Аналіз спектральних властивостей зростання пшениці в різні вегетаційні періоди
DOI:
https://doi.org/10.15587/1729-4061.2021.249278Ключові слова:
коефіцієнт спектральної яскравості, мультиспектральні зображення, Landsat-8, корекція атмосфери, довжина хвилі, діапазон, кадастровий номерАнотація
У статті представлено методику дослідження космічних зображень, засновану на аналізі коефіцієнта спектральної яскравості (КСЯ) космічних зображень земної поверхні.
Розпізнавання видів рослин, ґрунтів та територій за супутниковими знімками – прикладне завдання, що дозволяє реалізувати багато процесів у сільському господарстві та автоматизувати діяльність фермерів та великих господарств. Основним інструментом аналізу даних супутникових знімків є кластеризація даних, що однозначно ідентифікують бажані об'єкти та зміни, пов'язані з різними причинами.
На основі даних, отриманих в ході експериментів з отримання чисельних значень КСЯ, виявлено закономірності поведінки процесів відображення рослинності, факторів, що перешкоджають нормальному зростанню рослин, та запропонованої кластеризації спектральних діапазонів поширення хвиль, які можуть використовуватися для визначення типу об'єктів, що розглядаються. Розпізнавання цих причин шляхом аналізу супутникових зображень КСЯ дозволить створити інформаційну систему для моніторингу стану рослин та подій для усунення негативних причин. Дані КСЯ розділені на діапазони, що не перекриваються, тобто. вони утворюють кластери, що відбивають нормальний розвиток видів рослин та відхилення, пов'язані з негативними причинами. Якщо є відхилення, існує алгоритм, який визначає причину відхилення і пропонує план дій з усунення дефекту.
Слід зазначити, що розподіл спектрів яскравості залежить від кліматичних та географічних умов виду рослин і є унікальним для кожного регіону. Це дослідження відноситься до Акмолінської області, де вирощують зернові культури
Посилання
- Fisenko, E. V. (2019). Analysis of the results of using the technique of multimedia processing of spectral images of the underlying surface using complex remote sensing data. Geodesy and Aerophotosurveying, 63 (3), 324–332. doi: https://doi.org/10.30533/0536-101x-2019-63-3-324-332
- Bajsholanov, S. S., Polevoj, A. N. (2016). Ocenka vlagoobespechennosti vegetacionnogo perioda v severnoj zernoseyushchej territorii Kazahstana. Fizicheskaya geografiya i geomorfologiya, 3 (83), 95–102.
- Botvich, I. Yu., Volkova, A. I., Kononova, N. A., Ivanova, Yu. D., Shevyrnogov, A. P. (2017). Spectrometry of herbaceous vegetation of the krasnoyarsky krai and Republic of Khakassia: the method of measurement, storage and processing of data. Reshetnevskie chteniya, 398–400. Available at: https://cyberleninka.ru/article/n/spektrometrirovanie-travyanistoy-rastitelnosti-krasnoyarskogo-kraya-i-respubliki-hakasiya-metodika-izmereniy-hranenie-i-obrabotka
- Danilov, R. Yu., Kremneva, O. Yu., Ismailov, V. Ya., Tretyakov, V. A., Rizvanov, A. A., V.V. Krivoshein, Pachkin, A. A. (2020). General methods and results of ground hyperspectral studies of seasonal changes in the reflective properties of crops and certain types of weeds. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli Iz Kosmosa, 17 (1), 113–127. doi: https://doi.org/10.21046/2070-7401-2020-17-1-113-127
- Yerzhanova, A. Ye., Kerimkhulle, S. Ye., Makhanov, M., Abdikerimova, G. B., Beglerova, S. T., Taszhurekova, Zh. K. (2021). Atmospheric correction of Landsat-8 / OLI data using the FLAASH algorithm: obtaining information about agricultural crops. Journal of Theoretical and Applied Information Technology, 99 (13), 3110–3119. Available at: http://www.jatit.org/volumes/Vol99No13/3Vol99No13.pdf
- Yerzhanova, A. Y. (2021). Spectral properties of plants by vegetation periods for analysis of satellite images. Vestnik KazNRTU, 143 (1), 226–232. doi: https://doi.org/10.51301/vest.su.2021.v143.i1.28
- De Keukelaere, L., Sterckx, S., Adriaensen, S., Knaeps, E., Reusen, I., Giardino, C. et. al. (2018). Atmospheric correction of Landsat-8/OLI and Sentinel-2/MSI data using iCOR algorithm: validation for coastal and inland waters. European Journal of Remote Sensing, 51 (1), 525–542. doi: https://doi.org/10.1080/22797254.2018.1457937
- Stycenko, E. A. (2018). Razrabotka metodiki avtomaticheskoj rasshifrovki rastitel'nogo pokrova s kompleksnym ispol'zovaniem mnogosezonnyh zonal'nyh kosmicheskih snimkov. Moscow, 213.
- Kruse, F. A. (1988). Use of airborne imaging spectrometer data to map minerals associated with hydrothermally altered rocks in the northern grapevine mountains, Nevada, and California. Remote Sensing of Environment, 24 (1), 31–51. doi: https://doi.org/10.1016/0034-4257(88)90004-1
- Kolesnikova, O., Cherepanov, A. (2009). Vozmozhnosti PK ENVI dlya obrabotki mul'tispektral'nyh i giperspektral'nyh dannyh. Geomatika, 3, 24–27. Available at: https://sovzond.ru/upload/iblock/65b/2009_03_004.pdf
- EarthExplorer. Available at: https://earthexplorer.usgs.gov/
- Andreev, G. A., Bazarskiy, O. V., Glauberman, A. S., Kolesnikov, A. I., Korzhik, Yu. V., Khlyavich, Ya. L. (1984). Analiz i sintez sluchaynykh prostranstvennykh tekstur. Zarubezhnaya radioelektronika, 2, 3–33.
- Kharalik, R. M. (1979). Statisticheskiy i strukturnyy podkhody k opisaniyu tekstur. TIIER, 67 (5), 98–119.
- Potapov, A. A. (2003). Novye informatsionnye tekhnologii na osnove veroyatnostnykh teksturnykh i fraktal'nykh priznakov v radiolokatsionnom obnaruzhenii malokontrastnykh tseley. Radiotekhnika i elektronika, 48 (9), 1101–1119.
- Kolodnikova, N. V. (2004). Obzor teksturnykh priznakov dlya zadach raspoznavaniya obrazov. Doklady Tomskogo gosudarstvennogo universiteta sistem upravleniya i radioelektroniki, 113–124.
- Sidorova, V. S. (2012). Hierarchical cluster algorithm for remote sensing data of earth. Pattern Recognition and Image Analysis, 22 (2), 373–379. doi: https://doi.org/10.1134/s1054661812020149
- Irons, J. R., Dwyer, J. L., Barsi, J. A. (2012). The next Landsat satellite: The Landsat Data Continuity Mission. Remote Sensing of Environment, 122, 11–21. doi: https://doi.org/10.1016/j.rse.2011.08.026
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Akbota Yerzhanova, Akmaral Kassymova, Gulzira Abdikerimova, Manshuk Abdimomynova, Zhuldyz Tashenova, Elmira Nurlybaeva
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
