Аппроксимация временных рядов индексов вегетации (NDVI и EVI) для мониторинга сельхозкультур (посевов) Хабаровского края
Ключевые слова:
индекс вегетации, Хабаровский край, аппроксимация, пахотные земли, сельскохозяйственная культура, временной рядАннотация
Аппроксимация рядов сезонного хода индексов вегетации является основой для эффективного мониторинга сельскохозяйственных культур, их идентификации и автоматизированной классификации пахотных земель. Для пахотных земель Хабаровского края в период с мая по октябрь 2021 года по мультиспектральным снимкам Sentinel-2A (20 м) с использованием маски облачности были построены временные ряды NDVI и EVI. Для приближения временных рядов были использованы пять видов аппроксимирующих функций: функция Гаусса; двойная гауссиана; двойная синусоида; ряд Фурье; двойная логистическая. Были построены и рассчитаны характеристики экстремумов аппроксимированных временных рядов для разных типов пахотных земель: гречихи, многолетних трав, сои, залежи и пара. Было показано, что для каждой сельхозкультуры аппроксимированные кривые сезонного хода имели характерный вид. Как было достоверно установлено (p<0,05), наиболее высокую точность аппроксимации рядов NDVI и EVI показал ряд Фурье (средняя ошибка составила, соответственно, 8,5% и 16,0%). Аппроксимация рядов NDVI с использованием двойной синусоиды, двойной гауссианы и двойной логистической функции приводила к увеличению ошибки до 8,9-10,6%. Аппроксимация рядов EVI на основе двойной гауссианы и двойной синусоиды способствовала росту средней ошибки до 18,3-18,5%. Проведенный апостериорный анализ с использованием критерия Тьюки показал, что для полей с соей, парующих и залежных земель для приближения индексов вегетации достоверно лучше использовать ряд Фурье, двойную гауссиану или двойную синусоиду, для полей с гречихой целесообразно применять ряд Фурье или двойную гауссиану. В целом, средняя ошибка аппроксимации сезонных временных рядов NDVI в 1,5-4 раза меньше, чем ошибка аппроксимации рядов EVI.
Литература
1. Ferchichi A., Abbes A.B., Barra V., Farah I.R. Forecasting vegetation indices from spatio-temporal remotely sensed data using deep learning-based approaches: A systematic literature review // Ecological Informatics. 2022. vol. 68. no. 101552.
2. Liu J., Song W. Mapping abandoned cropland using Within-Year Sentinel-2 time series // Catena. 2023. vol. 223. no. 106924.
3. Терехин Э.А. Оценка сезонных значений вегетационного индекса (NDVI) для детектирования и анализа состояния посевов сельскохозяйственных культур // Исследование земли из космоса. 2015. № 1. DOI: 10.7868/S0205961415010108.
4. Савин И.Ю., Лупян Е.А., Барталев С.А. Оперативный спутниковый мониторинг состояния посевов сельскохозяйственных культур в России // Геоматика. 2011. № 2. С. 69–76.
5. Черепанов А.С., Дружинин Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. № 3. C. 28–32.
6. Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. Т. 19. № 3. С. 76–102.
7. Zhang C., Marzougui A., Sankaran S. High-resolution satellite imagery applications in crop phenotyping: An overview // Computers and Electronics in Agriculture. 2020. vol. 175. no. 105584.
8. Kong D., Zhang Y., Gu X., Wang D. A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine // Journal of Photogrammetry and Remote Sensing. 2019. vol. 155. pp. 13–24.
9. Chen Y., Hu J., Cai Z., Yang J., Zhou W., Hu Q., Wang C., You L., Xu B. A phenology-based vegetation index for improving ratoon rice mapping using harmonized Landsat and Sentinel-2 data // Journal of Integrative Agriculture. 2023. 20 p. DOI: 10.1016/j.jia.2023.05.035.
10. Hao P., Tang H., Chen Z., Meng Q., Kang Y. Early-season crop type mapping using 30-m reference time series // Journal of Integrative Agriculture. 2020. vol. 19. no. 7. pp. 1897–1911.
11. Singh R.K., Rizvi J., Behera M.D., Biradar C. Automated crop type mapping using time-weighted dynamic time warping-A basis to derive inputs for enhanced food and Nutritional Security // Current Research in Environmental Sustainability. 2021. vol. 3. no. 100032.
12. Shammi S.A., Meng Q. Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling // Ecological Indicators. 2021. vol. 121. no. 107124.
13. Bandaru V., Yaramasu R., Koutilya P.N.V.R., He J., Fernando S., Sahajpal R., Wardlow B.D., Suyker A., Justice C. PhenoCrop: An integrated satellite-based framework to estimate physiological growth stages of corn and soybeans // International Journal of Applied Earth Observation and Geoinformation. 2020. vol. 92. no. 102188.
14. Tian F., Cai Z., Jin H., Hufkens K., Scheifinger H., Tagesson T., Smets B., Van Hoolst R., Bonte K., Ivits E., Tong X., Ardo J., Eklundh L. Calibrating vegetation phenology from Sentinel-2 using eddy covariance, PhenoCam, and PEP725 networks across Europe // Remote Sensing of Environment. 2021. vol. 260. no. 112456.
15. Катаев М.Ю., Бекеров А.А., Медвецкий Д.В. Методика сглаживания временного ряда вегетационного индекса NDVI // Доклады ТУСУРа. 2017. Т. 20. № 1. С. 85–88.
16. Li S., Xu L., Jing Y., Yin H., Li X., Guan X. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques // International Journal of Applied Earth Observation and Geoinformation. 2021. vol. 105. no. 102640.
17. Миклашевич Т.С., Барталев С.А. Метод определения фенологических характеристик растительного покрова на основе временных рядов спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 9–24.
18. Shao Y., Lunetta R.S., Wheeler B., Iiame J.S., Campbella J.B. An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data // Remote Sensing of Environment. 2016. vol. 174. pp. 258–265.
19. Плотников Д.Е., Миклашевич Т.С., Барталев С.А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 2. С. 103–110.
20. Atkinson P.M., Jeganathan C., Dash J., Atzberger C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology // Remote Sensing of Environment. 2012. vol. 123. pp. 400–417.
21. Cao R., Chen J., Shen M., Tang Y. An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data // Agricultural and Forest Meteorology. 2015. vol. 200. pp. 9–20.
22. Seo B., Lee J., Lee K., Hong S., Kang S. Improving remotely-sensed crop monitoring by NDVI-based crop phenology estimators for corn and soybeans in Iowa and Illinois, USA // Field Crops Research. 2019. vol. 238. pp. 113–128.
23. Воробьёва Н.С., Чернов А.В. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). Самара: Новая техника, 2017. С. 390–399.
24. 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.pp. 248–258.
25. Julien Y., Sobrino J.A. Optimizing and comparing gap-filling techniques using simulated NDVI time series from remotely sensed global data // International Journal of Applied Earth Observation and Geoinformation. 2019. vol. 76. pp. 93–111.
26. Stepanov A., Dubrovin K., Sorokin A., Aseeva T. Predicting soybean yield at the regional scale using remote sensing and climatic data // Remote Sensing. 2020. vol. 12(12). no. 1936.
27. Stepanov A., Dubrovin K., Sorokin A. Function fitting for modeling seasonal normalized difference vegetation index time series and early forecasting of soybean yield // The Crop Journal. 2022. vol. 10. no. 5. pp. 1452–1459.
28. Lin S., Hao D, Zheng Y., Zhang H., Wang C., Yuan W. Multi-site assessment of the potential of fine resolution red-edge vegetation indices for estimating gross primary production // International Journal of Applied Earth Observation and Geoinformation. 2022. vol. 113. no. 102978.
29. Gavin H.P. The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems. Department of civil and environmental engineering, Duke University, 2019. vol. 19.
30. Zhao J., Zhang X. An Adaptive Noise Reduction Method for NDVI Time Series Data Based on S–G Filtering and Wavelet Analysis // Journal Indian Society Remote Sensing. 2018. vol. 46. no. 12. pp. 1975–1982.
31. Han Y., Meng J., Xu J. Soybean growth assessment method based on NDVI and phenological calibration // Transactions of the Chinese Society of Agricultural Engineering. 2017. vol. 33. no. 2. pp. 177–182.
32. Zhang H., Kang J., Xu X., Zhang L. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China // Computers and Electronics in Agriculture. 2020. vol. 176. no. 105618.
2. Liu J., Song W. Mapping abandoned cropland using Within-Year Sentinel-2 time series // Catena. 2023. vol. 223. no. 106924.
3. Терехин Э.А. Оценка сезонных значений вегетационного индекса (NDVI) для детектирования и анализа состояния посевов сельскохозяйственных культур // Исследование земли из космоса. 2015. № 1. DOI: 10.7868/S0205961415010108.
4. Савин И.Ю., Лупян Е.А., Барталев С.А. Оперативный спутниковый мониторинг состояния посевов сельскохозяйственных культур в России // Геоматика. 2011. № 2. С. 69–76.
5. Черепанов А.С., Дружинин Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. № 3. C. 28–32.
6. Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. Т. 19. № 3. С. 76–102.
7. Zhang C., Marzougui A., Sankaran S. High-resolution satellite imagery applications in crop phenotyping: An overview // Computers and Electronics in Agriculture. 2020. vol. 175. no. 105584.
8. Kong D., Zhang Y., Gu X., Wang D. A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine // Journal of Photogrammetry and Remote Sensing. 2019. vol. 155. pp. 13–24.
9. Chen Y., Hu J., Cai Z., Yang J., Zhou W., Hu Q., Wang C., You L., Xu B. A phenology-based vegetation index for improving ratoon rice mapping using harmonized Landsat and Sentinel-2 data // Journal of Integrative Agriculture. 2023. 20 p. DOI: 10.1016/j.jia.2023.05.035.
10. Hao P., Tang H., Chen Z., Meng Q., Kang Y. Early-season crop type mapping using 30-m reference time series // Journal of Integrative Agriculture. 2020. vol. 19. no. 7. pp. 1897–1911.
11. Singh R.K., Rizvi J., Behera M.D., Biradar C. Automated crop type mapping using time-weighted dynamic time warping-A basis to derive inputs for enhanced food and Nutritional Security // Current Research in Environmental Sustainability. 2021. vol. 3. no. 100032.
12. Shammi S.A., Meng Q. Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling // Ecological Indicators. 2021. vol. 121. no. 107124.
13. Bandaru V., Yaramasu R., Koutilya P.N.V.R., He J., Fernando S., Sahajpal R., Wardlow B.D., Suyker A., Justice C. PhenoCrop: An integrated satellite-based framework to estimate physiological growth stages of corn and soybeans // International Journal of Applied Earth Observation and Geoinformation. 2020. vol. 92. no. 102188.
14. Tian F., Cai Z., Jin H., Hufkens K., Scheifinger H., Tagesson T., Smets B., Van Hoolst R., Bonte K., Ivits E., Tong X., Ardo J., Eklundh L. Calibrating vegetation phenology from Sentinel-2 using eddy covariance, PhenoCam, and PEP725 networks across Europe // Remote Sensing of Environment. 2021. vol. 260. no. 112456.
15. Катаев М.Ю., Бекеров А.А., Медвецкий Д.В. Методика сглаживания временного ряда вегетационного индекса NDVI // Доклады ТУСУРа. 2017. Т. 20. № 1. С. 85–88.
16. Li S., Xu L., Jing Y., Yin H., Li X., Guan X. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques // International Journal of Applied Earth Observation and Geoinformation. 2021. vol. 105. no. 102640.
17. Миклашевич Т.С., Барталев С.А. Метод определения фенологических характеристик растительного покрова на основе временных рядов спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 9–24.
18. Shao Y., Lunetta R.S., Wheeler B., Iiame J.S., Campbella J.B. An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data // Remote Sensing of Environment. 2016. vol. 174. pp. 258–265.
19. Плотников Д.Е., Миклашевич Т.С., Барталев С.А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 2. С. 103–110.
20. Atkinson P.M., Jeganathan C., Dash J., Atzberger C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology // Remote Sensing of Environment. 2012. vol. 123. pp. 400–417.
21. Cao R., Chen J., Shen M., Tang Y. An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data // Agricultural and Forest Meteorology. 2015. vol. 200. pp. 9–20.
22. Seo B., Lee J., Lee K., Hong S., Kang S. Improving remotely-sensed crop monitoring by NDVI-based crop phenology estimators for corn and soybeans in Iowa and Illinois, USA // Field Crops Research. 2019. vol. 238. pp. 113–128.
23. Воробьёва Н.С., Чернов А.В. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). Самара: Новая техника, 2017. С. 390–399.
24. 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.pp. 248–258.
25. Julien Y., Sobrino J.A. Optimizing and comparing gap-filling techniques using simulated NDVI time series from remotely sensed global data // International Journal of Applied Earth Observation and Geoinformation. 2019. vol. 76. pp. 93–111.
26. Stepanov A., Dubrovin K., Sorokin A., Aseeva T. Predicting soybean yield at the regional scale using remote sensing and climatic data // Remote Sensing. 2020. vol. 12(12). no. 1936.
27. Stepanov A., Dubrovin K., Sorokin A. Function fitting for modeling seasonal normalized difference vegetation index time series and early forecasting of soybean yield // The Crop Journal. 2022. vol. 10. no. 5. pp. 1452–1459.
28. Lin S., Hao D, Zheng Y., Zhang H., Wang C., Yuan W. Multi-site assessment of the potential of fine resolution red-edge vegetation indices for estimating gross primary production // International Journal of Applied Earth Observation and Geoinformation. 2022. vol. 113. no. 102978.
29. Gavin H.P. The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems. Department of civil and environmental engineering, Duke University, 2019. vol. 19.
30. Zhao J., Zhang X. An Adaptive Noise Reduction Method for NDVI Time Series Data Based on S–G Filtering and Wavelet Analysis // Journal Indian Society Remote Sensing. 2018. vol. 46. no. 12. pp. 1975–1982.
31. Han Y., Meng J., Xu J. Soybean growth assessment method based on NDVI and phenological calibration // Transactions of the Chinese Society of Agricultural Engineering. 2017. vol. 33. no. 2. pp. 177–182.
32. Zhang H., Kang J., Xu X., Zhang L. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China // Computers and Electronics in Agriculture. 2020. vol. 176. no. 105618.
Опубликован
2023-11-10
Как цитировать
Степанов, А. С., Фомина, Е. А., Илларионова, Л. В., Дубровин, К. Н., & Федосеев, Д. В. (2023). Аппроксимация временных рядов индексов вегетации (NDVI и EVI) для мониторинга сельхозкультур (посевов) Хабаровского края. Информатика и автоматизация, 22(6), 1473-1498. https://doi.org/10.15622/ia.22.6.8
Раздел
Математическое моделирование и прикладная математика
Copyright (c) Алексей Сергеевич Степанов, Елизавета Андреевна Фомина, Любовь Викторовна Илларионова, Константин Николаевич Дубровин, Денис Владимирович Федосеев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).