Определение состава смешанных древостоев на основе спектрально-текстурной классификации спутниковых изображений высокого разрешения
Автор: Дмитриев Егор Владимирович, Зотов Сергей Александрович, Мельник Птр Григорьевич
Журнал: Resources and Technology @rt-petrsu
Статья в выпуске: 4 т.17, 2020 года.
Бесплатный доступ
С развитием спутниковой аппаратуры, позволяющей получать многоспектральные и панхроматические изображения высокого пространственного разрешения, открываются новые возможности повышения точности и детализации дистанционного зондирования почвенно-растительного покрова за счёт совместного использования спектральных и текстурных особенностей обследуемых объектов. В данной работе предлагается методика распознавания породного состава и возрастных классов смешанных древостоев на основе совместной обработки многоспектральных и панхроматических спутниковых изображений WorldView-2. Для описания текстурных особенностей используются статистические признаки Харалика. Для проведения обучаемой классификации используется разработанный ранее модифицированный метод декодирования, относящийся к классу методов ансамблевой классификации. Для оценки эффективности предлагаемого подхода проведены тестовые расчёты по совместной обработке изображений высокого разрешения выбранного участка Савватьевского лесничества (Тверская область), результаты которых сравнивались с данными наземной лесной таксации. При интерпретации результатов расчётов выделена группа естественных факторов, вызывающих несоответствие между спутниковой и наземной информацией.
Дистанционное зондирование, распознавание образов, тематическая обработка, текстурный анализ, спутниковые изображения высокого разрешения, классификация древостоев
Короткий адрес: https://sciup.org/147227135
IDR: 147227135 | DOI: 10.15393/j2.art.2020.5502
Список литературы Определение состава смешанных древостоев на основе спектрально-текстурной классификации спутниковых изображений высокого разрешения
- Chen D., Loboda T. V. , Krylov A., Potapov P. V. Mapping stand age dynamics of the Siberian larch forests from recent Landsat observations // Remote sensing of environment. 2016. Vol. 187. P. 320—331.
- Korhonen L., Packalen P., Rautiainen M. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index // Remote sensing of environment. 2017. Vol. 195. P. 259—274.
- Meng Q., Cieszewski C., Madden M.Large area forest inventory using Landsat ETM+: a geostatistical approach // ISPRS J. of Photogrammetry and Remote Sensing. 2009. Vol. 64 (1). P. 27—36.
- Keenan R. J. Climate change impacts and adaptation in forest management: a review // Annals of Forest Science. 2015. Vol. 72. P. 145—167.
- Aitken S. N., Yeaman S., Holliday J. A., Wang T., Curtis-McLane S. Adaptation, migration or extirpation: climate change outcomes for tree populations // Evolutionary applications. 2008. Vol. 1 (1). P. 95—111.
- Vogelmann J. E., Tolk B., Zhu Z. Monitoring forest changes in the southwestern United States using multitemporal Landsat data // Remote Sensing of Environment. 2009. Vol. 113 (8). P. 1739—1748.
- Мельник П. Г., Карасев Н. Н., Лещёв Г. А. Популяционно-географическая изменчивость лиственницы в фазе приспевания // Леса Евразии — Белорусское Поозерье: Материалы XII Междунар. конф. молодых учёных, посвящ. 145-летию со дня рождения проф. Г. Ф. Морозова. М.: МГУЛ, 2012. С. 189—191.
- Wagner F. H., Ferreira M. P., Sanchez A., Hirye M. C. M., Aragao L. E. O. C. Individual tree crown delineation in a highly diverse tropical forest using very high resolution satellite images // ISPRS J. of Photogrammetry and Remote Sensing. 2018. Vol. 145 (B). P. 362—377.
- Cho M. A., Malahlela O., Ramoelo A. Assessing the utility WorldView-2 imagery for tree species mapping in a South African subtropical forest patch and the conservation implications: Dukuduku forest patch as case study // International J. of Applied Earth Observation and Geoinformation. 2015. Vol. 38. P. 349—357.
- Karlson M., Ostwald M., Reese H., Bazie H. R., Tankoano B. Assessing the potential of multi-seasonal WorldView-2 imagery formapping West African agroforestry tree species // International J. of Applied Earth Observation and Geoinformation. 2016. Vol. 50. P. 80—88.
- Madonsela S., Cho M. A., Mathieu R., Mutanga O., Ramoelo A., Kaszta Z., Van De Kerchove R., Wolff E. Multi-phenology WorldView-2 imagery improves remote sensing of savannah tree species // International J. of Applied Earth Observation and Geoinformation. 2017. Vol. 58. P. 65—73.
- Bannon D. Hyperspectral imaging: Cubes and slices // Nature photonics. 2009. Vol. 3 (11). P. 627—629.
- Dmitriev E. V., Sokolov A. A., Kozoderov V. V., Delbarre H., MelnikP. G., Donskoi S.A. Spectral-texture classification of high resolution satellite images for the state forest inventory in Russia // Proc. SPIE 11149, Remote Sensing for Agriculture, Ecosystems, and Hydrology XXI. 2019. Vol. 111491J. DOI: 10.1117/12.2532965.
- Haralick R M., Shanmugam K., Dinstein I. Textural Features for Image Classification // IEEE Transactions on Systems, Man, and Cybernetics. 1973. SMC-3. Vol. 6. P. 610—621.
- DmitrievE. V., Kozoderov V. V., Dementyev A. O., Safonova A. N. Combining Classifiers in the Problem of Thematic Processing of Hyperspectral Aerospace Images // Optoelectronics, Instrumentation and Data Processing. 2018. Vol. 54 (3). P. 213—221.
- Dietterich T. G., Bakiri G. Solving Multiclass Learning Problems via Error-Correcting Output Codes // J. Artificial Intelligence Research. 1995. Vol. 2. P. 263—286.
- Escalera S., Pujol O., Radeva P. On the decoding process in ternary error-correcting output codes // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. Vol. 32 (7). P. 120—134.
- Hastie T., Tibshirani R., Friedman J.The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. 2nd ed. 2008. 745 p.
- Dmitriev E. V. Classification of the Forest Cover of Tver' Region Using Hyperspectral Airborne Imagery // Izvestiya, Atmospheric and Oceanic Physics. 2014. Vol. 50 (9). P. 929—942.
- Soille P. Morphological image analysis: principles and applications. Springer. 2nd ed. 2002. 408 p.
