Modified method of structural analysis of remote sensing data

Cover Page
  • Authors: Lapko A.V.1,2, Lapko V.A.1,2, Im S.T.1,3, Yuronen Y.P.1
  • Affiliations:
    1. Reshetnev Siberian State University of Science and Technology
    2. Institute of Computational Modelling of the Siberian Branch of the Russian Academy of Sciences
    3. Sukachev Institute of Forest of the Siberian Branch of the Russian Academy of Sciences
  • Issue: Vol 74, No 6 (2025)
  • Pages: 4-12
  • Section: GENERAL PROBLEMS OF METROLOGY AND MEASURING TECHNIQUES
  • URL: https://ogarev-online.ru/0368-1025/article/view/380348
  • ID: 380348

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The problem of automating the interpretation of remote sensing data from natural objects is considered. It is shown that existing methods for structural analysis of spectral data are based on expert evaluation of the algorithms used. To automate the decoding of remote sensing information, a modifi ed method of structural data analysis has been developed, based on the use of the components of the correlation coeffi cient of a pair of spectral features. Each component is determined by the product of its components in the form of normalized values of spectral features. Based on the signs of the components of the correlation coeffi cient (positive, negative and alternating), four classes are formed. Based on the information obtained, a decision rule is determined for assessing the belonging of a control situation in the space of a pair of spectral features to one of the detected classes. Using the example of detecting forest areas damaged by the Siberian silkmoth, a comparison was made between the results of applying the proposed method and traditional methods of decomposing remote sensing data using normalized vegetation indices NDVI and GNDVI. To characterize the detected classes using the proposed method and to determine the threshold values of NDVI and GNDVI, kernel probability density estimates are used. The procedure for optimizing the kernel probability density estimate is considered, based on the choice of the fuzziness coeffi cients of the kernel functions from the condition of the maximum likelihood function. The use of a modifi ed method of structural analysis of remote sensing data allows us to circumvent the problem of determining threshold values of vegetation indices.

About the authors

A. V. Lapko

Reshetnev Siberian State University of Science and Technology; Institute of Computational Modelling of the Siberian Branch of the Russian Academy of Sciences

Email: lapko@icm.krasn.ru
ORCID iD: 0000-0002-0664-3870

V. A. Lapko

Reshetnev Siberian State University of Science and Technology; Institute of Computational Modelling of the Siberian Branch of the Russian Academy of Sciences

Email: valapko@yandex.ru
ORCID iD: 0000-0001-6938-9323

S. T. Im

Reshetnev Siberian State University of Science and Technology; Sukachev Institute of Forest of the Siberian Branch of the Russian Academy of Sciences

Email: stim@ksc.krasn.ru
ORCID iD: 0000-0002-5794-7938

Yu. P. Yuronen

Reshetnev Siberian State University of Science and Technology

Email: yuri_sam@mail.ru
ORCID iD: 0000-0002-0029-2555

References

  1. Борзов С. М., Потатуркин О. И. Повышение эффективности классификации гиперспектральных изображений за счет разномасштабной пространственной обработки. Компьютерная оптика, 44(6), 937–943 (2020). https://doi.org/10.18287/2412-6179-CO-779 ; https://elibrary.ru/xrxptw
  2. Шипко В. В., Борзов С. М. Исследование эффективности классификации гиперспектральных данных при ограничениях на разрядность квантования, количество спектральных каналов и пространственное разрешение. Автометрия, 58(3), 79–87 (2022). https://doi.org/10.15372/AUT20220309 ; https://elibrary.ru/amztfv
  3. Журбин И. В., Шаура А. С., Злобина А. Г., Баженова А. И. Выявление участков антропогенно-преобразованной природной среды на основе комплексного анализа разносезонной мультиспектральной съёмки. Автометрия, 60(1), 73–83 (2024). https://doi.org/10.15372/AUT20240108 ; https://elibrary.ru/beyneq
  4. Лапко А. В., Лапко В. А., Им С. Т., Тубольцев В. П., Авдеенок В. Л. Непараметрический алгоритм выделения классов, соответствующих одномодальным фрагментам плотности вероятности многомерных случайных величин. Автометрия, 55(3), 22–30 (2019). https://doi.org/10.15372/AUT20190303 ; https://elibrary.ru/rvipgk
  5. Тубольцев В. П., Лапко А. В., Лапко В. А. Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема и его применение. Искусственный интеллект и принятие решений, (4), 49–57 (2023). https://doi.org/10.14357/20718594230405 ; https://elibrary.ru/qhnfru
  6. Шевырногов А. П., Ботвич И. Ю., Письман Т. И., Волкова А. И., Кононова Н. А., Иванов С. А. Информативность спектральных вегетационных индексов для дешифрирования луговой и степной растительности Хакасии по наземным и спутниковым данным. Исследование Земли из космоса, (1), 16–28 (2024). https://doi.org/10.31857/S0205961424010028 ; https://elibrary.ru/gncmtk
  7. Sahu G., Garanayak M., Paikaray B. Green vegetation detection in satellite imagery using the normalised difference vegetation index method. International Journal of Bioinformatics Research and Applications, 19(4), 327–342 (2023). https://doi.org/10.1504/ijbra.2023.135367 ; https://elibrary.ru/ayuqdk
  8. Basit I., Faizi F., Mahmood Kh., Faizi R., Ramzan S., Parvez Sh., Mushtaq F. Assessment of vegetation dynamics under changed climate situation using geostatistical modeling. Theoretical and Applied Climatology, 155(4), 3371–3386 (2024). https://doi.org/10.1007/s00704-024-04840-x ; https://elibrary.ru/plvaiv
  9. Сегура Мартинес В. Д. Сравнение индексов вегетации NDVI, GNDVI, NDMI и NDWI на примере африканской пальмы в Пуэрто-Вильчес (Сантандер, Колумбия). Агрофизика, (4), 25–31 (2023). https://doi.org/10.25695/AGRPH.2023.04.04 ; https://elibrary.ru/morywp
  10. Piedad Rubio A. M., Hernández López D. R., Lárraga Altamirano H. R., Zacarías González E. Teledetección en la agricultura de precisión: estado del arte de los índices de vegetación. Tectzapic, (6), 47–59 (2020). (In Esp.)
  11. Лапко А. В., Лапко В. А. Методика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляции. Измерительная техника, 73(6), 12–17 (2024). https://doi.org/10.32446/0368-1025it.2024-6-12-17 ; https://elibrary.ru/pphujk
  12. Лапко А. В., Лапко В. А., Им С. Т. Декомпозиция спектральных признаков дистанционного зондирования на основе составляющих коэффициента корреляции. Автометрия, 61(3), 28–36 (2025). https://doi.org/10.15372/AUT20250303 ; https://elibrary.ru/fzvcxo
  13. Parzen E. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065–1076 (1962). https://doi.org/10.1214/aoms/1177704472
  14. Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятности и её применения, 14(1), 156–161 (1969).
  15. Duin R. P. W. On the choice of smoothing parameters for Parzen estimators of probability density functions. IEEE Transactions on Computers, C-25(11), 1175–1179 (1976). https://doi.org/10.1109/TC.1976.1674577
  16. Botev Z. I., Kroese D. P. Non-asymptotic Bandwidth Selection for Density Estimation of Discrete Data. Methodology and Computing in Applied Probability, 10(3), 435–451 (2008). https://elibrary.ru/pljmag
  17. Kharuk V. I., Im S. T., Soldatov V. V. Siberian silkmoth outbreaks surpassed geoclimatic barrier in Siberian Mountains. Journal of Mountain Science, 17, 1891–1900 (2020). https://doi.org/10.1007/s11629-020-5989-3 ; https://elibrary.ru/xetekq
  18. Kharuk V. I., Im S. T., Ranson K. J., Yagunov M. N. Climate-induced northerly expansion of Siberian silkmoth range. Forests, 8(8), 301 (2017). https://doi.org/10.3390/f8080301 ; https://elibrary.ru/xnoowe
  19. Riano D., Chuvieco E., Salas J., Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types. IEEE Transactions on Geoscience and Remote Sensing, 41, 1056–1061 (2003). https://doi.org/10.1109/TGRS.2003.811693
  20. Huang S., Tang L., Hupy J. P. et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forest Research, 32, 1–6 (2021). https://doi.org/10.1007/s11676-020-01155-1 ; https://elibrary.ru/lmntkd
  21. Chávez R. O., Clevers J. G. P. W., Decuyper M., de Bruin S., Herold M. 50 years of water extraction in the Pampa del Tamarugal basin: Can Prosopis tamarugo trees survive in the hyper-arid Atacama Desert (Northern Chile). Journal of Arid Environments, 124, 292–303 (2016). https://doi.org/10.1016/j.jaridenv.2015.09.007 ; https://elibrary.ru/veltzt
  22. Gitelson A., Kaufman Y., Merzlyak M. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58, 289–298 (1996). https://doi.org/10.1016/S0034-4094257(96)00072-7 ; https://elibrary.ru/ldkhlh
  23. Hunt E. R. Jr., Hively W. D., Fujikawa S. J., Linden D. S., Daughtry C. S. T., McCarty G. W. Acquisition of NIR-GreenBlue Digital Photographs from Unmanned Aircraft for Crop Monitoring. Remote Sensing, 2(1), 290–305 (2010). https://doi.org/10.3390/rs2010290 ; https://elibrary.ru/pnqned.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).