Використання радарних даних Sentinel‑1 для реконструкції часового ряду NDVI пшениці озимої
Анотація
Мета. Метою дослідження було оцінити точністьреконструкції часових рядів нормалізованого різницевоговегетаційного індексу (NDVI) пшениці озимої за використання радіолокаційних даних Sentinel-1 та фенологічнонормалізованого часу в умовах неповного оптичногопокриття Sentinel-2, а також оцінити стійкість підходу врізні вегетаційні періоди. Методи. Дослідження проведеноза даними трьох дослідних ділянок Навчально-науково-практичного центру Миколаївського національного аграрного університету протягом чотирьох вегетаційних сезонів(2021‑2025). Для формування єдиного часового масштабуміж вегетаціними періодами використано фенологічнонормалізований час. Як предиктори використано коефіцієнти зворотного розсіювання Sentinel-1 VV і VH, коефі-цієнт поляризації Q та індекс радіолокаційної рослинностіRVI. Спостереження Sentinel‑1 і Sentinel‑2 узгоджували занайближчим фенологічним часом. Реконструкцію сезонної динаміки NDVI виконано за допомогою узагальненоїадитивної моделі (GAM) та оцінено за двома сценаріями:випадковим утриманням окремих спостережень і блоковою валідацією, що моделювала тривалу відсутністьоптичних спостережень через хмарність. Результати.Взаємозв'язок NDVI із SAR-предикторами мав виражений фазозалежний характер. Найвищі кореляції з NDVIспостерігалися для RVI та Q у період весняного відновлення вегетації, тоді як VV характеризувався найслабшимзв'язком. В обох сценаріях модель відтворила основнусезонну траєкторію NDVI, включаючи осінній розвитоквегетаційного покриву, зимове зниження, весняне відновлення та максимальні значення індексів поблизуфази колосіння. Точність реконструкції була вищою привипадковому утриманні спостережень, тоді як блоковавалідація була складнішою, але також забезпечилавідтворення сезонної динаміки в межах безперервногооптичного пропуску. Висновки. Поєднання фенологічнонормалізованого часу та SAR-предикторів Sentinel‑1 ускладі GAM є придатним підходом для реконструкціїNDVI пшениці озимої за неповного покриття Sentinel‑2.Інтеграція даних Sentinel‑1 і Sentinel‑2 має потенціал дляпідвищення часової безперервності NDVI-спостережень під час моніторингу посівів пшениці озимої. Подальшідослідження доцільно проводити із залученням додаткових вегетаційних періодів та агрокліматичних регіоніві застосуванням просторово незалежної валідації.
Посилання
2. Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F., Hoersch B., Isola C., Laberinti P., Martimort P., Meygret A., Spoto F., Sy O., Marchese F., Bargellini P. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment. 2012. Vol. 120. P. 25–36. DOI: 10.1016/j.rse.2011.11.026.
3. Torres R., Snoeij P., Geudtner D., Bibby D., Davidson M., Attema E., Potin P., Rommen B., Floury N., Brown M., Navas Traver I., Deghaye P., Duesmann B., Rosich B., Miranda N., Bruno C., L'Abbate M., Croci R., Pietropaolo A., Huchler M., Rostan F. GMES Sentinel-1 Mission. Remote Sensing of Environment. 2012. Vol. 120. P. 9–24. DOI: 10.1016/j.rse.2011.05.028.
4. Veloso A., Mermoz S., Bouvet A., Le Toan T., Planells M., Dejoux J.-F., Ceschia E. Understanding the Temporal Behavior of Crops Using Sentinel-1 and Sentinel-2-Like Data for Agricultural Applications. Remote Sensing of Environment. 2017. Vol. 199. P. 415–426. DOI: 10.1016/j.rse.2017.07.015.
5. Nasrallah A., Baghdadi N., El Hajj M., Darwish T., Belhouchette H., Faour G., Darwich S., Mhawej M. Sentinel-1 Data for Winter Wheat Phenology Monitoring and Mapping. Remote Sensing. 2019. Vol. 11, No. 19. P. 2228. DOI: 10.3390/rs11192228.
6. Mercier A., Betbeder J., Baudry J., Le Roux V., Spicher F., Lacoux J., Roger D., Hubert-Moy L. Evaluation of Sentinel-1 & 2 Time Series for Predicting Wheat and Rapeseed Phenological Stages. ISPRS Journal of Photogrammetry and Remote Sensing. 2020. Vol. 163. P. 231–256. DOI: 10.1016/j.isprsjprs.2020.03.009.
7. Szigarski C., Jagdhuber T., Baur M., Thiel C., Parrens M., Wigneron J.-P., Piles M., Entekhabi D. Analysis of the Radar Vegetation Index and Potential Improvements. Remote Sensing. 2018. Vol. 10, No. 11. P. 1776. DOI: 10.3390/rs10111776.
8. Wood S. N. Generalized Additive Models: An Introduction with R. 2nd ed. Boca Raton: Chapman and Hall/CRC, 2017. 496 p. DOI: 10.1201/ 9781315370279.
9. Hird J. N., McDermid G. J. Noise Reduction of NDVI Time Series: An Empirical Comparison of Selected Techniques. Remote Sensing of Environment. 2009. Vol. 113, No. 1. P. 248–258. DOI: 10.1016/j.rse.2008.09.003.
10. Pipia L., Muñoz-Marí J., Amin E., Belda S., Camps-Valls G., Verrelst J. Fusing Optical and SAR Time Series for LAI Gap Filling with Multioutput Gaussian Processes. Remote Sensing of Environment. 2019. Vol. 235. Article 111452. DOI: 10.1016/j.rse.2019.111452.
11. Pedersen E. J., Miller D. L., Simpson G. L., Ross N. Hierarchical Generalized Additive Models in Ecology: An Introduction with mgcv. PeerJ. 2019. Vol. 7. Article e6876. DOI: 10.7717/peerj.6876.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
