RU2769575C1 - Способ генерации карт деградации почвенного покрова - Google Patents
Способ генерации карт деградации почвенного покрова Download PDFInfo
- Publication number
- RU2769575C1 RU2769575C1 RU2021119664A RU2021119664A RU2769575C1 RU 2769575 C1 RU2769575 C1 RU 2769575C1 RU 2021119664 A RU2021119664 A RU 2021119664A RU 2021119664 A RU2021119664 A RU 2021119664A RU 2769575 C1 RU2769575 C1 RU 2769575C1
- Authority
- RU
- Russia
- Prior art keywords
- degradation
- soil
- maps
- values
- ndvi
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
Изобретение относится к области сельского хозяйства, а именно к точному прецизионному координатному земледелию, и предназначено для создания карт деградации почвенного покрова, отражающих участки деградации внутри сельскохозяйственных полей. Способ включает создание карт деградации почвенного покрова с помощью спутниковой информации. Скачивают спутниковые снимки Landsat для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет. С помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов. Рассчитывают вегетационный индекс NDVI для каждого пригодного снимка. Рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI. Производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле: AOLNDVI=
Description
Изобретение относится к области сельского хозяйства, а именно к точному прецизионному координатному земледелию, и предназначено для использования глубокого машинного обучения (нейросетей) при отборе спутниковых снимков за многолетний период с целью создания карт деградации почвенного покрова, отражающих участки деградации внутри сельскохозяйственных полей.
Использование спутниковой информации широко распространено в настоящее время в сельскохозяйственных работах. Спутниковые снимки помогают получать в динамике информацию о сельскохозяйственных угодьях и вовремя реагировать на возникающие отклонения. В настоящее время развитие космических технологий мониторинга расширило возможности оперативного отслеживания состояния земель сельскохозяйственного назначения. Использование данных спутниковой информации позволяет повысить точность измерения биометрических показателей полей, что с применением нейросетей дает возможность провести интерполирование значений этих показателей за многолетний период, причем в кратчайшие сроки. Задача получения интегральной характеристики изменений почвы за десятки лет является актуальной. Интегральными характеристиками являются значения коэффициентов мультивременной линии почв. Сверка вычислительных данных с эмпирически полученными в результате осмотра конкретного поля на месте позволяет максимально избежать получения не уточненной информации.
Картирование участков деградации почвенного покрова - сложная и трудоемкая процедура. Деградацию можно предсказать, моделируя процессы деградации и получая характеристики местности из топографических карт и цифровых моделей рельефа. Места развития деградации, спрогнозированные с помощью моделирования, требуют дальнейшего подтверждения, поскольку при одинаковых топографии и климате деградация может произойти, а может и не произойти. Деградацию можно обнаружить на основе анализа большого количества спутниковых снимков в режиме ручной интерпретации. В этом случае точность обнаружения и определения границ деградированных территорий выше, чем при наземных съемках. К основным недостаткам ручной интерпретации большого количества спутниковых снимков можно отнести высокую стоимость высококвалифицированного человеческого труда, не поддающегося автоматизации, и низкую производительность.
Современные тенденции в автоматизации выявления и картирования участков деградации почвенного покрова основаны на анализе вегетационных индексов растительности, при анализе которых возникают проблемы, если они проводятся в автоматическом режиме отбора пригодных для расчетов снимков. Например, маски облаков находятся в архивах данных дистанционного зондирования, но обычно этих масок недостаточно для диагностики наличия или отсутствия облаков на спутниковых снимках, а включение в обработку мультивременной спутниковой съемки даже одного не пригодного снимка полностью искажает результаты расчета. Современная тенденция отбора спутниковых снимков основана на использовании глубокого машинного обучения, которое позволяет выбрать необходимые спутниковые снимки.
Распознавание образов является одной из наиболее востребованных задач искусственного интеллекта и может найти применение в самых различных прикладных областях. Наиболее широко для распознавания образов в настоящее время используются нейросети. Они, в ряде случаев, показывают результаты сравнимые или превосходящие возможности человека в решении аналогичных задач. Но в ряде случаев расширение их использования сдерживается трудностью интерпретации полученного решения. Действительно, для ряда наиболее ответственных применений нормативно требуется или, естественно, ожидается верификация и одобрение/отклонение человеком автоматического решения.
Глубокое машинное обучение в виде сверточных нейронных сетей получает все большее распространение в различных областях научно-технической деятельности. Нейронные сети используются для расчета и оценки изменений в землепользовании за длительные периоды времени (1984 год - настоящее время). Во многих случаях использование нейронных сетей позволяет добиться большей точности расчетов, чем традиционные методы исследования явлений, с меньшими трудозатратами. В последние годы новый подход компьютерного зрения на основе нейронных сетей успешно применяется при решении различных задач с помощью дистанционного зондирования. Таким образом, использование сверточных нейронных сетей (CNN) для обработки цветных изображений земной поверхности обеспечило высокую точность распознавания различных почвенных процессов.
Известен предшествующий аналог заявляемого технического решения, способ дистанционного определения состояния и использования земель сельскохозяйственного назначения по заявке России на изобретение №2018111761от 02.04.2018г., МПК: G01W 1/00, G01W 1/08, опубликованной 04.10.2019г. В аналоге описано информационно-управляющее средство и автоматизированная система мониторинга земель сельскохозяйственного назначения, при которых используют беспилотные летательные аппараты самолетного типа с размещенными на них мультиспектральными камерами, а также наземное оборудование в виде мультиспектральной камеры и тепловизора, установленное на передвижной вышке на земле, позволяющие производить опережающую съемку и выделять участки под детальные исследования площадей деградированных земель, подверженных водной и ветровой эрозии и переувлажнению.
Несмотря на очевидные различия в применяемой технике, общим признаком с заявляемым техническим решением является создание карт с целью определения мест дислокации эродированных почв.
Недостатки данного аналога связаны с целью его разработки, в основном направленной на повышение результативности интерпретации почвенного покрова. Аналог характеризует предшествующее поколение способов диагностики почвы с проведением спектральной съемки и сбором тематических картографических материалов с помощью летательных аппаратов. В данном аналоге по заявке России на изобретение № 2018111761 не предусматривается анализ мультивременных рядов спутниковой съемки с использованием нейросетей.
Известен аналог нового поколения (прототип), способ предуборочной десикации посевов сельскохозяйственных культур переменной нормой внутри одного поля по патенту России на изобретение №2717933 от 17.07.2019г., МПК: A01D 45/00, опубликованному 26.03.2020г., включающий автоматизированную работу сельскохозяйственного оборудования с применением спутниковой навигации для индивидуального анализа внутриполевых зон, предварительно запроектированных на картографическом контуре поля, и расчет дозирования препарата, вносимого для улучшения параметров поля, засеянного сельскохозяйственными культурами, причем по отдельно взятому полю предварительно разработанную агрономом карту-задание на основе значений вегетационного индекса NDVI и на основе определения нормы рабочего раствора при визуальном осмотре поля загружают в бортовой компьютер, установленный в кабине опрыскивателя, далее с помощью бортового компьютера устанавливают геолокацию посредством системы ГПС/ГЛОНАСС, а бортовой компьютер в процессе работы опрыскивателя считывает нормы с карты-задания в конкретной точке поля и в процессе десикации корректирует норму расхода рабочего раствора препарата на каждом участке поля согласно загруженной карте-заданию при проведении десикации следующим образом:
- исходя из трех внутриполевых зон с корректировкой нормы рабочего раствора согласно схеме: - для зоны №1 - NDVI < 0,2 - норма рабочего раствора от 0 до 50%; - для зоны №2 - NDVI от 0,2 до 0,45 - норма рабочего раствора от 50 до 100%; - для зоны №3 - NDVI > 0,45 - норма рабочего раствора от 100 до 125%;
- исходя из четырех внутриполевых зон с корректировкой нормы рабочего раствора, согласно схеме:- для зоны №1 - NDVI < 0,2 - норма рабочего раствора от 0 до 50%; - для зоны №2 - NDVI от 0,2 до 0,3 - норма рабочего раствора от 50 до 75%; - для зоны №3 - NDVI от 0,3 до 0,45 - норма рабочего раствора от 75 до 100%; - для зоны №4 - NDVI > 0,45 - норма рабочего раствора от 100 до 125%,
и далее проводят обработку всего поля согласно разработанной карте-заданию с установленными нормами рабочего раствора.
Техническое решение патента РФ №2717933 обладает признаками сходства с заявляемым техническим решением, такими как создание карт внутриполевой неоднородности поля с помощью спутниковой информации.
Однако относительно узкий диапазон применения (десикация), и то, что способ-прототип не позволяет проводить анализ электронного картирования в мультивременном режиме, снижает эффективность способа-прототипа, в то время как в заявляемом решении отбор спутниковых снимков осуществляется за многолетний период. Сходством является исследование вегетационного индекса NDVI, однако в прототипе этот индекс считают один раз, по анализу одного кадра космической съемки, а в заявляемом техническом решении индекс NDVI рассчитывают для каждого поля для каждого снимка за промежуток времени с 1984 года. Частота встречаемости низкого NDVI в заявляемом решении показывает участки не со случайными, а с устойчивыми ежегодными проблемами в развитии растений, соответственно достигается возможность с наибольшей точностью определять места дислокации деградации почвенного покрова.
Цель заявляемого технического решения - на основе обработки мультивременных спутниковых снимков достижение возможности картографирования участков деградации почвенного покрова внутри сельскохозяйственных полей.
Техническая задача - создание достоверного и максимально приближенного к реальности картографического представления результатов анализа мультивременных спутниковых снимков, для чего разработан заявляемый способ.
В процессе апробирования способа производилась индикация деградированных площадей пашни на основе отбора спутниковых снимков методами глубокого машинного обучения и методов расчета средней встречаемости низких значений вегетационного индекса NDVI.
Технический результат - расширение эксплуатационных возможностей картографирования и автоматизация процесса распознавания деградированных участков почвенного покрова внутри сельскохозяйственных полей с применением на практике оптимальных параметров способа создания карт деградации почвенного покрова по результатам обработки мультивременных спутниковых снимков. Работа блока обучения тракта нейросетевого распознавания, обеспечивающего конечное классификационное решение по исследуемым картам полей, повышает вероятность правильной классификации спутниковой информации, а последующая верификация на поле позволяет максимально улучшить точность получаемых карт. Достижение указанного результата обеспечивается особенностями заявляемого способа.
Сущность заявляемого технического решения состоит в том, что способ генерации карт деградации почвенного покрова на основе обработки мультивременных спутниковых снимков включает создание карт деградации почвенного покрова с помощью спутниковой информации, при котором скачивают спутниковые снимки Landsat, для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет, далее с помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов, рассчитывают вегетационный индекс NDVI для каждого пригодного снимка, рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI, производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле:
AOLNDVI - средняя встречаемость низких величин NDVI (average occurrence of low NDVI values);
LNDVIi - показатель зоны низкого значений NDVI для i-того снимка (the indicator of the zone of low NDVI values for the i-tooghot snapshot.);
n - количество снимков отобранных для расчетов,
причем значения AOLNDVI > 0,5 принимают как зону проявления деградации почв, а по порогу 0,5 создают бинарные карты проявления деградации почвенного покрова, далее проводят эмпирические полевые замеры мощности гумусового горизонта для верификации полученных результатов.
В заявленном способе последовательно применяются принципы двоичной логики и измерения частоты встречаемости двоичного атрибута (низкого значения NDVI) в большом количестве спутниковых снимков. Проявление бинарного признака каждого конкретного спутникового снимка не является при таком подходе самостоятельной характеристикой.
Действительно, низкие значения NDVI в каждый конкретный год могут быть связаны с факторами деградации почвы, колебаниями погоды, недостатками сельскохозяйственных технологий, свойствами конкретной культуры и т.д. Совершенно иная ситуация возникает при анализе набора бинарных карт низких значений NDVI за 35 лет и более для одной и той же территории. Если на десятках спутниковых снимков Landsat за 35 лет значение пикселя чаще всего (более чем на 50% сцен) попало в зону низкого значения NDVI, то можно предположить, что плодородие почвы в этой части поля снижено. В участках с низким плодородием почв можно предположить наличие деградации почвенного покрова. Это предположение подтвердилось в ходе проверки способа методом полевых замеров мощности гумусового горизонта.
Заявляемый способ проиллюстрирован рисунками фиг. 1-4 и таблицей, на которых изображены:
Фиг. 1 - Пригодные и не пригодные для расчетов вегетационных индексов снимки, сортируемые нейросетью, где: 1 - пригодные для расчетов; 2 - не пригодные по причине облачности; 3 - не пригодные по причине тени от облаков; 4 - не пригодные по причине вымокания части посевов; 5 - не пригодные по причине отсутствия вегетации сельскохозяйственных культур; 6 - не пригодные по причине снежного покрова; 7 - не пригодные по причине покрытия пожнивными остатками; 8 - не пригодные по причине наличия горения и продуктов горения; 9-14 - не пригодные по причине наличия ошибок агротехники.
Фиг. 2 - Этапы расчета карты деградации почв, где: 1 - расчет карт NDVI для каждого поля и каждой сцены Landsat, отобранные нейросетью; 2 - выделение области низких значений NDVI для каждой карты NDVI (одна треть от площади карты); 3 - расчет карты средней встречаемости низких значений NDVI; 4 - построение бинарной карты распространения деградации почв, где более 50% раз за 35 лет встречались низкие значения NDVI.
Фиг. 3 - Бинарная карта деградации почвенного покрова, построенная на основе обработки мультивременных спутниковых снимков, отобранных нейросетью, и точки проведения полевых замеров мощности гумусового горизонта для верификации полученных результатов (номерами проставлены точки полевых замеров результаты обработки, которых представлены в таблице). Зеленое - территории с прогнозируемым отсутствием проявления деградации, красное - участки потенциальной деградации почвенного покрова.
Фиг. 4 - Традиционная почвенная карта и места проведения полевых замеров (номерами проставлены точки полевых замеров результаты обработки, которых представлены в таблице). Цифры в кружках на традиционной почвенной карте означают: 2 - отсутствие деградации, 3 - слабую ветровую деградацию, 4 - слабую водную деградацию, 6 - среднюю водную деградацию, 7 - сильную водную деградацию, 9 - почвы другого типа.
ПРИМЕР конкретного выполнения заявляемого способа.
При конкретном применении заявляемого способа зоны деградации почвы были рассчитаны на основе частоты появления низких значений NDVI в период с 1984 по 2021 г. Низкие значения NDVI рассчитывались отдельно для каждого подходящего фрагмента спутникового изображения в границах каждого сельскохозяйственного поля. Значения NDVI одной трети площади поля и ниже, чем другие две трети, считались низкими (фиг. 2). Независимая проверка способа проводилась на шести сельскохозяйственных полях на площади 713,3 га. Содержание гумуса и мощность гумусового горизонта определяли в 42 наземных точках (фиг. 3). В ходе тестирования метод дал 12,5% ошибок I типа (ложноположительные) и 3,8% ошибок II типа (ложноотрицательные). Таблица показывает определение степени деградации почвы по различным критериям в местах полевых замеров.
Таблица
Определение степени деградации почвы по различным критериям в местах полевых замеров
Номер почвенного разреза | мощность гумусового горизонта, см | содержание гумуса, % | наличие деградации по данным наземного обследования на основе: | почвенный покров относится к деградированному по карте деградации построенной на основе нейросети | тип деградации* | ||
содержание гумуса | мощность гумусового горизонта | оба фактора | |||||
1 | 75 | 4.1 | - | - | - | - | n |
2 | 80 | 4.3 | - | - | - | - | n |
3 | 81 | 4.4 | - | - | - | - | n |
4 | 70 | 4.7 | - | - | - | - | n |
5 | 45 | 3.5 | + | - | + | + | d |
6 | 43 | 3.0 | + | - | + | + | e |
7 | 78 | 3.1 | - | - | - | + | n |
8 | 61 | 3.4 | - | - | - | - | n |
9 | 31 | 2.8 | + | + | + | + | e |
10 | 67 | 3.5 | - | - | - | - | n |
11 | 64 | 3.7 | - | - | - | - | n |
12 | 27 | 2.6 | + | + | + | + | e |
13 | 65 | 3.7 | - | - | - | - | n |
14 | 30 | 2.6 | + | + | + | + | e |
15 | 49 | 3.5 | + | - | + | - | e |
16 | 28 | 2.2 | + | + | + | + | e |
17 | 61 | 3.3 | - | - | - | - | n |
18 | 38 | 3.2 | + | - | + | + | e |
19 | 34 | 2.4 | + | + | + | + | e |
20 | 58 | 3.4 | - | - | - | - | n |
21 | 57 | 3.3 | - | - | - | - | n |
22 | 55 | 3.7 | - | - | - | - | n |
23 | 52 | 3.3 | - | - | - | - | n |
24 | 79 | 4.5 | - | - | - | - | n |
25 | 57 | 3.6 | - | - | - | - | n |
26 | 40 | 2.6 | + | + | + | + | e |
27 | 67 | 3.9 | - | - | - | - | n |
28 | 69 | 4.3 | - | - | - | - | n |
29 | 62 | 3.8 | - | - | - | - | n |
30 | 35 | 2.9 | + | + | + | + | e |
31 | 50 | 3.5 | - | - | - | - | n |
32 | 65 | 3.7 | - | - | - | - | n |
33 | 29 | 2.5 | + | + | + | + | e |
34 | 55 | 3.1 | - | - | - | - | n |
35 | 41 | 3.3 | + | - | + | + | e |
36 | 62 | 3.6 | - | - | - | - | n |
37 | 64 | 3.6 | - | - | - | - | n |
38 | 54 | 3.4 | - | - | - | - | n |
39 | 32 | 2.4 | + | + | + | + | e |
40 | 25 | 2.3 | + | + | + | + | e |
41 | 76 | 3.0 | - | - | - | + | n |
42 | 66 | 3.4 | - | - | - | - | n |
*тип деградации: n - нет деградации; e - ветровая эрозия; d - водная эрозия.
На участках деградации почвенного покрова, выявленных предложенным способом, вероятность выявления фактической деградации полевыми замерами составила 87,5%. Вероятность обнаружения деградации почвы полевыми замерами за пределами прогнозируемых участков деградации почвенного покрова составила 3,8%. Результаты показывают, что применение нейросети возможно для отбора пригодных к расчету вегетационных индексов спутниковых снимков и последующего выявления участков деградации на основе обработки мультивременных спутниковых снимков. Это устраняет необходимость в промежуточных системах фильтрации при выборе спутниковых снимков с трудностями определения облаков, теней от облаков, открытой поверхности почвы (фиг. 1). Произведен прямой выбор нейросетью пригодных для расчетов спутниковых снимков Landsat.
Пример расчета карты деградации почвенного покрова.
Для каждого расчета NDVI сельскохозяйственное поле было разделено на три равные площади со значениями NDVI в низком, среднем и высоком диапазонах. Затем зонам средних и высоких значений NDVI было присвоено значение «0», а зоне низких значений NDVI было присвоено значение «1». Была получена серия бинарных карт распределения низких значений NDVI для каждого сельскохозяйственного поля. Затем производили суммирование значений бинарных карт для каждого пикселя и деление на количество сцен спутниковых снимков Landsat, выбранных для сельскохозяйственного поля:
где
• AOLNDVI - средняя встречаемость низких значений NDVI;
• LNDVIi - индикатор нижней зоны NDVI для i-й сцены Landsat;
• n - количество сцен Landsat, выбранных для расчетов.
Значение AOLNDVI> 0,5 было принято за зону деградации почвы. Делением на пороговое значение 0,5, была создана бинарная карта деградации почвенного покрова (Фиг. 3).
Пример наземной проверки. Наземная верификация проводилась классическими методами полевых исследований почв. Вначале анализировали топографические карты и спутниковые снимки. Затем были запланированы полевые маршруты и места полевого обследования. В каждой точке полевого обследования закладывали почвенный разрез, был описан почвенный профиль и взяты почвенные пробы (фиг. 3, 4). Координаты отбора проб и расположение разрезов зафиксированы по GPS. Далее был проведен анализ проб в лаборатории. Измеряли два показателя - мощность гумусового горизонта и содержание гумуса в пахотном горизонте (показаны на таблице).
Точность интерпретации определялась процентом совпадения точек наземного определения наличия деградации почв и карт деградации почвенного покрова внутри сельскохозяйственных полей, полученных автоматизированным способом обработки мультивременных спутниковых снимков (показаны в таблице). Полевые замеры показывают, что карта деградации почвенного покрова, полученная на основе обработки мультивременных спутниковых снимков, существенно точнее традиционной почвенной карты, показанной на фиг 5.
Действительно, из 42 точек полевых замеров мощности гумусового горизонта для верификации полученных результатов на почвенные контуры традиционной почвенной карты с наличием эрозии попадает 24 точки, а на почвенные контуры без эрозии 18 точек. Из 24 точек на контурах с эрозией почв на 12 точках по данным полевых замеров эрозия детектируется, а на других 12 точках не детектируется. Таким образом вероятность обнаружить неэродированные почвы на контурах традиционной почвенной карты составляет 50%. В то время как на бинарных картах деградации почвенного покрова, полученных на основе обработки мультивременных спутниковых снимков эта точность составляет 87,5%.
Исходя из вышеизложенного, можно сделать вывод о том, что в заявляемом техническом решении разработан новый способ генерации карт деградации почвенного покрова на основе обработки мультивременных спутниковых снимков.
Предлагаемый способ генерации карт деградации почвенного покрова может быть использован при автоматизированном картировании деградированных почв.
Заявляемое техническое решение позволяет решать задачи уточнения и оптимизации картографической информации для целей сельского хозяйства.
Подобное сочетание универсальности способа с относительной простотой использования для выявления деградированных участков полей в прототипе не достигнуто.
Исходя из вышеизложенного, можно сделать вывод о том, что заявляемое техническое решение соответствует критериям «новизна», «изобретательский уровень» и «промышленная применимость».
Claims (6)
- Способ генерации карт деградации почвенного покрова, включающий создание карт деградации почвенного покрова с помощью спутниковой информации, отличающийся тем, что скачивают спутниковые снимки Landsat для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет, далее с помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов, рассчитывают вегетационный индекс NDVI для каждого пригодного снимка, рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI, производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле:
- где AOLNDVI - средняя встречаемость низких величин NDVI,
- LNDVIi - показатель зоны низкого значений NDVI для i-го снимка,
- n - количество снимков, отобранных для расчетов,
- причем значения AOLNDVI > 0,5 принимают как зону проявления деградации почв, а по порогу 0,5 создают бинарные карты проявления деградации почвенного покрова, далее проводят эмпирические полевые замеры мощности гумусового горизонта для верификации полученных результатов.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021119664A RU2769575C1 (ru) | 2021-07-05 | 2021-07-05 | Способ генерации карт деградации почвенного покрова |
PCT/RU2021/000530 WO2023282787A1 (ru) | 2021-07-05 | 2021-11-30 | Способ генерации карт деградации почвенного покрова |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021119664A RU2769575C1 (ru) | 2021-07-05 | 2021-07-05 | Способ генерации карт деградации почвенного покрова |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2769575C1 true RU2769575C1 (ru) | 2022-04-04 |
Family
ID=81076151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2021119664A RU2769575C1 (ru) | 2021-07-05 | 2021-07-05 | Способ генерации карт деградации почвенного покрова |
Country Status (2)
Country | Link |
---|---|
RU (1) | RU2769575C1 (ru) |
WO (1) | WO2023282787A1 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409333A (zh) * | 2023-12-15 | 2024-01-16 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
RU2822402C1 (ru) * | 2023-12-29 | 2024-07-04 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Способ эколого-геохимического картирования техногенно-нагруженных территорий с трехмерной деградацией рельефа |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2265839C1 (ru) * | 2004-04-13 | 2005-12-10 | Государственное учреждение Всероссийский научно-исследовательский институт агролесомелиорации | Способ определения состояния почвы, подверженной деградации |
CN106897668A (zh) * | 2017-01-20 | 2017-06-27 | 浙江大学 | 一种基于遥感影像的草地退化程度自动提取方法 |
CN110175537A (zh) * | 2019-05-10 | 2019-08-27 | 深圳大学 | 一种融合多源遥感指标评估土地退化状况的方法及系统 |
CN111666900A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
-
2021
- 2021-07-05 RU RU2021119664A patent/RU2769575C1/ru active
- 2021-11-30 WO PCT/RU2021/000530 patent/WO2023282787A1/ru active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2265839C1 (ru) * | 2004-04-13 | 2005-12-10 | Государственное учреждение Всероссийский научно-исследовательский институт агролесомелиорации | Способ определения состояния почвы, подверженной деградации |
CN106897668A (zh) * | 2017-01-20 | 2017-06-27 | 浙江大学 | 一种基于遥感影像的草地退化程度自动提取方法 |
CN110175537A (zh) * | 2019-05-10 | 2019-08-27 | 深圳大学 | 一种融合多源遥感指标评估土地退化状况的方法及系统 |
CN111666900A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
ИВАНОВ Е.С. и др., "Сегментация мультиспектральных снимков с применением свёрточных нейронных сетей", Современные проблемы дистанционного зондирования Земли из космоса, 2019, т. 16, N1, стр. 25-34. * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409333A (zh) * | 2023-12-15 | 2024-01-16 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
CN117409333B (zh) * | 2023-12-15 | 2024-02-13 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
RU2822402C1 (ru) * | 2023-12-29 | 2024-07-04 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Способ эколого-геохимического картирования техногенно-нагруженных территорий с трехмерной деградацией рельефа |
Also Published As
Publication number | Publication date |
---|---|
WO2023282787A1 (ru) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maimaitijiang et al. | Vegetation index weighted canopy volume model (CVMVI) for soybean biomass estimation from unmanned aerial system-based RGB imagery | |
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
Lin et al. | Quality control and crop characterization framework for multi-temporal UAV LiDAR data over mechanized agricultural fields | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
Allouis et al. | Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals | |
US9613269B2 (en) | Identifying and tracking convective weather cells | |
Kumar et al. | Remote sensing for agriculture and resource management | |
KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
RU2769575C1 (ru) | Способ генерации карт деградации почвенного покрова | |
Na et al. | Assessing breeding habitat suitability for the endangered red-crowned crane (Grus japonensis) based on multi-source remote sensing data | |
Herawan et al. | Object-Based on Land Cover Classification on LAPAN-A3 Satellite Imagery Using Tree Algorithm (Case Study: Rote Island) | |
MH Yossif | Change detection of land cover and salt affected soils at Siwa Oasis, Egypt | |
Rinnamang et al. | Estimation of aboveground biomass using aerial photogrammetry from unmanned aerial vehicle in teak (Tectona grandis) plantation in Thailand | |
Hosingholizade et al. | Height estimation of pine (Pinus eldarica) single trees using slope corrected shadow length on unmanned aerial vehicle (UAV) imagery in a plantation forest | |
Brezhnev et al. | Modeling of agricultural spatial objects with heterogeneous dynamically changing spatial structure | |
Simarmata et al. | Application of Spot6/7 Satellite Imagery for Rice Field Mapping Based on Transformative Vegetation Indices | |
Zinchenkou et al. | Space monitoring of agricultural lands in southern Russia | |
Ozdarici-Ok et al. | Object-based classification of multi-temporal images for agricultural crop mapping in Karacabey Plain, Turkey | |
Medic et al. | Challenges and recommendations for 3D plant phenotyping in agriculture using terrestrial lasers scanners | |
Pulella et al. | Monthly deforestation monitoring with sentinel-1 multi-temporal signatures and InSAR coherences | |
Mostafa | Comparison of Land cover change detection methods using SPOT images | |
Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa | |
Oymatov et al. | Improving the methods of Agricultural mapping using remote sensing data |