Використання супутникового нормалізованого диференційного вегетаційного індексу для розпізнавання зрошуваних земель у додатку Agroland Classifier
Анотація
Розрізнення зрошуваних і незрошуваних земель є важливим завданням сучасної аграрної науки для забезпечення ефективного управління водними ресурсами та контролю використання зрошувальних систем. Дані дистанційного зондування (зокрема, нормалізований диференційний вегетаційний індекс) можуть бути використані як засіб виконання цього завдання в парі з алгоритмами машинної класифікації. Метою дослідження було оцінити точність розпізнавання сільськогосподарських земель за даними нормалізованого диференційного вегетаційного індексу за допомогою алгоритмів додатку Agroland Classifier. Дослідження виконували для зони Південного Степу України на 100 випадково відібраних полях (50 зрошуваних і 50 незрошуваних), розташованих у межах Херсонської та Миколаївської областей. Дані щодо величини польового нормалізованого диференційного вегетаційного індексу було отримано шляхом розрахунку усередненого значення за вільними від спотворень безхмарними супутниковими знімками з роздільною здатністю 250 м, одержаними на платформі дистанційного моніторингу OneSoil, і введено в додаток Agroland Classifier для отримання рішення щодо меліоративного статусу поля (зрошуване або незрошуване). Точність розпізнавання оцінювали шляхом розрахунку коефіцієнтів коректності. Встановлено, що Agroland Classifier забезпечує високий загальний рівень коректності (92%) для розпізнавання між зрошуваними та незрошуваними землями. Кожен алгоритм додатку має свої унікальні переваги та недоліки. Лінійна канонічна дискримінантна функція забезпечує більш стабільні результати як для зрошуваних (88% коректності), так і для незрошуваних земель (84% коректності), тоді як логістична регресія гірше розпізнає зрошувані поля (78% коректності), і набагато краще – незрошувані (96% коректності). Таким чином, Agroland Classifier може бути рекомендовано для наукових і практичних цілей для напівавтоматичного розпізнавання зрошуваних і незрошуваних угідь та моніторингу використання водних ресурсів у сільському господарстві.
Завантаження
Посилання
Ozdogan, M., Yang, Y., Allez, G., & Cervantes, C. (2010). Remote sensing of irrigated agriculture: Opportunities and challenges. Remote Sensing, 2(9), 2274–2304. https://doi.org/10.3390/rs2092274
Lykhovyd, P. (2023). Remote sensing data for drought stress and croplands productivity assessment in Kherson region. Visnyk of V. N. Karazin Kharkiv National University, series "Geology. Geography. Ecology", (59), 166–177. https://doi.org/10.26565/2410-7360-2023-59-12
Bastiaanssen, W. G., Molden, D. J., & Makin, I. W. (2000). Remote sensing for irrigated agriculture: examples from research and possible applications. Agricultural Water Management, 46(2), 137–155. https://doi.org/10.1016/S0378-3774(00)00080-9
Taghvaeian, S., & Neale, C. M. (2011). Water balance of irrigated areas: a remote sensing approach. Hydrological Processes, 25(26), 4132–4141. https://doi.org/10.1002/hyp.8371
Singh, A. (2018). Managing the salinization and drainage problems of irrigated areas through remote sensing and GIS techniques. Ecological Indicators, 89, 584–589. https://doi.org/10.1016/j.ecolind.2018.02.041
Zhu, X., Zhu, W., Zhang, J., & Pan, Y. (2014). Mapping irrigated areas in China from remote sensing and statistical data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(11), 4490–4504. https://doi.org/10.1109/JSTARS.2013.2296899
Pervez, M. S., & Brown, J. F. (2010). Mapping irrigated lands at 250-m scale by merging MODIS data and national agricultural statistics. Remote Sensing, 2(10), 2388–2412. https://doi.org/10.3390/rs2102388
Xu, T., Deines, J. M., Kendall, A. D., Basso, B., & Hyndman, D. W. (2019). Addressing challenges for mapping irrigated fields in subhumid temperate regions by integrating remote sensing and hydroclimatic data. Remote Sensing, 11(3), 370. https://doi.org/10.3390/rs11030370
Dari, J., Quintana-Seguí, P., Escorihuela, M. J., Stefan, V., Brocca, L., & Morbidelli, R. (2021). Detecting and mapping irrigated areas in a Mediterranean environment by using remote sensing soil moisture and a land surface model. Journal of Hydrology, 596, 126129. https://doi.org/10.1016/j.jhydrol.2021.126129
Senturk, S., Bagis, S., & Ustundag, B. B. (2014, August). Application of remote sensing techniques in locating dry and irrigated farmland parcels. In 2014 The Third International Conference on Agro-Geoinformatics (pp. 1-4). IEEE. https://doi.org/10.1109/Agro-Geoinformatics.2014.6910630
Xie, Y., & Lark, T. J. (2021). Mapping annual irrigation from Landsat imagery and environmental variables across the conterminous United States. Remote Sensing of Environment, 260, 112445. https://doi.org/10.1016/j.rse.2021.112445
Graf, R., Zeldovich, M., & Friedrich, S. (2024). Comparing linear discriminant analysis and supervised learning algorithms for binary classification – A method comparison study. Biometrical Journal, 66(1), 2200098. https://doi.org/10.1002/bimj.202200098
Ding, Y., He, X., Zhou, Z., Hu, J., Cai, H., Wang, X., Li, L., Xu, J., & Shi, H. (2022). Response of vegetation to drought and yield monitoring based on NDVI and SIF. Catena, 219, 106328. https://doi.org/10.1016/j.catena.2022.106328
Kamble, M. V., Ghosh, K., Rajeevan, M., & Samui, R. P. (2010). Drought monitoring over India through normalized difference vegetation index (NDVI). Mausam, 61(4), 537–546. https://doi.org/10.54302/mausam.v61i4.911
Lykhovyd, P., Vozhehova, R., Hranovska, L., Bidnyna, I., Shablia, O., Kokoiko, V., Koblai, S., Solomonov, R., Kulidzhanov, E., & Hnylytskyi, Ye. (2024). Implementation of agroecological zoning index to map the suitability of agricultural lands of the Steppe zone of Ukraine for the cultivation of major crops. Modern Phytomorphology, 18, 41–46. https://doi.org/10.5281/zenodo.200121
Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1–6. https://doi.org/10.1007/s11676-020-01155-1
Lykhovyd, P. V., & Hranovska, L. M. (2024). Klasyfikatsiya zroshuvanykh I nezroshuvanykh posiviv pshenytsi ozymoi, kukurudzy, soi ta soniashnyku na osnovi danykh aerokosmichnoho monitorynhu [Classification of the irrigated and non-irrigated crops of winter wheat, corn, soybeans and sunflower by the means of aerospace monitoring]. Tavrian Scientific Herald, 136, 3–9. https://doi.org/10.32782/2226-0099.2024.136.2.1 [in Ukrainian]
Gumma, M. K., Thenkabail, P. S., Hideto, F., Nelson, A., Dheeravath, V., Busia, D., & Rala, A. (2011). Mapping irrigated areas of Ghana using fusion of 30 m and 250 m resolution remote-sensing data. Remote Sensing, 3(4), 816–835. https://doi.org/10.3390/rs3040816
Meier, J., Zabel, F., & Mauser, W. (2018). A global approach to estimate irrigated areas–a comparison between different data and statistics. Hydrology and Earth System Sciences, 22(2), 1119–1133. https://doi.org/10.5194/hess-22-1119-2018
Shamal, S. A. M., & Weatherhead, K. (2014). Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping. Outlook on AGRICULTURE, 43(2), 109–114. https://doi.org/10.5367/oa.2014.0168
Lykhovyd, P. (2021). Irrigation needs in Ukraine according to current aridity level. Journal of Ecological Engineering, 22(8), 11–18. https://doi.org/10.12911/22998993/140478
Pervez, M. S., Budde, M., & Rowland, J. (2014). Mapping irrigated areas in Afghanistan over the past decade using MODIS NDVI. Remote Sensing of Environment, 149, 155–165. https://doi.org/10.1016/j.rse.2014.04.008
Demarez, V., Helen, F., Marais-Sicre, C., & Baup, F. (2019). In-season mapping of irrigated crops using Landsat 8 and Sentinel-1 time series. Remote Sensing, 11(2), 118. https://doi.org/10.3390/rs11020118
Chen, L., Li, S., Bai, Q., Yang, J., Jiang, S., & Miao, Y. (2021). Review of image classification algorithms based on convolutional neural networks. Remote Sensing, 13(22), 4712. https://doi.org/10.3390/rs13224712
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
