СПОСОБ ДЕТЕКТИРОВАНИЯ АНОМАЛЬНОГО РАЗВИТИЯ АГРОФИТОЦЕНОЗОВ В ПРЕДЕЛАХ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПОЛИГОНА Российский патент 2022 года по МПК G01C11/04 G06V10/26 G06V30/148 A01G7/00 

Область техники

Изобретения относится к области сельского хозяйства, в том числе к средствам и методам по дешифрированию данных дистанционного зондирования летательными аппаратами, и может найти применение для обработки изображений полученных в результате осуществления аэросъемки.

Уровень техники

Из уровня техники известно решение для оценки состояния сельскохозяйственных посевов по данным дистанционного зондирования с помощью нечеткой классификации [1]. Данное решение базируется на методах нечеткой классификации, ориентированных на получение классов, элементы которых внутри класса предельно однородны, но максимально отличаются от элементов других классов. Классификация посевов выполнялась в отношении двух классов - благоприятные и неблагоприятные участки посевов.

Такой подход имеет ряд существенных недостатков, в частности результатом нечеткой классификации является вероятность принадлежности элемента классу, поэтому требуется проводить дополнительный анализ данных для определения пороговой вероятности принадлежности к классу неблагоприятных участков. Также в предлагаемом подходе не предусмотрена предварительная обработка растрового изображения для удаления "краевого эффекта" - места разворотных полос с/х техники, в которых возникает переуплотнение почвы, и как следствие это приводит к разреженной растительности в этих участках, что в свою очередь отражается на пространственной изменчивости NDVI внутри с/х полигона.

Раскрытие изобретения

Задача предложенного решения заключается в расширении возможностей детектирования на мультиспектральном снимке аномального развития агрофитоценозов в пределах сельскохозяйственного полигона.

Решение поставленной задачи обеспечивается следующим образом.

1. Осуществляется чтение изображения растрового формата, имеющий геопривязку. Это достигается при помощи, например, программного обеспечения GDAL (Geospatial Data Abstraction Library).

2. Производится преобразование из растрового изображения в двумерный массив объектов.

3. Выполняется морфологическое сужение двумерного массива объектов. В качестве структурообразующего элемента выступает эллипсоид с размером окна 5×5 пикселей.

4. Проводится кластеризация объектов двумерного массива. Кластеризация основана на принципе ближайшего соседа, где в качестве метрики используется евклидово расстояние. При этом кластеризация производится на основании результатов вариационного анализа преобразованной двумерной матрицы в вектор. В качестве максимальных и минимальных значений в полученном векторе, используются 10-ый и 90-ый процентиль. В процессе вариационного анализа создается четыре интервальных группы. Результаты вариационного анализа представлены центроидами интервальных групп, которые в свою очередь являются инициаторами первичных кластеров в кластеризации. Заключающим этапом данного шага является создание нового растрового изображения, где в качестве значения пикселя выступает метка класса.

5. Проводится фильтрация объектов кластеризованного двумерного массива. Фильтрация осуществляется за счет сглаживания объектов кластеризации посредством локального усреднения массива, с окном 5×5 пикселей.

6. Осуществляется расчет карты расстояний для каждого кластера. На этом этапе для каждого кластера генерируется свое бинарное изображение, для которого в отдельном порядке производится расчет карты расстояний. Расстояние представляет собой удаленность видимого пиксела до фонового пиксела, при этом в качестве оценки близости используется евклидова метрика.

7. Выполняется маркирование связных компонент, где в качестве компоненты связности выступает группа пикселей, имеющие значения расстояний не ниже заданного порога. Маркером компоненты связности представлен идентификатор, используемый в качестве уникального имени компоненты.

8. Для каждой связной компоненты, относящиеся к 1 и 2 классу осуществляется поиск минимальных значений NDVI, а для 3 класса - поиск максимальных значений NDVI.

9. Определяются пространственные координаты найденных максимальных и минимальных значений NDVI, относительно проекции установленной в растровом изображении.

10. Производится генерализация выявленных точек, имеющих пространственные координаты. Генерализация представлена обобщением найденных точек таким образом, чтобы средняя плотность точек не превышала 1 точки на 5 га.

Технический результат заключается в повышении достоверности определения аномального развития агрофитоценозов.

Библиографический список:

1) Подгорелов А.В., Кузнецов К.В. Применение нечеткой классификация для оценки состояния сельскохозяйственных посевов по данным дистанционного зондирования // Геология, география и глобальная энергия. 2012. №4 (47). С. 170-175.

Изобретение относится к области сельского хозяйства, в частности к методам дистанционного зондирования земли и методам обработки изображения. Может быть использована для оценки состояния растительного покрова. Заявленный способ детектирования аномального развития агрофитоценозов базируется на анализе пространственного распределения количественных оценок фотосинтетической активной биомассы растений. В качестве оценки характеристик состояния объектов агроценозов выступает нормированный индекс вегетации NDVI, который предварительно рассчитан по материалам аэрокосмической съемки. Сущность изобретения: вначале проводится предварительная обработка снимка посредством операций математической морфологии над растровым изображением. Далее следует кластеризация значений NDVI и генерация нового изображения, состоящего из меток класса. По результатам кластерного анализа проводится пространственная фильтрация и сегментирование изображения на основе решающего правила. Следующим шагом является поиск минимального и максимального значения NDVI внутри каждого сегмента относительно исходного растрового изображения. В заключении определяются пространственные координаты полученных результатов. Технический результат заключается в повышении достоверности определения аномального развития агрофитоценозов. 6 з.п. ф-лы.

1. Способ детектирования аномального развития агрофитоценозов в пределах сельскохозяйственного полигона, состоящий из этапов, на которых осуществляют чтение изображения растрового формата, имеющего геопривязку; производят преобразование из растрового формата в двумерный массив объектов; проводят кластеризацию объектов двумерного массива, отличающийся тем, что кластеризацию производят на основании результатов вариационного анализа преобразованной двумерной матрицы в вектор, причем в качестве максимальных и минимальных значений в полученном векторе используют 10-ый и 90-ый процентиль, а в процессе вариационного анализа создают четыре интервальных группы, при этом результаты вариационного анализа представлены центроидами интервальных групп, которые в свою очередь являются инициаторами первичных кластеров в кластеризации; выполняют морфологическое сужение двумерного массива объектов; проводят фильтрацию объектов кластеризованного двумерного массива; осуществляют расчет карты расстояний для каждого кластера; выполняют маркирование связанных компонент, где в качестве компоненты связности выступает группа объектов, имеющие одинаковые значения расстояний, при этом не ниже заданного порогового расстояния; выявляют максимальные и минимальные значения NDVI для каждой связанной области двумерного массива, причем минимальные значения определяются только для 1 и 2 кластеров, в то время как для 3-го кластера определяется только максимальное значение NDVI; определяют пространственные координаты найденных максимальных и минимальных значений NDVI относительно проекции, установленной в растровом изображении; производят генерализацию выявленных точек, имеющих пространственные координаты, чье расстояние ниже заданного порога.

2. Способ по п. 1, отличающийся тем, что морфологическое сужение выполняется с применением структурообразующего элемента размером 5×5.

3. Способ по п. 2, отличающийся тем, что в качестве структурообразующего элемента выступает эллипсоид.

4. Способ по п. 1, отличающийся тем, что фильтрация осуществляется за счет сглаживания объектов кластеризации локальным усреднением.

5. Способ по п. 1, отличающийся тем, что итеративно для каждого кластера вычисляется расстояние до ближайшего фонового пиксела, причем в качестве метрики используется евклидова метрика.

6. Способ по п. 1, отличающийся тем, что маркером компоненты связности является идентификатор, используемый в качестве уникального имени компоненты.

7. Способ по п. 1, отличающийся тем, что связность компоненты определяется 8-связностью.