Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності
A new information-statistical method for estimation of biochemical component concentration in vegetation, which presents important information, is proposed. It is based on determination of informative parameters that characterize the form of the vegetation reflection spectrum in its red edge region....
Збережено в:
| Дата: | 2019 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2019
|
| Онлайн доступ: | https://journal.iasa.kpi.ua/article/view/165506 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Репозитарії
System research and information technologies| _version_ | 1867334357101838336 |
|---|---|
| author | Khandryga, P. A. Yatsenko, V. A. |
| author_facet | Khandryga, P. A. Yatsenko, V. A. |
| author_institution_txt_mv | [
{
"author": "P. A. Khandryga",
"institution": null
},
{
"author": "V. A. Yatsenko",
"institution": null
}
] |
| author_sort | Khandryga, P. A. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2019-04-25T14:46:04Z |
| description | A new information-statistical method for estimation of biochemical component concentration in vegetation, which presents important information, is proposed. It is based on determination of informative parameters that characterize the form of the vegetation reflection spectrum in its red edge region. Several of the programme realizations for gaining informative characteristics on the basis of modern system analysis, applied statistics, optimization, data processing and object-oriented programming have been proposed and tested. |
| first_indexed | 2025-07-17T10:24:52Z |
| format | Article |
| fulltext |
© П.А. Хандрига, В.А. Яценко, 2006
Системні дослідження та інформаційні технології, 2006, № 1 119
УДК 62.50
ИНФОРМАЦИОННО-СТАТИСТИЧЕСКИЙ МЕТОД
ОЦЕНИВАНИЯ СОДЕРЖАНИЯ БИОХИМИЧЕСКИХ
КОМПОНЕНТОВ В РАСТИТЕЛЬНОСТИ
П.А. ХАНДРИГА, В.А. ЯЦЕНКО
Описывается новый подход к дистанционному определению концентрации
биохимических компонентов в растительности. Их концентрация — важная
информация, оцениваемая предлагаемым информационно-статистическим ме-
тодом, который базируется на определении информативных признаков, харак-
теризующих форму спектра отражения растительности в области красного
края. Предложено и испытано несколько программных реализаций метода для
получения информативных характеристик на основе современных достижений
системного анализа, прикладной статистики, обработки данных и объектно-
ориентированного программирования.
ВВЕДЕНИЕ
Оценка состояния растительности принадлежит к числу важнейших задач,
так как ее решение позволяет создать систему мониторинга различных ком-
понентов окружающей среды, таких как леса, сельскохозяйственные угодия
и техногенные объекты повышенной опасности. Для решения такой задачи
наиболее приемлемы дистанционные измерения, позволяющие получить
информацию об электромагнитных спектрах отражения растительности.
Основным показателем состояния растительности, оказывающим влияние
на ее спектры отражения, является концентрация биохимических компонен-
тов (БК) в листьях растений, например, воды, азота, хлорофилла и других.
Имеется большое количество публикаций, указывающих на изменение кон-
центрации БК при утечках газа на магистральных газопроводах, вирусных
заболеваниях, дефиците азотного питания и влаги [1–6].
За последние 30 лет предложены подходы и методы оценивания конце-
нтрации БК в растительности, основанные на выделении информативных
параметров ее спектров отражения. Были предложены аналитические, ста-
тистические и комбинированные модели на основе вегетационных индексов
[2,6,7]. Другой перспективный подход с использованием спектроскопии
высокого разрешения и метода первой производной [8] применяется для
анализа формы спектральной кривой в области так называемого красного
края (680–750 нм) [2,5,8–10]. Он демонстрирует достаточно высокую
устойчивость к помехам, вносимым отражением от грунта, однако весьма
чувствителен к инструментальным шумам [4]. Можно также выделить рабо-
ты, посвященные оптимизационному подходу [11].
Однако несмотря на активные исследования в области дистанционного
зондирования растительности и полученные результаты, до сих пор не ре-
шена проблема системного оценивания состояния растительности на основе
анализа концентрации БК в растительности с одновременным учетом таких
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 120
факторов, как тип растения, проективное покрытие, тип почвы и влияния
шумов.
Поэтому цель данной статьи — описание нового подхода к дистанци-
онному определению концентрации БК в растительности и его тестирование
на примере определения содержания хлорофилла. Концентрация БК являет-
ся важной информацией, оцениваемой предлагаемым информационно-
статистическим методом, который базируется на определении информатив-
ных признаков, характеризующих форму спектра отражения растительности
в области красного края, где наблюдается быстрое возрастание величины
отражения [8].
ПОСТАНОВКА ЗАДАЧИ
Имеется оптический сенсор L , который дистанционно измеряет зависи-
мость коэффициента отражения листьев растительности )(λH от длины
волны с определенной дискретностью в оптическом диапазоне длин волн
550–750 нм. Назовем график такой зависимости спектральной кривой S
(рис. 1). Форма этой кривой в целом зависит от типа растения, густоты по-
севов, а также от отражающих свойств почвы. Предполагается, что спек-
тральные данные подвержены воздействию шумов, включающих отражения
от почвы, шумы атмосферы и внутренние шумы датчика. Полагаем, что
проведена серия измерений спектральных кривых S , образующих множест-
во M . Каждая кривая из M соответствует растительности с определенным
содержанием биохимического компонента. Полагаем также, что набор кри-
вых достаточно представительный, а значения хлорофилла не повторяются.
Назовем такое множество M обучающим. Значения хлорофилла (функцио-
нала) F̂ для кривых из M получены по специальной методике с привлече-
нием биохимического лабораторного анализа.
X
Y
Рис. 1. Спектральная кривая, полученная для озимой пшеницы при 100%-ном
проективном покрытии
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 121
Используя множества M и F̂ , требуется решить следующие задачи:
1. Разработать метод построения математических моделей по множест-
ву M , связывающих форму спектральной кривой S со значением функцио-
нала F̂ с учетом типа растения, густоты посевов, а также отражающих
свойств почвы. Модели должны позволять оценивать значение БК по кри-
вой, измеренной сенсором L .
2. Построить и исследовать конкретные математические модели на
примере задачи оценивания концентрации хлорофилла.
3. Разработать алгоритмическое и программное обеспечение датчика.
4. Провести сравнительный анализ с известными методами.
ЭКСПЕРИМЕНТАЛЬНЫЕ ДАННЫЕ И МЕТОДЫ
Объект исследования
Это — посевы сельскохозяйственных культур (озимой пшеницы, гороха,
кукурузы и др.). Образцы брались на различных участках земли с различной
степенью проективного покрытия (от 40 до 100%) и разных типах почвы
(чернозем, песок). Затем они использовались для определения концентрации
хлорофилла лабораторным методом [12].
Экспериментальные данные
Это — спектральные кривые листьев растений и соответствующие значения
концентрации хлорофилла. Спектральные кривые получены с помощью
спектрофотометра СФ-10, оборудованного интегрирующей сферой и систе-
мой регистрации в цифровом виде (рис. 1). Концентрация хлорофилла опре-
делялась химическим методом Арнона [12].
Для проверки принадлежности к нормальному закону распределения
концентрации хлорофилла использован статистический тест Колмогорова–
Смирнова. Значения концентрации хлорофилла использовались на этапе
обучения с применением метода главных компонент (МГК). Из набора кри-
вых, из которого были исключены ошибочные наблюдения, использованы
23 кривые.
Статистические методы
Для выявления информативных параметров и их статистического изучения
использовались метод опорных векторов и нелинейный компонентный ана-
лиз (НКА). Всего — 23 кривые ( )( ix , 23,...,2,1=i ) в НКА и регрессионном
анализах для построения моделей концентрации хлорофилла.
Классификация спектральных кривых
Исходным шагом нашего метода является классификация спектральных
кривых с использованием этапа обучения. Алгоритм классификации рассчи-
тан на работу в условиях неизвестного типа растения, проективного покры-
тия и типа почвы. Рассмотрим спектральные кривые как векторы простран-
ства nR . Задачу классификации можно сформулировать как поиск функции
)(xF , принимающей значения 0< для векторов одного класса и 0> — для
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 122
другого. В качестве исходных данных для определения классифицирующей
функции )(xF использован тренировочный набор спектральных кривых
M , для которых известна их принадлежность к одному из классов. Семей-
ство классифицирующих функций описывается как ),( axF , где a — обоб-
щенный параметр, задающий конкретную функцию семейства. Наилучшей
функцией классификации является функция с минимальным ожидаемым
риском, оценить который можно с помощью эмпирического риска на трени-
ровочном наборе M . Минимизация не всегда приводит к минимизации
ожидаемого риска.
В методе использована размерность Вапника–Червоненкиса (ВЧ) се-
мейства функций ),( axF . Эта величина дает оценку «сложности» функций
семейства. Для семейства функций классификации с известной размерно-
стью ВЧ можно найти верхнюю оценку ожидаемого риска [13–15]. Оценка
риска — это сумма двух слагаемых: эмпирического риска и меры риска ис-
пользования семейства функций с размерностью ВЧ h≤ (ВЧК). Увеличивая
h , можно добиться уменьшения эмпирического риска, однако по мере воз-
растания h ВЧК также увеличивается, ухудшая оценку ожидаемого риска.
Итак, задача сводится к выбору такой функции классификации, которая
удовлетворительно разделит обучающий набор и при этом не будет чрез-
мерно сложной (большая размерность ВЧ). Принцип минимизации струк-
турного риска заключается в поиске семейства функций классификации (и
конкретной функции в семействе), минимизирующего верхнюю оценку
ожидаемого риска.
Размерность ВЧ для класса функций бинарной классификации равна
максимальному количеству точек l в пространстве nR , которые могут быть
разбиты на два класса всеми l2 способами. Для случая линейной функции
разделения ),( axF в пространстве nR ВЧ-размерность равна 1+n . Как по-
казано в работах [13–15], в ряде случаев для заданного набора тренировоч-
ных векторов можно получить верхнюю оценку VC-размерности гиперпло-
скостей, значительно меньшую 1+n . Это особенно важно при работе с
пространствами высокой размерности.
Построение классифицирующей функции с помощью опорных векто-
ров заключается в поиске линейной функции, правильно разделяющей тре-
нировочный набор на два класса при минимально возможной для данного
набора оценке ВЧ-размерности сверху. Таким образом, для линейно разде-
ляемых спектральных данных получаем функцию классификации, миними-
зирующую верхнюю оценку ожидаемого риска.
К сожалению, возможности линейного классификатора ограничены.
Можно привести примеры классов, в задачах дистанционного зондирования
линейно неразделимых в пространстве nR . Возможности линейного клас-
сификатора можно значительно расширить путем нелинейного отображения
исходного пространства в пространство потенциально намного более высо-
кой размерности FR n →Φ: и применения линейного классификатора в
пространстве F . Ценным свойством классификации с помощью гиперплос-
костей является то, что классифицирующую функцию )(xF можно преоб-
разовать таким образом, что она будет представлять собой линейную ком-
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 123
бинацию скалярных произведений тестового вектора x с векторами трени-
ровочного набора. Линейный классификатор, использующий только скаляр-
ные произведения, может оперировать в пространстве F в неявном виде,
используя аппарат ядерных функций, не работая с векторами пространства
F и даже не зная отображения Φ . Таким образом можно использовать ли-
нейный классификатор для корректной работы с нелинейно разделяемыми
классами без существенного усложнения вычислительных операций.
Использование метода опорных векторов позволяет: а) получить функ-
цию классификации спектральных кривых с минимальной верхней оценкой
ожидаемого риска (уровня ошибки классификации); б) использовать линей-
ный классификатор для работы с нелинейно разделяемыми данными, соче-
тая простоту с эффективностью.
Описанный выше алгоритм тестировался на примере озимой пшеницы
со 100 и 50%-ным проективным покрытием для числа классов, равного
двум, и дал приемлемые результаты по точности, которая составила 98%.
Анализ главных компонент
После классификации спектральных кривых осуществляется выделение
главных компонент [16–18]. На этом этапе использовался 2λ -тест Бартлета
[16] c числом степеней свободы )]1([2/1 −= ppn для проверки применимо-
сти принципиального компонентного анализа к экспериментальным дан-
ным.
Собственные значения были получены с помощью алгоритма, описан-
ного ниже. Будем понимать под спектральной кривой зависимость коэффи-
циента яркости от длины волны )(λq , где λ — длина волны. И далее
представим отдельную спектральную кривую в виде вектора ),...,( 1 Mqq=q ,
где M — число его компонент. Или в скалярном виде
Miq
L
q
L
i
l
ii ,1,1
1
== ∑
=
,
где M — число дискретных отсчетов спектральной кривой, полученных с
разрешением λ∆ .
Переместим начало системы координат в «центр тяжести», используя
следующую формулу:
Ll
L
L
l
l ,1,1
1
== ∑
=
qq , (1)
где L — число спектральных кривых. Если рассматривать спектральные
кривые как непрерывные функции по времени, то можно записать
∑ ∫→
j
T
dt
TL 0
,11 …
где суммирование заменено интегрированием по времени. Тогда (1) будет
иметь вид
.,1,d)(1
0
Mjttq
T
q
T
jj == ∫
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 124
Чтобы произвести сдвиг начала координат в «центр тяжести», введем новую
переменную h :
( ) ( )( )
N
ttt qqh −
=)( ,
где ( )∑ −=
i
2
i qqN — нормировочная постоянная, введенная для того,
чтобы вектор h имел единичную длину. Это достигается также требовани-
ем
( ) .11
0
2 =∫ tdt
T
T
h
Для решения задачи необходимо построить наиболее простое и эффек-
тивное приближение зависящего от времени вектора h .
Введем обозначение
.)()(1
0
∫=
T
kjjk dtthth
T
R (2)
Мы можем записать выражение (2) в виде системы уравнений
( ) ( ) LjR k
lk
L
l
k
ljl ,1,
1
==∑
=
νν λ , (3)
где )(kν — k -й собственный вектор.
Введем корреляционную матрицу
〉〈== kjjkR qqR ][ ,
которая позволяет записать систему (3) в виде матричного уравнения [17].
( ) ( ).k
k
k νRν λ=
Так как R — действительная симметричная матрица, она обладает
действительными собственными значениями, которые неотрицательны, т.е.
.0≥kλ
Покажем [19], что
.1
1
=∑
=
L
k
kλ
Заметим, что описанный выше вектор h можно представить в виде
( ) ( ) ( )k
L
k
k tt νh ∑
=
=
1
ξ .
Амплитуды ( )tkξ можно найти, зная векторы h и ( )kν , из соотношения
( ) ( ) ( ) ( ) ( )∑
=
==
L
j
j
k
j
k
k thνtt
1
hνξ . (4)
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 125
Корреляция между k ′ξ и kξ описывается соотношением
( ) ( ) kkk
T
kk tdtt
T ′′ =∫ δλξξ
0
1 ,
где kk ′δ — дельта-символ Кронекера.
Вычислим величину ошибки, которую мы совершаем, учитывая мень-
шее число членов K при максимальном числе членов M . Ошибка, опреде-
ляемая квадратом разности между вектором h и его приближенным разло-
жением, вычисляется по формуле
( ) ( ) ( ) .,1
0
2
1
MNtdtt
T
E
T
k
K
k
kk ≤⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
−= ∫ ∑
=
νh ξ (5)
Можно показать [19], что
∑
=
−=
K
k
kkE
1
1 λ . (6)
Упорядочив собственные векторы в порядке убывания их собственных
значений, мы видим, что быстрее всего ошибку можно минимизировать,
если первыми включить в (6) или, соответственно, в (5) наибольшие собст-
венные значения. Таким образом, определив собственные значения, получа-
ем возможность оценить качество нашего приближения. Для анализа спек-
тральных кривых можно ограничиться первыми членами разложения (4).
Для вычисления концентрации хлорофилла используем первые M
членов разложения, на основе которых по текущим эталонным спектраль-
ным кривым строим регрессионную кривую. Например, при 2=N бикуби-
ческое регрессионное уравнение определяется соотношением
3
2
2
1
3
2
2
1
2
2
2
1)( yfyfxexeyxdxyddxycybxax,yZ +++++++++= , (7)
где x и y — первая 1ξ и вторая 2ξ главные компоненты; ,,,,, 1ddcba
21212 ,,,, ffeed — параметры, определяемые с помощью соответствующей
оптимизационной процедуры.
В случае количества компонент более двух используется уравнение
множественной регрессии. При пяти переменных формула множественной
регрессии имеет вид
lsbsbsbsbsbaY ++++++= 5544332211)(Chl , (8)
где is — главные компоненты разложения; lba i ,, — параметры, опреде-
ляемые с помощью соответствующей оптимизационной процедуры с ис-
пользованием псевдообращения матриц.
ИНФОРМАЦИОННЫЙ АНАЛИЗ СПЕКТРАЛЬНЫХ КРИВЫХ
Для определения необходимого числа главных компонент проводился ин-
формационный анализ спектральных кривых. Предположим, что функция
распределения векторов имеет вид
( ) ( )ξξξ Λ−=
~exp ЕNP .
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 126
Учитывая, что Λ~ — диагональная матрица, запишем функцию распре-
деления в виде
( )
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
−= ∑
j
jjNP 2~exp~ ξλξ . (9)
Правую часть можно разложить в произведение
( ) ( )∏= jjpP ξξ~ , (10)
где каждый сомножитель определяется выражением
( ) ( )2~exp jjjjj NP ξλξ −= , (11)
a нормировочный коэффициент N j выбирается так, чтобы показатель P j
был нормирован на единицу. Функция распределения (10) порождает корре-
ляционную функцию
jkjj δλξξ =k .
Количество информации определяется выражением
( ) ( )∫−= qPqqPdI n ln ,
которое может быть приведено к виду
( ) ( )∫−= ξξξ PPdI n ~ln~ . (12)
Соотношение (9) позволяет записать выражение (12) как сумму отдель-
ных вкладов
( ) ( )∑∫−=
j
jjjjj ppdI ξξξ ln
или более кратко
∑=
j
jII .
Формула (11) позволяет вычислить информацию, выразив ее через соб-
ственные значения
2
1ln
2
1~ln
2
1
++−= πλ jjI . (13)
Так как jj λλ /1~
= , выражение (13) можно представить также в виде
2
1ln
2
1ln
2
1
++−= πλ jjI . (14)
Из соотношений (13) и (14) можно заключить, что наибольший вклад в
информацию дает наибольшее собственное значение jλ и что полная сумма
представима в виде суммы некоррелированных парциальных информаций.
Носителями информации, позволяющей дискриминировать спектраль-
ные кривые (образы), являются коэффициенты jξ разложения. Причем наи-
большее количество информации соответствует небольшим значениям этих
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 127
коэффициентов jξ . Чем больше дисперсия собственных значений jλ , тем
меньше энтропия jξ , тем больше сокращение информации. Наоборот, при
равномерно распределенных по величине собственных значениях jλ имеем
сильную неопределенность, большую энтропию, и наблюдение одного
коэффициента jξ лишь незначительно уменьшает неопределенность и энт-
ропию. Коэффициенты jξ с наибольшей дисперсией или наибольшими соб-
ственными значениями jλ соответствуют «параметрам порядка», опреде-
ляющим образ.
kI
k
i
j ⎟
⎠
⎞
⎜
⎝
⎛ ++⎟
⎠
⎞
⎜
⎝
⎛=∑
= 2
1ln
2
1ln
2
1
1
πλ . (15)
Рис. 3. Зависимость количества информации от количества собственных чисел
1 X
Y
Количество собственных чисел
К
ол
ич
ес
тв
о
ин
фо
рм
ац
ии
п
о
Ш
ен
но
ну
6
1
X
Y
Номер собственного значения
К
ол
ич
ес
тв
о
ин
фо
рм
ац
ии
п
о
Ш
ен
но
ну
Рис. 2. Зависимость количества информации от номера собственного числа
6
1
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 128
Разложение по собственным векторам )(kν представляет собой раз-
ложение Карунена–Лоэва. В этом контексте величина I называется энтро-
пией. На языке теории распознавания образов наш метод допускает
следующую интерпретацию: разложение Корунена–Лоэва дает метод син-
тетического разложения спектральной кривой на некоррелированные ком-
поненты (признаки). Соответствующая система координат ju — детерми-
нистическая. Коэффициенты с наибольшими собственными значениями
содержат наибольшую информацию, необходимую для восстановления об-
раза. На рис. 2 и 3 можно видеть соответствие количества информации по
Шеннону собственным числам разложения.
РЕАЛИЗАЦИЯ МЕТОДА И ЧИСЛЕННЫЕ РЕЗУЛЬТАТЫ
Опишем программно-алгоритмическую реализацию метода (рис. 4).
На этапе фильтрации данные обрабатываются фильтром Савитского–
Голлая при 2=k , 9=f , где k — степень полинома; f — размер окна.
Затем определяются принципиальные компоненты, и выполняется класси-
фикация. Результатом классификации спектральных кривых является опре-
деление типов растения и почвы, проективного покрытия, а также соответ-
ствующей регрессионной модели. На рис. 5 показано, что для каждого типа
растений с учетом почвы и т.д. определяется набор базисных векторов на
этапе обучения алгоритма.
Предварительная
обработка
Выделение информативных признаков
. . .
Классификация спектральных данных
Спектральные
данные
Построение
регрессионной модели
Оценивание концентрации
биохимического компонента
Рис. 4. Функциональная структура информационно-статистического метода
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 129
Описанный выше метод использован для разработки численного алго-
ритма определения концентрации хлорофилла. С этой целью формулы (1)–
(6) записывались в дискретной форме. Программная реализация выполнена
на языка С++ с использованием математической библиотеки, поставляемой
с пакетом Matlab.
В результате проведенных расчетов получены собственные векторы,
собственные значения и принципиальные компоненты, на основе которых
рассчитаны коэффициенты регрессионной модели для вычисления концен-
трации хлорофилла. Содержание хлорофилла вычислялось на основе рег-
рессионных уравнений. Для их построения были выбраны полиномы 2-й
степени, бикубическая формула (7) и формула множественной регрессии (8).
На рис. 6 показана зависимость величины ошибки E от числа собствен-
ных векторов, задействованных в вычислении концентрации хлорофилла.
Из графика видно, что при использовании пяти собственных векторов ошиб-
ка близка к нулю.
Пшеница Кукуруза Горох
Тип растения
1 2 3 … 58 59 60
Наборы базисных векторов
…
Г
у
с
т
о
т
а
п
о
с
е
в
о
в
10%
100%
20%
30%
Т
и
п
п
о
ч
в
ы
Светлая
Темная
Рис. 5. Результаты классификации спектральных кривых
Наборы базисных векторов
Рис. 6. Зависимость величины ошибки от числа собственных векторов
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 130
Для оценивания содержания хлорофилла проведено сравнение с ре-
зультатами химического анализа. Алгоритм был «обучен» на 23 спектраль-
ных кривых. Результаты оценивания содержания хлорофилла для девяти
экспериментальных кривых приведены на рис. 7. Ошибка составила не бо-
лее 0,42.
ВЫВОДЫ
1. Предложен и исследован новый информационно-статистический ме-
тод оценивания содержания биохимических компонентов в растительности
на примере хлорофилла с учетом таких факторов неопределенности, как тип
растения, вид почвы и проективное покрытие. Метод оценивания базируется
на выделении параметров формы исходной спектральной кривой отражения
и «обучении» алгоритма определения концентрации БК по эталонным
спектральным кривым, полученным на специально подобранных образцах
растения с помощью лабораторного спектрофотометра. На основе предло-
женного метода и параметров формы спектральной кривой разработаны ал-
горитмы, которые тестированы по лабораторным кривым. Проведено также
тестирование программного обеспечения по спектральным кривым озимой
пшеницы и гороха, полученным при полевых испытаниях разработанного
спектрометра с двухканальной схемой компенсации шумов. Более деталь-
ный анализ результатов испытаний спектрометра приведен на веб-сайте
vegetation.kiev.ua.
2. Численным анализом собственных значений корреляционной матри-
цы установлено, что пять главных компонент спектральной кривой содер-
X
Y
Рис. 7. Сравнение результатов, полученных методом главных компонент и биохи-
мическим анализом
100%-ное проективное
покрытие
биохимическое покрытие
м
г/
дм
2
Информационно-статистический метод оценивания …
Системні дослідження та інформаційні технології, 2006, № 1 131
жат наиболее существенную информацию по Шеннону. В большинстве слу-
чаев они могут быть использованы в качестве независимых переменных в
регрессионных моделях. Показано, что существует нелинейная зависимость
между векторами главных компонент и содержанием хлорофилла, которая с
достаточной точностью аппроксимируется полиномиальной, бикубической
или множественной регрессионной моделью. Оценивание содержания хло-
рофилла по этим моделям показало приемлемый по точности результат с
точки зрения агротехнических применений.
3. Сравнительный анализ информационно-статистического метода и
известного метода первой производной [11] показал сходные по точности
результаты при определении содержания хлорофилла в листьях растений
при 100%-ном проективном покрытии. При уменьшении степени проектив-
ного покрытия информационно-статистический метод показал большую
устойчивость к шумам. Разработаны рекомендации по объединению обоих
методов для расширения возможностей разработанного программно-
аппаратного комплекса.
Работа выполнена в рамках гранта УНТЦ №2614 «Разработка метода и
аппаратуры для дистанционного зондирования растительности».
ЛИТЕРАТУРА
1. Davids C., Tyler A.N. Detecting contamination-induced tree stress within the Cher-
nobyl exclusion zone // Remote Sensing of Environment. — 2003. — 85. —
P. 30–38.
2. Smith K.L, Steven M.D., Coll J.J. Use of hiper-spectral derivative ratios in the red-
edge region to identify plant stress responses to gas leaks // Remote Sensing of
Environment. — 2004. — 92. — P. 207–217.
3. Changes in reflectance spectrum characteristic of Nicotiana debneyi plant under the
influence of viral infection / V.P. Polischuk, T.M. Shadchina, T.I. Kompanetz et
al. // Archives of Phytopathology and Plant Protection. — 1997. — 31(1). —
P. 115–119.
4. Кочубей С.М., Кобец Н.И., Шадчина Т.М. Спектральные свойства растений
как основа методов дистанционной диагностики. – Киев: Наук. думка,
1990. — 136 с.
5. Estimating leaf nitrogen concentration in ryegrass (Lolium spp.) pasture using the
chlorophyll red-edge: theoretical modelling and experimental observations /
D.W. Lamb, M. Steyn-Ross, P. Schaare et al. // International Journal of Remote
Sensing. — 2002. — № 23. — Р. 3619–3648.
6. Ceccato P., Flasse S., Gregoire J.M. Designing a spectral index to estimate vegeta-
tion water content from remote sensing data // Remote Sensing of Environment.
— 2002. — 82. — P. 198–207.
7. Imaging Spectrometry / L. Kumar, K. Schmidt., S. Dury, A. Skidmore. — Dordrecht:
Kluwer Academic Publishers. — 2001. — P. 111–155.
8. Red edge measurements for remotely sensing plant chlorophyll content /
D.N.H. Horler, M. Dockray, J. Barber, A.R. Barringer // Advances in Space Re-
search. — 1983. — 3. — P. 273–277.
9. Shape of the red edge as vitality indicator for plants / F. Booch, K. Dockter,
G. Kupfer, W. Kuhbauch // International Journal of Remote Sensing. — 1990. —
11. — Р. 1741–1754.
П.А. Хандрига, В.А. Яценко
ISSN 1681–6048 System Research & Information Technologies, 2006, № 1 132
10. Gitelson A.A., Merzlyak M.N., Lichtenthaler H.K. Detection of red edge position and
chlorophyll content by reflectance measurements near 700 nm // Journal of Plant
Physiology. — 1996. — 148. — Р. 501–508.
11. Yatsenko V.A., Kochubey S.M., Zhan L. Estimation of chlorophyll concentration in
vegetation using global optimization approach // SPIE Conference «AeroSence.
Technologies and Systems for Defence & Security», 21–25 April 2003, Orlando
USA, Proc. of SPIE. — 2003. — 5071. — Р. 50–59.
12. Arnon D.J. Copper enzymes in isolated chloroplasts: Polyphenoloxidase in Beta vul-
garis // Plant Physiology. — 1949. — 24. — P. 1–15.
13. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. — М.: Наука,
1974. — 415 с.
14. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. — М.:
Наука, 1979. — 448 с.
15. Алгоритмы и программы восстановления зависимостей / В.Н. Вапник,
Т.Г. Глазкова, В.А. Кащеев и др. — М.: Наука, 1984. — 816 с.
16. Snedecor G. and Cochran W. Statistical Methods. Eighth Edition. — Iowa State Uni-
versity Press. — 1989. — 511 р.
17. Больч Б., Хуань К.Дж. Многомерные статистические методы для экономи-
ки/ Пер. с англ. — М.: Статистика, 1979. — 317 с.
18. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических
данных. — М.: Наука, 1983. — 431 с.
19. Фаддеев Д.К., Фаддеева В.Н. Вычислительные методы линейной алгебры. —
М.: Лань, 2002. — 736 с.
Поступила 18.07.2005
|
| id | journaliasakpiua-article-165506 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:24:52Z |
| publishDate | 2019 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/f0/90578e9a2a7c77e33c7b014fb7a6acf0.pdf |
| spelling | journaliasakpiua-article-1655062019-04-25T14:46:04Z Information-statistical method for estimation of contents of biochemical components in vegetation Информационно-статистический метод оценивания содержания биохимических компонентов в растительности Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності Khandryga, P. A. Yatsenko, V. A. A new information-statistical method for estimation of biochemical component concentration in vegetation, which presents important information, is proposed. It is based on determination of informative parameters that characterize the form of the vegetation reflection spectrum in its red edge region. Several of the programme realizations for gaining informative characteristics on the basis of modern system analysis, applied statistics, optimization, data processing and object-oriented programming have been proposed and tested. Описывается новый подход к дистанционному определению концентрации биохимических компонентов в растительности. Их концентрация — важная информация, оцениваемая предлагаемым информационно-статистическим методом, который базируется на определении информативных признаков, характеризующих форму спектра отражения растительности в области красного края. Предложено и испытано несколько программных реализаций метода для получения информативных характеристик на основе современных достижений системного анализа, прикладной статистики, обработки данных и объектно-ориентированного программирования. Описується новий підхід до визначення концентрації біохімічних компонентів у рослинності. Їхня концентрація є важливою інформацією для оцінки запропонованим інформаційно-статистичним методом, який базується на визначенні інформативних ознак, що характеризують форму спектра відображення рослинності в області червоного краю. Запропоновано і випробувано декілька програмних реалізацій методу для інформативних характеристик, одержання яких ґрунтується на сучасних досягненнях системного аналізу, прикладної статистики, оптимізації, обробки даних і об’єктно-орієнтовного програмування. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2019-04-25 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/165506 System research and information technologies; No. 1 (2006); 119-132 Системные исследования и информационные технологии; № 1 (2006); 119-132 Системні дослідження та інформаційні технології; № 1 (2006); 119-132 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/165506/164742 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Khandryga, P. A. Yatsenko, V. A. Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title | Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title_alt | Information-statistical method for estimation of contents of biochemical components in vegetation Информационно-статистический метод оценивания содержания биохимических компонентов в растительности |
| title_full | Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title_fullStr | Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title_full_unstemmed | Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title_short | Інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| title_sort | інформаційно-статистичний метод оцінювання вмісту біохімічних компонентів у рослинності |
| url | https://journal.iasa.kpi.ua/article/view/165506 |
| work_keys_str_mv | AT khandrygapa informationstatisticalmethodforestimationofcontentsofbiochemicalcomponentsinvegetation AT yatsenkova informationstatisticalmethodforestimationofcontentsofbiochemicalcomponentsinvegetation AT khandrygapa informacionnostatističeskijmetodocenivaniâsoderžaniâbiohimičeskihkomponentovvrastitelʹnosti AT yatsenkova informacionnostatističeskijmetodocenivaniâsoderžaniâbiohimičeskihkomponentovvrastitelʹnosti AT khandrygapa ínformacíjnostatističnijmetodocínûvannâvmístubíohímíčnihkomponentívuroslinností AT yatsenkova ínformacíjnostatističnijmetodocínûvannâvmístubíohímíčnihkomponentívuroslinností |