Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Прикладные информационные (компьютерные) технологии. Методы основанные на применении компьютеров

Прогнозирование индексов вегетативности с использованием спутниковых снимков

Прогнозирование индексов вегетативности с использованием спутниковых снимков

Автор: Андриянов Н.А.

Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc

Рубрика: Информатика, вычислительная техника и управление

Статья в выпуске: 4-3 т.26, 2024 года.

Бесплатный доступ

В настоящей работе представлено решение задачи прогнозирования вегетативности на основе моделей временных рядов. При этом особое внимание уделяется разработке фильтра изображений с повышенной облачностью. Получена точность классификации искаженных снимков на выше 95% на базе сверточных нейронных сетей. Ошибка прогнозирования NDVI с использованием ансамбля нейронных сетей меньше 0,1. Показано, как можно использовать разработанные алгоритмы для дифференцированного внесения удобрений. Представлены выражения для расчета NDVI и методики для сглаживания индексов в случае пропуска данных и фильтрации облачных снимков. Полученные в работе результаты могут быть полезны специалистам, занимающимся обработкой данных дистанционного зондирования Земли из космоса, а алгоритмы фильтрации облачных снимков могут быть использованы и при решении других прикладных задач, как, например, мониторинг пожаров.

Еще

Нейронные сети, аэрокосмическая съемка, спутниковый мониторинг, индекс вегетативности, обработка изображений

Короткий адрес: https://sciup.org/148330126

IDR: 148330126   |   УДК: 004.9   |   DOI: 10.37313/1990-5378-2024-26-4(3)-329-339

Forecasting vegetation indices using satellite images

This paper presents a solution to the problem of vegetativity prediction based on time series models. At the same time, special attention is paid to the development of a filter of images with increased cloudiness. The classification accuracy of distorted images at above 95% based on convolutional neural networks is obtained. The NDVI prediction error using an ensemble of neural networks is less than 0.1. It is shown how the developed algorithms can be used for differential fertilizer application. Expressions for calculating NDVI and techniques for smoothing indices in case of missing data and filtering cloud images are presented. The results obtained in this paper can be useful for specialists engaged in processing remote sensing data from space, and the algorithms for filtering cloud images can be used in solving other applied problems, such as fire monitoring.

Еще

Список литературы Прогнозирование индексов вегетативности с использованием спутниковых снимков

  • Аншаков, Г.П. Комплексирование гиперспек-тральных данных КА «Ресурс-П» для повышения их информативности / Г.П. Аншаков, А.В. Ращупкин, Ю.Н. Журавель // Компьютерная оптика. – 2015. – Т. 39. – №1. – С. 77-82.
  • Хабарова, И.А. Обзор современных достижений в фотограмметрии и аэрофотосъемке / И.А. Хабарова, Д.А. Хабаров, И.Д. Яворская, И.Н. Иванов // Международный журнал прикладных наук и технологий «Integral». – 2019. – Т. 4. – №2. – С. 15-33.
  • Chen, P.-C., Chiang, Y.-C., Weng, P.-Y. Imaging Using Unmanned Aerial Vehicles for Agriculture Land Use Classifi cation. Agriculture 2020, 10, 416. DOI: 10.3390/agriculture10090416.
  • Andriyanov N.A., Vasil’ev K.K., Dement’ev V.E. Investigation of fi ltering and object detection algorithms for a multizone image sequence // Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2019, XLII-2/W12, pp. 7–10, DOI: 10.5194/isprsarchives-XLII-2-W12-7-2019.
  • Крашенинников, В.Р. Модели случайных полей на поверхностях / В.Р. Крашенинников // Известия Самарского научного центра РАН. – 2012. – № 4(3). – С.812-816.
  • Андриянов, Н.А. Восстановление пространственно неоднородных изображений на базе дважды стохастической модели / Н.А. Андриянов, К.К. Васильев, В.Е. Дементьев, А.В. Белянчиков // Автометрия. – 2022. – Т. 58. – № 5. – С. 43-50.
  • Андриянов, Н.А. Цифровая обработка и моделирование авторегрессионных и дважды стохастических случайных полей / Н.А. Андриянов, К.К. Васильев, В.Е. Дементьев // Свидетельство о регистрации программы для ЭВМ RU 2016616596, 15.06.2016. Заявка № 2016614011 от 19.04.2016.
  • Крашенинников, В.Р. Синтез волновой модели многомерного случайного поля с заданной корреляционной функцией / В.Р. Крашенинников, Р.Р. Микеев, В.В. Тишкин // Известия Самарского научного центра Российской академии наук. – 2014. – Т. 16. – № 6-2. – С. 474-478.
  • Андриянов, Н.А. Оценивание координат объектов с использованием сверточных сетей и карт глубины / Н.А. Андриянов // В сборнике: Информационные технологии и нанотехнологии (ИТНТ-2022). Сборник трудов по материалам VIII Международной конференции и молодежной школы. В 5-ти томах [под редакцией А.В. Никонорова]. – Самара, 2022. – С. 41972.
  • Andriyanov N.A., Dementiev V.E., Tashlinskiy A.G. Development of a productive transport detection system using convolutional neural networks // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. 2022. Т. 32. № 3. С. 495-500.
  • Tehsin S., Kausar S., Jameel A., Humayun M., Almofarreh D.K. Satellite Image Categorization Using Scalable Deep Learning // Applied Sciences 2023, vol. 13, id 5108. DOI: 10.3390/app13085108.
  • Рис, У.Г. Основы дистанционного зондирования / У.Г. Рис // М.: Техносфера, 2006. – 346 с.
  • Шовенгердт, Р. А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовенгердт, А.В. Кирюшин, А.И. Демьяников [пер. с англ.]. – 3-е изд. – М.: Техносфера, 2013. – 589 с.
  • Hernández-López R., Travieso-González C.M., Ajali- Hernández N.I. Sky Image Classifi cation Based on Transfer Learning Approaches // Sensors 2024, vol. 24, id 3726. DOI: 10.3390/s24123726.
  • Alonso-Sarria F., Valdivieso-Ros C., Gomariz-Castillo F. Imagery Time Series Cloud Removal and Classifi cation Using Long Short Term Memory Neural Networks // Remote Sens. 2024, vol. 16, id 2150. DOI: 10.3390/rs16122150.
  • Zhou J., Luo X., Rong W., Xu H. Cloud Removal for Optical Remote Sensing Imagery Using Distortion Coding Network Combined with Compound Loss Functions // Remote Sens. 2022, vol. 14, id 3452. DOI: 10.3390/rs14143452.
  • Ayhan B., Kwan C., Budavari B., Kwan L., Lu Y., Perez D., Li J., Skarlatos D., Vlachos M. Vegetation Detection Using Deep Learning and Conventional Methods // Remote Sens. 2020, vol. 12, id 2502. DOI: 10.3390/rs12152502.
  • Phan P., Chen N., Xu L., Dao D.M., Dang D. NDVI Variation and Yield Prediction in Growing Season: A Case Study with Tea in Tanuyen Vietnam // Atmosphere 2021, vol. 12, id 962. DOI: 10.3390/atmos12080962.
  • Источник данных Sentinel. URL: https://www.sentinel-hub.com/ (дата обращения 25.04.2024).
  • Singh N.J., Nongmeikapam K. Semantic Segmentation of Satellite Images Using Deep-Unet // Arab J Sci Eng. 2023, vol. 48, pp. 1193–1205. DOI: 10.1007/s13369-022-06734-4.
  • Андриянов, Н.А. Мониторинг состояния металлических изделий на основе систем компьютерного зрения / Н.А. Андриянов, А.А. Волненко, В.Е. Дементьев // Нейрокомпьютеры: разработка, применение. – 2023. – T. 25. – № 5. – С. 50-57. DOI: https://doi.org/10.18127/j19998554-202305-07.
  • Andriyanov N., Papakostas G. Optimization and Benchmarking of Convolutional Networks with Quantization and OpenVINO in Baggage Image Recognition // 2022 VIII International Conference on Information Technology and Nanotechnology (ITNT), Samara, Russian Federation, 2022, pp. 1-4, DOI: 10.1109/ITNT55410.2022.9848757.
  • Liu W., Zhang J., Zhao Y. A Comparison of Deep Learning and Traditional Machine Learning Approaches in Detecting Cognitive Impairment Using MRI Scans // 2022 IEEE 46th Annual Computers, Software, and Applications Conference (COMPSAC), Los Alamitos, CA, USA, 2022, pp. 998-1001, DOI: 10.1109/COMPSAC54236.2022.00154.
  • Hsu, C.-Y., Hu, R., Xiang, Y.; Long, X., Li, Z. Improving the Deeplabv3+ Model with Attention Mechanisms Applied to Eye Detection and Segmentation. Mathematics 2022, 10, 2597. https://doi.org/10.3390/math10152597.
  • Библиотека TSensemble. – URL: https://github.com/saschakrs/TSensemble (дата обращения: 12.05.2024).
  • Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // arXiv preprints, 2014. URL: https://arxiv.org/abs/1409.1556 (дата обращения: 16.05.2024).
  • He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // arXiv preprints, 2015. URL: https://arxiv.org/abs/1512.03385. (дата обращения: 16.05.2024).
  • Некрасов, М.В. Автоматизация метода «Дерево решений» / М.В. Некрасов // Актуальные вопросы экономических наук. – № 32, – 2013. – C. 66-70.
  • Ho T. K. Random decision forests // In Proceedings of 3rd international conference on document analysis and recognition, vol. 1, 1995, pp. 278–282.
  • Cortes C., Vapnik, V. Support-vector networks // Machine Learning, 20(3), 1995, pp. 273–297.
  • Egorov A.A. Lysenkova S.A., Mazayshvili K.V. Convolutional networks for segmentation of large vein images // Vestnik KRAUNC. Fiz.-Mat. Nauki, 2020, vol. 31(2), pp. 117–128
  • Statmodels. – URL: https://www.statsmodels.org/dev/generated/statsmodels.tsa.seasonal.seasonal_decompose.html (дата обращения: 16.05.2024).
  • Permanasari A. E., Hidayah I. and Bustoni I. A. SARIMA (Seasonal ARIMA) implementation on time series to forecast the number of Malaria incidence // 2013 International Conference on Information Technology and Electrical Engineering (ICITEE), Yogyakarta, Indonesia, 2013, pp. 203-207, doi: 10.1109/ICITEED.2013.6676239.
  • Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation, 1997, vol. 9(8), pp. 1735–1780.
  • Kiranyaz S., Ince T., Abdeljaber O., Avci O. and Gabbouj M. 1-D Convolutional Neural Networks for Signal Processing Applications // ICASSP 2019 – 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 2019, pp. 8360-8364, doi: 10.1109/ICASSP.2019.8682194.
  • Li X., Ma X., Xiao F., Wang F., Zhang S. Application of Gated Recurrent Unit (GRU) Neural Network for Smart Batch Production Prediction // Energies 2020, 13, 6121. https://doi.org/10.3390/en13226121
  • Андриянов, Н.А. Построение и оценка моделей машинного обучения. 01.04.02 «Прикладная математика и информатика», всех профилей (программы подготовки магистров): учебное пособие / Н. А. Андриянов, П. В. Никитин. – М.: Финансовый университет, 2023. – 140 с. – Текст: электронный // Лань: электронно-библиотечная система. – URL: https://e.lanbook.com/book/345374 (дата обращения: 16.09.2024).
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp