авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 |

Оценка состояния сельскохозяйственных посевов краснодарского края по данным дистанционного зондирования: методика и результаты

-- [ Страница 2 ] --

Пространственное распределение фитомассы по данным снимка характеризуется статистическими показателями значения NDVI для каждого поля. Наиболее информативными показателями, на наш взгляд, являются эксцесс (E) и коэффициент асимметрии (A). Разработана модель автоматизации для облегчения трудоемкой подготовки табличных данных к дальнейшему расчету статистики в MS Excel. Автоматизация предполагает:

а) подготовку атрибутивных данных векторного слоя полей;

б) обрезку растрового объекта по векторному слою полей инструментом пространственного анализа «Extract by Mask» (модуль Spatial Analyst);

в) конвертацию полученного набора растров в таблицы.dbf. Для каждой ячейки полученных растровых объектов создаются точечные шейп-файлы при помощи инструмента конвертации «Raster To Point» (точки расположены в центрах соответствующих ячеек). Затем слой точек экспортируется в таблицы.dbf. Вычисление E и A выполнялось в MS Excel с последующим импортом в файл.xlsx таким образом, чтобы данные по каждому полю располагались в разных столбцах.

Для получения объективных оценок пространственного распределения предлагается использовать сочетание коэффициентов эксцесса E и асимметрии A. Данный синтетический показатель мы определили как показатель равномерности распределения в выборке (U). Приведем характерные (граничные) распределения значений NDVI в пределах поля.

Для ситуации, когда A < 0 и E > 0 (рис. 2 а), характерны наибольшие значения в выборке, а значит и наибольшее количество фитомассы. Для ситуации при A < 0 и E < 0 (рис. 2 б) характерно меньшее количество больших значений в выборке, но эти значения сдвинуты вправо, т.е. подобный случай характеризует поля с относительно большим количеством фитомассы, но меньшим, чем в первом случае. В третьем случае с A > 0 и E > 0 (рис. 2 в) при минимальном количестве фитомассы отмечаются наименьшие значения в выборке и сдвиг кривой распределения влево. При A > 0 и E < 0 (рис. 2 г) наблюдается сдвиг в сторону меньших значений, но распределение этих значений отражено пологой кривой, а это значит, что количество фитомассы в данной ситуации больше, чем в третьем, но меньше, чем в первом и втором случаях.

На основе рассмотренных комбинаций выделено четыре класса, отражающих степень (не)равномерности распределения фитомассы в границах поля. Для случая распределения, близкого к нормальному (рис. 2 д), предусмотрен ещё один класс. Контроль экстремальных значений, способных привести к ошибкам классификации (ранжирования), осуществлялся посредством специального скрипта VBA.

Рис. 2. Распределение значений выборки NDVI при A < 0 и E > 0 (а), A < 0 и E < 0 (б), A > 0 и E > 0 (в), A > 0 и E < 0 (г), близкое к нормальному

закону при E ~ 0 и A ~ 0 (д)

В распределении фитомассы на поле (полигоне) по степени равномерности установлены следующие ранги (табл. 1):

Таблица 1

Ранговая шкала на основе показателя

равномерности распределения U в выборке NDVI

U Соотношение A и E Название класса
1 A < 0 и E > 0 Оптимальное распределение
2 A < 0 и E < 0 Хорошее распределение
3 E ~ 0 и A ~ 0 Удовлетворительное распределение
4 A > 0 и E > 0 Неудовлетворительное распределение
5 A > 0 и E <0 Критическое распределение

На рисунке 3.10 представлена классификация полей озимой пшеницы на основе полученного показателя U.

Рис. 3. Классификация полей озимой пшеницы по показателю

равномерности распределения фитомассы (Северский район, 05.02.2010)

В разделе 3.3 описаны результаты расчета локальной равномерности U на полях шести исследуемых районов: Абинском, Крымском, Северском, Славянском, Староминском, Тимашевском. Исследовалось распределение колосовых и технических культур на даты съемки: 12.07.2009, 28.04.2010, 02.05.2010, 13.06.2010. Так, на дату 02.05.2010 распределение озимой пшеницы (фаза выхода в трубку) в разных районах заметно различается (табл. 2, 3). Наилучшее состояние посевов в целом отмечено в Тимашевском, Староминском и Славянском районах при 76-68% площади посевов с оптимальным распределением на полях; удовлетворительное – в Абинском и Крымском районах. Больше всего полей с неудовлетворительным распределением посевов озимой пшеницы выявлено в Северском районе (14,5% площади под озимой пшеницей).

Таблица 2

Оценка посевов озимой пшеницы по степени

равномерности распределения на полях, %

Районы Оптимальное Хорошее Удовлетворительное Неудовлетворительное Критическое
Северский 47,4 13,3 17,1 8,9 13,3
Абинский 45,1 29,1 23,5 11,5 1,4
Крымский 67,6 11,5 9,4 2,2 9,3
Тимашевский 75,7 7,9 4,8 5,0 6,6
Староминский 69,9 21 4,6 3,9 2,7
Славянский 68,4 13,2 3,9 0 14,5

Анализ распределения озимого ячменя по состоянию на 02.05.2010 по данным разных районов (табл. 3) подтверждает действенность предлагаемого способа оценки равномерности посевов по индексу NDVI.

Таблица 3

Оценка посевов озимого ячменя по степени

равномерности распределения на полях, %

Районы Оптимальное Хорошее Удовлетворительное Неудовлетворительное Критическое
Северский 41,3 15,2 13 5,4 25,1
Крымский 43,8 6,3 18,8 4,5 4,0
Тимашевский 73,9 6,8 4,5 6,8 8,0
Славянский 80,0 4,0 4,0 8,0 4,0

На основе полученных результатов необходимо отметить, что определение равномерности посевов наиболее целесообразно проводить в фазы развития колосовых, в которые наблюдается наибольшее количество хлорофилла в клетках, а именно в период от выхода в трубку до фазы цветения. В данные периоды применение методики дает наилучшие результаты.

Следующий логический шаг оценки пространственной изменчивости фитомассы (посевов) – автоматизированный расчет площади участков с дефектными посевами. Своевременное выделение таких участков на ранней стадии созревания той или иной культуры дает возможность проведения мероприятий по их устранению, включая локальный пересев озимых. Попутно при накоплении сведений о распределении этих участков возможно установление причин их образования. К дефектным отнесем участки с относительно низкой для данной фазы развития удельной фитомассой у определенной культуры. Раздел 3.4 посвящен методике расчета площади таких дефектных посевов по данным распределения NDVI.

На практике локализация участков упирается в проблему размытости их границ, что отвечает представлениям нечёткой классификации. Поэтому предлагаемый алгоритм расчетов площади базируется на методах нечёткой классификации, ориентированных на получение классов, элементы которых внутри класса предельно однородны, но максимально отличаются от элементов других классов. Использована программа BoundarySeer, реализующая при осуществлении нечёткой классификации метод кластеризации k-means. Данный метод разбивает множество элементов на заранее известное число кластеров k. Алгоритм работает так, чтобы минимизировать дисперсию на точках каждого класса:

(2)

где k – число кластеров, – полученные кластеры, и – центры масс векторов. Поскольку множество полей с одной культурой представляет собой дискретное пространство, выделить границы автоматически средствами программы BoundarySeer затруднительно. Целесообразно проводить выделение этих границ с переменной вероятностью (75%, 85% и 95%) принадлежности к классу дефектных участков посевов. Пример локализации посевов с 85%-ной вероятностью принадлежности к классу дефектные участки иллюстрирует рисунок 4.

 Выделение участков посевов на основе 85%-ной вероятности принадлежности к-19

Рис. 4. Выделение участков посевов на основе 85%-ной вероятности

принадлежности к классу дефектные участки методом нечёткой

классификации (Северский район, 05.02.2010)

Таким образом рассчитаны площади дефектных участков посевов озимой пшеницы в Северском районе для каждого поля в отдельности и всех полей в целом (табл. 4). С увеличением вероятности принадлежности к классу дефектных участков (от 75 до 95%) соответствующая площадь посевов озимой пшеницы закономерно уменьшается, достигая, тем не менее, на исследуемой территории на дату съемки 11,55% площади при вероятности 95%.

Таблица 4

Площадь дефектных участков посевов озимой пшеницы

в Северском районе (05.02.2010)

Вероятности принадлежности, % Площадь дефектных участков
км2 %
75 37,64 33,09
85 30,77 27,05
95 13,14 11,55

Экспериментально установлено, что предлагаемый метод позволяет оперативно получить объективную оценку состояния посевов на территории края путем автоматизированной классификации, выделяя в границах полей дефектные участки посевов по признаку их пространственной (не)однородности и рассчитывая их площадь.

Глава 4. Использование спутниковых снимков для распознавания

сельскохозяйственных культур

Использование данных дистанционного зондирования предоставляет широкие возможности в оперативном и независимом исследовании сельскохозяйственных посевов. Такого рода исследования не ограничиваются разнообразными оценками состояния посевов, но также способны решать проблему автоматизированного распознавания сельскохозяйственных культур.

В разделе 4.1 рассмотрен метод идентификации культуры, основанный на применении пороговых значений вегетационного индекса NDVI с использованием его рассчитанных эталонных значений для определенных сельскохозяйственных культур.

Анализируются сельскохозяйственные посевы Абинского, Крымского и Тимашевского районов. Эталонные значения определялись по данным Северского района. Выбранные территории располагаются в одном агроклиматическом районе Краснодарского края в его центральной части (Агроклиматический справочник, 1975). Территории свойственна синхронность фаз вегетации сельскохозяйственных культур, следовательно, и внутригодовая динамика индекса NDVI у соответствующих культур априори должна быть сопоставима. Для проверки этого предположения построены графики сопряженного внутригодового хода NDVI различных культур (озимой пшеницы, озимого ячменя, подсолнечника, риса, кукурузы, многолетних трав, а также для полей под паром) (рис. 5, 6).

Рис. 5. Сезонная динамика индекса NDVI для озимой пшеницы и озимого ячменя на территории Северского района в 2008-2009 гг.

При распознавании культур заданы пороговые значения, определяющие верхнюю и нижнюю границу наиболее вероятных значений индекса NDVI. Нижняя граница (j1) и верхняя граница (j2) порога значений рассчитывалась следующим образом:

и , (3)

где – среднее значение индекса NDVI, – среднее значение амплитуды.

Распознавание озимых и яровых культур осуществлялось по двум снимкам Landsat (28.04.2009 и 10.08.2009). Автоматический алгоритм распознавания озимых и яровых построен на двухуровневом сравнении рассчитанных значений индекса по разным снимкам на полях исследуемой территории. Точность распознавания оценивалась по площади правильно распознанных культур. В Абинском районе точность распознавания озимых культур составила 82%, яровых ­– 77%, в Крымском районе соответственно – 76% и 71%, а в Тимашевском районе – 80% и 75%.

Рис. 6. Сезонная динамика индекса NDVI для различных культур и полей под паром на территории Северского района в 2009 г.

Для распознавания видов культур использовались три снимка. Анализировались типичные для края сельскохозяйственные культуры – рис, подсолнечник, кукуруза, а также многолетние травы. Несмотря на установленные пороговые значения индекса NDVI для подсолнечника и кукурузы, надежно идентифицировать эти культуры не удалось. Причина – подобие сезонного хода их вегетационных индексов (рис. 5). Из рассматриваемых культур наилучшим образом идентифицируются посевы риса. Это связано с особенностями выращивания культуры, которые требуют известных условий орошения. Результаты распознавания представлены в таблице 5.

Таблица 5

Точность распознавания культур способом пороговых значений, %

Район Озимые Яровые Рис Многолетние травы Поля под паром
Абинский 82 77 87 46 65
Крымский 76 71 - 40 61
Тимашевский 80 75 - 28 -
Староминский 85 78 - 38 -

Альтернативный способ распознавания сельскохозяйственных культур описан в разделе 4.2. Применен метод классификации с обучением при автоматическом дешифрировании космических снимков. Классификация проводилась в пакете ENVI. Для её выполнения необходимо задать области интереса, выступающие в качестве репрезентативных однородных фрагментов, на основе которых проводится идентификация прочих объектов. Для определения эталонов использованы 6 видов сельскохозяйственных культур: рис, озимая пшеница, озимый ячмень, кукуруза, подсолнечник, озимый рапс, а также многолетние травы.

Как показала экспериментальная классификация, лучше всего распознаются озимые культуры, точность распознавания которых в разных районах составила 84-91%. Надежность дешифрирования отдельных культур заметно ниже (табл. 7). Благодаря упомянутым особенностям выращивания достаточно точно идентифицировались посевы риса (94%).

Таблица 6

Точность распознавания культур способом эталонов, %

Район Озимые Яровые Рис Многолетние травы Поля под паром
Абинский 91 55 94 34 60
Крымский 84 58 - 44 54
Тимашевский 81 61 - 53 -
Староминский 84 52 - 60 -


Pages:     | 1 || 3 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.