Машинное обучение без учителя на основе вегетационных индексов и спектров отражения в задаче классификации деревьев

Статья посвящена применению метода машинного обучения k-means и вегетационных индексов для классификации древесных пород на основе материалов съемки с БПЛА. Вегетационные индексы анализируют спектральные характеристики растений, что особенно полезно для классификации схожих видов деревьев, поскольку они имеют разные спектральные сигнатуры. Исследование проведено на двух лесных участках с распределением деревьев «сосна – береза» и «сосна – ель». Данные были собраны с 5 спектральных датчиков – cинего (470 нм), зеленого (560 нм), красного (665 нм), дальнего красного (720 нм) и инфракрасного (840 нм). Детекция крон деревьев была произведена по RGB изображениям, полученным с помощью спектральных датчиков и модели DeepForest. Далее внутри границы детектированных крон деревьев данные со спектральных датчиков обрабатывались для расчета вегетационных индексов каждого дерева. Пиксели по каждому дереву из матричного вида были разложены в вектор, отсортированный по возрастанию. Из каждого вектора были рассчитаны следующие параметры: минимальное, максимальное, среднее, медианное значения, а также 25-й и 75-й квантили и энтропия Шеннона. После чего применялся метод понижения размерности PCA и кластеризации k-means для разделения типов деревьев. Результаты показали, что в случае с сосной и елью точность классификации превышала 80%, тогда как для сосны и березы метрики были менее успешными, что может быть связано с сезонными изменениями индексов. В обоих случаях лучшими индикаторами оказались DVI, демонстрируя высокую эффективность для определенных лесных покрытий.

1. Геоскан Gemini Мультиспектр. URL: https://www.geoscan.ru/ru/products/gemini-m (дата обращения: 05.05.2024).

2. Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения // Вестник АГУ. 2022. Вып. 4(311). С. 52–59.

3. Barandas M., Folgado D., Fernandes L., Santos S., Abreu M., Bota P., Liu Hui, Schultz T., Gamboa H. TSFEL: Time Series Feature Extraction Library // SoftwareX. 2020. Vol. 11. Art. no. 100456.

4. Chehreh B., Moutinho A., Viegas C. Latest Trends on Tree Classification and Segmentation Using UAV Data–A Review of Agroforestry Applications // Remote Sens (Basel). 2023. Vol. 15, iss. 9. Art. no. 2263.

5. Crutchfield J.P., Feldman D.P. Regularities Unseen, Randomness Observed: Levels of Entropy Convergence. 2001. URL: https://arxiv.org/abs/cond-mat/0102181 (дата обращения: 14.09.2024).

6. Fassnacht F.E., Latifi H., Stereńczak K., Modzelevska A., Lefsky M., Waser L.T., Straub C., Ghosh A. Review of studies on tree species classification from remotely sensed data // Remote Sens Environ. 2016. Vol. 186. P. 64–87.

7. Hamunyela E., Verbesselt J., Herold M. Using spatial context to improve early detection of deforestation from Landsat time series // Remote Sens Environ. 2016. Vol. 172. P. 126–138.

8. Harris C.R., Millman J., van der Walt S.J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N.J., Kern R., Picus M., Hoyer S., van Kerkwijk M.H., Brett M., Haldane A., del Río J.F., Wiebe M., Peterson P., Gérard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke H., Oliphant T.E. Array programming with NumPy // Nature. 2020. Vol. 585, iss. 7825. P. 357–362.

9. Huete A., Didan K., Miura T., Rodriguez E.P., Gao X., Ferreira L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sens Environ. 2002. Vol. 83, iss. 1–2. P. 195–213.

10. Jollife I.T., Cadima J. Principal component analysis: A review and recent developments // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2016. Vol. 374. Art. no. 2065.

11. Macqueen J. Some methods for classification and analysis of multivariate observations // Berkeley Symp. on Math. Statist. and Prob. 1967. P. 281–297.

12. Nevalainen O., Honkavaara E., Tuominen S., Viljanen N., Hakala T., Yu Xiaowei, Hyyppä J., Saari H., Pölönen I., Imai N.N., Tommaselli A.M.G. Individual tree detection and classification with UAV-Based photogrammetric point clouds and hyperspectral imaging // Remote Sens (Basel). 2017. Vol. 9, iss. 3. Art. no. 185.

13. Onishi M., Ise T. Automatic classification of trees using a UAV onboard camera and deep learning. 2018. URL: https://arxiv.org/abs/1804.10390 (дата обращения: 14.09.2024)

14. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.

15. Pettorelli N., Vik J.O., Mysterud A., Gaillard J.-M., Tucker S.J., Stenseth N.C. Using the satellite-derived NDVI to assess ecological responses to environmental change // Trends Ecol Evol. 2005. Vol. 20, iss. 9. P. 503–510.

16. Piekarski P., Zwoliński Z. Temporal variation in vegetation indexes for pine and beech stands during the vegetation season, Szczecin Lowland, Poland // Quaestiones Geographicae. 2014. Vol. 33, iss. 3. P. 131–143.

17. Rautiainen M., Nilson T., Lükk T. Seasonal reflectance trends of hemiboreal birch forests // Remote Sens Environ. 2009. Vol. 113, iss. 4. P. 805–815.

18. Virtanen P., Gommers R., Oliphant T.E., Haberland M., Reddy T., Cournapeau D., Burovski E., Peterson P., Weckesser W., Bright J., van der Walt S.J., Brett M., Wilson J., Millman K.J., Mayorov N., Nelson A.R.J., Jones E., Kern R., Larson E., Carey C.J., Polat I., Feng Yu, Moore E.W., VanderPlas J., Laxalde D., Perktold J., Cimrman R., Henriksen I., Quintero E.A., Harris C.R., Archibald A.M., Ribeiro A.H., Pedregosa F., van Mulbregt P., SciPy 1.0 Contributors. SciPy 1.0: fundamental algorithms for scientific computing in Python // Nat. Methods. 2020. Vol. 17, iss. 3. P. 261–272.

19. Wäldchen J., Mäder P. Plant Species Identification Using Computer Vision Techniques: A Systematic Literature Review // Archives of Computational Methods in Engineering. 2018. Vol. 25, iss. 2. P. 507–543.

20. Weinstein B.G., Marconi S., Bohlman S., Zare A., White E. Individual tree-crown detection in rgb imagery using semi-supervised deep learning neural networks // Remote Sens (Basel). 2019. Vol. 11, iss. 11. Art. no. 1309.

21. Weinstein B.G., Marconi S., Bohlman S., Zare A., White E. Cross-site learning in deep learning RGB tree crown detection // Ecol. Inform. 2020. Vol. 56. Art. no. 101061.

22. Weinstein B.G., Graves S.J., Marconi S., Singh A., Zare A., Stewart D., Bohlman S., White E. A benchmark dataset for canopy crown detection and delineation in co-registered airborne RGB, LiDAR and hyperspectral imagery from the National Ecological Observation Network // PLoS Comput. Biol. 2021. Vol. 17, iss. 7. Art. no. e1009180.

23. Zhong Lihui, Dai Zhengquan, Fang Panfei, Cao Yong, Wang Leiguang. A Review: Tree Species Classification Based on Remote Sensing Data and Classic Deep Learning-Based Methods // Forests. 2024. Vol. 15, iss. 5. Art. no. 852.