Визначення кількості кластерів нормалізованих вегетаційних індексів із використанням алгоритму k-means
DOI:
https://doi.org/10.15587/1729-4061.2023.290129Ключові слова:
NVDI, вегетаційний індекс, кластерний аналіз, алгоритм k-середніх, дані дистанційного зондуванняАнотація
Досліджено процес кластеризації нормалізованих вегетаційних індексів у п'яти районах із загальною площею 2565 гектарів Північно-Казахстанської області. Запропоновано методичний підхід до організації процесу кластеризації з використанням вегетаційних індексів NDVI, MSAVI, ReCI, NDWI та NDRE з урахуванням індивідуальних характеристик у трьох основних фазах розвитку ярої пшениці
У результаті проведених досліджень вегетаційні індекси згруповано на 3 класи, з використанням методу кластеризації k-середніх, На першому кластері було скомпоновано вегетаційні індекси, максимальні значення яких займає близько 33.98 % від загальної площі досліджуваної області. Було виявлено, що розташовані на першому кластері NDVImax позитивно корелюють із вегетаційними індексами з поправкою на ґрунт MSAVI та індикаторами вологості культури NDMI (R2=0.92). Другий кластер характеризується з мінімальними значеннями коефіцієнтів NDVImax і на фазах сходу, кущіння та дозрівання (від 0.53 до 0.55). Найменші значення вегетаційних індексів займали 35,9 % у фазі сходу, 37,9 % у фазі кущіння, 40,1 % поля від загальної площі. Третій кластер характеризується середніми значеннями вегетаційних індексів у всіх трьох фазах. Також було побудовано кореляційну матрицю для оцінки тісноти зв'язку між фактичною врожайністю та вегетаційними індексами NDVI. Максимальний коефіцієнт було отримано на фазі сходів, R=0.94 з мінімальним коефіцієнтом значущості p=0.018.
Застосований у цьому дослідженні підхід може бути корисним під час аналізу супутникових даних, оскільки дає змогу поліпшити чутливість процедури групування. З практичної точки зору, отримані результати дають змогу оцінювати стан сільськогосподарських культур у ранні терміни вегетації, що дає змогу покращити їхню продуктивність на основі отриманих результатів кластерного аналізу.
Посилання
- Mutanga, O., Masenyama, A., Sibanda, M. (2023). Spectral saturation in the remote sensing of high-density vegetation traits: A systematic review of progress, challenges, and prospects. ISPRS Journal of Photogrammetry and Remote Sensing, 198, 297–309. doi: https://doi.org/10.1016/j.isprsjprs.2023.03.010
- Xue, J., Su, B. (2017). Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. Journal of Sensors, 2017, 1–17. doi: https://doi.org/10.1155/2017/1353691
- Xiao, X., Braswell, B., Zhang, Q., Boles, S., Frolking, S., Moore, B. (2003). Sensitivity of vegetation indices to atmospheric aerosols: continental-scale observations in Northern Asia. Remote Sensing of Environment, 84 (3), 385–392. doi: https://doi.org/10.1016/s0034-4257(02)00129-3
- Mimenbayeva, A., Zhukabayeva, T. (2020). A review of free resources for processing and analyzing geospatial data. Proceedings of the 6th International Conference on Engineering & MIS 2020. doi: https://doi.org/10.1145/3410352.3410800
- Liu, D., Yang, F., Liu, S. (2021). Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data. Journal of Integrative Agriculture, 20 (11), 2880–2891. doi: https://doi.org/10.1016/s2095-3119(20)63556-0
- Komarov, A. A., Kirsanov, A. D., Malashin, S. N. (2021). Comparative characteristics of various vegetation indices (vi) when the vegetation cover state of forage grasses assessing. Izvestya of Saint-Petersburg State Agrarian University, 63 (2), 18–29. doi: https://doi.org/10.24412/2078-1318-2021-2-18-29
- Somvanshi, S. S., Kumari, M. (2020). Comparative analysis of different vegetation indices with respect to atmospheric particulate pollution using sentinel data. Applied Computing and Geosciences, 7, 100032. doi: https://doi.org/10.1016/j.acags.2020.100032
- Ntayagabiri, J. P., Ndikumagenge, J., Ndayisaba, L., Philippe, B. K. (2023). Study on the Development and Implementation of Different Big Data Clustering Methods. Open Journal of Applied Sciences, 13 (07), 1163–1177. doi: https://doi.org/10.4236/ojapps.2023.137092
- Tlebaldinova, A. S., Ponkina, Ye. V., Mansurova, M. Ye., Ixanov, S. Sh. (2021). Using satellite images to assess the state of arable fields on the example of the East Kazakhstan region. Bulletin of the National Engineering Academy of the Republic of Kazakhstan, 82 (4), 179–186. doi: https://doi.org/10.47533/2020.1606-146x.128
- Pandey, S., Khanna, P. (2014). A hierarchical clustering approach for image datasets. 2014 9th International Conference on Industrial and Information Systems (ICIIS). doi: https://doi.org/10.1109/iciinfs.2014.7036504
- Prasad, M., Thota, S. (2023). Buddy System Based Alpha Numeric Weight Based Clustering Algorithm with User Threshold. doi: https://doi.org/10.20944/preprints202308.1676.v1
- Khudov, H., Makoveichuk, O., Komarov, V., Khudov, V., Khizhnyak, I., Bashynskyi, V. et al. (2023). Determination of the number of clusters on images from space optic-electronic observation systems using the k-means algorithm. Eastern-European Journal of Enterprise Technologies, 3 (9 (123)), 60–69. doi: https://doi.org/10.15587/1729-4061.2023.282374
- Vandana, B., Kumar, S. S. (2019). Hybrid K Mean Clustering Algorithm for Crop Production Analysis in Agriculture. Special Issue, 9 (2S), 9–13. doi: https://doi.org/10.35940/ijitee.b1002.1292s19
- Umarani, R., Tamilarasi, P. (2019). Data analysis of crop yield prediction using k-means clustering algorithm. Journal of Emerging Technologies and Innovative Research, 6 (4), 535–538. Available at: https://www.jetir.org/papers/JETIR1904582.pdf
- Marino, S., Alvino, A. (2021). Vegetation Indices Data Clustering for Dynamic Monitoring and Classification of Wheat Yield Crop Traits. Remote Sensing, 13 (4), 541. doi: https://doi.org/10.3390/rs13040541
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Aigul Mimenbayeva, Samat Artykbayev, Raya Suleimenova, Gulnar Abdygalikova, Akgul Naizagarayeva, Aisulu Ismailova
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.
