Компьютерные методы картирования сельскохозяйственных угодий по мультиспектральным данным дистанционного зондирования Земли в условиях облачности тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Павлова Мария Александровна

• Павлова Мария Александровна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Павлова Мария Александровна

Введение

Глава 1. Обработка данных дистанционного зондирования

Земли для нужд сельского хозяйства

1.1 История развития технологий дистанционного зондирования

Земли

1.2 ДЗЗ в сельском хозяйстве

1.3 Искажения данных, вызванные условиями освещения

1.3.1 Локальные искажения, вызванные тенями от облаков

1.3.2 Компенсация теней от облаков на мультиспектральных данных ДЗЗ

1.3.3 Глобальные искажения, вызванные условиями освещения

1.3.4 Нормализация условий освещения для нужд цифрового земледелия

1.4 Цифровое картирование сельскохозяйственных угодий

1.4.1 Оконтуривание границ сельскохозяйственных полей

1.4.2 Классификация культур

1.5 Выводы. Обоснование задач диссертационного исследования

1.5.1 Устойчивые методы компенсации теней от облаков на мультиспектральных данных ДЗЗ

1.5.2 Нормализации условий освещения для мультиспектральных данных ДЗЗ

1.5.3 Алгоритмы оконтуривания полей с низкими требованиями к обучающим данным и чувствительные к ошибкам объектной сегментации

1.5.4 Методы и алгоритмы классификации культур, не требующие экспертного извлечения признаков

Глава 2. Компенсация искажений, вызванных условиями

освещения

2.1 Локальная нормализация искажений, вызванных тенями от

облаков

2.1.1 Восстанавливающие методы компенсации теней

2.1.2 Предлагаемый метод обнаружения облаков и теней от них

2.1.3 Предлагаемый метод компенсации теней

2.1.4 Эксперименты

2.1.5 Результаты экспериментов

2.2 Глобальная нормализация условий освещения

2.2.1 Связь между задачей нормализации условий освещения

и цветовой константности

2.2.2 Предлагаемые методы нормализации на основе линейной

и аффинной моделей

2.2.3 Эксперименты

2.2.4 Результаты экспериментов

2.3 Результаты по главе

Глава 3. Оконтуривание сельскохозяйственных полей

3.1 Предлагаемый малопараметрический алгоритм оконтуривания

3.1.1 Вычисление маски полей

3.1.2 Вычисление маски границ

3.1.3 Уточнение границ полей

3.1.4 Настройка параметров алгоритма

3.2 Набор данных для настройки и тестирования алгоритма

3.3 Оценка качества оконтуривания

3.3.1 Объектно-ориентированный метод оценки качества

оконтирования

3.4 Вычислительный эксперимент

3.4.1 Реализация метода оконтуривания по мгновенным данным

3.4.2 Результаты эксперимента

3.5 Результаты по главе

Глава 4. Классификация сельскохозяйственных культур

4.1 Экспериментальные данные

4.2 Предлагаемый метод

4.3 Эксперименты

4.3.1 Оценка эффективности аппроксимации временных рядов

вегетационного индекса

4.3.2 Среднеквадратическая ошибка

4.3.3 Среднеквадратическая ошибка воспроизводимости

4.3.4 Сравнение методов снижения размерности

4.4 Результаты

4.4.1 Сравнение функций аппроксимации

4.4.2 Сравнение методов понижения размерности

4.5 Результаты по главе

Заключение

Список рисунков

Список таблиц

Приложение А. Детализированные результаты эксперимента

по компенсации теней

Приложение Б. Акты о внедрении результатов

диссертационного исследования

122

Введение диссертации (часть автореферата) на тему «Компьютерные методы картирования сельскохозяйственных угодий по мультиспектральным данным дистанционного зондирования Земли в условиях облачности»

Введение

Актуальность темы. В сельском хозяйстве Российской Федерации в настоящее время все чаще применяются методы точного земледелия, направленные на повышение эффективности сельскохозяйственных работ за счет использования современных информационных технологий. Богатым источником информации о состоянии земель и культур являются данные дистанционного зондирования Земли (ДЗЗ), получаемые от спутников или беспилотных летальных аппаратов (БПЛА) и активно используемые для сельскохозяйственного мониторинга. В качестве регистрирующей аппаратуры распространены мульти- и гиперспектральные сенсоры, которые предоставляют информацию о спектральных свойствах зондируемой поверхности в широком диапазоне длин волн.

Одним из первых этапов при использовании методов точного земледелия является цифровое картирование местности, заключающееся в разметке границ сельскохозяйственных земель (оконтуривании) и аннотировании их свойств, в первую очередь типом выращиваемой на них культуры и стадией вегетации. Картирование может выполняться непосредственно на местности, однако в связи с значительной трудозатратностью данного подхода предпочтение отдается компьютерным методам картирования по данным ДЗЗ.

Многие программы космического зондирования, например, такие как Landsat или Sentinel, предоставляют регулярные данные в условиях дневного освещения, что достигается за счет солнечно-синхронных орбит движения спутников. Однако в условиях высокой облачности, распространенных в географических регионах России с развитым сельским хозяйством, спутниковые снимки не могут обеспечить достаточной плотности и частоты покрытия земной поверхности, занятой сельскохозяйственными угодьями. Это обосновывает актуальность задач извлечения информации для картирования из искаженных данных ДЗЗ, зарегистрированных в условиях облачности, и обогащения спутниковых данных аэрофотосъемкой с БПЛА, оборудованных мульти- или гиперспектральными сенсорами. Участки изображений спутниковой съемки, искаженные тенями от плотных облаков, могут быть локально нормализованы, что позволит в дальнейшем эффективно их использовать для анализа состояния местности. Для совместного

использования данных БПЛА с данными спутниковой съемки в случае съемки с условиями освещения, существенно отличающимися от дневных, с Солнцем, находящимся в зените, требуются методы глобальной нормализации условий освещения.

Высокая трудоемкость экспертного картирования местности обосновывает актуальность развития автоматических методов с низкими требованиями по вовлечению квалифицированного персонала для предварительной обработки входных данных либо подготовки наборов аннотированных данных для обучения. Помимо данных требований, как показывает обзор существующих решений для оконтуривания сельскохозяйственных полей, актуальной является проблема согласованности показателей качества оконтуривания с критериями, обусловленными спецификой сельскохозяйственной отрасли. Более точная информация о границах возделываемых полей может быть извлечена из набора исторических данных, который покрывает более одного цикла обработки сельскохозяйственного поля, что редко используется в известных из литературы методах.

Степень разработанности темы. Методы и алгоритмы анализа мульти- и гиперспектральных данных ДЗЗ во многом опираются на основы обработки или анализа изображений, машинного обучения и искусственного интеллекта. Значительный вклад в развитие этих наук внесли В.Л. Арлазаров, В.А. Сойфер, А.В. Никоноров, П.А. Чочиа, Я. Лекун и другие.

В современных работах, посвященных исследованию задач картирования и нормализации условий освещения, предлагаются соответствующие методы и алгоритмы, однако они обладают рядом недостатков. Так, существующие методы локальной нормализации затененных участков зачастую основаны на неустойчивых методах оценки компенсационных параметров и не исследованы для многоканальных данных дистанционного зондирования в контексте точного земледелия.

Существующие методы картирования по-прежнему предполагают вовлечение экспертов, что выражается либо в подготовке наборов размеченных обучающих данных, либо в выполнении этапов предварительной обработки входных данных для алгоритмов. Методы машинного обучения, на основе которых предложен ряд современных методов автоматического оконтуривания местности, демонстрируют впечатляющее качество, однако требуют значительных объемов экспертно размеченных контуров сельскохозяйственных

полей, что существенно трудоемко. Известные из литературы методы классификации культур по данным ДЗЗ используют признаки, также извлекаемые экспертно. Помимо вышесказанного, в литературе недостаточно освещена проблема оценки качества автоматического оконтуривания сельскохозяйственных полей, чувствительной к ошибкам ложного слияния и разделения областей, что важно для точного земледелия.

Целью данной работы является разработка и исследование алгоритмов нормализации условий освещения и автоматического картирования по мультиспектральным данным дистанционного зондирования Земли для нужд точного земледелия.

В работе ставятся и исследуются следующие задачи:

1. Разработать алгоритмы детектирования и компенсации теней от облаков на мультиспектральных данных дистанционного зондирования Земли, обладающие устойчивостью к возможным выбросам в анализируемых данных.

2. Разработать алгоритмы нормализации условий освещения для данных аэрофотосъемки для нужд точного земледелия.

3. Разработать алгоритмы оконтурирования возделываемых сельскохозяйственных угодий с низкими требованиями к объему обучающих наборов и учитывающие исторические данные.

4. Разработать алгоритмы классификации культур по признакам, извлекаемым из данных ДЗЗ, без привлечения эксперта.

Научная новизна:

1. Предложен новый алгоритм компенсации теней от облаков на мультиспектральных данных дистанционного зондирования Земли, основанный на физической модели формирования изображения с тенями и использующий устойчивые методы оценки компенсационных параметров.

2. Предложен новый малопараметрический алгоритм оконтурирования полей по историческим данным вегетационных индексов ЫБЛУ^.

3. Предложена новая объектно-ориентированная мера оценки качества сегментации О1СЕ0^, чувствительная к ошибкам избыточной или недостаточной сегментации.

4. Предложен новый публично доступный набор данных для исследования качества оконтуривания полей, состоящий из 18859 объектов.

Практическая значимость Результаты легли в перечень основных результатов междисциплинарного проекта российского научного фонда на тему «Система мониторинга сельскохозяйственных показателей в видимом, инфракрасном и гиперспектральном режимах съемки». Результаты обладают высоким потенциалом внедрения в информационные продукты компаний, предоставляющих услуги мониторинга сельскохозяйственных полей для предприятий агропромышленного комплекса России. Результаты диссертационного исследования внедрены в разработки ИППИ РАН и ООО «Визиллект Сервис», что подтверждается соответствующими актами, приложенными к диссертации. Подана заявка на государственную регистрацию программы для электронных вычислительных машин «Программа для оценки качества сегментации сельскохозяйственных полей с использованием метрики DICEobj».

Методология и методы исследования. Используемый в диссертационном исследовании аппарат опирается на основы линейной алгебры, теории оптимизации, статистики, теории обработки и анализа изображений, машинного обучения. Реализация предложенных алгоритмов, а также проведение вычислительных экспериментов осуществлялись с использованием языка программирования Python 3.

Основные положения, выносимые на защиту:

1. Предложенный алгоритм компенсации теней от облаков позволяет в среднем в 2,4 раза приблизить значения каналов в красном, зеленом, синем, инфракрасном диапазонах и вегетационного индекса NDVI к целевым, что в среднем 2 раз лучше, чем конкурентным алгоритмом на основе предположения «серого мира» (англ. Gray-World).

2. Предложенный объектно-ориентированный метод оценки качества оконтуривания DICE0bj, в отличие от мер, основанных на анализе площадей или границ, учитывает ошибки ложного слияния и разделения областей.

3. Предложенный малопараметрический алгоритм оконтуривания полей по показателю DICE0bj позволяет достичь качества сегментации сельскохозяйственных полей 51,25%, что превосходит по качеству

известный из литературы конкурентный алгоритм на основе глубокого обучения, использующий мгновенные данные (46,28%).

4. Метод снижения размерности пространства признаков на основе UMAP позволяет в 1,5 раза улучшить качество классификации культур в сравнении с методом главных компонент.

Достоверность полученных результатов обеспечивается формальным выводом и вычислительным экспериментами. Результаты находятся в соответствии с результатами, полученными другими авторами.

Апробация работы. Основные результаты работы докладывались на:

1. Международной школе-конференции «Информационные технологии и системы» (ИТиС), 2021, онлайн;

2. Международной школе-конференции «Информационные технологии и системы» (ИТиС), 2022, пос. Огниково, Московская обл., Россия;

3. 37th European Council for Modelling and Simulation (ECMS), 2023, Флоренция, Италия.

Личный вклад. Все основные результаты диссертационного исследования получены лично автором.

Публикации. Основные результаты по теме диссертации изложены в 7 печатных изданиях, 5 из которых изданы в журналах, индексируемых РИНЦ, 2 - в периодических научных журналах, индексируемых Web of Science и Scopus, 4 - в журналах, входящих в категорию К1 собственного перечня МФТИ, 3 - в тезисах докладов.

Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения и 2 приложений. Полный объём диссертации составляет 124 страницы, включая 25 рисунков и 14 таблиц. Список литературы содержит 148 наименований.

Глава 1. Обработка данных дистанционного зондирования Земли

для нужд сельского хозяйства

Оптическое зондирование местности позволяет получать крайне ценные данные, позволяющие значительно повысить эффективность ведения сельского хозяйства. Актуальные технические методы оптического зондирования можно условно разделить на аэрофотосъемку, где съемка осуществляется с воздушных платформ (включая беспилотные - БПЛА) на высотах до единиц километров, и спутниковую, где поверхность Земли наблюдается с дистанции сотен километров. Особый интерес представляют сенсоры с высоким спектральным разрешением: мульти- и гипер-спектральные камеры, позволяющие регистрировать изображения в спектральных диапазонах за пределами видимого, что широко применяется для мониторинга состояния местности. Рассмотрим далее историю развития и актуальное состояние методов и технологий зондирования Земли.

1.1 История развития технологий дистанционного зондирования

Земли

Развитие дистанционного зондирования Земли (ДЗЗ) прошло несколько этапов, начиная с первых экспериментов по аэрофотосъемке в XIX веке, ее активного развития в начале XX века и до настоящего времени с беспилотными летательными аппаратами (БПЛА), спутниковой съемкой, высокотехнологичными мульти- и гиперспектральными сенсорами, возможностью хранить и обрабатывать большие объемы данных.

Истоки дистанционного зондирования можно проследить до середины XIX века, когда использовались камеры, прикрепленные к воздушным шарам и воздушным змеям [1]. Один из первых аэрофотоснимков был сделан в 1858 году французским фотографом Надаром (настоящее имя - Гаспар-Феликс Турнашон), запечатлевшим Париж с высоты птичьего полета с воздушного шара [2]. Позднее, во время Первой мировой войны аэрофотосъемка стала незаменимой для военной разведки, а камеры, установленные на самолетах,

позволяли получить критически важную для ведения боевых действий информацию [1].

Следующей вехой можно охарактеризовать запуск первых искуственных спутников в 1950-х годах [3]. Американский спутник TIROS-1, запущенный в 1960 году, стал первым успешным метеорологическим спутником, который предоставил изображения облачного покрова Земли.

В 1965 году в рамках проекта NASA были проведены первые эксперименты по съемке мультиспектральными сенсорами Multispectral Scanner (MSS), которые устанавливали на самолетах.

В 1972 году стартовала программа космического оптического зондирования Landsat, действующая и по сей день [1]. Первый спутник, Landsat-1 (первоначально именованный как ERTS-1), был оснащен мультиспектральным сканером, который регистрировал изображения в четырех спектральных диапазонах: зеленом, красном и двух ближних инфракрасных. Запуск Landsat-1 обеспечил систематические наблюдения поверхности Земли и существенно повлиял на развитие средств и методов мониторинга окружающей среды, метеорологии, изучения климата и управлении ресурсами.

В 1980-е и 1990-е годы шло развитие используемых мультиспектральных камер, для которых были в т.ч. существенно улучшены пространственное и спектральное разрешения [3; 4]. В этот период были запущены спутники Landsat-4 и Landsat-5, оснащенные мультиспектральными сканерами Thematic Mapper (TM). TM сканер позволял регистрировать в семи спектральных диапазонах, что позволило проводить более детальный анализ поверхности Земли.

Снабжение летательных аппаратов тепловыми инфракрасными и микроволновыми сенсорами также расширило диапазон анализируемых явлений, включая температуру поверхности и влажность почвы [5]. В 1990-е годы были представлены коммерческие спутники высокого разрешения, такие как IKONOS, позволяющие получать изображения с пространственным разрешением до 1 метра. Технология радара с синтезированной апертурой (SAR) также усовершенствовалась, обеспечивая возможность всепогодной, круглосуточной визуализации.

В начале 1990-х годов стали появляться первые гиперспектральные сенсоры, регистрирующие в сотнях узких спектральных диапазонах. Сенсор Airborne Visible/Infrared Imaging Spectrometer (AVIRIS), разработанный NASA

[6], стал одним из первых инструментов, способных получать изображения в 224 узких спектральных диапазонах от видимого до ближнего инфракрасного диапазона [1].

В 2000-х годах были запущены спутники с еще более высокими характеристиками, такими как Landsat-7 и Landsat-8, которые были оснащены сенсорами Enhanced Thematic Mapper Plus (ETM+) и Operational Land Imager (OLI) с большим числом спектральных каналов и улучшенным разрешением.

Другие значимые проекты включают запуск спутников Sentinel-2 Европейского космического агентства (ESA) в рамках программы Copernicus. Спутники Sentinel-2A и Sentinel-2B, запущенные в 2015 и 2017 годах соответственно, оснащены мультиспектральным инструментом (MSI) с 13 спектральными каналами, что позволяет проводить детальный мониторинг поверхности Земли с высоким пространственным и временным разрешением

[7]. Также в этот период были запущены первые гиперспектральные спутники, такие как Hyperion на борту спутника EO-1 (Earth Observing-1). Hyperion предоставляет данные в 220 спектральных каналах с пространственным разрешением 30 метров, что позволяет проводить исследования на глобальном уровне.

Появление формата малых спутников, кубсатов (англ. - cubesat), позволило значительно снизить стоимость самого спутника и способствовало увеличению доступности данных [8].

В то время как спутники программы Sentinel-2 имеют наивысшее пространственное разрешение в 10 м/пиксель, существуют современные программы космического мониторинга с в разы большим разрешением. К ним относятся спутники WorldView-3 компании DigitalGlobe и спутники Pleiades компании Airbus.

Помимо оптических данных также распространено радиолокационное зондирование SAR, позволяющее получать изображения поверхности Земли в высоком разрешении, качество которых не зависит от атмосферных условий съемки.

Гиперспектральное зондирование, в отличие от мультиспектрального с единицами или малыми десятками каналов, предоставляет данные в сотнях узких спектральных диапазонах. Гиперспектральные сенсоры устанавливаются на различных платформах, включая спутники, беспилотные летательные аппараты (БПЛА) и наземные системы [9; 10]. Гиперспектральные

данные позволяют анализировать отражающие способности подстилающей поверхности с большей точностью в сравнении с мультиспектральными или RGB данными, что крайне ценно для задач анализа объектов по спектральным признакам, например, классификации растений [11].

Некоторые существующие сегодня программы зондирования предоставляют платформы с публичным доступом к предварительно обработанным данным от спутников. К таким платформам относятся Google Earth Engine, AWS и Microsoft Azure, первый из которых, например, дает пользовательский доступ к спутниковым данным глобального масштаба, что заметно способствует развитию исследовательских проектов по анализу поверхности Земли [12].

1.2 ДЗЗ в сельском хозяйстве

Развитие современного сельского хозяйства напрямую зависит от эффективного использования территории, для чего необходимы надежные и своевременные данные ДЗЗ [13; 14]. Оптические многоканальные изображения сельскохозяйственных угодий, регулярно регистрируемые космическими или аэрофотосъемочными системами с большой частотой, высоким пространственным разрешением (до сантиметров на пиксель [15]) и в широком оптическом диапазоне, значительно обогащают получаемые наземными методами данные и позволяют существенно повысить эффективность мониторинга [16; 17]. Так, технологии ДЗЗ уже успели занять одну из ключевых ролей в современном цифровом земледелии и все активнее применяются в агропромышленном комплексе России [18—20]. В частности, по данным ДЗЗ решается множество актуальных задач, трудоемкость выполнения которых наземными методами существенно выше, чем по данным дистанционного зондирования: оценивать вегетацию культур по вычисленным по мультиспектральным данным индексам [21—23], определять болезни культур [24], анализировать состояние почв [25], определять типы культур [26; 27], локализовывать и контролировать границы возделываемых угодий [28], оценивать потребность в орошении [29; 30], обнаруживать изменения в землепользовании [31].

По данным Росреестра в 2023 году на территории России 379 134,7 тыс. Га земель сельскохозяйственного назначения, что составляет 22,1% от всего земельного фонда Российской Федерации [32]. В 2019 году в России был запущен ведомственный проект Министерства сельского хозяйства Российской Федерации «Цифровое сельское хозяйство», в задачи которого в том числе входит разработка систем обработки данных ДЗЗ, интеллектуального анализа и прогнозирования [33].

1.3 Искажения данных, вызванные условиями освещения

Снимки ДЗЗ подвержены различного рода искажениям из-за влияния атмосферных явлений, сложных условий наблюдения (наличия затенений, дымки, облачности и т.д.), а также несовершенства системы регистрации. Это значительно усложняет задачу их дальнейшего анализа [3; 34; 35]. Активно разрабатываются методы компенсации искажений и устранения артефактов для повышения качества регистрируемых данных [1; 36—38], включая методы коррекции атмосферных эффектов [7; 39; 40], обнаружения и компенсации облачности и теней [41—43], шумоподавления [44], компенсации искажений, вызванных неидеальностью систем регистрации [45; 46].

Данное диссертационное исследование фокусируется на искажениях, вызванных условиями наблюдения. Можно разделить их на две группы по пространственным свойствам:

1. Локальные, которые вызваны, например, тенями от облаков, дымкой или туманом;

2. Глобальные, вызванные нестандартным для зондирования спектральным составом источника освещения, в частности при закатном или раннем рассветном Солнце.

Рассмотрим их далее детальнее.

1.3.1 Локальные искажения, вызванные тенями от облаков

Локальные искажения наблюдаемой подстилающей поверхности характеризуются ограниченностью подверженной искажениям области и связаны с такими атмосферными явлениями как облачность или туман.

Облака, особенно слоистые и кучевые, создают плотный слой аэрозольных частиц, практически полностью препятствующих прохождению через них солнечного излучения, таким образом делая подстилающую поверхность недоступной для анализа с больших дистанций, например, при спутниковом зондировании. Тени, отбрасываемые плотными облаками, в отличие от участков с самой облачностью, искажают изображение подстилающей поверхности, но оставляют возможность для его анализа. Согласно модели формирования затененного изображения, включающей две компоненты источника освещения — прямую (Солнце) и диффузную (переотраженное солнечное излучение от атмосферы) - на затененных участках отсутствует прямая компонента, однако интенсивности диффузного излучения достаточно для регистрации ненулевого сигнала.

Для качественного анализа данных с затененными участками местности требуются надлежащие методы компенсации вызванных тенями искажений. Анализ искаженных, но не восстановленных изображений может приводить к существенным погрешностям: например, затененный участок сельскохозяйственного поля на вегетационном индексе NDVI (англ. Normalized Difference Vegetation Index) может быть ошибочно классифицирован как участок низкой вегетации (Рисунок 1.1) [47]. Это обосновывает потребность в методах компенсации теней на изображениях.

.¿г

а) Фрагмент RGB снимка Sentinel-2. б) Соответствующий ему NDVI индекс. Рисунок 1.1 — Пример RGB изображения со спутника Sentinel-2 с тенями от облаков и соответствующий ему вегетационный индекс NDVI. Как видно, тени от облаков отчетливо видны как на изображениях в естественных цветах, так

и на NDVI

1.3.2 Компенсация теней от облаков на мультиспектральных

данных ДЗЗ

Методы компенсаций теней, возникающих в спутниковых и аэрофотоснимках, можно классифицировать по степени использования физической модели формирования изображения. Основу такой классификации составляет работа [48], разделяющая подходы на две группы: методы, основанные на улучшении изображения (англ. Imaging Enhancement, IE), и методы, использующие модель формирования изображения (англ. Imaging Mechanism, IM). В то время как методы первой группы направлены на улучшение качества воспринимаемого человеком изображения, что зачастую решается путем улучшения контрастов, методы второй группы используют физическую модель формирования изображения и решают задачу восстановления отсутствующей компоненты прямого источника излучения. Данное свойство методов критично для задач точного земледелия, где полезный сигнал зондирующих оптических сенсоров используется для вычислительных задач оценки вегетации, увлажненности почв и др. Это обосновывает фокус диссертационного исследования на восстанавливающих методах.

Восстанавливающие методы компенсации теней представлены в работах [41; 42; 49]. В работе Силвы и соавторов [41] предлагается

метод компенсации теней на мультиспектральных данных дистанционного зондирования, использующий бинарную маску теневых участков. Для оценки значений компенсационного коэффициента авторы предлагают метод оценивания, неустойчивый к выбросовому зашумлению, что потенциально повышает риски грубых ошибок компенсации. Более устойчивый метод оценивания, основанный на голосующей схеме, предложен авторами в работе Го и соавторов [42], однако в ней рассматриваются данные наземной съемки, в связи с чем эффективность метода для компенсации теней от облаков на мультиспектральных данных зондирования остается не исследованной. В работе [49], где также предлагается восстанавливающий метод компенсации теней, для вычисления компенсационного параметра предлагается использовать оценку по выборочному среднему, что также не является устойчивым к возможным загрязнениям в выборке.

1.3.3 Глобальные искажения, вызванные условиями освещения

В диссертации исследуется проблема глобальных искажений, вызванных условиями наблюдения с нестандартным освещением, при котором спектральный состав источника освещения существенно отличается от нормальных условий - Солнца, находящегося в зените при ясной погоде. Данная проблема релевантна зондированию с использованием беспилотных летательных аппаратов (БПЛА). С одной стороны данный способ в сравнении со спутниковым мониторингом обладает существенными преимуществами:

— Во-первых, у оператора есть возможность выбора даты и времени съемки, области интереса, высоты полета и угла обзора;

— Во-вторых, съемка с небольшой высоты с современными сенсорами позволяет получать снимки с более высоким разрешением, чем у спутниковых данных.

Однако данные преимущества сопровождаются существенным недостатком: изображения, получаемые с БПЛА, подвержены значительной вариативности условий освещения, что приводит к искажениям спектральных характеристик снимков [50]. Съемка в условиях сильной облачности или при низком положении Солнца над горизонтом (например, на рассвете или закате) существенно

отличается от съемки при ясной погоде и Солнце, находящемся вблизи зенита, что связано с резким изменением спектрального состава источника освещения. В спутниковом мониторинге данная проблема проявляется в меньшей степени, так как траектории космических аппаратов и время съемки подбираются специально с целью минимизации вариативности освещения. Так, спутники Sentinel-2A и Sentinel-2B имеют солнечно-синхронную орбиту, обеспечивающую стабильные условия наблюдения.

Список литературы диссертационного исследования кандидат наук Павлова Мария Александровна, 2025 год

Список литературы

1. Elachi C, Van Zyl J. J. Introduction to the physics and techniques of remote sensing. — John Wiley & Sons, 2021.

2. Argyrou A., Agapiou A. A review of artificial intelligence and remote sensing for archaeological research // Remote Sensing. — 2022. — Т. 14, № 23. — С. 6000.

3. Campbell J. B., Wynne R. H. Introduction to remote sensing. — Guilford press, 2011.

4. Dinguirard M, Slater P. N. Calibration of space-multispectral imaging sensors: A review // Remote Sensing of Environment. — 1999. — Т. 68, № 3. — С. 194—205.

5. Richards J. A., Jia X. Remote sensing digital image analysis: an introduction. — Springer, 2006.

6. Meola J., Eismann M. T, Moses R. L, Ash J. N. Application of model-based change detection to airborne VNIR/SWIR hyperspectral imagery // IEEE transactions on geoscience and remote sensing. — 2012. — Т. 50, № 10. — С. 3693—3706.

7. Martins V. S., Barbosa C. C. F., De Carvalho L. A. S., Jorge D. S. F., Lobo F. d. L., Novo E. M. L. d. M. Assessment of atmospheric correction methods for Sentinel-2 MSI images applied to Amazon floodplain lakes // Remote Sensing. — 2017. — Т. 9, № 4. — С. 322.

8. Degerickx J., Hermy M, Somers B. Mapping functional urban green types using high resolution remote sensing data // Sustainability. — 2020. — Т. 12, № 5. — С. 2144.

9. Lillesand T, Kiefer R. W, Chipman J. Remote sensing and image interpretation. — John Wiley & Sons, 2015.

10. Jensen J. R. Introductory digital image processing: a remote sensing perspective. — Prentice-Hall Inc., 1996.

11. Фирсов Н. А., Подлипнов В. В., Ивлиев Н. А., Николаев П. П., Машков С. В., Ишкин П. А., Скиданов Р. В., Никоноров А. В. Нейросетевая классификация гиперспектральных изображений растительности с формированием обучающей выборки на основе адаптивного вегетационного индекса // Компьютерная оптика. — 2021. — Т. 45, № 6. — С. 887—896.

12. Amani M., Ghorbanian A., Ahmadi S. A., Kakooei M., Moghimi A., Mirmazloumi S. M., Moghaddam S. H. A., Mahdavi S., Ghahremanloo M., Parsian S., Wu Q., Brisco B. Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. — 2020. — Т. 13. — С. 5326—5350.

13. Garcia-Pedrero A., Gonzalo-Martin Consuelo andLillo-Saavedra M., Rodriguez-Esparragon D. The outlining of agricultural plots based on spatiotemporal consensus segmentation // Remote Sensing. — 2018. — Т. 10, № 12. — С. 1991.

14. Steven M, Clark J. A. Applications of remote sensing in agriculture. — Elsevier, 2013.

15. Rokhmana C. A. The potential of UAV-based remote sensing for supporting precision agriculture in Indonesia // Procedia Environmental Sciences. — 2015. — Т. 24. — С. 245—253.

16. Victor N., Maddikunta P. K. R., Mary D. R. K., Murugan R., Chengoden R., Gadekallu T. R., Rakesh N., Zhu Y, Paek J. Remote sensing for agriculture in the era of industry 5.0—A survey // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. — 2024. — Т. 17. — С. 5920—5945.

17. Apostolopoulos D., Nikolakopoulos K. A review and meta-analysis of remote sensing data, GIS methods, materials and indices used for monitoring the coastline evolution over the last twenty years // European Journal of Remote Sensing. — 2021. — Т. 54, № 1. — С. 240—265.

18. Блохина С. Применение дистанционного зондирования в точном земледелии // Вестник Российской сельскохозяйственной науки. — 2018. — № 5. — С. 10—16.

19. Бахтадзе Н. Н., Максимов Е. М., Максимова Н. Е , Дончан Д. М., Кузнецов Д. С. , Захаров Э. А. Системы интеллектуального менеджмента для цифрового земледелия. Часть 1 // Информационные технологии и вычислительные системы. — 2020. — № 2. — С. 85—98.

20. Якушев В., Дубенок Н., Лупян Е. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства // Современные проблемы дистанционного зондирования Земли из космоса. — 2019. — Т. 16, № 3. — С. 11—23.

21. Xue J., Su B. Significant remote sensing vegetation indices: A review of developments and applications // Journal of sensors. — 2017. — Т. 2017, № 1. — С. 1353691.

22. Пугачева И. Ю., Шевырногов А. П. Изучение динамики NDVI посевов сельскохозяйственных культур на территории Красноярского края и Республики Хакасия // Современные проблемы дистанционного зондирования Земли из космоса. — 2008. — Т. 5, № 2. — С. 347—351.

23. Groten S. NDVI—crop monitoring and early yield assessment of Burkina Faso // International Journal of Remote Sensing. — 1993. — Т. 14, № 8. — С. 1495—1515.

24. Mahajan G., Sahoo R., Pandey R., Gupta V., Kumar D. Using hyperspectral remote sensing techniques to monitor nitrogen, phosphorus, sulphur and potassium in wheat (Triticum aestivum L.) // Precision agriculture. — 2014. — Т. 15. — С. 499—522.

25. Zhu W, Rezaei E. E., Nouri H., Yang T., Li B., Gong H., Lyu Y., Peng J., Sun Z. Quick detection of field-scale soil comprehensive attributes via the integration of UAV and sentinel-2B remote sensing data // Remote Sensing. — 2021. — Т. 13, № 22. — С. 4716.

29. Liang S. Quantitative remote sensing of land surfaces. — John Wiley & Sons, 2005.

30. Shanmugapriya P., Rathika S., Ramesh T., Janaki P. Applications of remote sensing in agriculture-A Review // Int. J. Curr. Microbiol. Appl. Sci. — 2019. — Т. 8, № 01. — С. 2270—2283.

31. Wulder M. A., Franklin S. E. Remote sensing of forest environments: concepts and case studies. — Springer Science & Business Media, 2012.

32. Доклад о состоянии и использовании земель сельскохозяйственного назначения Российской Федерации в 2022 году [Электронный ресурс]. — Дата обращения: 17.10.2025. https: / / mcx. gov. ru / upload / iblock / a49 / 3n7rogvhveochotyhamxgskmrx7weovx.pdf.

33. Ведомственный проект «Цифровое сельское хозяйство» [Электронный ресурс]. — Дата обращения: 17.10.2025. https://mcx.gov.ru/upload/iblock/ 900/900863fae06c026826a9ee43e124d058.pdf.

34. Cracknell A. P. Introduction to remote sensing. — CRC press, 2007.

35. Еремеев В., Еремеев В., Макаренков А. Выделение границ объектов на гиперспектральных спутниковых снимках земной поверхности // Цифровая обработка сигналов. — 2022. — № 3. — С. 49—52.

36. Camps-Valls G., Tuia D., Gomez-Chova L., Jiménez S., Malo J. Remote sensing image processing. — Springer, 2011.

37. Schowengerdt R. A. Remote sensing: models and methods for image processing. — Elsevier, 2006.

38. Michishita R., Jin Z, Chen J., Xu B. Empirical comparison of noise reduction techniques for NDVI time-series based on a new measure // ISPRS Journal of Photogrammetry and Remote Sensing. — 2014. — Т. 91. — С. 17—28.

39. Lantzanakis G., Mitraka Z, Chrysoulakis N. Comparison of Physically and Image Based Atmospheric Correction Methods for Sentinel-2 Satellite Imagery // Perspectives on Atmospheric Sciences / под ред. T. Karacostas, A. Bais, P. T. Nastos. — Springer International Publishing, 2017. — С. 255—261.

40. Sola I., Garcéa-Martén A., Sandonés-Pozo L, Alvarez-Mozos J., Pérez-Cabello F., Gonzélez-Audécana M., Lloveréa R. M. Assessment of atmospheric correction methods for Sentinel-2 images in Mediterranean landscapes // International journal of applied earth observation and geoinformation. — 2018. — Т. 73. — С. 63—76.

41. Silva G. F., Carneiro G. B., Doth R., Amaral L. A., Azevedo D. F. de. Near real-time shadow detection and removal in aerial motion imagery application // ISPRS Journal of Photogrammetry and Remote Sensing. — 2018. — Т. 140. — С. 104—121. — Geospatial Computer Vision.

42. Guo R., Dai Q., Hoiem D. Paired Regions for Shadow Detection and Removal // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2013. — Т. 35, № 12. — С. 2956—2967.

44. Deshpande A. M, Patale S. R., Roy S. Removal of line striping and shot noise from remote sensing imagery using a deep neural network with post-processing for improved restoration quality // International journal of remote sensing. — 2021. — Т. 42, № 19. — С. 7357—7380.

45. Еремеев В., Зенин В. Радиометрическая нормализация изображений от многоматричных сканирующих устройств // Цифровая обработка сигналов. — 2009. — № 3. — С. 31—35.

46. Еремеев В., Зенин В. Статистические модели коррекции структурных искажений на спутниковых изображениях земной поверхности // Цифровая обработка сигналов. — 2010. — № 3. — С. 30—36.

48. Han H, Han C, Huang L, Lan T, Xue X. Irradiance restoration based shadow compensation approach for high resolution multispectral satellite remote sensing images // Sensors. — 2020. — Т. 20, № 21. — С. 6053.

49. Zhou T, Fu H, Sun C, Wang S. Shadow detection and compensation from remote sensing images under complex urban conditions // Remote Sensing. — 2021. — Т. 13, № 4. — С. 699.

50. Liu Z, Zhang Y, Yu X., Yuan C. Unmanned surface vehicles: An overview of developments and challenges // Annual Reviews in Control. — 2016. — Т. 41. — С. 71—93.

51. Николаев П. О новых методах оценки цветности освещения в алгоритмах цветовой константности // Сенсорные системы. — 2007. — Т. 21, № 1. — С. 29—44.

52. Belov A., Myasnikov V. Atmospheric correction of hyperspectral images based on approximate solution of transmittance equation // Seventh international conference on machine vision (ICMV 2014). Т. 9445. — SPIE. 2015. — С. 150—154.

53. Gao B.-C., Heidebrecht K. B., Goetz A. F. Derivation of scaled surface reflectances from AVIRIS data // Remote sensing of Environment. — 1993. — Т. 44, № 2/3. — С. 165—178.

54. Khan H. A., Thomas J.-B., Hardeberg J. Y., Laligant O. Illuminant estimation in multispectral imaging // Journal of the Optical Society of America A. — 2017. — T. 34, № 7. — C. 1085—1098.

55. Wiemker R. The Color Constancy Problem in Multispectral Remote Sensing-On the Impact of Surface Orientation on Spectral Signatures : gHC. / Wiemker Rafael. — Universitat Hamburg, 1997.

56. Tagle Casapia M. X. Study of radiometric variations in Unmanned Aerial Vehicle remote sensing imagery for vegetation mapping // Lund University GEM thesis series. — 2017.

57. Sishodia R. P., Ray R. L, Singh S. K. Applications of remote sensing in precision agriculture: A review // Remote sensing. — 2020. — T. 12, № 19. — C. 3136.

58. Torre M., Radeva P. Agricultural-field extraction on aerial images by region competition algorithm // Proceedings 15th International Conference on Pattern Recognition. ICPR-2000. T. 1. — IEEE. 2000. — C. 313—316.

59. Wagner M. P., Oppelt N. Extracting agricultural fields from remote sensing imagery using graph-based growing contours // Remote sensing. — 2020. — T. 12, № 7. — C. 1205.

60. Davidse J. Semi-automatic detection of field boundaries from high-resolution satellite imagery // Wageningen University: Wageningen, The Netherlands. — 2015.

61. Garcia-Pedrero A., Lillo-Saavedra M., Rodriguez-Esparragon D., Gonzalo-Martin C. Deep learning for automatic outlining agricultural parcels: Exploiting the land parcel identification system // IEEE access. — 2019. — T. 7. — C. 158223—158236.

62. Ji C. Delineating agricultural field boundaries from TM imagery using dyadic wavelet transforms // ISPRS journal of photogrammetry and remote sensing. — 1996. — T. 51, № 6. — C. 268—283.

63. Watkins B., Van Niekerk A. A comparison of object-based image analysis approaches for field boundary delineation using multi-temporal Sentinel-2 imagery // Computers and Electronics in Agriculture. — 2019. — T. 158. — C. 294—302.

64. Canny J. A computational approach to edge detection // IEEE Transactions on pattern analysis and machine intelligence. — 1986. — № 6. — C. 679—698.

65. Waldner F., Diakogiannis F. I. Deep learning on edge: Extracting field boundaries from satellite images with a convolutional neural network // Remote sensing of environment. — 2020. — T. 245. — C. 111741.

66. Garcia-Pedrero A., Gonzalo-Martin C., Lillo-Saavedra M. A machine learning approach for agricultural parcel delineation through agglomerative segmentation // International journal of remote sensing. — 2017. — T. 38, № 7. — C. 1809—1819.

67. Belgiu M, Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis // Remote sensing of environment. — 2018. — T. 204. — C. 509—523.

68. Watkins B., Van Niekerk A. Automating field boundary delineation with multi-temporal Sentinel-2 imagery // Computers and electronics in agriculture. — 2019. — T. 167. — C. 105078.

69. North H. C, Pairman D., Belliss S. E. Boundary Delineation of Agricultural Fields in Multitemporal Satellite Imagery // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. — 2019. — T. 12, № 1. — C. 237—251.

70. Yan L., Roy D. Automated crop field extraction from multi-temporal Web Enabled Landsat Data // Remote Sensing of Environment. — 2014. — T. 144. — C. 42—64.

71. Singh S., Suresh M, Jain K. Land information extraction with boundary preservation for high resolution satellite image // International Journal of Computer Applications. — 2015. — T. 120, № 7.

72. Persello C, Tolpekin V. A., Bergado J. R., De By R. A. Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping // Remote sensing of environment. — 2019. — T. 231. — C. 111253.

73. Wagner M. P., Oppelt N. Deep learning and adaptive graph-based growing contours for agricultural field extraction // Remote sensing. — 2020. — T. 12, № 12. — C. 1990.

74. Zhang H., Liu M., Wang Y., Shang J., Liu X., Li B., Song A., Li Q. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net // International Journal of Applied Earth Observation and Geoinformation. — 2021. — Т. 105. — С. 102557.

75. Yerlygin L, Teplyakov L. Improvement of a line segment detector based on a neural network by adding engineering features // Sensory systems. — 2021. — Т. 35. — С. 50—54.

76. Teplyakov L., Kaymakov K., Shvets E., Nikolaev D. Line detection via a lightweight CNN with a Hough layer // Thirteenth International Conference on Machine Vision. Т. 11605. — SPIE. 2021. — С. 376—385.

77. Aung H. L, Uzkent B., Burke M, Lobell D., Ermon S. Farm parcel delineation using spatio-temporal convolutional networks // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. — 2020. — С. 76—77.

78. Orynbaikyzy A., Gessner U, Conrad C. Crop type classification using a combination of optical and radar remote sensing data: A review // International journal of remote sensing. — 2019. — Т. 40, № 17. — С. 6553—6595.

80. Черепанов А., Дружинина Е. Спектральные свойства растительности и вегетационные индексы // Геоматика. — 2009. — № 3. — С. 28—32.

81. Барталев С., Лупян Е., Нейштадт И., Савин И. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS // Исследование Земли из космоса. — 2006. — Т. 3. — С. 68—75.

82. Sun R, Chen S, Su H, Mi C, Jin N. The effect of NDVI time series density derived from spatiotemporal fusion of multisource remote sensing data on crop classification accuracy // ISPRS International Journal of Geo-Information. — 2019. — Т. 8, № 11. — С. 502.

83. Плотников Д., Барталев С. А., Жарко В., Михайлов В., Просянникова О. Экспериментальная оценка распознаваемости агрокультур по данным сезонных спутниковых измерений спектральной яркости // Современные проблемы дистанционного зондирования Земли из космоса. — 2011. — Т. 8, № 1. — С. 199—208.

84. Murmu S., Biswas S. Application of fuzzy logic and neural network in crop classification: a review // Aquatic Procedia. — 2015. — Т. 4. — С. 1203—1210.

85. Zhang S., Lei Y, Wang L, Li H, Zhao H. Crop classification using MODIS NDVI data denoised by wavelet: A case study in Hebei Plain, China // Chinese Geographical Science. — 2011. — Т. 21, № 3. — С. 322—333.

86. Rufiwurm M, Korner M. Self-attention for raw optical satellite time series classification // ISPRS journal of photogrammetry and remote sensing. — 2020. — Т. 169. — С. 421—435.

87. Воробьева Н., Чернов А. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии»(ИТНТ-2017)-Самара: Новая техника. — 2017. — С. 390—399.

88. Hird J. N., McDermid G. J. Noise reduction of NDVI time series: An empirical comparison of selected techniques // Remote Sensing of Environment. — 2009. — Т. 113, № 1. — С. 248—258.

89. Velliangiri S., Alagumuthukrishnan S. [и др.]. A review of dimensionality reduction techniques for efficient computation // Procedia computer science. — 2019. — Т. 165. — С. 104—111.

90. Abe B. T, Jordaan J. A. Hyperspectral image classification based on NMF Features Selection Method // Sixth International Conference on Machine Vision (ICMV 2013). Т. 9067. — SPIE. 2013. — С. 114—119.

91. Yang S., Gu L, Li X., Jiang T, Ren R. Crop classification method based on optimal feature selection and hybrid CNN-RF networks for multi-temporal remote sensing imagery // Remote sensing. — 2020. — Т. 12, № 19. — С. 3119.

92. Masoud K. M, Persello C, Tolpekin V. A. Delineation of agricultural field boundaries from Sentinel-2 images using a novel super-resolution contour detector based on fully convolutional networks // Remote sensing. — 2019. — Т. 12, № 1. — С. 59.

93. Yao J., Wu J., Xiao C, Zhang Z, Li J. The classification method study of crops remote sensing with deep learning, machine learning, and Google Earth engine // Remote Sensing. — 2022. — Т. 14, № 12. — С. 2758.

94. Zhang Z, Xu Z, Liu C., Tian Q., Zhou Y. Cloudformer V2: set prior prediction and binary mask weighted network for cloud detection // Mathematics. — 2022. — Т. 10, № 15. — С. 2710.

95. Kuang B., Wisniewski M, Rana Z. A, Zhao Y. Rock segmentation in the navigation vision of the planetary rovers // Mathematics. — 2021. — Т. 9, № 23. — С. 3048.

96. Zhang Z, Miao C, Liu C, Tian Q, Zhou Y. HA-RoadFormer: Hybrid attention transformer with multi-branch for large-scale high-resolution dense road segmentation // Mathematics. — 2022. — Т. 10, № 11. — С. 1915.

97. Collings S., Caccetta P., Campbell N., Wu X. Empirical models for radiometric calibration of digital aerial frame mosaics // IEEE Transactions on Geoscience and Remote Sensing. — 2011. — Т. 49, № 7. — С. 2573—2588.

98. Fan H, Han M, Li J. Image shadow removal using end-to-end deep convolutional neural networks // Applied Sciences. — 2019. — Т. 9, № 5. — С. 1009.

99. Meraner A., Ebel P., Zhu X. X., Schmitt M. Cloud removal in Sentinel-2 imagery using a deep residual neural network and SAR-optical data fusion // ISPRS Journal of Photogrammetry and Remote Sensing. — 2020. — Т. 166. — С. 333—346.

100. Sarabandi P., Yamazaki F., Matsuoka M., Kiremidjian A. Shadow detection and radiometric restoration in satellite high resolution images // IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium. Т. 6. — IEEE. 2004. — С. 3744—3747.

101. Finlayson G. D., Hordley S. D., Drew M. S. Removing shadows from images using retinex // Color and imaging conference. Т. 10. — Society of Imaging Science, Technology. 2002. — С. 73—79.

102. Logie G. S., Coburn C. A. An investigation of the spectral and radiometric characteristics of low-cost digital cameras for use in UAV remote sensing // International Journal of Remote Sensing. — 2018. — Т. 39, № 15/16. — С. 4891—4909.

103. Шепелев Д. О точности цветопередачи при поканальном моделировании подводных изображений // Информационные процессы. — 2020. — Т. 20, № 3. — С. 254—268.

104. Шепелев Д. А., Божкова В. П., Ершов Е. И., Николаев Д. П. Моделирование дробового шума цветных подводных изображений // Компьютерная оптика. — 2020. — Т. 44, № 4. — С. 671—679.

105. Buchsbaum G. A spatial processor model for object colour perception // Journal of the Franklin institute. — 1980. — Т. 310, № 1. — С. 1—26.

106. Ye Q., Xie H, Xu Q. Removing shadows from high-resolution urban aerial images based on color constancy // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2012. — Т. 39. — С. 525—530.

107. Николаева О. В. Алгоритм обнаружения облачных объектов на многоспектральных снимках // Компьютерная оптика. — 2022. — Т. 46, № 5. — С. 808—817.

108. Eremeev V. V., Kochergin A. M, Kuznetcov A. E. Automatic detection of clouds in multispectral images subjected to interchannel parallax // 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). — IEEE. 2015. — С. 4928—4930.

109. Glasbey C. A. An analysis of histogram-based thresholding algorithms // CVGIP: Graphical models and image processing. — 1993. — Т. 55, № 6. — С. 532—537.

110. Prewitt J. M, Mendelsohn M. L. The analysis of cell images // Annals of the New York Academy of Sciences. — 1966. — Т. 128, № 3. — С. 1035—1053.

111. Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. — 1979. — Т. 9, № 1. — С. 62—66.

112. Yoo J.-C, Han T. H. Fast normalized cross-correlation // Circuits, systems and signal processing. — 2009. — Т. 28. — С. 819—843.

113. McFeeters S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International journal of remote sensing. — 1996. — Т. 17, № 7. — С. 1425—1432.

114. Zhang G., Cerra D., Muller R. Shadow detection and restoration for hyperspectral images based on nonlinear spectral unmixing // Remote Sensing. — 2020. — Т. 12, № 23. — С. 3985.

115. Aboutalebi M, Torres-Rua A. F, McKee M, Kustas W., Nieto H, Coopmans C. Behavior of vegetation/soil indices in shaded and sunlit pixels and evaluation of different shadow compensation methods using UAV high-resolution imagery over vineyards // Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping III. Т. 10664. — SPIE. 2018. — С. 68—80.

116. Bianco S., Schettini R. Color constancy using faces // 2012 IEEE Conference on Computer Vision and Pattern Recognition. — IEEE. 2012. — С. 65—72.

117. Kennedy R. E., Cohen W. B., Takao G. Empirical methods to compensate for a view-angle-dependent brightness gradient in AVIRIS imagery // Remote Sensing of Environment. — 1997. — Т. 62, № 3. — С. 277—291.

118. Smith G. M., Milton E. J. The use of the empirical line method to calibrate remotely sensed data to reflectance // International Journal of remote sensing. — 1999. — Т. 20, № 13. — С. 2653—2662.

119. Shkanaev A. Y, Sholomov D. L, Nikolaev D. P. Unsupervised domain adaptation for DNN-based automated harvesting // Twelfth International Conference on Machine Vision (ICMV 2019). Т. 11433. — SPIE. 2020. — С. 243—249.

120. Liu Y, Wang T, Ma L, Wang N. Spectral calibration of hyperspectral data observed from a hyperspectrometer loaded on an unmanned aerial vehicle platform // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. — 2014. — Т. 7, № 6. — С. 2630—2638.

121. Kordecki A., Bal A. Capturing the best hyperspectral image in different lighting conditions // Eighth International Conference on Machine Vision (ICMV 2015). Т. 9875. — SPIE. 2015. — С. 229—233.

122. Тепляков Л, Григорьев А., Кунина И., Гладилин С. Апробация подхода к распознаванию объектов, заданных формальным описанием наблюдаемых свойств, на примере задачи поиска объектов на аэрофотоснимках // Сенсорные системы. — 2018. — Т. 3feffr2, № 3. — С. 260—268.

123. Airborne visible/infrared imaging spectrometer (AVIRIS) [Электронный ресурс]. — https://aviris.jpl.nasa.gov/. — Дата обращения: 17.10.2025.

124. Kerekes J. P., Landgrebe D. A. Simulation of optical remote sensing systems // IEEE Transactions on Geoscience and Remote Sensing. — 1989. — Т. 27, № 6. — С. 762—771.

125. Волков В. В., Швец Е. А. Набор данных и метод оценки алгоритмов сопоставления оптических и радиолокационных изображений на основе устойчивых точек // Информационные технологии и вычислительные системы. — 2021. — № 2. — С. 44—57.

126. Волков В. Модифицирование метода поиска и дескрибирования устойчивых точек sift для сопоставления оптических и радиолокационных изображений // Сенсорные системы. — 2022. — Т. 36, № 4. — С. 349—365.

127. Исходный код реализации разработанного алгоритма оконтуривания сельскохозяйственных полей на языке Python 3.8 [Электронный ресурс]. — Дата обращения: 17.10.2025. https://github.com/iitpvisionlab/ fields-recognizer.

128. North H. C, Pairman D., Belliss S. E. Paddock segmentation using multi-temporal satellite imagery // 2014 IEEE Geoscience and Remote Sensing Symposium. — IEEE. 2014. — С. 1596—1599.

129. Набор экспертно размеченных контуров сельскохозяйственных полей [Электронный ресурс]. — Дата обращения: 17.10.2025. https://doi.org/ 10.5281/zenodo.5571868.

130. Clinton N., Holt A., Scarborough J., Yan L., Gong P. [и др.]. Accuracy assessment measures for object-based image segmentation goodness // Photogramm. Eng. Remote Sens. — 2010. — Т. 76, № 3. — С. 289—299.

131. Long J., Li M, Wang X., Stein A. Delineation of agricultural fields using multi-task BsiNet from high-resolution satellite images // International Journal of Applied Earth Observation and Geoinformation. — 2022. — Т. 112. — С. 102871.

132. Tetteh G. O, Gocht A., Conrad C. Optimal parameters for delineating agricultural parcels from satellite images based on supervised Bayesian optimization // Computers and Electronics in Agriculture. — 2020. — Т. 178. — С. 105696.

133. Zhan Q., Molenaar M., Tempfli K., Shi W. Quality assessment for geo-spatial objects derived from remotely sensed data // International Journal of Remote Sensing. — 2005. — Т. 26, № 14. — С. 2953—2974.

134. Lucieer A., Stein A. Existential uncertainty of spatial objects segmented from satellite sensor imagery // IEEE Transactions on Geoscience and Remote Sensing. — 2002. — Т. 40, № 11. — С. 2518—2521.

135. Ronneberger O, Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical image computing and computer-assisted intervention-MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18. — Springer. 2015. — С. 234—241.

136. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition [Электронный ресурс]. — 2014. — eprint: https://arxiv. org/abs/1409.1556. — Дата обращения: 17.10.2025.

137. Rakhlin A., Davydow A., Nikolenko S. Land cover classification from satellite imagery with u-net and lovasz-softmax loss // Proceedings of the IEEE conference on computer vision and pattern recognition workshops. — 2018. — С. 262—266.

138. Ershov E. I., Korchagin S. A., Kokhan V. V., Bezmaternykh P. V. A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization // Компьютерная оптика. — 2021. — Т. 45, № 1. — С. 66—76.

139. Panfilova E., Shipitko O. S., Kunina I. Fast Hough transform-based road markings detection for autonomous vehicle // Thirteenth International Conference on Machine Vision. Т. 11605. — SPIE. 2021. — С. 671—680.

140. Панфилова Е., Кунина И. Использование оконного преобразования Хафа для поиска протяженных границ на изображении // Сенсорные системы. — 2020. — Т. 34, № 4. — С. 340—353.

141. Сидорчук Д., Волков В., Никоноров А. Сравнение метода нелинейной контраст-сохраняющей визуализации мультиспектральных изображений с известными алгоритмами деколоризации // Информационные процессы. — 2020. — Т. 20, № 1. — С. 41—54.

142. Mclnnes L., Healy J., Melville J. Umap: Uniform manifold approximation and projection for dimension reduction [Электронный ресурс]. — 2018. — eprint: https://arxiv.org/abs/1802.03426. — Дата обращения: 17.10.2025.

143. Gilbertson J. K., Van Niekerk A. Value of dimensionality reduction for crop differentiation with multi-temporal imagery and machine learning // Computers and Electronics in Agriculture. — 2017. — Т. 142. — С. 50—58.

144. Chakhar A., Hernandez-Lopez D., Ballesteros R., Moreno M. A. Improving the accuracy of multiple algorithms for crop classification by integrating sentinel-1 observations with sentinel-2 data // Remote Sensing. — 2021. — Т. 13, № 2. — С. 243.

145. Li J., Shen Y, Yang C. An adversarial generative network for crop classification from remote sensing timeseries images // Remote Sensing. — 2020. — Т. 13, № 1. — С. 65.

146. Reedha R., Dericquebourg E., Canals R., Hafiane A. Transformer neural network for weed and crop classification of high resolution UAV images // Remote sensing. — 2022. — Т. 14, № 3. — С. 592.

147. Bouteldja S., Kourgli A. A comparative analysis of SVM, K-NN, and decision trees for high resolution satellite image scene classification // Twelfth International Conference on Machine Vision (ICMV 2019). Т. 11433. — SPIE. 2020. — С. 410—416.

148. Belda S., Pipia L, Morcillo-Pallares P., Verrelst J. Optimizing gaussian process regression for image time series gap-filling and crop monitoring // Agronomy. — 2020. — Т. 10, № 5. — С. 618.

Публикации автора по теме диссертации

В изданиях из списка РИНЦ, RSCI

26. Павлова М. А., Сидорчук Д. С., Бочаров Д. А. Классификация сельскохозяйственных культур на основе анализа временных рядов вегетационного индекса малых размерностей // Сенсорные системы. — 2023. — Т. 37, № 2. — С. 171—180. — (RSCI, К1).

43. Бочаров Д. А., Николаев Д. П., Павлова М. А., Тимофеев В. А. Алгоритм детекции и компенсации теней от облаков на мультиспектральных спутниковых снимках для местностей сельскохозяйственных угодий // Информационные процессы. — 2021. — Т. 21, № 4. — С. 295—312. — (RSCI, К1). [Bocharov D. A., Nikolaev D. P., Pavlova M. A., Timofeev V. A. Cloud shadows detection and compensation algorithm on multispectral satellite images for agricultural regions // Journal of Communications Technology and Electronics. - 2022. - Т. 67, № 6. - С. 728-739. - (Scopus, WoS, К3).]

47. Павлова М. А., Бочаров Д. А. Экспериментальное исследование качества компенсации теней от облаков на мультиспектральных данных спутников Sentinel-2 и Landsat 8 // ИТиС 2022. — 2022. — С. 287—298. — (РИНЦ).

79. Павлова М. А., Сидорчук Д. С., Кущев Д. О, Бочаров Д. А., Николаев Д. П. Эквализация условий съемки на основе спектральных моделей для нужд точного земледелия с использованием БПЛА // Информационные процессы. — 2022. — Т. 22, № 4. — С. 404—413. — (RSCI, К1). [Pavlova M. A., Sidorchuk D. S., Kushchev D. O., Bocharov D. A., Nikolaev D. P. Equalization of shooting conditions based on spectral models for the needs of precision agriculture using uavs // Journal of Communications Technology and Electronics. - 2022. - Т. 67, Suppl 2. - С. 283-289. - (Scopus, WoS, К3).]

В изданиях, входящих в международную базу цитирования Web of

Science

27. Pavlova M. A., Sidorchuk D. S., Bocharov D. A., Sarycheva A. P. Crop Classification Using Reduced-Dimensionality NDVI Time Series // ECMS. — 2023. — С. 306—312. — (Core C, Scopus, WoS).

28. Павлова М. А., Тимофеев В. А., Бочаров Д. А., Сидорчук Д. С., Нурмухаметов А. Л, Никоноров А. В., Ярыкина М. С., Кунина И. А., Смагина А. А., Загарев М. А. Малопараметрический метод оконтуривания сельскохозяйственных полей на спутниковых снимках с помощью исторических данных MSAVI2 // Компьютерная оптика. — 2023. — Т. 47, № 3. — С. 451—463. — (Scopus, WoS, К1).

В изданиях, входящих в международную базу цитирования Scopus

27. Pavlova M. A., Sidorchuk D. S., Bocharov D. A., Sarycheva A. P. Crop Classification Using Reduced-Dimensionality NDVI Time Series // ECMS. — 2023. — С. 306—312. — (Core C, Scopus, WoS).

28. Павлова М. А., Тимофеев В. А., Бочаров Д. А., Сидорчук Д. С., Нурмухаметов А. Л., Никоноров А. В., Ярыкина М. С., Кунина И. А., Смагина А. А., Загарев М. А. Малопараметрический метод оконтуривания сельскохозяйственных полей на спутниковых снимках с помощью исторических данных MSAVI2 // Компьютерная оптика. — 2023. — Т. 47, № 3. — С. 451—463. — (Scopus, WoS, К1).

В сборниках трудов конференций

27. Pavlova M. A., Sidorchuk D. S., Bocharov D. A., Sarycheva A. P. Crop Classification Using Reduced-Dimensionality NDVI Time Series // ECMS. — 2023. — С. 306—312. — (Core C, Scopus, WoS).

47. Павлова М. А., Бочаров Д. А. Экспериментальное исследование качества компенсации теней от облаков на мультиспектральных данных спутников Sentinel-2 и Landsat 8 // ИТиС 2022. — 2022. — С. 287—298. — (РИНЦ).

В прочих изданиях

26. Павлова М. А., Сидорчук Д. С., Бочаров Д. А. Классификация сельскохозяйственных культур на основе анализа временных рядов вегетационного индекса малых размерностей // Сенсорные системы. — 2023. — Т. 37, № 2. — С. 171—180. — (RSCI, К1).

43. Бочаров Д. А., Николаев Д. П., Павлова М. А., Тимофеев В. А. Алгоритм детекции и компенсации теней от облаков на мультиспектральных спутниковых снимках для местностей сельскохозяйственных угодий // Информационные процессы. — 2021. — Т. 21, № 4. — С. 295—312. — (RSCI, К1). [Bocharov D. A., Nikolaev D. P., Pavlova M. A., Timofeev V. A. Cloud shadows detection and compensation algorithm on multispectral satellite images for agricultural regions // Journal of Communications Technology and Electronics. - 2022. - Т. 67, № 6. - С. 728-739. - (Scopus, WoS, К3).]

47. Павлова М. А., Бочаров Д. А. Экспериментальное исследование качества компенсации теней от облаков на мультиспектральных данных спутников Sentinel-2 и Landsat 8 // ИТиС 2022. — 2022. — С. 287—298. — (РИНЦ).

79. Павлова М. А., Сидорчук Д. С., Кущев Д. О., Бочаров Д. А., Николаев Д. П. Эквализация условий съемки на основе спектральных моделей для нужд точного земледелия с использованием БПЛА // Информационные процессы. — 2022. — Т. 22, № 4. — С. 404—413. — (RSCI, К1). [Pavlova M. A., Sidorchuk D. S., Kushchev D. O., Bocharov D. A., Nikolaev D. P. Equalization of shooting conditions based on spectral models for the needs of precision agriculture using uavs // Journal of Communications Technology and Electronics. - 2022. - Т. 67, Suppl 2. - С. 283-289. - (Scopus, WoS, К3).]

Список рисунков

1.1 Пример RGB изображения со спутника Sentinel-2 с тенями от

облаков и соответствующий ему вегетационный индекс NDVI. Как видно, тени от облаков отчетливо видны как на изображениях в естественных цветах, так и на NDVI................... 16

2.1 Примеры размеченных пар патчей на RGB снимках, по которым оценивалось качество компенсации теней. Номер обозначает уникальный индекс пары на снимке, «shadow», «no shadow» -принадлежность тени и освещенной областям одной, соответственно 40

2.2 Примеры детекции облаков и теней от них на данных спутников Sentinel-2. В верхнем ряду отображения RGB изображения, в нижнем - им соответствующие визуализации масок: красным отмечена локализация облаков, синим - теней............. 43

2.3 Визуализации вегетационных индексов NDVI, вычисленных по фрагментам исходных каналов (верхний ряд), и

скомпенсированных предложенным алгоритмом (нижний ряд) .... 44

2.4 Изображения RGB и NDVI: (a, д) - без обрабоки, (б, е) -обработанные GW, (в, ж) - MED*, (г, з) - MED........... 46

2.5 Изображения RGB и NDVI: (a, д) - без обработки, (б, е) -обработанные GW, (в, ж) - MED*, (г, з) - MED........... 47

2.6 Нормализация освещенности сенсора по формуле (2.39), оценка i содержит значительные ошибки (а); применение регуляризованной оптимизации (формула (2.40)) позволяет значительно улучшить результат (б) ................................ 51

2.7 Фрагменты AVIRIS-снимков одной и той же местности, снятой при разных значениях зенитного угла .................... 53

2.8 Примеры зон-ключей выделены красной рамкой: (а, б) - лес в нормальном и сложном освещении, (в, г) - городская застройка в нормальном и сложном освещении .................... 54

2.9 Примеры нормализации, проведенной на основе линейной (а) и аффинной (б) моделей ........................... 55

2.10 Примеры результатов работы метода нормализации освещения по ключам-крышам .............................. 56

3.1 Блок-схема предлагаемого алгоритма оконтуривания сельскохозяйственных полей....................... 61

3.2 Схема агрегирования вегетационного индекса на основе критерия достоверности данных и агрегированный вегетационный индекс М8ЛУ12 с 2016 по 2020 год включительно................ 62

3.3 Гистограмма интенсивностей агрегированного индекса М8ЛУ12. Штрихпунктирная линия представляет пороговое значение £ Iои}; штриховая линия представляет пороговое значение Оцу 1о...... 63

3.4 Иллюстрации поиска областей полей: агрегированный индекс М8ЛУ12 Iау 9 (а), маска областей низкой вегетации Ь (б), маска потенциальных полей М (в), результирующая маска полей Г (г) . . 64

3.5 Сравнение подходов к извлечению карты границ: агрегированный МБЛУ12 1аУ9 (а); границы Кэнни на агрегированном индексе

Е(Iаид) (б); бинарная карта агрегированных границ Кэнни Еъ (в) . . 65

3.6 Относительное расположение фрагментов из подготовленного набора данных. Обучающая выборка обозначена штриховкой, тестовая выборка обозначена точками.................. 67

3.7 Иллюстрация избыточной (а) и недостаточной (б) сегментации; серый полигон изображает эталонное поле; красные линии — результат работы алгоритма оконтуривания .............. 70

3.8 Сравнение результатов ИЬ и ЬР с эталонной разметкой (черная линия). Красная линия — ответ ИЬ, синяя — ответ ЬР. Для приведенного фрагмента значение И1СЕ составляет 97% для ИЬ и

94% для ЬР, значение И1СЕ0^ - 20% и 49% соответственно..... 74

3.9 Сравнение границ ИЬ и ЬР. Красная штриховая линия — ответы ИЬ, синяя штриховая линия — ответы ЬР. Обе штриховые линии прозрачны, а разметка не приводится чтобы лучше было видно, как результаты алгоритмов соответствуют реальным полям, различимым на изображении ....................... 75

3.10 Сравнение результатов ИЬ и ЬР с разметкой. Красная штриховая линия — ответы ИЬ, синяя пунктирная линия — ответы ЬР, сплошная черная линия — эталонная разметка ............. 76

4.1 Блок-схема предлагаемого метода классификации ........... 81

4.2 Зависимости показателей качества от доли пропущенных значений. РГП - регрессия на основе гауссовских процессов........... 86

4.3 Результаты классификации с предварительным снижением размерности алгоритмом РСА...................... 88

4.4 Результаты классификации с предварительным снижением размерности алгоритмом ИМАР..................... 89

Список таблиц

1 Средние и медианные значения р по экспертно заданным патчам (RGBN и индекс NDVI): IN IT - качество до компенсации, GW -алгоритмом на основе Gray-World модели, MED - предложенным . 43

2 Средние и медианные значения р по экспертно заданным патчам (channels для каналов и indices для индексов) Sentinel-2: IN IT -качество до компенсации, GW - алгоритм на основе Gray-World модели, MED - алгоритм на основе медианной оценки каждой

тени, MED* - алгоритм на основе общего медианного коэффициента 45

3 Средние и медианные значения р по экспертно заданным патчам (channels для каналов и indices для индексов) Landsat 8: IN IT -качество до компенсации, GW - алгоритм на основе Gray-World модели, MED - алгоритм на основе медианной оценки каждой

тени, MED* - алгоритм на основе общего медианного коэффициента 45

4 Спецификации спутникового диапазона Sentinel-2 ........... 68

5 Координаты фрагментов спутниковых снимков и даты тех снимков,

на основе которых была произведена разметка ............. 69

6 Количественные характеристики разметки ............... 69

7 Результаты оценки качества алгоритмов оконтуривания ....... 74

8 Сравнение различных модификаций предложенного алгоритма для выделения наиболее существенных особенностей основной конфигурации алгоритма ......................... 77

9 Оценка качества классификации аппроксимированных данных ... 87

10 Оценка качества классификации с предварительным снижением размерности алгоритмом PCA...................... 87

11 Оценка качества классификации с предварительным снижением размерности алгоритмом UMAP..................... 87

12 Средние и медианные значения р по экспертно заданным патчам для каждого изображения и набора каналов (RGBN и индекс NDVI): IN IT - качество до компенсации, GW - алгоритмом на основе Gray-World модели, MED - предложенным..........118

13 Средние и медианные значения р по экспертно заданным патчам для каждого изображения ( chann е I s для каналов и indice s для индексов) Sentinel-2: IN IT - качество до компенсации, GW -алгоритм на основе Gray-World модели, MED - алгоритм на основе медианной оценки каждой тени, MED* - алгоритм на основе

общего медианного коэффициента....................119

14 Средние и медианные значения р по экспертно заданным патчам для каждого изображения ( h n n для каналов и n d для индексов) Landsat 8: IN IT - качество до компенсации, GW -алгоритм на основе Gray-World модели, M E D - алгоритм на основе медианной оценки каждой тени, MED* - алгоритм на основе

общего медианного коэффициента....................121

Приложение А

Детализированные результаты эксперимента по компенсации теней

Таблица 12 — Средние и медианные значения р по экспертно заданным патчам для каждого изображения и набора каналов (RGBN и индекс NDVI): INIT - качество до компенсации, GW - алгоритмом на основе Gray-World модели, MED - предложенным

Показатель Изображение 1 Изображение 2 Изображение 3 Изображение 4

INIT GW MED INIT GW MED INIT GW MED INIT GW MED

Pavg, RGBN 1,19 0,49 0,25 1,53 0,80 0,45 1,27 0,5 0,27 1,34 0,53 0,24

Р50, RGBN 1,18 0,44 0,22 1,62 0,53 0,4 1,29 0,43 0,22 1,16 0,41 0,17

pavg, NDVI 0,19 0,15 0,07 0,18 0,17 0,13 0,20 0,12 0,07 0,19 0,11 0,05

P50 ,NDVI 0,19 0,16 0,07 0,19 0,17 0,06 0,21 0,13 0,05 0,18 0,12 0,04

Показатель Изображение 5 Изображение 6 Изображение 7 Изображение 8

INIT GW MED INIT GW MED INIT GW MED INIT GW MED

pavg, RGBN 1,27 0,56 0,34 1,27 0,54 0,36 0,75 0,48 0,15 1,22 0,47 0,26

P50,RGBN 1,29 0,53 0,27 1,30 0,53 0,25 0,73 0,47 0,12 1,25 0,34 0,15

pavg, NDVI 0,20 0,20 0,09 0,13 0,12 0,05 0,15 0,17 0,06 0,17 0,11 0,05

P50 ,NDVI 0,19 0,19 0,05 0,13 0,12 0,04 0,15 0,16 0,05 0,15 0,09 0,03

Показатель Изображение 9 Изображение 10 Среднее

INIT GW MED INIT GW MED INIT GW MED

Pavg, RGBN 1,04 0,49 0,19 1,32 0,55 0,31 1,22 0,54 0,28

P50,RGBN 0,96 0,44 0,13 1,29 0,44 0,23 1,21 0,46 0,22

Pavg, NDVI 0,22 0,19 0,06 0,20 0,11 0,07 0,18 0,14 0,07

P50 ,NDVI 0,23 0,19 0,02 0,22 0,12 0,05 0,18 0,14 0,05

Таблица 13 — Средние и медианные значения р по экспертно заданным патчам для каждого изображения (channеIs для каналов и indices для индексов) Sentinel-2: INIT - качество до компенсации, GW - алгоритм на основе Gray-World модели, MED - алгоритм на основе медианной оценки каждой тени, MED* - алгоритм на основе общего медианного коэффициента

Показатель Изображение 1 Изображение 2 Изображение 3

INIT GW MED* MED INIT GW MED* MED INIT GW MED* MED

Р avд, ChаППС1S 2,38 0,73 0,88 0,50 2,46 0,72 0,88 0,61 3,42 1,15 1,46 0,91

Р50, ch arm е 1 s 2,33 0,75 0,91 0,32 2,31 0,70 0,82 0,52 3,19 0,91 1,35 0,80

Р av д, i n d i с e s 1,67 1,05 0,73 0,60 1,79 1,17 0,84 0,58 5,38 1,04 1,12 0,63

р50, i n di с e s 1,36 1,01 0,58 0,37 1,23 1,07 0,56 0,26 5,16 0,90 0,85 0,57

Показатель Изображение 4 Изображение 5 Изображение 6

INIT GW MED* MED INIT GW MED MED* INIT GW MED MED*

Р a,v g, ch arm e I s 2,59 0,95 0,80 0,57 3,19 1,02 0,97 0,60 4,54 1,70 1,66 1,28

р50, ch arm e I s 2,50 0,75 0,61 0,50 3,04 0,94 0,87 0,50 4,58 1,62 1,59 1,03

Р av g, i n d i с e s 1,91 1,17 0,71 0,74 2,39 1,00 0,78 0,6 4,93 1,31 1,22 1,14

р50, i n di с e s 1,26 0,84 0,39 0,35 1,07 0,66 0,36 0,34 1,57 0,68 0,66 0,37

Продолжение на следующей странице

Продолжение таблицы 13 (Изображения 7—10)

Показатель Изображение 7 Изображение 8 Изображение 9

INIT GW MED* MED INIT GW MED* MED INIT GW MED* MED

Pavg, channels 2,86 1,04 0,92 0,66 2,94 1,00 1,38 0,85 3,13 1,33 1,75 1,25

Р50, channels 2,58 0,78 0,80 0,52 2,80 0,75 1,16 0,76 2,76 1,15 1,62 0,98

Pavg, indices 2,93 0,97 0,73 0,55 2,82 1,34 1,33 0,99 2,90 1,22 1,37 1,03

p50, indices 1,12 0,81 0,45 0,39 1,46 0,92 0,77 0,47 2,79 1,19 1,41 0,86

Показатель Изображение 10 Среднее

INIT GW MED* MED INIT GW MED* MED

Pavg, channels 2,33 1,22 1,32 0,95 2,98 1,09 1,20 0,82

p50, channels 2,49 1,02 1,32 0,88 2,86 0,94 1,10 0,68

Pavg, indices 2,77 1,84 1,18 0,95 2,95 1,21 1,00 0,78

p50, indices 1,26 1,63 0,93 0,75 1,83 0,97 0,70 0,47

Таблица 14 — Средние и медианные значения р по экспертно заданным патчам для каждого изображения (channеIs для каналов и indices для индексов) Landsat 8: INIT - качество до компенсации, GW - алгоритм на основе Gray-World модели, MED - алгоритм на основе медианной оценки каждой тени, MED* - алгоритм на основе общего медианного коэффициента

Показатель Изображение 1 Изображение 2 Изображение 3

INIT GW MED* MED INIT GW MED* MED INIT GW MED* MED

Р avд, ChаППС1S 2,51 0,97 0,75 0,64 2,34 0,78 0,68 0,59 2,62 0,97 0,91 0,82

Р50, ch arm е 1 s 2,57 1,01 0,71 0,60 2,25 0,65 0,59 0,38 2,70 1,02 0,89 0,77

Р av д, i n d i с e s 2,36 1,02 0,84 0,77 3,35 1,93 1,80 1,59 3,09 1,74 1,53 1,41

р50, indiсes 2,42 1,05 0,78 0,67 2,31 1,02 0,76 0,75 2,48 1,40 0,99 0,92

Показатель Изображение 4 Изображение 5 Изображение 6

INIT GW MED* MED INIT GW MED* MED INIT GW MED* MED

Р avg, chann61S 2,70 0,84 0,73 0,59 2,53 0,56 0,50 0,34 3,2 1,04 1,00 0,83

р50, ch ann e I s 2,69 0,72 0,60 0,52 2,47 0,46 0,42 0,26 3,27 1,09 1,07 0,41

Р av g, i n d i С 6 S 3,76 1,76 1,69 1,32 2,52 1,19 1,19 0,79 4,33 1,75 1,74 1,12

р50, i n di с e s 2,63 1,30 1,04 0,78 1,89 0,47 0,42 0,28 4,27 1,61 1,61 1,07

Показатель Среднее

INIT GW MED* MED

Р av g, ch ann 61S 2,65 0,86 0,76 0,63

р50, ch ann e I s 2,66 0,82 0,71 0,49

Р av g, i n d i С 6 S 3,23 1,56 1,46 1,17

р50, i n di с e s 2,67 1,14 0,93 0,74

Приложение Б

Акты о внедрении результатов диссертационного исследования

VISILLECT

SERVICE

124489, г. Москва, вн.тер.г. Муниципальный округ Тверской, ул. Селезневская, д. 22, помещ. 4,Т. тел./факс: [phone] e-mail: [e-mail]

ООО «Визиллскт Сервис» ИНН/КПП: 7707761588/770701001 ОГРН 1117746856248

Акт о внедрении

результатов диссертационного исследования М.А. Павловой на тему «Компьютерные методы картирования сельскохозяйственных угодий по мультиспектральным данным дистанционного зондирования Земли в условиях облачности», представленного на соискание учёной степени кандидата технических наук по специальности 2.3.8. Информатика и информационные

процессы

Алгоритмы оконтуривания с/х полей и классификации типов с/х культур, предложенные Марией Александровной Павловой в диссертационной работе «Компьютерные методы картирования сельскохозяйственных угодий по мультиспектральным данным дистанционного зондирования Земли в условиях облачности», внедрены в программные продукты для с/х мониторинга по мультиспектральным данным дистанционного зондирования Земли, разработанные ООО «Визиллект Сервис». Полученные результаты обеспечили функционал автоматической разметки полей и типов культур по данным дистанционного зондирования без привлечения оператора.

Генеральный директор ООО «Визиллект Сервис»

Е.Д. Володина

МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное

учреждение науки Институт проблем передачи информации им.А.А. Харкевича Российской академии наук (ИПГШ РАН)

Каретный Б. пер., д. 19, стр.1, г. Москва, 127051, тел. [phone]; E-mail: [e-mail]. http://iitp.ru ОКПО 02699464, ОГРН 1037700064940 ИНН/КПП 7707020131/ 770701001

Акт о внедрении результатов диссертационного исследования

Данный акт подтверждает, что результаты исследовательской работы, полученные Марией Александровной Павловой и приведённые в диссертации «Компьютерные методы картирования сельскохозяйственных угодий по мультиспектральным данным дистанционного зондирования Земли в условиях облачности», представленной на соискание учёной степени кандидата технических наук по специальности 2.3.8. Информатика и информационные процессы, были использованы в рамках научно-исследовательской работы по гранту Российского научного фонда № 20-61-47089 (2020 - 2023 г.) на тему «Система мониторинга сельскохозяйственных показателей в видимом, инфракрасном и гиперспектральном режимах съемки».

и.о. зав. лаб./в.н.с.

cmupjo № /т/б^м

На №

от

кандидат физ. мат. наук

И.П. Николаев

1Й7С51, г. Моек-а, Б. Каретный пер., д. 19, ср. 1

/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ 'ШГГИТУТ ПРОБЛЕМ ПЕРГ ИНФОРМАЦИИ

- ¿АГК2ВИЧА РОСП;;,; hv.; КАДЕМИИ НАУК