющих параметров. Предварительные результаты кросс-валидации модели показывают достаточно высокий уровень точности классификации — около 76 %. Для обучения модели классификации выбрана часть данных (от 40 до 60 % пикселов) снимков за 2001 и 2003 гг., а остальные данные использовались для те- стирования обобщающей способности и точности. Перед обучением модели клас- сификации проводилась процедура предварительного нормирования данных от- носительно значений интенсивности на каждом из каналов спектрального датчика для каждого пиксела. Данная процедура проводилась согласно описанию, пред- ставленному в работе [14]. Для построения адекватной модели с высокой обобщающей способностью и точностью классификации проведена процедура кросс-валидации [15, 16] для расчетов оптимальных значений константных параметров задачи (2) C и  . Про- цедура состояла в следующем: обучающая выборка разбивалась на ряд подвыбо- рок, на одной из которых проводился расчет множителей Лагранжа при фиксиро- ванных параметрах C и  , а на других — тестирование точности классификации. После тестирования рассчитывалась интегральная оценка точности классифика- ции для этих подвыборок. Затем осуществлялась рекомбинация объема обучаю- щей выборки. При этом соблюдалось условие, что размер обучающей подвыборки не превышал 2/5 общего размера обучающей выборки. Так, эмпирическим путем, простым перебором значений параметров C и  получена зависимость точности классификации от величины значений упомянутых параметров. Из-за того, что выборка независимая, средняя ошибка кросс-валидации дала несмещенную оцен- ку вероятности погрешности. Данная характеристика точности выгодно отличает ее от средней погрешности на обучающей выборке, которая может оказаться смещенной оценкой вероятности погрешности, связанной с явлением переобуче- ния. Для повышения точности классификации проведено компьютерное модели- рование параметров C и  . На рис. 4 показана зависимость точности классифи- кации от значений параметров, оптимум достигается при 32C и .256 Точ- ность классификации определялась на основе следующей формулы: %,100 *  N N (6) где N — количество пикселов на изображении, N — количество точно класси- фицированных пикселов на изображении Международный научно-технический журнал «Проблемы управления и информатики», 2016, № 3 157          ,,0 ,,1 , * 1 * zz zz N nn N n (7) где z — значение маркера-индекса соответствующего класса, которому принад- лежит пиксел, *z — модельная оценка. 30 40 50 60 70 80 Т о ч н о ст ь , % 510 410 310 210 110 010 110 210 510 010 C  Рис. 4 В ходе обучения получаем модель, которая в дальнейшем используется для классификации входных данных, вида структуры переменных: 1) Parameters: параметры; 2) nr_class: количество классов; 3) total_sv: общее количество опорных векторов; 4) rho: значение переменных b для ,bwx w =Svs×sv_coef; b =rho; 5) Label: значение маркеров-индексов каждого класса (целочисленное значение); 6) nsv: количество опорных векторов для каждого класса; 7) sv_coef: коэффициенты для расчетов функции решения; 8) Svs: значение опорных векторов. На выходе алгоритм классификации на основе представленной модели выда- ет два значения: вектор оценок, к которому из классов принадлежит пиксел, и точность классификации согласно введенным в алгоритм эталонным значениям. В ходе обучения выделено 30993 опорных вектора на каждом канале. На рис. 5 и 7 представлена экспертная классификация полей на основе наземных опорных данных. На рис. 6, 8 показаны результаты классификации спутниковых снимков 2001 и 2003 гг. с применением метода опорных векторов. Точность классификации по выборкам представлена в таблице. 350 250 150 50 100 300 500 700 0 4 8 12 Рис. 6 350 250 150 50 100 300 500 700 0 4 8 12 Рис. 8 350 250 150 50 100 300 500 700 0 4 8 12 Рис. 5 350 250 150 50 100 300 500 700 0 4 8 12 Рис. 7 158 ISSN 0572-2691 Таблица Название выборки Точность классификации, % Количество точно классифицированных пикселов на изображении Общее количество пикселов в выборке Обучающая 74,8630 139386 186188 Тестовая 2001 г. (без проектных полей) 84,1575 96936 115184 Тестовая 2001 г. (все изображение) 71,7129 96740 134899 Тестовая 2003 г. (без проектных полей) 70,3754 90500 128596 Тестовая 2003 г. (все изображение) 67,1345 90500 134804 Заключение В настоящей работе получил дальнейшее развитие метод опорных векторов и разработан ряд модификаций процедуры обработки спутниковых изображений для задачи оценивания биофизических параметров агрофитоценозов по данным космических наблюдений. Апробация модели классификации сельскохозяйствен- ных культур осуществлялась на основе результатов спутниковой съемки пилот- ной территории хозяйства «Степной» Каменско-Днепровского района Запорож- ской области. Для цифровой обработки использованы наземные опорные данные о севообороте хозяйства, нормативная база фаз развития сельхозкультур для тя- желосуглинистых и среднесуглинистых почв, характерных для степной зоны юга Украины, и данные ДЗЗ исследуемой территории аппаратурой спутников Landsat ТМ и ETM+ за 2001 и 2003 гг. Построена математическая модель на основе опорных векторов и осуществ- лена на ее основе классификация культур сельскохозяйственных угодий. Прове- ден анализ статистических параметров точности классификации по наземным опорным данным и разработана процедура валидации модели. Предварительные результаты кросс-валидации модели характеризуются высоким уровнем точности классификации (более 76 %). Л.В. Підгородецька, Ю.В. Пруцко, О.В. Семенів ОЦІНЮВАННЯ СТАНУ ПОСІВНИХ ПЛОЩ НА ОСНОВІ КЛАСИФІКАЦІЇ АГРОФІТОЦИНОЗІВ ЗА ДАНИМИ СУПУТНИКОВИХ СПОСТЕРЕЖЕНЬ Розглянуто проблему класифікації агрофітоценозів за даними супутникового спостереження. Запропоновано процедуру попередньої обробки супутникових зображень для підвищення точності та швидкості експрес-аналізу стану сільсько- господарських угідь. Основна ідея алгоритму полягає в побудові моделей кла- сифікації знімків агрофітоценозів на основі використання методу статистично- го навчання. Наведено результати тестування алгоритму, проведено комп'ютер- не моделювання оптимальних параметрів моделі для забезпечення високої точності та узагальнюючого статистичного показника. Попередні результати класифікації супутникових знімків сільськогосподарських угідь продемонстру- вали, що застосування вищезгаданого методу дозволяє значно спростити про- цес експрес-аналізу стану агрофітоценозів, оперативно та достовірно визначати площі посівних, підвищити швидкість обробки знімків, при цьому зберігається висока точність класифікації (понад 70 %) і коефіцієнт регулярності при різних вхідних даних. Международный научно-технический журнал «Проблемы управления и информатики», 2016, № 3 159 L.V. Podgorodetskaya, Yu.V. Prutsko, O.V. Semeniv FARMLAND STATE ESTIMATION BASED ON AGROPHYTOCENOSES CLASSIFICATION AND REMOTE SENSING SATELLITE DATA The problem of agrophytocenoses classification using satellite observations is dis- cussed. The preprocessing satellite images algorithm to improve the accuracy and speed of farmland rapid analysis is presented. The main idea of the algorithm is to construct agrophytocenoses classification models based on statistical learning meth- od. The paper presented the results of algorithm testing, a computer simulation of model optimal parameters to ensure high accuracy and the summary statistics. Pre- liminary results of the satellite images farmland classification demonstrated that the use of the above mentioned method can significantly simplify the analysis of ag- rophytocenoses, quickly and reliably identify sown areas, increase the speed of image processing with high classification accuracy (over 70 %) and high regularity coeffi- cient for different input data. 1. Anup K. Prasad, Lim Chai, P. Ramesh. Singh, Menas Kafatos. Crop yield estimation model for Iowa using remote sensing and surface parameters // International journal of Applied Earth Ob- servation and Geoinformation. — 2006. — N 8.— P. 26–33. 2. Лялько В.І., Попов М.О. Багатоспектральні методи дистанційного зондування Землі в зада- чах природокористування. — Київ : Наук. думка, 2006. — 360 с. 3. Hayes M.J., Decker W.L. Using NOAA AVHRR data to estimate maize production in the United States Corn Belt // Int. J. Remote Sens. — 1996. — 17. — P. 3189–3200. 4. Unganai L.S., Kogan F.N. Drought monitoring and Corn yield estimation in Southern Africa from AVHRR data // Remote Sens. — 1998. — 63. — P. 219–232. 5. Kogan F.N. Operational space technology for global vegetation assessment // Bull. Am. Meteorol. Soc. — 2001. — 82, N 9. — P. 1949–1964. 6. Voronin A.N., Kolos L.N., Podgorodetskaya L.V. The effectiveness of scientific space projects multiciteria estimation method // Journal of Automation and Information Sciences. — 2004. — 36, N 9. — P. 35–44. 7. Boser B. E., Guyon I., Vapnik V. A training algorithm for optimal margin classifiers // Procee- dings of the Fifth Annual Workshop on Computational Learning Theory. — ACM Press, 1992. — P. 144–152. 8. Vapnik V.N. Statistical learning theory. — New York : John Wiley and Sons Inc., 1998. — 736 p. 9. Knerr S., Personnaz L., Dreyfus G. Single-layer learning revisited: a stepwise procedure for building and training a neural network // Neurocomputing: Algorithms, Architectures and Appli- cations. — Paris : Springer-Verlag, 1990. — P. 41–42. 10. Kressel U.H.-G. Pairwise classification and support vector machines // Advances in Kernel Meth- ods Support Vector Learning. — Cambridge, MA: MIT Press., 1998. — P. 255–268. 11. Hsu C.-W., Lin C.-J. A comparison of methods for multi-class support vector machines // IEEE Transactions on Neural Networks. — 2002. — N 13(2). — P. 415–425. 12. Власова О.В. Інформаційне забезпечення планування зрошення за просторово розподіле- ними даними: Дис. ... канд. с.-г. наук. — Київ, 2007. — 135 c. 13. Методичні рекомендації з оперативного планування режимів зрошення. — Київ, 2004. — 49 с. 14. Semeniv O.V., Pidgorodetska L.V. Biophysical parameters of water ecosystem estimation using satellite images and optimization techniques // Journal of Automation and Information Sciences. — 2014. — 46, N 9. — P. 68–77. 15. Chen P.-H., Lin C.-J., Schölkopf B. A tutorial on ν-support vector machines // Applied Stochastic Models in Business and Industry. — 2005. — N 21. — P. 111–136. 16. Chang C.C., Hsu C.W. Lin C.J. The analysis of decomposition for support vector machines // IEEE Trans. Neural Networks. — 2000. — N 11(4). — P. 1003–1008. Получено 27.08.2015

Оценивание состояния посевных площадей на основе классификации агрофитоценозов по данным спутниковых наблюдений

Репозитарії

Схожі ресурси