CC BY
304
УДК 528.94(528.85):63:004
СПЕКТРАЛЬНЫЕ ПРЕОБРАЗОВАНИЯ КОСМИЧЕСКИХ СНИМКОВ LANDSAT 8 ДЛЯ КАРТОГРАФИРОВАНИЯ РАСТИТЕЛЬНОСТИ АГРОЭКОСИСТЕМ
Елена Витальевна Казяк
Белорусский государственный университет, 220030, Республика Беларусь, г. Минск, ул. Ленинградская, 14, аспирантка, тел. (37544)549-50-75, e-mail: [email protected]
Александр Васильевич Лещенко
Белорусский государственный университет, 220030, Республика Беларусь, г. Минск, ул. Ленинградская, 14, студент, тел. (37529)350-71-31, e-mail: [email protected]
В статье изложена методика автоматизированного распознавания видовой структуры посевов сельскохозяйственных культур по мультиспектральным космическим снимкам. Приведены результаты классификации отдельных культур по исходному снимку и на основе спектральных преобразований (по методу главных компонент, преобразование Tasseled Сар, нормализованный разностный вегетационный индекс NDVI). Представлена карта растительности агроэкосистем, созданная по результатам дешифрирования.
Ключевые слова: агроэкосистема, дешифрирование, классификация с обучением, спектральные преобразования, Landsat 8.
SPECTRAL TRANSFORMATION OF SPACE IMAGES LANDSAT 8 FOR AGROECOSYSTEMS VEGETATION MAPPING
Elena V. Kaziak
Belarusian State University, 220030, Belarus, Minsk, 14 Leningradskaya St., postgraduate student, tel. (37544)549-50-75, e-mail:[email protected]
Alexander V. Leshchenko
Belarusian State University, 220030, Belarus, Minsk, 14 Leningradskaya St., student, tel. (37529)350-71-31, e-mail: [email protected]
The paper sets out the methodology of automated recognition of specific structure of crops on multispectral satellite images. The results of the research of the effectiveness of spectral transformations (using principal component transformation Tasseled Cap, normalized difference vegetation index NDVI) are provided in the article. The accuracy of the classification of individual cultures on the original picture and on the basis of spectral indices values was also compared. The map, created as a result of decoding is provided.
Key words: agroecosystem, decoding, classification learning, spectral transforms, Landsat 8.
Агроэкосистемы - это искусственно созданные и регулируемые человеком биотические сообщества культурных растений с их экотопами (местоположениями) с целью получения сельскохозяйственной продукции [1]. Наличие достоверной и актуальной информации об их основном компоненте - посевах сельскохозяйственных культур - является важным условием проведения эффективной аграрной политики. Однако изучение и картографирование агроэкосистем сопряжено с особыми трудностями, что обусловлено высокой динамично-
стью сельскохозяйственной растительности в результате ежегодной смены на полях (севооборот).
В Беларуси основным источником информации о выращиваемых в сельскохозяйственных организациях культурах являются книги истории полей. Однако содержащиеся в них информация не может быть признана полностью достоверной, т.к. такие книги опираются только на предоставленные агрономами данные и в силу различных причин часто бывают искажены. Для оценки эффективности аграрной политики необходима разработка методики независимого и оперативного дешифрирования видовой структуры посевов.
В статье приводятся результаты экспериментальных исследований по автоматизированному дешифрированию видовой структуры сельскохозяйственных культур (ржи озимой, пшеницы озимой, пшеницы яровой, тритикале озимого, рапса озимого, ячменя, овса, гречихи, кукурузы, многолетних трав и зернобобовых) на основе материалов ДЗЗ с использованием геоинформационных технологий.
В качестве основного источника информации выступили материалы космической съемки спутниковой системы Landsat 8. Тестовые поля расположены на территории одной из сельскохозяйственных организаций Смолевичского района Минской области, их общая площадь составила 9799 га (257 полей). На территорию исследования был составлен архив из 8 сцен за период с 23 марта по 30 августа 2014.
На этапе предварительной обработки все снимки подверглись радиометрической и атмосферной коррекции (способом вычитания абсолютно черных объектов). Для повышения качества последующей тематической обработки применялся векторный слой полей, который использовался в качестве маски для дешифрирования [2].
Ключевым элементом исследования являлось использование различных спектральных преобразований многозональных снимков для повышения эффективности результатов распознавания. Спектральные предобразования заключаются в алгебраических преобразованиях яркостей, или коэффициентов отражения каналов многозональных спутниковых данных (табл. 1). В программном пакете ENVI 5.2. по трем безоблачным сценам Landsat (за 19.05, 29.07 и 14.08.2014) были рассчитаны следующие спектральные индексы: нормализованный разностный вегетационный индекс (NDVI), преобразование Tasseled Cap и главных компонент.
Таблица 1
Формулы анализируемых спектральных индексов
Главных компонент 1 0,054TM2+0,130TM3+0,143TM4+0,595TM5+0,709TM6+0,321TM7
2 -0,079TM2+0,121TM3+0,212TM4+0,787TM5+0,421TM6+0,372TM7
3 0,230TM2+0,504TM3+0,616TM4+0,140TM5+0472TM6+0,266TM7
Tasseled Cup 1 0,304TM2+0,279TM3+0,474TM4+0,599TM5+0,508TM6+0,186TM7
2 -0,285TM2-0,244TM3-0,544TM4+0,704TM5+0,084TM6-0,180TM7
3 0,151TM2+0,197TM3+0,328TM4+0,341TM5-0,711TM6-0,457TM7
NDVI (TM5-TM4)/(TM5+TM4)
Исходные снимки и картограммы вышеуказанных спектральных индексов послужили основой для классификации спектральных признаков культур. Для этого на каждую из культур создавалось несколько спектральных эталонов. Процесс эталонирования заключался в обозначении на изображении области, с заранее известной информацией о сельскохозяйственной культуре (данные из книги истории полей, уточненные в результате визуального анализа снимков).
После этого для трех исходных изображений, а затем для индексных снимков проводилась контролируемая классификация и проверка ее точности. Для достоверного сопоставления эффективности индексов необходимо было применять одни и тех же эталонные области на изображениях, а также пользоваться одинаковыми правилами классификации спектральных признаков [3]. В нашем случае классификация проводилась по правилу максимального правдоподобия.
Точность классификации оценивалась как процент правильно распознанных полей той или иной культуры. Кроме того, по итогам дешифрирования оценивалась суммарная точность классификации культур по снимку и значениям каждого индекса (табл. 2).
Таблица 2
Точность дешифрирования сельскохозяйственных культур по исходному снимку и картограммам его спектральных индексов, (%)
Дата съемки/ спектр. индекс 19.05.2014 29.07.2014 14.08.2014
Исходный снимок NDVI Tasseled Cup Главных компонент Исходный снимок NDVI Tasseled Cup Главных компонент Исходный снимок NDVI Tasseled Cup Главных компонент
Пшеница озимая 100 38.9 100 100 100 38.9 100 100 73.4 46.1 70.6 73.4
Рожь озимая 100 31.5 100 100 100 31.5 100 100 85.6 25.7 84.4 85.6
Тритикале 99.7 32,0 99,3 99.6 99 31.9 99,3 99,6 74.0 9.76 71.7 74.0
Рапс 100 82.9 100 100 100 82.8 100 100 100 38.9 100 100
Пшеница яровая 98.8 43.1 97,6 98.8 97 43.0 97,0 98,8 90.5 33.1 89.8 90.6
Ячмень 99.6 81.4 99,6 99.6 96 81.3 98,1 99,6 69.9 22.9 69.6 70,0
Овес 100 53.4 98,7 100 100 53.4 98,6 100 82.0 15.8 76.2 82.0
Гречиха 94,9 65,1 96,2 94,9 94,9 65.1 96,2 94,9 82.5 8.98 68.4 82.6
Зернобобовые 95,5 35,5 96,4 95,6 95,6 35.4 96,4 95,6 32.4 0.00 33.7 32.5
Кукуруза 100. 87.7 99,7 100 100 87.7 99,7 100 83.2 26.8 79.9 83.3
Мн.травы 100. 93.0 100 100 100 93.0 100 100 88.2 78.2 84.3 88.3
Суммарная точность 93.2 64.9 94,4 94,0 90,2 62.8 91,4 91,9 77.0 35.5 75.7 77.4
Как видно из табл. 2, суммарная точность дешифрирования культур по исходному снимку, с использованием спектральных преобразований Tasseled Cup
и главных компонент имеет очень высокие показатели (более 93 %). Использование вегетационного индекса NDVI ведет к снижению достоверности распознавания сельскохозяйственных посевов. При этом следует отметить, что точность классификации значительно зависит не только от выбранного метода спектральных преобразований, но и от даты съемки, за которую был взят космический снимок. Наибольшая точность дешифрирования отмечена для изображений за 19.05.2014. Это объясняется тем фактом, что в данный период отражательные характеристики растительных культур максимально различимы между собой (характерно для периода конца мая - первой половины июня). Снимок за август показал более низкие результаты, так как к этому времени часть посевов уже была убрана с полей и отражательные свойства почвы стали вносить свои особенности в отражательный спектр.
Сопряженный анализ снимков в программном продукте ENVI с использованием ГИС-технологий позволил получить исходную карту посевов (по предоставленным хозяйством данным) и карту, отражающую реальную структуру растительности агроэкосистем (по космическим снимкам, рис. 1).
Рис. 1. Структура растительности агроэкосистем, полученная по результатам дешифрирования
Обнаруженные в результате ГИС-анализа несоответствия отображены на рис. 2. При этом можно утверждать, что ошибки были допущены при внесении информации в книгу истории полей, а не по результатам классификации, о чем свидетельствуют высокие показатель точности распознавания.
] Соответствует Не соответствует 0 2050 4100 8 200
Метры
Рис. 2. Картосхема несоответствия результатов дешифрирования и данных из книги истории полей
Таким образом, проведенные исследования наглядно демонстрируют, что материалы ДДЗ являются надежным источником получения объективной, непредвзятой информации о структуре посевов сельскохозяйственных культур. Разработанный подход и обнаруженные на его основе особенности распознавания агроэкосистем, могут быть применены для проведения детального дешифрирования сельскохозяйственных угодий, объяснения хода вегетационных кривых агроэкосистем. Наличие серии таких карт за разные годы позволит проводить качественный анализ, эффективное планирование и контроль землепользования.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Codex Alimentarius: Organically Produced Foods. Food and Agriculture Organization of the United Nations and the World Health Organization. Rome, Italy, 2001. - 220 P.
2. Мышляков С.Г. Картаграфаванне пасевау сельскагаспадарчых культур па касмiчных здымках землеупарадкавання i ayтарскага нагляду // Земля Беларуси: научно-производственный журнал. - 2012. - № 1. - С. 52-56.
3. Терехин Э.А. Информативность спектральных вегетационных индексов для дешифрования сельскохозяйственной растительности // Современые проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9 № 4. - С. 243-248.
© Е. В. Казяк, А. В. Лещенко, 2015
