Почтовый адрес: САФУ, Редакция «Лесной журнал», наб. Северной Двины, д. 17, г. Архангельск, Россия, 163002, ауд. 1425

Тел.: +7 (8182) 21-61-18
Сайт: http://lesnoizhurnal.ru/ 
e-mail: forest@narfu.ru

о журнале

Повышение информативности мультиспектральных спутниковых изображений с использованием данных текстурного анализа

Версия для печати

С.А. Зотов, Е.В. Дмитриев, П.Г. Мельник, Т.В. Кондранин

Рубрика: Лесное хозяйство

Скачать статью (pdf, 3.2MB )

УДК

528.854(630*2)

DOI:

10.37482/0536-1036-2022-2-84-104

Аннотация

Рассматривается задача повышения информативности тематической обработки мультиспектральных изображений среднего (10–30 м) и высокого (1–4 м) пространственного разрешения, получаемых зарубежными и отечественными спутниковыми системами дистанционного зондирования Земли, за счет привлечения дополнительной текстурной информации с панхроматических спутниковых изображений сверхвысокого пространственного разрешения (≲(1–0,4) м). Объектом исследования стали изображения тестовых полигонов на территории Савватьевского лесничества (Тверская обл.) со спутников Landsat 8, Sentinel 2 и WorldView 2, оснащенных мультиспектральной аппаратурой. Для валидации результатов расчетов использованы геопривязанные данные наземных обследований. В качестве спектральных признаков взяты значения спектральной отражательной способности в каналах видимого и ближнего инфракрасного диапазонов, нормализованные на соответствующую интегральную характеристику. В целях извлечения текстурных признаков на основе распределения совместной встречаемости уровней серого (текстурные признаки Харалика) в пределах скользящего окна, пробегающего с заданным пространственным шагом изображение, вычисляли статистические характеристики. Проведен корреляционный анализ текстурных признаков с учетом изменений расстояния и угла смежности. Для выбранных определяющих признаков: автокорреляции, асимметрии, контраста и корреляции – показано, что первые три могут быть использованы с произвольным выбранным направлением смежности, а последний необходимо рассматривать в двух различных направлениях. Установлено, что при решении задачи распознавания природных и антропогенных объектов все рассмотренные алгоритмы классификации обеспечивают существенное повышение точности при совместном  использовании спектральных и текстурных признаков по сравнению с традиционной спектральной классификацией. Этот результат продемонстрирован для всех полученных различными спутниками изображений тестовых полигонов. Можно сделать предварительный вывод, что предлагаемый комплексный подход тематической обработки позволяет повысить качество распознавания объектов в случае использования изображений как среднего, так и высокого пространственного разрешения. Оценки, полученные при построении тематических карт доминантных и субдоминантных отделов лесной растительности, показали близкие точности классификации по различным исходным мультиспектральным изображениям (с разбросом не более 5 % около среднего значения 85 %). По большей части это связано с наличием специфических погрешностей результатов наземной лесной таксации и говорит о необходимости их актуализации с применением данных дистанционного спутникового зондирования.
Финансирование: работа выполнена при финансовой поддержке РФФИ, проект № 20-07-00370 «Фундаментальные проблемы повышения информативности обработки данных оптоэлектронных авиакосмических устройств высокого пространственного и спектрального разрешения».
Данная статья опубликована в режиме открытого доступа и распространяется на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная (CC BY 4.0) • Авторы заявляют об отсутствии конфликта интересов

Сведения об авторах

С.А. Зотов1, аспирант; ResearcherID: AAN-7199-2020, ORCID: https://orcid.org/0000-0002-3483-1449
Е.В. Дмитриев1,2, канд. физ.-мат. наук, ст. науч. сотр.; ResearcherID: E-4794-2014, ORCID: https://orcid.org/0000-0001-5363-3934
П.Г. Мельник3,4, канд. с.-х. наук, доц.; ResearcherID:E-7644-2014, ORCID: https://orcid.org/0000-0002-2802-7614
Т.В. Кондранин1, д-р физ.-мат. наук; ResearcherID:K-9407-2013, ORCID: https://orcid.org/0000-0003-3565-3194
1Московский физико-технический институт (национальный исследовательский университет); Институтский пер., д. 9, г. Долгопрудный, Московская обл., Россия, 141701; e-mail: zotov.sa@mipt.ru, kondr@kondr.rector.mipt.ru
2Институт вычислительной математики РАН , ул. Губкина, д. 8, Москва, Россия, 119333; e-mail: yegor@mail.ru
3Московский государственный технический университет им. Н.Э. Баумана (Мытищинский филиал), 1-я Институтская ул., д. 1, г. Мытищи, Московская обл., Россия, 141005; e-mail: melnik_petr@bk.ru
4Институт лесоведения РАН , ул. Советская, д. 21, с. Успенское, Московская обл., Россия, 143030; e-mail: melnik_petr@bk.ru

Ключевые слова

распознавание образов, информативность, дистанционное зондирование, мультиспектральные изображения, почвенно-растительный покров, тематическая обработка, лесная таксация

Для цитирования

Зотов С.А., Дмитриев Е.В., Мельник П.Г., Кондранин Т.В. Повышение информативности мультиспектральных спутниковых изображений с использованием данных текстурного анализа // Изв. вузов. Лесн. журн. 2022. № 2. С. 84–104. DOI: 10.37482/0536-1036-2022-2-84-104

Литература

1. Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. Т. 19, № 3. C. 76–102. Voronina P.V., Mamash E.A. Classification of Thematic Monitoring for Agriculture Problems Using Remote Sensing MODIS Data. Vychislitelnye tekhnologii [Computational Technologies], 2014, vol. 19, no. 3, pp. 76–102.

2. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Докл. ТУСУР. 2004. № 1(9). С. 113–124. Kolodnikova N.V. Overview of Textural Features for Pattern Recognition Problems. Doklady TUSUR [Proceedings of TUSUR University], 2004, no. 1(9), pp. 113–124.

3. Потапов A.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника. 2003. Т. 48, № 9. С. 1101–1119. Potapov A.A. New Information Technology in Radar Detection of Low-Contrast Targets Based on Probabilistic Texture and Fractal Features. Radiotehnika i elektronika [Journal of Communications Technology and Electronics], 2003, vol. 48, no. 9, pp. 1101–1119.

4. Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. Т. 5, № 4(22). С. 19–39. Fralenko V.P. Methods of Image Texture Analysis, Earth Remote Sensing Data Processing. Programmnyye sistemy: teoriya i prilozheniya [Program Systems: Theory and Applications], 2014, no. 4(22), pp. 19–39.

5. Шабанов Н.В., Барталев С.А., Ерошенко Д.А., Плотников Ф.В. Развитие возможностей дистанционной оценки индекса листовой поверхности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 4. С. 166–178. Shabanov N.V., Bartalev S.A., Eroshenko F.V., Plotnikov D.E. Development of Capabilities for Remote Sensing Estimate of Leaf Area Index from MODIS Data. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from space], 2018, vol. 15, no. 4, pp. 166–178. DOI: https://doi.org/10.21046/2070-7401-2018-15-4-166-178

6. Beguet B., Guyon D., Boukir S., Chehata N. Automated Retrieval of Forest Structure Variables Based on Multi-Scale Texture Analysis of VHR Satellite Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, vol. 96, pp. 164–178. DOI: https://doi.org/10.1016/j.isprsjprs.2014.07.008

7. Breiman L. Random Forests. Machine Learning, 2001, vol. 45, iss. 1, pp. 5–32. DOI: https://doi.org/10.1023/A:1010933404324

8. Brynolfsson P., Nilsson D., Torheim T., Asklund T., Thellenberg Karlsson C., Trygg J., Nyholm T., Garpebring A. Haralick Texture Features from Apparent Diffusion Coefficient (ADC) MRI Images Depend on Imaging and Pre-Processing Parameters. Scientific Reports, 2017, vol. 7, art. 4041. DOI: https://doi.org/10.1038/s41598-017-04151-4

9. Chen J.M., Cihlar J. Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM images. Remote Sensing of Environment, 1996, vol. 55, iss. 2, pp. 153–162. DOI: https://doi.org/10.1016/0034-4257(95)00195-6

10. Cover T.M., Hart P.E. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 1967, vol. 13, no. 1, pp. 21–27. DOI: https://doi.org/10.1109/TIT.1967.1053964

11. Dmitriev E.V., Sokolov A.A., Kozoderov V.V., Delbarre H., Melnik P.G., Donskoi S.A. Spectral Texture Classification of High-Resolution Satellite Images for the State Forest Inventory in Russia. Remote Sensing for Agriculture, Ecosystems, and Hydrology XXI, 2019, vol. 11149, art. 111491J. DOI: https://doi.org/10.1117/12.2532965

12. Eklundh L., Harrie L., Kuusk A. Investigating Relationships between Landsat ETM+ Sensor Data and Leaf Area Index in a Boreal Conifer Forest. Remote Sensing of Environment, 2001, vol. 78, iss. 3, pp. 239–251. DOI: https://doi.org/10.1016/S0034-4257(01)00222-X

13. Ferreira M.P., Wagner F.H., Aragão L.E.O.C., Shimabukuro Y.E., de Souza Filho C.R. Tree Species Classification in Tropical Forests Using Visible to Shortwave Infrared WorldView-3 Images and Texture Analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, vol. 149, pp. 119–131. DOI: https://doi.org/10.1016/j.isprsjprs.2019.01.019

14. Franklin S.E. Remote Sensing for Sustainable Forest Management. Boca Raton, FL, CRC press, 2001, p. 424. DOI: https://doi.org/10.1201/9781420032857

15. Goldberger J., Hinton G.E., Roweis S., Salakhutdinov R.R. Neighbourhood Components Analysis. Advances in Neural Information Processing Systems 17: Proceedings of the 2004 Conference. Ed. by L. Saul, Y. Weiss, L. Bottou. Cambridge, MA, MIT Press, 2004, pp. 513–520.

16. Hadi H., Korhonen L., Hovi A., Rönnholm P., Rautiainen M. The Accuracy of Large-Area Forest Canopy Cover Estimation Using Landsat in Boreal Region. International Journal of Applied Earth Observation and Geoinformation, 2016, vol. 53, pp. 118–127. DOI: https://doi.org/10.1016/j.jag.2016.08.009

17. Haralick R.M. Statistical and Structural Approaches to Texture. Proceedings of the IEEE, 1979, vol. 67, no. 5, pp. 786–804. DOI: https://doi.org/10.1109/PROC.1979.11328

18. Haralick R.M., Shanmugam K., Dinstein I. Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, 1973, vol. SMC-3, no. 6, pp. 610–621. DOI: https://doi.org/10.1109/TSMC.1973.4309314

19. Lechner A.M., Foody G.M., Boyd D.S. Applications in Remote Sensing to Forest Ecology and Management. One Earth, 2020, vol. 2, iss. 5, pp. 405–412. DOI: https://doi.org/10.1016/j.oneear.2020.05.001

20. Paletto A., Tosi V. Forest Canopy Cover and Canopy Closure: Comparison of Assessment Techniques. European Journal of Forest Research, 2009, vol. 128, iss. 3, pp. 265–272. DOI: https://doi.org/10.1007/s10342-009-0262-x

21. Sexton J.O., Song X.-P., Feng M., Noojipady P., Anand A., Huang C., Kim D.-H., Collins K.M., Channan S., DiMiceli C., Townshend J.R. Global, 30-m Resolution Continuous Fields of Tree Cover: Landsat-Based Rescaling of MODIS Vegetation Continuous Fields with Lidar-Based Estimates of Error. International Journal of Digital Earth, 2013, vol. 6, iss. 5, pp. 427–448. DOI: https://doi.org/10.1080/17538947.2013.786146

22. Srivastava S., Gupta M.R., Frigyik B.A. Bayesian Quadratic Discriminant Analysis. Journal of Machine Learning Research, 2007, vol. 8, pp. 1277–1305.

23. Tharwat A. Linear vs. Quadratic Discriminant Analysis Classifier: A Tutorial. International Journal of Applied Pattern Recognition, 2016, vol. 3, no. 2, pp. 145–180. DOI: https://doi.org/10.1504/IJAPR.2016.079050





Электронная подача статей



ADP_cert_2024.png Журнал награжден «Знаком признания активного поставщика данных 2024 года»

ИНДЕКСИРУЕТСЯ В: 

scopus.jpg

DOAJ_logo-colour.png

logotype.png

Логотип.png