Метод итеративной экспансии обучающей выборки и его применение для распознавания озимых культур по спутниковым данным

Временные ряды спутниковых данных являются мощным инструментом для распознавания различных типов растительного покрова, и, в частности, сельскохозяйственной растительности. Спутниковая система Terra-MODIS осуществляет ежедневные глобальные наблюдения, предоставляя возможности оперативной оценки посевов. Большие объёмы спутниковых данных требуют использования автоматических методов их обработки.

Локальные различия сезонной динамики развития типов сельскохозяйственных культур могут быть использованы для построения информативных признаков, позволяющих их разделять по спутниковым данным. Существующие алгоритмы распознавания всходов озимых в осенне-зимний период обеспечивают высокий уровень оперативности получения информации, однако точность получаемых результатов сильно варьирует в зависимости от агрометеорологических условий осенней вегетации посевов. Иногда осенние всходы не могут быть обнаружены из-за продолжительной облачности или раннего выпадения снежного покрова.
Распознавание озимых культур в весенне-летний период вегетации в значительной степени свободно от вышеуказанных недостатков, однако затруднено отсутствием априорной информации о расположении посевов. При этом необходимо учитывать локальные особенности развития озимых, для которых характерна вариабельность спектрально-динамических характеристик на больших территориях.

Разработанный алгоритм позволяет осуществлять автоматическую пространственную экспансию обучающей выборки от места её инициализации на большие территории. Процесс расширения выборки происходит итеративно. На каждой итерации происходит восстановление эталона, описывающего локальные спектрально-динамические характеристики класса. Затем в ближайшей окрестности происходит поиск объектов с похожими на эталон спектрально-динамическими характеристиками на основе корреляции временных серий данных наблюдений сравниваемых участков и спектрального расстояния между ними. Выявленные репрезентативные объекты позволяют формировать новые эталоны, расположенные на некотором удалении от эталонов предыдущей итерации.

Сельскохозяйственная растительность и, в частности, озимые, растущие компактно в небольшой области, тем не менее, могут иметь несколько различные спектрально-динамические характеристики. Так, в одной и той же местности могут рядом встречаться озимые, развивающиеся с различной скоростью. Это может быть вызвано различием сроков сева, количеством удобрений, технологиями подготовки почвы. Разработанный алгоритм позволяет это учесть, проверяя несколько различных эталонов в одной и той же области и выявляя участки растительности, близкие хотя бы к одному предложенному эталону. Одновременное использование обобщенного эталона для остальных объектов исключает слишком сильную модификацию эталона искомого типа растительности.

Поскольку указанные выше причины не позволяют использовать параметрические методы классификации, для распознавания озимых был использован метод «случайных лесов». Полученные результаты позволяют говорить о достаточно высокой точности предложенного алгоритма.