Использование временных серий спутниковых измерений КСЯ земной поверхности для распознавания типов растительности

Спутниковые системы дистанционного зондирования Земли позволяют эффективно решать задачи мониторинга растительного покрова и, в частности, задачу распознавания различных типов растительности. Прибор MODIS осуществляет ежедневные наблюдения всей территории России, что дает возможность формировать непрерывные сезонные и многолетние серии спутниковых данных с высоким временным разрешением. Прибор обладает информативными для наблюдения растительности спектральными каналами в красном и ближнем ИК диапазонах и высокой точностью географической привязки разновременных изображений.
В ИКИ РАН сформирован и пополняется в оперативном режиме архив спутниковых данных MODIS за более чем десять лет наблюдений, разработаны методы предварительной обработки спутниковых данных, позволяющие формировать очищенные от влияния мешающих факторов композитные изображения за фиксированные промежутки времени.
В докладе представлены результаты исследования возможностей распознавания различных типов растительности на основе классификации сезонных рядов данных MODIS методом максимального правдоподобия с обучением. В рамках исследования были сформированы временные серии композитных изображений в красном и ближнем ИК диапазонах спектра, прошедшие предварительную обработку для снижения влияния шумов и различий геометрических условий съёмки. Полученные разновременные композитные изображения использовались в качестве признаков распознавания при классификации растительного покрова. Для создания обучающей выборки использовались результаты наземного обследования.
Показана возможность использования предложенного подхода для распознавания лесных насаждений различных древесных пород и сельскохозяйственных культур на примере ряда тестовых регионов, выбранных на территории России. Дальнейшие работы направлены на формирование пространственно распределенной и репрезентативной обучающей выборки, наличие которой, а также использование локально-адаптивного алгоритма классификации LAGMA, позволит картографировать растительный покров в масштабах страны с высоким уровнем тематической детальности.