СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ ПОЛЕЙ В ТОЧНОМ ЗЕМЛЕДЕЛИИ
DOI:
https://doi.org/10.54668/2789-6323-2025-120-5-79-90Ключевые слова:
точное земледелие, сегментация, NDVI, дроны, дистанционное зондированиеАннотация
Методы точного земледелия требуют учета тонких различий в процессах произрастаний растений на разных участках возделываемой пашни. Различия в рельефе поля, его водообеспечении, мощности слоя гумуса и т.п. вызывают необходимость ранжирования пашни для применения агротехнических операций разной интенсивности, что в итоге приводит к повышению урожайности и снижению себестоимости с\х культур. Ранжирование пашни внутри поля обычно осуществляется с помощью сегментации данных дистанционного зондирования. Для создания системы сегментации необходим периодический дистанционный и наземный мониторинг полей, сбор и обработка получаемой информации с ее географической привязкой. Для этих целей могут использоваться как спутниковые системы дистанционного зондирования, так и беспилотные летательный платформы (БЛП). Объем получаемой информации, особенно при применении БЛП весьма значителен, а требования к оперативности обработки высоки. В этой связи актуальны эффективные методы систематизации и обработки получаемых изображений, которые опираются на достаточно быстрые алгоритмы сегментации. В настоящей работе рассмотрены методы сегментации изображений от различных систем дистанционного зондирования, которые позволяют повысить экономические показатели агротехнических мероприятий в контуре точного земледелия. Приведен пример программы пороговой сегментации, которая может быть использована отдельно или в составе информационной системы поддержки процессов точного земледелия. В работе приводятся результаты ее применения для сегментации спутниковых изображений поля по значению индекса NDVI (Normalized Difference Vegetation Index). Проведенный анализ и выработанные рекомендации по данным сегментации будут способствовать предотвращению экологических нарушений, потерь урожая вследствие резких изменений погодных условий и различий рельефа обрабатываемых пашен.
Библиографические ссылки
Rouse J. W., Haas R. H., Schell J. A., Deering D. W. (1973). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. Texas A&M University, Remote Sensing Center.
MacQueen J. B. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. University of California Press. Vol. 1. Р. 281–297.
Vassilaros A. ISODATA. Presentation [Electronic resources] URL: https://web.pdx.edu/~jduh/courses/Archive/geog481w07/Students/Vassilaros_ISODATA.pdf (date of access: 15.12.2024)
Guastaferro F., Castrignanò A., De Benedetto D., Sollitto D., Troccoli A., & Cafarelli B. (2010). A comparison of different algorithms for the delineation of management zones. Precision Agriculture, 11(5), 600–620. https://doi.org/10.1007/s11119-010-9183-4
Johnson S. C. (1967). Hierarchical clustering schemes. Psychometrika, 32(3). P. 241–254.
Scikit-image. (n.d.). Segmentation — Image analysis in Python. [Electronic resources] URL: https://scikit-image.org/skimage-tutorials/lectures/4_segmentation.html (date of access: 15.12.2024)
Verbesselt J., Hyndman R. J., Newnham G., Culvenor D. (2010). Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114(1). P. 106–115. https://doi.org/10.1016/j.rse.2009.08.014
Miller L., Pelletier C., Webb G. I. (2024). Deep learning for satellite image time series analysis: A review. arXiv. https://doi.org/10.48550/arXiv.2404.03936
Mukhamediev R. I., Terekhov A., Amirgaliyev Y., Popova Y., Malakhov D., Kuchin Y., Sagatdinova G., Symagulov A., Muhamedijeva E., Gricenko P. (2024). Using pseudo-color maps and machine learning methods to estimate long-term salinity of soils. Agronomy, 14, 2103. https://doi.org/10.3390/agronomy14092103
Matheron G. (1963). Principles of geostatistics. Economic Geology, 58(8), 1246–1266.
Huete A., Didan K., Miura T., Rodriguez E. P., Gao X., Ferreira L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213.
OneSoil Yield. (n.d.). Пример снимка NDVI. [Electronic resources] URL:https://app.yield.onesoil.ai/ (date of access: 20.08.2024)
Gitelson A. A., Kaufman Y. J., Merzlyak M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3), 289–298.
Lymburner L., Beggs P. J., Jacobson C. R. (2000). Estimation of canopy-average surface-specific leaf area using Landsat TM data. Photogrammetric Engineering and Remote Sensing, 66(2), 183–191.
Copernicus Data Space Ecosystem, [Electronic resources] URL: https://dataspace.copernicus.eu/ (date of access: 20.08.2024)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Кирилл Гаринских, Алпамыс Карыпов, Адилхан Сымагулов, Ян Кучин, Алексей Терехов, Равиль Мұхамедиев, Надия Юничева, Нурсултан Кульдеев, Рат Бердибаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
