XXIV.F.354
Устойчивая кластеризация данных дистанционного зондирования Земли в сельском хозяйстве
Панкратов В.А. (1), Панкратова Я.Б. (1), Якушев В.В. (2)
(1) Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
(2) Санкт-Петербургский государственный аграрный университет, Санкт-Петербург, Россия
В работе рассматривается проблема устойчивости кластеризации данных дистанционного зондирования Земли (ДЗЗ) для задач точного земледелия. Кластеризация данных ДЗЗ — одна из ключевых задач современного точного земледелия. Спутниковые и беспилотные наблюдения позволяют получать непрерывные карты продуктивности сельскохозяйственных полей, на основе которых выделяются зоны однородности для дифференцированного внесения удобрений. Однако переход от непрерывной карты продуктивности к дискретному разбиению на зоны управления неоднозначен: результат кластеризации сильно зависит от выбора алгоритма, метрики расстояния, числа кластеров и начальных приближений.
Именно поэтому на первый план выходит требование устойчивости кластеризации. Под устойчивостью в работе понимается свойство алгоритма сохранять структуру разбиения при малых возмущениях исходных данных, изменении параметров и повторных запусках. Устойчивое разбиение должно не только хорошо описывать исходные данные, но и обладать предсказуемым поведением в условиях неопределённости, неизбежной в реальных агрономических приложениях.
Проводится сравнительный анализ нескольких семейств алгоритмов: жёсткой кластеризации (K-means), иерархической кластеризации (AGNES, DIANA, BIRCH), кластеризации на основе смесей распределений (EM и SEM), а также пространственно-регуляризованной кластеризации. Особое внимание уделяется понятию устойчивости результата, под которым понимается согласованность разбиения при малых возмущениях данных, изменении параметров алгоритма и выборе числа кластеров. Для количественной оценки устойчивости используются внутренние метрики качества (коэффициент Силуэта, индекс Калиньского–Харабаша, индекс Дэвиса–Болдина, байесовский информационный критерий), метрики операционной пригодности (доля граничных рёбер, снижение дисперсии) и метрики согласованности разбиений (Adjusted Rand Index, Variation of Information). Приводятся результаты экспериментального исследования на данных ДЗЗ Амурской области, полученных с использованием уникальной научной установки «ВЕГА-Science». Показано, что ни один из рассмотренных методов не является безусловно устойчивым: устойчивость зависит от структуры данных, выбора метрики и уровня пространственной регуляризации. Предложен подход к выбору устойчивой конфигурации кластеризации на основе многокритериальной оптимизации.
Исследование выполнено за счёт гранта Российского научного фонда № 24-16-00203 (https://rscf.ru/project/24-16-00203/).
Ключевые слова: кластеризация, устойчивость, дистанционное зондирование, точное земледелие, EM-алгоритм, SEM-алгоритм, иерархическая кластеризация, K-means, оценка качества.
Литература:
- Панкратов В. А., Смахтина А. В., Якушев В. В. Методы кластеризации для выявления зон однородности по данным дистанционного зондирования Земли // Таврический вестник аграрной науки. 2025. № 4 (44). С. 159–175. EDN: AWIQRD. DOI: 10.5281/zenodo.17589406.
- Якушев В. П., Блохин Ю. И., Блохина С. Ю., Буре В. М., Канаш Е. В., Матвеенко Д. А., Митрофанов Е. П., Митрофанова О. А., Петрушин А. Ф., Якушев В. В. Теоретические основы дистанционной и наземной количественной оценки внутриполевой изменчивости для точного земледелия. СПб.: Агрофизический научно-исследовательский институт, 2023. 76 с.
- Meilă M. Comparing clusterings — an information based distance // Journal of Multivariate Analysis. 2007. Vol. 98. No. 5. P. 873–895.
- Tiwari M., Zhang M. J., Mayclin J., Thrun S., Piech Ch., Shomorony I. Bandit PAM: almost linear time k-medoids clustering via multi-armed bandits // Advances in Neural Information Processing Systems. 2020. Vol. 33.
- Truflyak E. V., Ragozin L. V. Efficiency of variable rate application of nitrogen fertilizer using artificial intelligence model // Engineering Technologies and Systems. 2025. Vol. 35. No. 3. P. 489–512. DOI: 10.15507/2658-4123.035.202503.489-512.
- Zhang T., Ramakrishnan R., Livny M. BIRCH: an efficient data clustering method for very large databases // Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data. 1996. P. 103–114. DOI: 10.1145/233269.233324.
Дистанционное зондирование растительных и почвенных покровов