Анализ данных разновременной мультиспектральной аэрофотосъемки для обнаружения границ исторического антропогенного воздействия
Ключевые слова:
мультиспектральная съемка, текстурная сегментация, признаки Харалика, метод главных компонент, кластеризация, k-means, разновременные данные, период вегетации, вторичная сукцессияАннотация
В работе представлено применение алгоритма статистического анализа данных разновременной мультиспектральной аэрофотосъемки с целью выявления участков исторического антропогенного воздействия на природную среду. Исследуемый участок расположен на окраине поселка городского типа Знаменка (Знаменский район Тамбовской области) в лесостепной зоне с типичными черноземными почвами, где во второй половине XIX – начале XX вв. были расположены пашни. Признаком для выявления следов исторического антропогенного воздействия может быть растительность, возникшая в результате вторичной сукцессии на заброшенных участках. Отличительной особенностью такой растительности от окружающей природной среды является ее тип, возраст и плотность произрастания. Таким образом, задача обнаружения границ антропогенного воздействия по мультиспектральным изображениям сводится к задаче классификации растительности. Исходными данными являлись результаты разновременной мультиспектральной съемки в зеленом (Green), красном (Red), краевом красном (RedEdge) и ближнем инфракрасном (NIR) спектральных диапазонах. На первом этапе алгоритма предполагается вычисление текстурных признаков Харалика по данным мультиспектральной съемки, на втором этапе – уменьшение количества признаков методом главных компонент, на третьем – сегментация изображений на основе полученных признаков методом k-means. Эффективность предложенного алгоритма показана при сопоставлении результатов сегментации с эталонными данными исторических картографических материалов. Полученный результат сегментации отражает не только конфигурацию участков анотропогенно-преобразованной природной среды, но и особенности зарастания заброшенной пашни, поскольку исследование разновременных мультиспектральных снимков позволяет более полно охарактеризовать и учесть динамику наращивания фитомассы в разные периоды вегетации.
Литература
2. Черепанова Е.С. Исторические аспекты освоения лесных территорий бассейна Верхней Камы и их последствия // Интерэкспо ГЕО-Сибирь. 2012. Т. 4. С. 37–41.
3. Чернов С.З. Рекомендуемые форматы исторических карт земельных дач средневековой России XIII-XVII вв. (по материалам древнего Радонежа) // Актуальные проблемы аграрной истории Восточной Европы X–XXI вв.: источники и методы исследования: материалы XXXII сессии симпозиума по аграрной истории Восточной Европы. Рязань: Ряз. гос. ун-т им. С.А. Есенина, 2012. С. 58–78.
4. Россия. Полное географическое описание нашего Отечества: настольная и дорожная книга для русских людей. Т.2: Среднерусская Черноземная область: Курская, Орловская, Тульская, Рязанская, Тамбовская, Воронежская и Пензенская губернии // СПб.: А.Ф. Девриен. 1902. 717 с.
5. Аврех А.Л., Канищев В.В. Естественно-исторические условия модернизации аграрного общества. Тамбовская губерния, XIX–XX вв. // Социальная история российской провинции в контексте модернизации аграрного общества в XVIII–XX вв. Тамбов. 2002. С. 3–17.
6. Канищев В.В. Экономика, демография, экология в контексте модернизации аграрного общества (Тамбовская губерния в XIX – начале XX в.) // Экономическая история: Ежегодник. 2002. М.: РОССПЭН. 2003. С. 513–530.
7. Цинцадзе Н.С. Демографические и экологические проблемы развития аграрного общества России во второй половине XIX – начале XX века в восприятии современников. Монография // Тамбов: Изд. дом ТГУ им. Г.Р. Державина. 2012. 286 с.
8. Мониторинг биологического разнообразия лесов России: методология и методы // М.: Наука. 2008. 453 с.
9. Kalinina O., Goryachkin S.V., Lyuri D.I., et.al. Post-agrogenic development of vegetation, soils, and carbon stocks under self-restoration in different climatic zones of European Russia // Catena. 2015. vol. 129. pp. 18–29. DOI: 10.1016/j.catena.2015.02.016.
10. План Знаменской усадьбы и окрестных территорий // Государственный архив Тамбовской области. Ф. 29. Оп. 4. Д. 10052.
11. Kalinina O., Krause S.-E., Goryachkin S.V., et. al. Self-restoration of post-agrogenic chernozems of Russia: Soil development, carbon stocks, and dynamics of carbon pools // Geoderma. 2011. vol. 162. pp. 196–206. DOI: 10.1016/j.geoderma.2011.02.005.
12. Агроэкологическое состояние и перспективы использования земель России, выбывших из активного сельскохозяйственного оборота / под ред. Г.А. Романенко // М.: ФГНУ «Росинформагротех». 2008. 64 с.
13. Cao Y., Li G.L., Luo Y.K., et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images // Computers and Electronics in Agriculture. 2020. vol. 171: 105331. DOI: 10.1016/j.compag.2020.105331.
14. Eng L.S., Ismail R., Hashim W., et al. Vegetation monitoring using UAV: a preliminary study // International Journal of Engineering & Technology. 2018. no.7. pp. 223–227. DOI: 10.14419/ijet.v7i4.35.22736.
15. Liu S., Marinelli D., Bruzzone L., et al. A review of change detection in multitemporal hyperspectral images: current techniques, applications, and challenges // IEEE Geo science and Remote Sensing Magazine. 2019. vol. 7. no. 2. pp. 140–158. DOI: 10.1109/MGRS.2019.2898520.
16. Wei Z., Gu X., Sun Q., et al. Analysis of the spatial and temporal pattern of changes in abandoned farmland based on long time series of remote sensing data // Remote Sensing. 2021. vol. 13(13): 2549. DOI: 10.3390/rs13132549.
17. Alonso L., Picos J., Armesto J. Forest Land Cover Mapping at a Regional Scale Using Multi-Temporal Sentinel-2 Imagery and RF Models // Remote Sensing. 2021. vol. 13(12): 2237. DOI: 10.3390/rs13122237.
18. Possoch M., Bieker S., Hoffmeister D., et al. Multi-temporal crop surface models combined with the rgb vegetation index from UAV-based images for forage monitoring in grassland // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. vol. XLI-B1. pp. 991–998. DOI:10.5194/isprsarchives-XLI-B1-991-2016.
19. Iersel W., Straatsma M., Middelkoop H., et al. Multitemporal classification of river floodplain vegetation using time series of UAV Images // Remote Sensing. 2018. vol. 10(7): 1144. DOI:10.3390/rs10071144.
20. Senf C., Leitão P.J., Pflugmacher D., et al. Mapping land cover in complex mediterranean landscapes using Landsat: improved classification accuracies from integrating multi-seasonal and synthetic imagery // Remote Sensing of Environment. 2015. vol. 156. pp. 527–536. DOI: 10.1016/j.rse.2014.10.018.
21. Simonetti D., Simonetti E., Szantoi Z., et. al. First results from the phenology-based synthesis classifier using Landsat 8 imagery // IEEE Geoscience and Remote Sensing Letters. 2015. vol. 12. no. 7. pp. 1496–1500 DOI: 10.1109/LGRS.2015.2409982.
22. Топографический межевой атлас Тамбовской губернии 1:84000 (1862) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta5623 (дата обращения 12.07.2021 г.).
23. Карта РККА 1:100000 (1935-1941) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta2027 (дата обращения 12.07.2021 г.).
24. Самодуров И. Краткое описание имения графа Павла Сергеевича Строганова, Тамбовской губернии и уезда, при селе Знаменском-Кариан. М.: типо-лит. т-ва И.Н. Кушнерев и К°. 1895. 19 с.
25. Xie Q., Dash J., Huang W., et al. Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2018. vol. 11. no. 5. pp. 1482–1493. DOI: 10.1109/JSTARS.2018.2813281.
26. Кондратьев К.Я., Федченко П.П. Спектральная отражательная способность и распознавание растительности // Л.: Гидрометеоиздат. 1982. 215 с.
27. Roy P.S. Spectral reflectance characteristics of vegetation and their use in estimating productive potential // Proceedings of the Indian Academy of Sciences (Plant Science). 1989. vol. 99. no 1. P. 59 – 81. DOI: 10.1007/BF03053419.
28. Govender M., Chetty K., Bulcock H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies // Water SA. 2007. vol. 33. no. 2. pp. 145–151. DOI:10.4314/wsa.v33i2.49049.
29. Sharma A., Kaur D., Gupta A., et. al. Application and Analysis of Hyperspectal Imaging // IEEE International Conference on Signal Processing, Computing and Control (ISPCC 2k19). 2019. pp. 30–35. DOI: 10.1109/ ISPCC48220.2019.8988436.
30. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2006. 1072 с.
31. Gao J., Li H., Han Z., et. al. Aircraft Detection in Remote Sensing Images Based on Background Filtering and Scale Prediction // PRICAI 2018: Trends in Artificial Intelligence. Lecture Notes in Computer Science. 2018. vol. 11012. pp. 604–616. DOI: /10.1007/978-3-319-97304-3_46.
32. Andriyanov N.A, Vasiliev K.K., Dement'ev V.E. Analysis of the efficiency of satellite image sequences filtering // Journal of Physics: Conference Series. 2018. vol.1096: 012036. DOI: 10.1088/1742- 6596/1096/1/012036.
33. Bannari, A., Morin, D., Bonn, F, et. al. A review of vegetation indices // Remote Sensing Reviews. 1995. vol. 13. no.1. pp. 95–120. DOI: 10.1080/02757259509532298.
34. Черепанов А.С. Вегетационные индексы // Geomatics. 2011. №2. С. 98 – 102.
35. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. 1973. vol. SMC-3. no. 6. pp. 610–621. DOI: 10.1109/TSMC.1973.4309314.
36. Feng Q., Liu J., Gong J. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis // Remote Sensing. 2015. vol. 7. pp. 1074–1094. DOI: 10.3390/rs70101074.
37. Kwak G.-H., Park N.-W. Impact of Texture Information on Crop Classification with Machine Learning and UAV Images // Applied Science. 2019. vol. 9: 643. DOI: 10.3390/app9040643.
38. Dian Y., Li Z., Pang Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery // Journal of the Indian Society of Remote Sensing. 2015. vol. 43. pp. 101–107. DOI: 10.1007/s12524-014-0392-6.
39. Bekkari A., Idbraim S., Elhassouny A., et. al. SVM and Haralick features for classification of high resolution satellite images from urban areas // ICISP 2012: Image and Signal Processing. Lecture Notes in Computer Science. 2012. vol. 7340. pp. 17–26. DOI: 10.1007/978-3-642-31254-0_3.
40. Rodarmel C., Shan J. Principal component analysis for hyperspectral image classification // Surveying and Land Information Systems. 2002. vol. 62. no. 2, pp. 115–122.
41. Rejichi S., Chaabane F. Feature extraction using PCA for VHR satellite image time series spatial-temporal classification // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. pp. 485-488. DOI: 10.1109/IGARSS.2015.7325806.
42. Zlobina A.G., Shaura A.S., Zhurbin I.V., et al. Algorithm for statistical analysis of multispectral survey data to identify the anthropogenic impact of the 19th century on the natural environment // Pattern Recognition and Image Analysis. 2021. vol. 31. no. 2. pp. 344–354. DOI: 10.1134/S1054661821020176.
43. Khalid S., Khalil T., Nasreen S. A survey of feature selection and feature extraction techniques in machine learning // Science and Information Conference. 2014. pp. 372–378. DOI: 10.1109/SAI.2014.6918213.
44. Popescu M.C., Sasu L.M. Feature extraction, feature selection and machine learning for image classification: A case study // 2014 International Conference on Optimization of Electrical and Electronic Equipment (OPTIM). 2014. pp. 968–973. DOI: 10.1109/OPTIM.2014.6850925.
45. Ulaby F.T., Kouyate F., Brisco B., et al. Textural Information in SAR Images // IEEE Transactions on Geoscience and Remote Sensing. 1986. vol. GE-24. no. 2. pp. 235–245. DOI:10.1109/TGRS.1986.289643.
46. Jolliffe I.T. Principal Components Analysis. 2nd ed. // N.Y.: Springer-Verlag New York Inc. 2002. 487 p.
47. Kang, B., Jung H., Jeong H., et al. Characterization of three-dimensional channel reservoirs using ensemble Kalman filter assisted by principal component analysis // Petroleum Science. 2020. vol. 17. pp. 182–195. DOI: 10.1007/s12182-019-00362-8.
48. Artoni F., Delorme A., Makeig S. Applying dimension reduction to EEG data by principal component analysis reduces the quality of its subsequent independent component decomposition // NeuroImage. 2018. vol. 175. pp. 176–187. DOI: 10.1016/j.neuroimage.2018.03.016.
49. Huang Z. Extensions to the k-means algorithm for clustering large data sets with categorical values // Data mining and knowledge discovery. 1998. vol. 2. pp. 283–304.
50. Jain A.K. Data clustering: 50 years beyond k-means // Pattern Recognition Letters. 2010. vol. 31. pp. 651–666. DOI: 10.1016/j.patrec.2009.09.011.
Analysis of Multi-Temporal Multispectral Aerial Photography Data to Detect the Boundaries of Historical Anthropogenic Impact
Abstract
The article presents the application of a statistical analysis algorithm for multi-temporal multispectral aerial photography data to identify areas of historical anthropogenic impact on the natural environment. The investigated site is located on the outskirts of the urban-type village of Znamenka (Znamensky District, Tambov Region) in a forest-steppe zone with typical chernozem soils, where arable lands were located in the second half of the 19th - early 20th centuries. Grown vegetation as a result of secondary succession in abandoned areas can be a sign for identifying traces of historical anthropogenic impact. Distinctive signs of such vegetation from the surrounding natural environment are its type, age and growth density. Thus, the problem of detecting the boundaries of anthropogenic impact on multispectral images is reduced to the problem of vegetation classification. The initial data were the results of multi-temporal multispectral imaging in green (Green), red (Red), edge of red (RedEdge) and near-infrared (NIR) spectral ranges. The first stage of the algorithm is the calculation of the Haralick texture features on multispectral images, the second stage – reduction in the number of features by the principal component analysis, the third stage – the segmentation of images based on the obtained features by the k-means method. The effectiveness of the proposed algorithm is shown by comparing the segmentation results with the reference data of historical cartographic materials. The study of multi-temporal multispectral images makes it possible to more fully characterize and take into account the dynamics of phytomass growth in different periods of the growing season. Therefore, the obtained segmentation result reflects not only the configuration of areas of an anthropogenic transformed natural environment, but also the features of overgrowth of abandoned arable land.
Опубликован
Как цитировать
Раздел
Copyright (c) Александр Сергеевич Шаура, Анна Григорьевна Злобина
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).