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.
Нейронные сети, аэрокосмическая съемка, спутниковый мониторинг, индекс вегетативности, обработка изображений
Короткий адрес: https://sciup.org/148330126
IDR: 148330126 | DOI: 10.37313/1990-5378-2024-26-4(3)-329-339
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).
Статья научная
