(50-4) 11 * << * >> * Русский * English * Содержание * Все выпуски

Сравнение методов структурного анализа двухмерных спектральных данных дистанционного зондирования лесных массивов, повреждённых сибирским шелкопрядом
А.В. Лапко1,2, В.А. Лапко1,2

1Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, 660037, г. Красноярск, пр. «Красноярский рабочий», д. 31;
2Институт вычислительного моделирования СО РАН, 660036, Россия, г. Красноярск, ул. Академгородок, д. 50, стр. 44

  Полный текст (PDF)

DOI: 10.18287/COJ1800

ID статьи: 1800

Аннотация:
Представляется подход структурного анализа данных дистанционного зондирования, основанный на разбиении области значений двухмерных спектральных признаков с использованием компонент коэффициента корреляции. Структурный анализ данных основывается на анализе знаков составляющих компонент коэффициента корреляции, которые соответствуют нормированным значениям спектральных признаков данных дистанционного зондирования. На этой основе определяются четыре класса, которым соответствуют значения составляющих компонент коэффициента корреляции: положительные, знакопеременные и отрицательные. Для анализа данных дистанционного зондирования формируется решающее правило, которое позволяет относить контрольные ситуации к одному из четырёх классов. В зависимости от исследуемых пар спектральных признаков каждый класс характеризует уникальную сигнатуру, соответствующую определённому типу земной поверхности. Для проведения дополнительных исследований полученных классов предлагается методика декомпозиции спектральных данных. Методика основана на преобразовании составляющих компонент коэффициента корреляции в виде произведения или их евклидового расстояния. Для визуального представления полученных результатов используется ядерная оценка плотности вероятности. Приводится методика её оптимизации. Эффективность предложенных методик декомпозиции сравнивается с анализом данных дистанционного зондирования, основанного на использовании значений нормализованного разностного инфракрасного индекса. Этот индекс преобразует информацию спектральных каналов ближнего и коротковолнового инфракрасного. Проведено сравнение результатов применения рассматриваемых методик структурного анализа на тестовом участке лесного массива, повреждённого сибирским шелкопрядом, распложенного на территории Красноярского края. Приводятся картосхемы и числовые характеристики полученных результатов.

Ключевые слова:
структурный анализ данных, автоматическая классификация, компоненты коэффициента корреляции, ядерная оценка плотности вероятности, данные дистанционного зондирования, спектральные признаки, лесной массив, индекс NDII, сибирский шелкопряд.

Цитирование:
Лапко, А.В. Сравнение методов структурного анализа двухмерных спектральных данных дистанционного зондирования лесных массивов, повреждённых сибирским шелкопрядом / А.В. Лапко, В.А. Лапко // Компьютерная оптика. - 2026. - Т. 50, № 4. - 1800. - doi:10.18287/COJ1800.

Citation:
Lapko AV, Lapko VA. Comparison of methods for structural analysis of two-dimensional spectral remote sensing data of forests damaged by the Siberian silkmoth. Computer Optics 2026; 50(4): 1800. doi:10.18287/COJ1800.

References:

  1. Borzov SM, Potaturkin OI. Selection of the informative feature system for crops classification using hyperspectral data [in Russian]. Avtometriya 2020; 56(4): 134-144. doi:10.15372/AUT20200413.
  2. Shipko VV, Borzov SM. Analysis of the efficiency of hyperspectral data classification under constraints on the quantization bit depth, the number of spectral channels, and spatial resolution [in Russian]. Avtometriya 2022; 58(3): 79-87. doi:10.15372/AUT20220309.
  3. Tuboltsev VP, Lapko AV, Lapko VA. Modified nonparametric algorithm for automatic classification of large-volume statistical data and its application. Sci Tech Inf Process 2024; 51(6): 592-597. doi:10.3103/S0147688224700552.
  4. Dorofeyuk AA. Algorithms of automatic classification (review) [in Russian]. Avtomatika i Telemekhanika 1971; 12: 78-113.
  5. Dorofeyuk AA. Methodology of expert classification analysis in the management and processing of complex data (history and prospects of development) [in Russian]. Control Sci 2009; 3(1): 19-28.
  6. Shevyrnogov AP, Botvich IYu, Pisman TI, Volkova AI, Kononova NA, Ivanov SA. Informative value of spectral vegetation indices for the meadow and steppe vegetation monitoring of Khakassia by ground and satellite data [in Russian]. Izv Atmos Ocean Phys 2024; 60(1): 16-28. doi:10.31857/S0205961424010028.
  7. Sahu G, Garanayak M, Paikaray BK. Green vegetation detection in satellite imagery using the normalised difference vegetation index method. Int J Bioinform Res Appl 2023; 19(4): 327-342. doi:10.1504/IJBRA.2023.135367.
  8. Sriwongsitanon N, Jandang W, Williams J, Suwawong T, Maekan E, Savenije HHG. Using normalised difference infrared index patterns to constrain semi-distributed rainfall-runoff models in tropical nested catchments. Hydrol Earth Syst Sci 2023; 27(11): 2149-2171. doi:10.5194/hess-27-2149-2023.
  9. Wilson NR, Norman LM. Analysis of vegetation recovery surrounding a restored wetland using the normalized difference infrared index (NDII) and normalized difference vegetation index (NDVI). Int J Remote Sens 2018; 39(10): 3243-3274. doi:10.1080/01431161.2018.1437297.
  10. Lapko AV, Lapko VA. Procedure for decomposing the values of two-dimensional spectral features of remote sensing based on the analysis of correlation coefficient components. Meas Tech 2024; 67(6): 427-432. doi:10.1007/s11018-024-02362-6.
  11. Lapko AV, Lapko VA, Im ST. Decomposition of spectral features of remote sensing based on the components of the correlation coefficient [in Russian]. Avtometriya 2025; 61(3): 28-36. doi:10.15372/AUT20250303.
  12. Lapko AV, Lapko VA, Yuronen YuP. Structural analysis of spectral remote sensing data based on the use of correlation coefficient components. Computer Optics 2026; 50(3): 1746. DOI:10.18287/COJ1746.
  13. Parzen E. On estimation of a probability density function and mode. Ann Math Stat 1962; 33(3): 1065-1076. doi:10.1214/aoms/1177704472.
  14. Epanechnikov VA. Non-parametric estimation of a multivariate probability density. Theory Probab Appl 1969; 14(1): 153-158. doi:10.1137/1114019.
  15. Rudemo M. Empirical choice of histogram and kernel density estimators. Scand J Stat 1982; 9(2): 65-78. Available at: https://www.jstor.org/stable/4615859.
  16. Bowman AW. Comparative study of some kernel-based non-parametric density estimators. J Stat Comput Simul 1985; 21(4): 313-327. doi:10.1080/00949648508810822.
  17. Hall P. Large-sample optimality of least squares cross-validation in density estimation. Ann Stat 1983; 11(4): 1156-1174.
  18. Ponomarev EI, Yakimov ND, Tretyakov PD, Sultson SM. Estimation of defoliation features in dark coniferous tree stands after the impact of Siberian silk moth according to remote data. Cosmic Res 2024; 62(S1): S73-S80. doi:10.1134/S0010952524601208.
  19. Sultson SM, Ponomarev EI, Shvetsov EG, Tretyakov PD, Goroshko AA, Kulakova NN, Mikhaylov PV. Using remote sensing for forecasting damage to dark coniferous forests after Siberian silkmoth outbreak [in Russian]. Biosfera 2023; 15(1): 21-32. doi:10.24855/biosfera.v15i1.790.
  20. Kharuk VI, Im ST, Soldatov VV. Siberian silkmoth outbreaks surpassed geoclimatic barrier in Siberian mountains. J Mt Sci 2020; 17(8): 1891-1900. doi:10.1007/s11629-020-5989-3.
  21. Kharuk VI, Im ST, Ranson KJ, Yagunov MN. Climate-induced northerly expansion of Siberian silkmoth range. Forests 2017; 8(8): 301. doi:10.3390/f8080301.
  22. Riano D, Chuvieco E, Salas J, Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types. IEEE Trans Geosci Remote Sens 2003; 41(5): 1056-1061. doi:10.1109/TGRS.2003.811693.
  23. Hardisky M, Klemas V, Smart R. Influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogramm Eng Remote Sens 1983; 49(1): 77-83.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20