Анализ спектрально-отражательных свойств залежных земель Среднерусской лесостепи по данным Sentinel-2

Автор: Терехин Эдгар Аркадьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 2 т.47, 2023 года.

Бесплатный доступ

В статье изложены результаты анализа спектральной отражательной способности залежных земель, типичных для лесостепи, на основе спутниковых данных Sentinel-2. Исследование проведено для участков постагрогенных ландшафтов, расположенных на территории Центрального Черноземья. Установлено, что тип древесной растительности, формирующейся на залежах (лиственная, смешанная, хвойная), оказывает статистически значимое влияние на отражательную способность в большинстве каналов Sentinel-2. Во многих из них наблюдаются значимые различия между залежами с лиственными и хвойными породами деревьев. Для угодий со смешанной древесной растительностью значимых отличий от остальных типов залежей не выявлено. Спектрально-отражательные характеристики залежей в большинстве каналов Sentinel-2 находятся в обратной зависимости от величины их лесистости. Для оставленных аграрных земель со всеми типами древесной растительности наиболее тесная корреляция лесистости и спектрально-отражательных характеристик выявлена в каналах красного и среднего инфракрасного диапазонов спектра. В этих же каналах наблюдаются статистически значимые различия между большинством градаций лесистости залежей. Установленные закономерности выступают основанием для использования красного (B4) и SWIR-каналов (B11, B12) для решения задач, связанных с оценкой лесистости залежных земель.

Еще

Постагрогенные ландшафты, спектрально-отражательные характеристики, обработка изображений, лесостепь, sentinel-2

Короткий адрес: https://sciup.org/140297694

IDR: 140297694   |   DOI: 10.18287/2412-6179-CO-1160

Список литературы Анализ спектрально-отражательных свойств залежных земель Среднерусской лесостепи по данным Sentinel-2

  • Goleusov PV, Lisetskii FN. Soil reproduction in anthropogenic landscapes of forest-steppe [In Russian]. Moscow: GEOS Publisher; 2009.
  • Kurganova IN, Telesnina VM, Lopes de Gerenyu VO, Lichko VI, Karavanova EI. The dynamics of carbon pools and biological activity of retic albic podzols in southern taiga during the postagrogenic evolution. Eurasian Soil Sci 2021; 54(3): 337-351. DOI: 10.1134/S1064229321030108.
  • Sorokina OA. Diagnostic parameters of soil formation in gray forest soils of abandoned fields overgrowing with pine forests in the middle reaches of the Angara River. Eurasian Soil Sci 2010; 43(8): 867-875. DOI: 10.1134/S1064229310080041.
  • Ershov DV, Gavrilyuk EA, Koroleva NV, et al. Natural afforestation on abandoned agricultural lands during postsoviet period: A comparative landsat data analysis of bordering regions in Russia and Belarus. Remote Sens 2022; 14(2): 322. DOI: 10.3390/rs14020322.
  • Ivanov AI, Ivanova ZhA, Sokolov IV. Secondary development of unused land. Russ Agric Sci 2020; 46(3): 274-278. DOI: 10.3103/S1068367420030076.
  • Terekhin EA. Satellite-based estimation of successional processes on abandoned farmland of south Central Russian Upland [In Russian]. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 2019; 16(6): 180-193. DOI: 10.21046/2070-7401-2019-16-6180-193.
  • Sajb EA, Bezborodova AN, Solov'ev SV, Miller GF, Filimonova DA. Identification of different age fallows on erosion-hazardous territories of the south of Western Siberia using geo-information technologies [In Russian]. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 2020; 17(4): 129-136. DOI: 10.21046/2070-7401-2020-17-4-129-136.
  • Kumar S, Arya S, Jain K. A SWIR-based vegetation index for change detection in land cover using multi-temporal Landsat satellite dataset. Int J Inf Technol 2022; 14(4): 2035-2048. DOI: 10.1007/s41870-021-00797-6.
  • Yin H, Brandao A, Buchner J, et al. Monitoring cropland abandonment with Landsat time series. Remote Sens Environ 2020; 246: 111873. DOI: 10.1016/j.scitotenv.2020.142651.
  • Zhu X, Xiao G, Zhang D, Guo L. Mapping abandoned farmland in China using time series MODIS NDVI. Sci Total Environ 2021; 10(755): 142651. DOI: 10.1016/j.scitotenv.2020.142651.
  • He S, Shao H, Xian W, Zhang S, Zhong J, Qi J. Extraction of abandoned land in hilly areas based on the spatio-temporal fusion of multi-source remote sensing images. Remote Sens 2021; 13(19): 3956. DOI: 10.3390/rs13193956.
  • Estel S, Kuemmerle T, Levers C, Baumann M, Hostert P. Mapping cropland-use intensity across Europe using MODIS NDVI time series. Environ Res Lett 2016; 11(2): 024015. DOI: 10.1088/1748-9326/11/2/024015.
  • Gradinaru SR, Kienast F, Psomas A. Using multi-seasonal Landsat imagery for rapid identification of abandoned land in areas affected by urban sprawl. Ecol Indic 2019; 96: 7986. DOI: 10.1016/j.ecolind.2017.06.022.
  • Zhao L, Yang Q, Zhao Q, Wu J. Assessing the long-term evolution of abandoned salinized farmland via temporal remote sensing data. Remote Sens 2021; 13(20): 4057. DOI: 10.3390/rs13204057.
  • Denisova AYu, Egorova AA, Sergeev VV, Kavelenova LM. Requirements for multispectral remote sensing data used for the detection of arable land colonization by tree and shrubbery vegetation. Computer Optics 2019; 43(5): 846-856. DOI: 10.18287/2412-6179-2019-43-5-846-856.
  • Koley S, Chockalingam J. Sentinel 1 and Sentinel 2 for cropland mapping with special emphasis on the usability of textural and vegetation indices. Adv Space Res 2022; 69(4): 1768-1785. DOI: 10.1016/j.asr.2021.10.020.
  • Goga T, Feranec J, Bucha T, Rusnak M, Sackov I, Barka I, et al. A review of the application of remote sensing data for abandoned agricultural land identification with focus on Central and Eastern Europe. Remote Sens 2019; 11(23): 2759. DOI: 10.3390/rs11232759.
  • Terekhin EA. Indication of long-term changes in the vegetation of abandoned agricultural lands for the forest-steppe zone using NDVI time series. Computer Optics 2021; 45(2): 245-252. DOI: 10.18287/2412-6179-CO-797.
  • Shang R, Zhu Z, Zhang J, et al. Near-real-time monitoring of land disturbance with harmonized Landsats 7-8 and Sentinel-2 data. Remote Sens Environ 2022; 278: 113073. DOI: 10.1016/j.rse.2022.113073.
  • Schwieder M, Wesemeyer M, Frantz D, et al. Mapping grassland mowing events across Germany based on combined Sentinel-2 and Landsat 8 time series. Remote Sens Environ 2022; 269: 112795. DOI: 10.1016/j.rse.2021.112795.
  • Pahlevan N, Sarkar S, Franz BA, Balasubramanian SV, He J. Sentinel-2 multispectral instrument (MSI) data processing for aquatic science applications: Demonstrations and validations. Remote Sens Environ 2017; 201: 47-56. DOI: 10.1016/j.rse.2021.112795.
Еще
Статья научная