Нормалізований диференційний вегетаційний індекс як маркер ідентифікації озимих культур у системах автоматизованого картування посівів
Анотація
Мета. Вивчення можливості застосування часової серії супутникового нормалізованого диференційного вегетаційного індексу та дискримінантної канонічної функції для класифікації озимих культур (пшениця, ячмінь, ріпак) для подальшого автоматизованого картування їх посівів. Методи. Дані щодо часової серії нормалізованого диференційного вегетаційного індексу за 2018 рік у період «квітень – липень» місяць, отримані для 70 випадково обраних полів пшениці озимої, ячменю озимого та ріпаку озимого (усього – 210 полів), розташованих у зоні Степу України, було застосовано для виконання мультикласового лінійного дискримінантного аналізу та канонічного дискримінантного аналізу. За результатами математико-статистичної обробки даних було побудовано дискримінантну функцію класифікації кожної досліджуваної культури. Статистичні розрахунки виконували за рівня достовірності 95% (P<0,05). Результати. За результатами математико-статистичних розрахунків було розроблено дві канонічні функції, причому оцінка ваги кожної із них у досягненні коректних результатів засвідчила перевагу першої (82,9% проти 17,1%; канонічний коефіцієнт кореляції 0,78 проти 0,49, відповідно). Розраховані коефіцієнти і константи дозволили розробити канонічну класифікаційну функцію для ідентифікації посівів кожної з досліджуваних культур. Найкращу точність класифікації зафіксовано для посівів пшениці озимої (75,7%) та ячменю озимого (72,9%), у той час як посіви ріпаку озимого ідентифікуються найгірше – коректність передбачення склала 55,7%. Це можна пояснити спотворенням величини NDVI на посівах ріпаку озимого в період активного цвітіння культури. Автоматизоване картування озимих культур на основі розробленої канонічної дискримінантної функції є можливим для зернової групи, і залишається під питанням для ріпаку. Висновки. Результати дослідження засвідчили про можливість високоточної класифікації та подальшого картування посівів озимих зернових культур за даними часової серії нормалізованого диференційного вегетаційного індексу. Класифікація посівів ріпаку озимого потребує проведення додаткових досліджень із залученням альтернативних алгоритмів і методів.
Посилання
2. Sishodia R. P., Ray R. L., Singh S. K. Applications of remote sensing in precision agriculture: A review. Remote Sensing. 2020. Vol. 12. No. 19. P. 3136. DOI: 10.3390/rs12193136
3. Сердюченко Н. (Аналіз систем агромоніторингу транснаціонального рівня. Техніко-технологічні аспекти розвитку та випробування нової техніки і технологій для сільського господарства України. 2018. Вип. 22. С. 159 –165.
4. Bellón B., Bégué A., Lo Seen D., De Almeida C. A., Simões M. A remote sensing approach for regionalscale mapping of agricultural land-use systems based on NDVI time series. Remote Sensing. 2017. Vol. 9. No. 6. P. 600. DOI: 10.3390/rs9060600
5. Kuenzer C., Knauer K. Remote sensing of rice crop areas. International Journal of Remote Sensing. 2013. Vol. 34. No. 6. P. 2101–2139. DOI: 10.1080/01431161.2012.738946
6. Kussul N., Lavreniuk M., Skakun S., Shelestov A. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters. 2017. Vol. 14. No. 5. P. 778–782. DOI: 10.1109/LGRS.2017.2681128
7. Kussul N., Skakun S., Shelestov A., Lavreniuk M., Yailymov B., Kussul O. Regional scale crop mapping using multi-temporal satellite imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2015. Vol. 40. P. 45–52. DOI: 10.5194/isprsarchives-XL-7-W3-45-2015
8. Zhang C., Di L., Lin L., Li H., Guo L., Yang Z., Yu E. G., Di Y., & Yang A. Towards automation of in-season crop type mapping using spatiotemporal crop information and remote sensing data. Agricultural Systems. 2022. Vol. 201. P. 103462. DOI: 10.1016/j.agsy.2022.103462
9. Tariq A., Yan J., Gagnon A. S., Riaz Khan M., Mumtaz F. Mapping of cropland, cropping patterns and crop types by combining optical remote sensing images with decision tree classifier and random forest. Geo-Spatial Information Science. 2023. Vol. 26. No. 3. P. 302–320. DOI: 10.1080/10095020.2022.2100287
10. López-Granados, F., Gómez-Casero, M. T., Pena-Barragán, J. M., Jurado-Expósito, M., & Garcia-Torres, L. (2010). Classifying irrigated crops as affected by phenological stage using discriminant analysis and neural networks. Journal of the American Society for Horticultural Science, 135(5), 465–473. DOI: 10.21273/JASHS.135.5.465
11. Lykhovyd P. V. Using normalised difference vegetation index in classification and agroecological zoning of spring row crops. Biosystems Diversity. 2023. Vol. 31. No. 4. P. 506–512. DOI:10.15421/012360
12. Lykhovyd P. V. Seasonal dynamics of normalized difference vegetation index in some winter and spring crops in the South of Ukraine. Agrology. 2021. Vol. 4. No. 4. P. 187–193. DOI: 10.32819/021022
13. Cruz-Castillo J. G., Ganeshanandam S., MacKay B. R., Lawes G. S., Lawoko C. R. O., Woolley D. J. Applications of canonical discriminant analysis in horticultural research. HortScience. 1994. Vol. 29. No. 10. P. 1115–1119.
14. Li T., Zhu S., Ogihara M. Using discriminant analysis for multi-class classification: an experimental investigation. Knowledge and Information Systems. 2006. Vol. 10. P. 453–472. DOI: 10.1007/s10115-006-0013-y
15. Карташов М. В. Імовірність, процеси, статистика. Київ : ВПЦ Київський університет, 2007. 504 с.
16. Zang Y., Chen X., Chen J., Tian Y., Shi Y., Cao X., Cui X. Remote sensing index for mapping canola flowers using MODIS data. Remote Sensing. 2020. Vol. 12. No. 23. P. 3912. DOI: 10.3390/rs12233912
