Сравнение классификации сельскохозяйственных культур по данным за один период, полученным с помощью спутника Xiguang No. 1 05 (Tianxianpei No.) и спутника Sentinel-2.

Введение

Идентификация и дифференциация распространения различных типов сельскохозяйственных культур с использованием данных дистанционного зондирования позволяют оптимизировать управление и осуществлять макроуровневый мониторинг сельскохозяйственного производства. Этот мониторинг обеспечивает информационную поддержку для раннего предупреждения о вредителях и болезнях. Кроме того, результаты классификации, полученные с помощью дистанционного зондирования, в сочетании с метеорологической, гидрологической и почвенной информацией, обеспечивают научную основу для оценки урожайности сельскохозяйственных культур, оценки ущерба от стихийных бедствий и принятия решений в области продовольственной безопасности. Значение этого метода заключается в содействии трансформации традиционного сельского хозяйства в сторону цифровизации, информатизации и интеллектуализации, повышении эффективности сельскохозяйственного производства и рациональном использовании ресурсов, снижении затрат на ручные обследования, а также в обеспечении динамического мониторинга и точного управления крупными сельскохозяйственными угодьями. Кроме того, результаты классификации культур могут предоставить важные базовые данные для разработки национальной сельскохозяйственной политики, защиты пахотных земель и оценки поглощения углерода, что имеет огромное значение для обеспечения продовольственной безопасности и содействия устойчивому развитию сельского хозяйства.

Мультиспектральные изображения обычно содержат небольшое количество широких полос (например, 4–13), в основном отражающих общие характеристики наземных объектов в ключевых диапазонах, таких как видимый и ближний инфракрасный свет. Они подходят для классификации и мониторинга наземных объектов в макромасштабе, таких как землепользование и растительный покров. Гиперспектральные изображения, с другой стороны, используются в…Непрерывная выборка в десятках-сотнях узких полос.Гиперспектральные данные позволяют зафиксировать тонкие характеристики отражения элементов рельефа в спектре, что дает возможность выявлять незначительные различия, которые невозможно обнаружить с помощью мультиспектральных методов. Например, вариации различных сортов сельскохозяйственных культур, физиологическое состояние растительности или минеральный состав могут быть точно зафиксированы в гиперспектральных данных. Сравнивая эти два подхода, можно выявить влияние спектрального разрешения на точность идентификации элементов рельефа и возможности извлечения этих элементов, что позволит определить оптимальную схему выбора данных для различных задач.

Принципы и методы

Этот эксперимент проводился с использованием данных со спутника Xiguang-105 (также известного как Tianxianpei) и Sentinel-2. Сначала были рассчитаны нормализованный разностный индекс растительности (NDVI), индекс отношения растительности (RVI) и улучшенный индекс растительности (EVI) для гиперспектральных и мультиспектральных данных. Затем для гиперспектральных данных был использован модифицированный алгоритм светлячков для выбора полос с высокой корреляцией с целью уменьшения размерности полос. Наконец, для классификации сельскохозяйственных культур в гиперспектральных и мультиспектральных данных был использован метод опорных векторов (SVM).

Анализ результатов

Рисунок 1. Результаты гиперспектральной классификации.

Рисунок 2. Результаты многоспектральной классификации.

В этом эксперименте по классификации сельскохозяйственных культур использовались три индекса — NDVI, RVI и EVI — наряду с полосами, сильно коррелирующими с культурами. Для минимизации влияния классификатора применялся алгоритм SVM. На рисунках 1 и 2 показаны результаты классификации. Результаты классификации по гиперспектральным изображениям за один период оказались лучше, чем результаты классификации по мультиспектральным изображениям. Мультиспектральные изображения страдают от размытых границ, многочисленных пятен и меньшей точности, в то время как гиперспектральные изображения обеспечивают более детальную и стабильную идентификацию наземных объектов.

В классификации типов землепользования гиперспектральные данные обладают значительными преимуществами перед мультиспектральными. Гиперспектральные изображения регистрируют характеристики отражения земельного покрова в нескольких непрерывных узких полосах, что позволяет более детально охарактеризовать спектральные различия между различными типами сельскохозяйственных культур на поверхности земли. Они часто демонстрируют различимые межспектральные особенности в гиперспектральном пространстве, что значительно повышает точность классификации и разделимость классов. Используя гиперспектральные данные, методы сопоставления спектральных признаков позволяют достичь тонкой дифференциации и высокоточной идентификации сложных типов землепользования. В отличие от них, традиционные мультиспектральные данные имеют меньше полос и более широкую полосу пропускания, предоставляя лишь ограниченную спектральную информацию. Они подвержены спектральному перекрытию между различными типами землепользования, что приводит к размытым границам классификации и ошибкам классификации. Кроме того, мультиспектральные данные нестабильны в сложных поверхностных условиях (таких как смешанные типы землепользования, тени и помехи от почвенного фона), что затрудняет эффективное выявление тонких различий. Таким образом, с точки зрения точности классификации, надежности и интерпретируемости, гиперспектральные данные обладают значительными преимуществами в задачах классификации типов землепользования и являются важным источником данных для высокоточной обработки информации о поверхности земли.