Loading
Пропустить Навигационные Ссылки.

Авторизоваться
Для зарегистрированных пользователей

4.2.5. Развитие автоматизированных методов обработки временных серий данных спутниковых для мониторинга сельскохозяйственного землепользования и классификации посевов

  В ИКИ РАН создана технология детектирования используемых пахотных земель на основе разработанных спектрально-динамических признаков распознавания и локально-адаптивного алгоритма классификации LAGMA.

Распознавание  используемой пашни осуществляется на основе набора специализированных пространственно-временных признаков, полученных по многолетним временным сериям перпендикулярного вегетационного индекса PVI.

В основу индекса кратчайшего сезона вегетации в качестве признака распознавания пахотных земель положено наличие, в силу проведения агротехнических мероприятий (обработка почвы перед севом и уборка урожая), тенденций к сокращению продолжительности вегетационного периода сельскохозяйственных культур по сравнению с естественной растительностью. Значения признака рассчитывается как минимальный для ряда лет период, в котором значения PVI превышают порог, определяемый половиной максимального значения ВИ в текущем году.

Предпосылками для разработки и использования индекса весеннего развития растительности являются характерные для естественной и сельскохозяйственной растительности различия времени начала роста. В отличие от естественной растительности, время появления всходов на пахотных землях непосредственно связано со сроками сева, определяемыми в свою очередь состоянием почвы и ее готовностью к проведению посевных работ. Исключение составляют весенние всходы многолетних и озимых культур, которые уже имеют развитые с осени предыдущего года вегетативные органы. Таким образом, значения этого индекса, определяемого как минимальная многолетняя сумма значений PVI в границах временного окна, охватывающего весенний период года, имеют, как правило, существенно большие значения на участках естественной растительности, чем на пахотных землях.

Временной интервал спутниковых наблюдений, используемых для вычисления индекса сезонного снижения фитомассы, соответствует периоду вегетации культурной растительности, но также включает в себя моменты ожидаемого минимального покрытия пашни растительностью и, следовательно, низких значений PVI. Это моменты осенней обработки почвы, скашивания многолетних трав или предпосевных работ. При этом предполагается, что в период вегетации естественная растительность накапливает существенный объём фитомассы.

В результате, на основе признаков распознавания, обучающей выборки, алгоритма LAGMA и участия экспертов были созданы карты используемых пахотных земель на всю территорию РФ за 2002-2007, 2003-2008, 2004-2009 и 2005-2010 годы. Полученные карты стали основой для создания обучающей выборки и карты априорных вероятностей, подходящих для их использования в полностью автоматических процедурах (рис. 4.2.5.1.).

Рис 4.2.5.1. Логическая схема процедуры получения обучающей выборки для автоматической классификации пахотных земель по данным MODIS

Для автоматизации процедуры ежегодного обновления карт участков используемой пашни в технологию распознавания был интегрирован модуль обновления карт априорной вероятности и обучающей выборки. Он обеспечивает обновление и репрезентативность обучающей выборки и карты априорных вероятностей для класса используемой пашни при изменении их между последовательными результатами распознавания участков ИПЗ. В частности, при обновлении обучающей выборки модулем обеспечивается исключение из нее пикселей, соответствующих заброшенным участкам пашни и пополнение её пикселями, соответствующими вновь распаханным территориям. Карта априорных вероятностей представляет собой априорную информацию об участках растительности, потенциально являющихся используемой пашней. Она позволяет исключить ошибочное детектирование растительности, одновременно повышая вероятность верного распознавания участков ИПЗ в зоне активного земледелия. Слой априорных вероятностей рассчитывается путем буферизации групп репрезентативных пикселей, каждый из которых был хотя бы единожды отнесен к классу ИПЗ. Буферизация подразумевает построение вокруг данных пикселей круговой области непрерывных значений коэффициентов априорной вероятности распознавания участков используемой пашни. Наличие линейного радиального градиента обеспечивает снижение значений априорной вероятности от единицы в центре буферной зоны до нуля на расстоянии 10 км от её центра. При обновлении карты априорных вероятностей происходит обновление только центров буферизации в соответствии с концепцией, аналогичной обновлению обучающей выборки; построение буферных зон осуществляется по обновленному множеству репрезентативных пикселей (рис.4.2.5.2.).

Рис. 4.2.5.2. Блок-схемы автоматического обновления обучающей выборки (слева) и карты априорных вероятностей (справа) в модуле автоматического обновления

Описанные выше схемы расчета признаков распознавания, классификации и интеграции результатов включены в соответствующие модули и совместно с модулем обновления образуют технологию ежегодного автоматического распознавания участков используемой пашни для всей территории РФ (рис. 4.2.5.3.).