Выделение значимых спектральных диапазонов для анализа состояния хвойных лесов

📖 Мартинов А.О., Ломако А.А., Литвинович Г. С. Выделение значимых спектральных каналов для анализа состояния хвойных лесов

Задача обнаружения болезней леса на ранних стадиях актуальна и сложна. Часто, по данным ДЗЗ болезнь можно обнаружить лишь тогда, когда предпринимать что-либо уже поздно. Причем это касается не только наблюдений из космоса, но и с БПЛА. В последнем случае, одна из причин состоит в том, что камеры БПЛА не имеют достаточного числа спектральных каналов, необходимых для диагностики состояния леса.

Ученые из Института прикладных физических проблем имени А.Н. Севченко Белорусского государственного университета (Минск, Беларусь) задались целью выделить диапазоны длин волн в спектре отражения, которые позволят обнаружить усыхание елей на ранних стадиях 1️⃣.

Более восьми тысяч спектров, зарегистрированных при помощи беспилотного комплекса авиационного спектрометрирования (БЕКАС) были представлены в пространстве главных компонент. Это позволило провести предварительную классификацию без обучения, убрать спектры, не относящиеся к елям, и выделить для дальнейшего анализа более пяти тысяч спектров елей разной степени усыхания.

Затем выборка спектров была разделена по степени усыхания, с использованием размеченных лесопатологами данных.

К размеченной выборке (около двух тысяч спектров) применили алгоритм классификации Random Forest, который позволяет выделить наиболее значимые для классификации признаки (в нашем случае — спектральные диапазоны). В результате были выделены 2️⃣ наиболее значимые спектральные диапазоны, которые можно использовать в съемочной аппаратуре для обнаружения усыхания хвои на ранних стадиях.

👨🏻‍🏫 Презентация

Интересно было бы взглянуть на применение других 1) методов классификации (например, XGBoost), 2) способов оценки влиятельности признаков в Random Forest (например, treeinterpreter). Значимые диапазоны, полученные разными методами, должны совпадать или хотя бы в значительной степени пересекаться.

#лес

Продолжим про 🛰 спутники SPOT.

Красивые картинки, в основном по снимкам SPOT 6 и 7, можно найти в 🔗 Галерее снимков спутников Airbus.

1️⃣ Кроноцкая сопка на полуострове Камчатка (снимок SPOT от 14 июня 2020 года).
2️⃣ Остатки Аральского моря в Казахстане (снимок 15 мая 2019 года).

Любителям более зеленой травы напомним о ценах двадцатилетней давности на спутниковые снимки.

📝 Обзор цен на снимки SPOT по состоянию на октябрь 2004 года. Снимки предоставлялись в течение трех суток, с возможностью срочной доставки в течение суток (по более высокой цене). Полные архивные сцены 1986–2001 гг. были доступны за 1200 евро. В октябре 2004 года 1 евро = 1,27 долларов.

#история #снимки

IKONOS

24 сентября 1999 года с космодрома Ванденберг (шт. Калифорния, США) был запущен на орбиту IKONOS — первый коммерческий спутник дистанционного зондирования Земли со сверхвысоким (< 1 м) пространственным разрешением. Разработанная фирмой Kodak оптико-электронная камера позволяла получать снимки в полосе обзора шириной 11 км — в панхроматическом канале с разрешением от 0,8 м и в четырех каналах видимого и ближнего инфракрасного диапазонов с разрешением от 3,2 м. Спутниковую платформу разработала и изготовила компания Lockheed Martin.

Оператором спутника первоначально являлась Space Imaging Corporation, созданная компаниями Raytheon и Lockheed Martin. После серии перепродаж и слияний, она влилась в компанию DigitalGlobe (2013 г.), которая, в свою очередь стала частью Maxar (2017 г.).

1️⃣ Водопад Виктория на реке Замбези в Южной Африке
2️⃣ Озеро Аккеси на японском острове Хоккайдо
3️⃣ Атолл Бора-Бора во Французской Полинезии в Тихом океане

Источник: галерея снимков IKONOS

Снимки IKONOS продавались из расчета за квадратный километр и классифицировались по степени точности позиционирования. Наименее точные продукты имеют погрешность регистрации 50 метров, наиболее точные — 2 метра. Соответственно варьировалась и цена на снимки.

📝 Примерные цены на снимки IKONOS по состоянию на сентябрь 2004 года.

#снимки #история