Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Запропоновано метод класифікації сільськогосподарських посівів з використанням часових рядів супутникових даних. Метод ґрунтується на послідовному використанні двох нейромережевих парадигм: карт самоорганізації Кохонена та ансамблю багатошарових персептронів. Точність класифікації підтверджується те...
Saved in:
| Published in: | Індуктивне моделювання складних систем |
|---|---|
| Date: | 2014 |
| Main Authors: | , , , , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2014
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/84003 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних / С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2014. — Вип. 6. — С. 157-166. — Бібліогр.: 22 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860252293858852864 |
|---|---|
| author | Скакун, С.В. Шелестов, А.Ю. Яйлимов, Б.Я. Остапенко, В.А. Лавренюк, М.С. Вікулов, А.В. |
| author_facet | Скакун, С.В. Шелестов, А.Ю. Яйлимов, Б.Я. Остапенко, В.А. Лавренюк, М.С. Вікулов, А.В. |
| citation_txt | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних / С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2014. — Вип. 6. — С. 157-166. — Бібліогр.: 22 назв. — укр. |
| collection | DSpace DC |
| container_title | Індуктивне моделювання складних систем |
| description | Запропоновано метод класифікації сільськогосподарських посівів з використанням часових рядів супутникових даних. Метод ґрунтується на послідовному використанні двох нейромережевих парадигм: карт самоорганізації Кохонена та ансамблю багатошарових персептронів. Точність класифікації підтверджується тестуванням на незалежній вибірці, а також шляхом порівняння з офіційною статистикою.
Предложен метод классификации сельскохозяйственных посевов с использованием временных рядов спутниковых данных. Метод основан на последовательном использовании двух нейросетевых парадигм: карт самоорганизации Кохонена и ансамбля многослойных персептронов. Точность классификации подтверждается тестированием на независимой выборке, а также путем сравнения с официальной статистикой.
A method for crop classification using a time series of satellite data is presented. The method is based on the subsequent applications of two neural networks paradigms: self-organising Kohonen maps and an ensemble of multi-layer perceptrons. The accuracy of classification is verified using independent testing data set and compared with official statistics.
|
| first_indexed | 2025-12-07T18:44:52Z |
| format | Article |
| fulltext |
С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов
Індуктивне моделювання складних систем, випуск 6, 2014 157
УДК 004.62
КЛАСИФІКАЦІЯ СІЛЬСЬКОГОСПОДАРСЬКИХ ПОСІВІВ З ВИКОРИ-
СТАННЯМ ЧАСОВИХ РЯДІВ СУПУТНИКОВИХ ДАНИХ
С.В. Скакун1, А.Ю. Шелестов2, Б.Я. Яйлимов1, В.А. Остапенко1,
М.С. Лавренюк1, А.В. Вікулов3
1 Інститут космічних досліджень НАН та ДКА України,
2 Національний університет біоресурсів і природокористування України,
3 ЗОШ №286 м. Києва
serhiy.skakun@gmail.com, andrii.shelestov@gmail.com, yailymov@gmail.com,
ostapenkovadym@gmail.com, nick_93@ukr.net, andrewvikulov@gmail.com
Запропоновано метод класифікації сільськогосподарських посівів з використанням часових
рядів супутникових даних. Метод ґрунтується на послідовному використанні двох
нейромережевих парадигм: карт самоорганізації Кохонена та ансамблю багатошарових
персептронів. Точність класифікації підтверджується тестуванням на незалежній вибірці, а
також шляхом порівняння з офіційною статистикою.
Ключові слова: класифікація посівів, відновлення даних, Landsat-8, нейронні мережі,
ансамбль нейронних мереж, Україна
A method for crop classification using a time series of satellite data is presented. The method is
based on the subsequent applications of two neural networks paradigms: self-organising Kohonen
maps and an ensemble of multi-layer perceptrons. The accuracy of classification is verified using
independent testing data set and compared with official statistics.
Keywords: crop classification; missing data; Landsat-8; neural networks; ensemble; Ukraine
Предложен метод классификации сельскохозяйственных посевов с использованием
временных рядов спутниковых данных. Метод основан на последовательном использовании
двух нейросетевых парадигм: карт самоорганизации Кохонена и ансамбля многослойных
персептронов. Точность классификации подтверждается тестированием на независимой
выборке, а также путем сравнения с официальной статистикой.
Ключевые слова: классификация посевов, восстановление данных, Landsat-8, нейронные
сети, ансамбль нейронных сетей, Украина
Вступ
Важливою прикладною задачею супутникового моніторингу є
картографування сільськогосподарських посівів в масштабах окремих
адміністративних одиниць, наприклад областей України. Карти посівів можуть
використовуватись в якості динамічної маски для прогнозування врожайності
[1], оцінки ризиків посух [2, 3, 4], тощо. Враховуючи значне різноманіття
сільгоспкультур на території України, неможливо здійснити класифікацію
посівів за одним супутниковим знімком. Тому виникає задача класифікації за
часовими рядами супутникових знімків, отриманих на різних стадіях періоду
вегетації. На сьогодні найбільш прийнятним джерелом даних, оптимальним за
критерієм ціни, часового і просторового розрізнення, є супутник Landsat-8.
Однак розв’язання задачі класифікації за часовими рядами ускладнюється
зашумленістю знімків (наявністю хмар, тіней, аерозолів та конденсаційних
Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Індуктивне моделювання складних систем, випуск 6, 2014 158
слідів). Для її розв’язання пропонується використати індуктивний підхід,
заснований на послідовному використанні кількох нейромережевих парадигм:
карт Кохонена (self-organising map - SOM) для відновлення даних [5, 6, 7, 8] та
ансамблю багатошарових персептронів (MLP – multi-layer perceptron) для
класифікації.
1. Метод розв’язання задачі
Запропонований підхід полягає в послідовному застосуванні нейронних
мереж різного типу для відновлення невизначеностей (хмар на знімках) та кла-
сифікації сільськогосподарських культур. На першому етапі на кожному знімку
виділяються пошкоджені дані (відсутні пікселі) і виконується їх відновлення з
використанням карт Кохонена, як запропоновано в [6, 7, 8]. Після відновлення
даних для класифікації даних за часовими рядами супутникових знімків засто-
совується ансамбль багатошарових нейронних мереж перспетронного типу.
Багатошаровий персептрон забезпечує високу точність класифікації
окремих супутникових зображень [9, 10]. І хоча навчання персептрона потребує
значних комп’ютерних ресурсів, цей недолік в наші дні легко долається шля-
хом використання розподілених [11, 12, 14, 15] та високопродуктивних обчис-
лень [13, 16, 17]. Водночас, для підвищення ефективності класифікації доцільно
застосовувати не один окремий класифікатор, а їх ансамбль. При цьому можли-
ві дві реалізації (Рис. 1). В першому випадку злиття даних відбувається на рівні
прийняття рішень (Рис. 1а), а в другому – також і на рівні окремих пікселів
(Рис. 1б).
Рис. 1. Дві реалізації класифікації: злиття даних
відбувається на рівні прийняття рішень (а)
та на рівні окремих пікселів (б)
С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов
Індуктивне моделювання складних систем, випуск 6, 2014 159
Рис. 2. Злиття даних на рівні прийняття рішень:
визначення результатів ансамблю класифікаторів
На виході кожного класифікатора отримуємо апостеріорну імовірність
належності вхідного образу до певного класу. Виходи окремих класифікаторів
об’єднуються простим сумуванням, після чого обчислюється середня імовір-
ність належності вхідного образа конкретному класу (Рис. 2). Вхідний образ ві-
дносять до класу з максимальною апостеріорною імовірністю:
e
kKk
pk
,1
maxarg*
=
= , ∑
=
=
L
l
l
i
e
i p
L
p
1
1 , (1)
де k* — це клас, до якого відносить вхідний образ ансамбль класифікаторів,
e
ip — апостеріорна імовірність належності класу для ансамблю, l
ip — апосте-
ріорна імовірність належності класу для кожного класифікатора MLP, L — кі-
лькість класифікаторів в ансамблі, K — кількість класів.
2. Територія досліджень, використані дані та результати
експерименту
Запропонована методологія застосована для класифікація посівів на тес-
товому полігоні JECAM, який включає Київську область [10, 18–20, 21]
(Рис. 3).
Рис. 3. Київська область як полігон JECAM
Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Індуктивне моделювання складних систем, випуск 6, 2014 160
Площа полігону складає 28,100 км2. Основними культурами є кукурудза
(25.1% всіх посівних площ в 2013 р.), озима пшениця (16.1%), соя (12.6%), ово-
чі (10.3%), соняшник (9.3%), ярий ячмінь (6.8%), озимий ріпак (4.0%), цукровий
буряк (1.3%).
Для формування навчальної та незалежної тестової вибірки було викона-
но маршрутні дослідження (Рис. 4). Для коректної ідентифікації посівів на по-
лях, що знаходяться на певній відстані від дороги, було використано квадроко-
птер (Рис. 5). В цілому навчальна і тестова вибірки містять 386 полігонів, та
включають основні класи земного покриву відповідно до стандартизованої но-
менклатури класів European Land Use and Cover Area frame Survey (LUCAS)
(Табл. 1). Загальна площа навчальних даних становить 22,700 га.
Рис. 4. Маршрутні дослідження на полігоні JECAM
Рис. 5. Квадрокоптер, який використано для наземних досліджень
С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов
Індуктивне моделювання складних систем, випуск 6, 2014 161
Таблиця 1
Навчальна вибірка відповідно до номенклатури класів LUCAS
Полігон Площа
№ Код Клас No. % ha %
1 Axx Штучні об’єкти 6 1.6 23.0 0.1
2 B11 Озима пшениця 51 13.2 3960.8 17.4
3 B32 Озимий ріпак 12 3.1 937.3 4.1
4 B12, B14 Ярі культури 9 2.3 455.9 2.0
5 B16 Кукурудза 87 22.5 7253.3 31.9
6 B22 Буряк 8 2.1 632.5 2.8
7 B31 Соняшник 30 7.8 2549.0 11.2
8 B33 Соя 60 15.5 3252.3 14.3
9 B19, B39, B40 Інші культури 32 8.3 1364.0 6.0
10 C10, B60 Ліси 17 4.4 1014.3 4.5
11 E01, E02 Луги 48 12.4 747.5 3.3
12 F00 Порожня земля 10 2.6 67.2 0.3
13 G01, G02 Водні об'єкти 16 4.1 448.3 2.0
Разом 386 100 22705.3 100
Для розв’язання поставленої задачі даних використано супутникові знім-
ки сенсора Operational Land Imager (OLI) супутника Landsat-8. В якості вхідних
ознак класифікатора використовувались 6 спектральних каналів (канали 2–7) з
просторовим розрізненням 30 м. Тестовий полігон покривається трьома сцена-
ми з координатами 181/24, 181/25 181/26 (Табл. 2). За вегетаційний період
2013 р. отримано по 6 знімків кожної сцени з різним ступенем захмареності.
Таблиця 2
Перелік отриманих даних Landsat-8/OLI
Дата
(2013 р.)
Коорд.
path/row
Захмареність
знімку, %
Дата
(2013)
Коорд.
path/row
Захмареність
знімку, %
181/24 4.77 181/24 62.58
181/25 0.60 181/25 33.37 16 квітня
181/26 0.02
19 червня
181/26 26.43
181/24 0.01 181/24 35.30
181/25 0.77 181/25 21.06 2 травня
181/26 4.38
5 липня
181/26 15.69
181/24 9.06 181/24 24.35
181/25 14.93 181/25 12.69 18 травня
181/26 14.32
6 серпня
181/26 40.86
Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Індуктивне моделювання складних систем, випуск 6, 2014 162
Для отримання каліброваних даних здійснено наступну попередню обро-
бку зображень.
• перетворення цифрових значень до коефіцієнта відбиття верхнього
шару атмосфери (top-of-atmosphere — TOA);
• подальше перетворення значень до відбиття земної поверхні (sur-
face reflectance — SR) на основі моделі атмосферної корекції SMAC
[22];
• детектування хмар і тіней з подальшим відновленням відсутніх да-
них [7, 8].
Оскільки в якості вхідних ознак використовується 6 спектральних каналів
із 6 знімків, то загальна розмірність вхідного шару класифікатора становить 36.
Всі змінні нормуються до діапазону з середнім значенням 0 та середньоквадра-
тичним відхиленням 1. На виході класифікатора маємо 13 класів у відповіднос-
ті до номенклатури класів LUCAS (див. табл. 1).
Наземні дані випадковим чином поділяються на навчальну (50%) та тес-
тову (50%) вибірки. Точність класифікації і матриці невідповідностей обчис-
люються для незалежних тестових даних.
Для визначення ефективності використання ансамблю класифікаторів бу-
ло порівняно 3 різних ансамблевих архітектури. В першій з них використано 1
класифікатор з різною кількістю (від 20 до 80) прихованих нейронів, в другій —
ансамбль із 5 класифікаторів, що були навчені на різних даних, в третій — ан-
самбль із 7 класифікаторів, які були навчені на спільних даних. Результати екс-
перименту представлені в табл. 3. Для порівняння використовувалися наступні
метрики: загальна точність класифікації, індекс Kappa, точність «виробника»
(ТВ) та точність «користувача» (ТК). Індекс Kappa є статистичною мірою узго-
дженості між отриманими класами (по супутниковим даним) та класами, що
спостерігаються (наземними дослідженнями). Точність «виробника» показує,
на скільки добре результат класифікації для даного класу співпадає з тестовими
даними. Точність «користувача», в свою чергу, показує, на скільки імовірно, що
даний клас співпадає з результатами класифікації.
Таблиця 3
Результати класифікації (ТВ — точність «виробника»;
ТК — точність «користувача»)
Схема 1: Кращий
одиничний класи-
фікатор (MLP)
Схема 2: Ан-
самбль із 5 кла-
сифікаторів
(MLPs)
Схема 3: Ан-
самбль із 7 кла-
сифікаторів
(MLPs)
Загальна точ-
ність, %
84.60 85.11 85.32
Індекс Kappa 0.8144 0.8211 0.8235
№ ТВ, % ТК, % ТВ, % ТК, % ТВ, % ТК, %
1 Штучні об’єкти 74.5 93.2 100.0 97.9 100.0 97.9
С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов
Індуктивне моделювання складних систем, випуск 6, 2014 163
Продовження таблиці 3
2 Озима пшениця 95.6 90.6 96.0 91.9 95.7 91.8
3 Озимий ріпак 94.5 96.1 93.3 99.2 93.5 99.4
4 Ярі культури 12.1 15.3 46.2 38.8 40.6 34.6
5 Кукурудза 92.6 86.6 90.3 86.8 90.5 86.8
6 Буряк 83.0 93.7 94.4 88.0 94.9 89.6
7 Соняшник 86.1 82.1 83.6 84.2 84.1 85.4
8 Соя 66.6 77.1 68.8 76.6 69.7 77.1
9 Інші культури 71.8 76.9 70.2 78.1 70.9 78.0
10 Ліси 96.7 91.9 96.9 91.9 96.9 92.9
11 Луги 84.2 88.9 90.7 88.0 91.0 89.0
12 Порожня земля 86.7 88.8 86.7 98.5 86.7 99.0
13 Водні об'єкти 99.3 98.1 100.0 98.0 100.0 98.1
Як видно із табл. 3 найвища точність отримана для ансамблю із 7 класи-
фікаторів, які навчались на спільних даних. Матрицю невідповідностей для
цього випадку наведено в табл. 4.
Таблиця 4
Матриця невідповідностей для тестової вибірки при застосуванні архітектури 3
(ТВ — точність «виробника»; ТК — точність «користувача»; ПР — помилка
першого роду; ДР — помилка другого роду)
Клас 1 2 3 4 5 6 7 8 9 10 11 12 13 ТК,% ДР,%
1 184 0 0 0 3 0 0 0 0 0 0 1 0 97.9 2.1
2 0 21453 33 51 26 0 29 11 1728 0 2 30 0 91.8 8.2
3 0 1 3788 1 14 0 5 1 2 0 0 0 0 99.4 0.6
4 0 723 0 982 3 0 0 3 1101 0 24 0 0 34.6 65.4
5 0 0 0 177 33972 2 390 4544 34 0 41 0 0 86.8 13.2
6 0 0 0 11 222 3511 118 52 2 0 2 0 0 89.6 10.4
7 0 1 0 10 389 7 13241 1672 91 0 92 0 0 85.4 14.6
8 0 56 0 351 2660 181 1027 14668 29 3 52 0 0 77.1 22.9
9 0 74 230 828 96 0 832 78 7677 0 24 0 0 78.0 22
10 0 27 0 0 78 0 36 11 6 4198 165 0 0 92.9 7.1
11 0 71 1 6 63 0 26 15 159 131 4089 31 0 89.0 11
12 0 0 0 0 0 0 0 0 0 0 4 403 0 99.0 1.0
13 0 0 0 0 0 0 49 0 0 0 0 0 2524 98.1 1.9
ТВ,% 100.0 95.7 93.5 40.6 90.5 94.9 84.1 69.7 70.9 96.9 91.0 86.7 100.0
ПР,% 0.0 4.3 6.5 59.4 9.5 5.1 15.9 30.3 29.1 3.1 9.0 13.3 0.0
Для перевірки достовірності отримані результати було порівняно з
офіційною статисткою (Табл. 5).
Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Індуктивне моделювання складних систем, випуск 6, 2014 164
Таблиця 5
Порівняння результатів класифікації з офіційною статистикою
для Київської області
Но-
мер
класу
Назва класу Посівні площі:
офіційна статис-
тика, x 1000, га
Посівні площі:
результати
класифікації,
x 1000, га
Відносна
похибка,
%
2 Озима пшениця 187.3 184.5 -1.5
3 Озимий ріпак 46.7 59.9 28.3
5 Кукурудза 291.7 342.4 17.4
6 Цукровий буряк 15.5 11.2 -27.9
7 Соняшник 108.2 117.6 8.7
8 Соя 145.9 168.5 15.5
3. Висновки
В статті запропоновано індуктивний підхід до класифікації посівів за ча-
совими рядами супутникових даних. Ідея полягає в послідовному застосуванні
двох нейромережевих парадигм: нейронних мереж Кохонена для відновлення
зашумлених даних та ансамблю мереж персептронного типу для класифікації.
В цілому, отримані результати класифікації можна вважати задовільними. Най-
більші помилки класифікації отримані для ярих культур, соняшника, сої і куку-
рудзи. Вони спричинені тим, що вегетаційний період цих культур співпадає з
періодом вегетації інших сільськогосподарських культур, тому для їх розділен-
ня необхідно застосовувати додаткові джерела даних (наприклад, радарні дані).
Такі дослідження планується проводити в подальшому. Важливо також відзна-
чити, що карти класифікації на основі супутникових даних в операційному ре-
жимі можна отримувати в кінці вегетаційного сезону, за півроку до отримання
офіційної статистики.
Література
1. Kogan, F., Kussul, N., Adamenko, T., Skakun, S., Kravchenko, O., Kry-
vobok, O., Shelestov, A., Kolotii, A., Kussul, O., Lavrenyuk, A., 2013. Winter
wheat yield forecasting in Ukraine based on Earth observation, meteorological
data and biophysical models. International Journal of Applied Earth Observa-
tion and Geoinformation 23, 192–203. doi:10.1016/j.jag.2013.01.002.
2. Куссуль Н.М., Скакун С.В., Шелестов А.Ю., 2014. Геопросторовий
аналіз ризиків стихійних лих. К.: «Наукова думка» — 2014. — 258 с.
3. S. Skakun, N. Kussul, A. Shelestov, O. Kussul., 2014. Flood Hazard and
Flood Risk Assessment Using a Time Series of Satellite Images: A Case Study
С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов
Індуктивне моделювання складних систем, випуск 6, 2014 165
in Namibia. Risk Analysis. — 2014. — Vol. 34, No. 8. — P. 1521–1537. doi:
10.1111/risa.12156.
4. N. Kussul, S. Skakun, A. Shelestov, O. Kussul and B. Yailymov., 2014.
Resilience Aspects in the Sensor Web Infrastructure for Natural Disaster
Monitoring and Risk Assessment Based on Earth Observation Data. IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
— 2014.
5. Kohonen, T., 1995. Self-organizing maps. Series in information sciences 30,
Springer, Heidelberg, Germany.
6. Skakun, S., Kussul, N., Basarab, R., 2014. Restoration of Missing Data due
to Clouds on Optical Satellite Imagery Using Neural Networks. In: ESA SEN-
TINEL-2 for Science Workshop, ESA-ESRIN, Frascati, Rome, Italy, 20-22
May 2014. Available at: http://seom.esa.int/S2forScience2014/files/
05_S2forScience-MethodsI_KUSSUL.pdf.
7. Skakun Sergii; Kussul Nataliia; Basarab Ruslan., 2014. Dealing with miss-
ing data in remote sensing images within land and crop classification. 40th
COSPAR Scientific Assembly. Held 2-10 August 2014, in Moscow, Russia,
Abstract A3.1-3-14.
8. Скакун С.В., Р.М. Басараб. Восстановление отсутствующих данных во
временных рядах оптических спутниковых снимков с использованием
самоорганизующихся карт Кохонена. Проблеми управління та
інформатики — 2014., №6. —С. 88 – 94.
9. Gallego, J., Kravchenko, A.N., Kussul, N.N., Skakun, S.V., Shelestov, A.Y.,
Grypych Y.A., 2012. Efficiency assessment of different approaches to crop
classification based on satellite and ground observations. Journal of Automa-
tion and Information Sciences 44 (5), 67–80.
doi:10.1615/JAutomatInfScien.v44.i5.70.
10. Gallego, F.J., Kussul, N., Skakun, S., Kravchenko, O., Shelestov, A., Kus-
sul, O., 2014. Efficiency assessment of using satellite data for crop area estima-
tion in Ukraine. International Journal of Applied Earth Observation and Geoin-
formation 29, 22–30. doi:10.1016/j.jag.2013.12.013.
11. N. Kussul, A. Shelestov, S. Skakun, G. Li, O. Kussul, J. Xie., 2014. Ser-
vice-oriented infrastructure for flood mapping using optical and SAR satellite
data. International Journal of Digital Earth . — 2014. — Vol. 7, No. 10 — P.
829–845.
12. Kussul N., Shelestov A., Skakun S., 2011. Technologies for Satellite Data
Processing and Management Within International Disaster Monitoring Pro-
jects. In . Grid and Cloud Database Management Grid — Fiore, S.; Aloisio, G.
(Eds.). — 2011, Springer — Р. 279–306.
Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних
Індуктивне моделювання складних систем, випуск 6, 2014 166
13. Kravchenko, A.N., Kussul, N.N., Lupian, E.A., Savorsky, V.P., Hluchy, L.,
Shelestov, A.Yu., 2008. Water resource quality monitoring using heterogene-
ous data and high-performance computations. Cybernetics and System Analy-
sis 44 (4), 616–624. doi:10.1007/s10559-008-9032-x.
14. Kussul, N., Shelestov, A., Skakun, S., 2009. Grid and sensor web tech-
nologies for environmental monitoring. Earth Science Informatics 2 (1-2), 37–
51. doi:10.1007/s12145-009-0024-9.
15. Kussul, N., Shelestov, A., Skakun, S., Kravchenko, O., Gripich, Y., Hlu-
chy, L., Kopp, P., Lupian, E., 2010. The Data Fusion Grid Infrastructure: Pro-
ject Objectives and Achievements. Computing and Informatics 29 (2), 319–
334.
16. Kussul, N.N., Shelestov, A.Y., Skakun, S.V., Li, G., Kussul, O.M., 2012.
The wide area grid testbed for flood monitoring using earth observation data.
IEEE Journal of Selected Topics in Applied Earth Observations and Remote
Sensing 5 (6), 1746–1751. doi:10.1109/JSTARS.2012.2201447.
17. Shelestov, A., Kussul, N., Skakun, S., 2006. Grid Technologies in Monitor-
ing Systems Based on Satellite Data. Journal of Automation and Information
Sciences 38 (3), 69–80. doi:10.1615/J Automat Inf Scien.v38.i3.50.
18. Kussul N., Skakun S., Kravchenko O., Shelestov A., Gallego F. J., Kussul
O., 2013. Application of satellite optical and SAR images for crop mapping
and area estimation in Ukraine. International Journal "Information Technolo-
gies & Knowledge". — 2013. — Vol. 7, No. 3 — P. 203–210.
19. Shelestov, A.Y., Kravchenko, A.N., Skakun, S.V., Voloshin, S.V., Kussul,
N.N., 2013. Geospatial information system for agricultural monitoring. Cyber-
netics and System Analysis 49 (1), 124–132. doi:10.1007/s10559-013-9492-5.
20. Skakun Sergii; Kussul Nataliia; Kravchenko Oleksiy; Basarab Ruslan;
Ostapenko Vadym; Yailymov Bohdan; Shelestov Andrii; Kolotii Andrii; Mi-
ronov Andrii, Validation of Global EO Biophysical Products at JECAM Test
Site in Ukraine //40th COSPAR Scientific Assembly. 2-10 August 2014, in
Moscow, Russia, Abstract A3.1-59-14.
21. A. Shelestov, S. Skakun, R. Basarab , T. Baranova. JECAM Activities in
Ukraine. EARTH Bioresources and Life Quality. — 2013. — Vol.4. P. 1–13.
Available at: http://gchera-ejournal.nubip.edu.ua/index.php/ebql/article/
view/160/124.
22. Rahman, H., Dedieu, G., 1994. SMAC: a simplified method for the atmos-
pheric correction of satellite measurements in the solar spectrum. International
Journal of Remote Sensing 15 (1), 123–143. doi:10.1080/0143116940895405.
— 2014. — Vol. 7, No. 9 — P. 1–7.
|
| id | nasplib_isofts_kiev_ua-123456789-84003 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0044 |
| language | Ukrainian |
| last_indexed | 2025-12-07T18:44:52Z |
| publishDate | 2014 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Скакун, С.В. Шелестов, А.Ю. Яйлимов, Б.Я. Остапенко, В.А. Лавренюк, М.С. Вікулов, А.В. 2015-07-02T07:15:06Z 2015-07-02T07:15:06Z 2014 Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних / С.В. Скакун, А.Ю. Шелестов, Б.Я. Яйлимов, В.А. Остапенко, М.С. Лавренюк, А.В. Вікулов // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2014. — Вип. 6. — С. 157-166. — Бібліогр.: 22 назв. — укр. XXXX-0044 https://nasplib.isofts.kiev.ua/handle/123456789/84003 004.62 Запропоновано метод класифікації сільськогосподарських посівів з використанням часових рядів супутникових даних. Метод ґрунтується на послідовному використанні двох нейромережевих парадигм: карт самоорганізації Кохонена та ансамблю багатошарових персептронів. Точність класифікації підтверджується тестуванням на незалежній вибірці, а також шляхом порівняння з офіційною статистикою. Предложен метод классификации сельскохозяйственных посевов с использованием временных рядов спутниковых данных. Метод основан на последовательном использовании двух нейросетевых парадигм: карт самоорганизации Кохонена и ансамбля многослойных персептронов. Точность классификации подтверждается тестированием на независимой выборке, а также путем сравнения с официальной статистикой. A method for crop classification using a time series of satellite data is presented. The method is based on the subsequent applications of two neural networks paradigms: self-organising Kohonen maps and an ensemble of multi-layer perceptrons. The accuracy of classification is verified using independent testing data set and compared with official statistics. uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Індуктивне моделювання складних систем Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних Article published earlier |
| spellingShingle | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних Скакун, С.В. Шелестов, А.Ю. Яйлимов, Б.Я. Остапенко, В.А. Лавренюк, М.С. Вікулов, А.В. |
| title | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| title_full | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| title_fullStr | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| title_full_unstemmed | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| title_short | Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| title_sort | класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/84003 |
| work_keys_str_mv | AT skakunsv klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih AT šelestovaû klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih AT âilimovbâ klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih AT ostapenkova klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih AT lavrenûkms klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih AT víkulovav klasifíkacíâsílʹsʹkogospodarsʹkihposívívzvikoristannâmčasovihrâdívsuputnikovihdanih |