Как отличить ячмень от пшеницы из космоса, не залезая в поле? Новый метод на основе спутниковых данных

Продовольственная безопасность стала одной из основных глобальных проблем в последние годы. Было разработано несколько взаимодополняющих стратегий для решения этого вопроса; одним из таких подходов является регенеративное земледелие. Для достижения устойчивого регенеративного земледелия необходимы идентификация и анализ фенологии типов сельскохозяйственных культур.

Данные дистанционного зондирования Земли (ДЗЗ) широко применяются для идентификации типов культур с использованием методов машинного обучения (МО) и глубокого обучения (ГО) с учителем, однако эти методы обычно зависят от большого количества эталонных данных, что зачастую препятствует ретроспективному анализу и может быть неосуществимым в очень удаленных, обширных или политически нестабильных регионах. Таким образом, разработка надежной, но интеллектуальной модели классификации без учителя является перспективной для долгосрочного и устойчивого прогнозирования урожайности. В данной статье мы предлагаем FastDTW-HC — комбинацию быстрого динамического преобразования временной шкалы (FastDTW) и иерархической кластеризации (HC) — в качестве значительно усовершенствованного метода, который не требует эталонных данных для классификации сортов озимых продовольственных культур (ячменя, пшеницы и рапса) в Норфолке, Великобритания. Сначала из продуктов ДЗЗ извлекается ряд переменных, включая спектральные индексы по мультиспектральным данным спутника Sentinel-2 и значения амплитуды обратного рассеяния при двойной поляризации по данным радиолокатора с синтезированной апертурой (SAR) спутника Sentinel-1. Затем фенологические patterns (модели) озимого ячменя, озимой пшеницы и озимого рапса анализируются с помощью метода FastDTW-HC, примененного к созданным для каждой переменной временным рядам за период с ноября 2019 года по июнь 2020 года. В будущих исследованиях планируется расширить данный анализ картографирования озимых продовольственных культур с использованием модели FastDTW-HC до регионального масштаба.

Последствия глобального потепления на 1,5 °C выше доиндустриального уровня были оценены Межправительственной группой экспертов по изменению климата (МГЭИК), включая влияние на продовольственную безопасность [ 1 ]. Системы производства сельскохозяйственных культур для производства продовольствия, кормов или фуража влияют на здоровье скота и баланс торговли продовольствием [ 2 ]. Гарантированное производство сельскохозяйственных культур является важной проблемой, которая зависит от постоянных усилий и инноваций в рамках множества взаимодополняющих сельскохозяйственных подходов. Регенеративное земледелие является одной из таких стратегий для обеспечения продовольственной устойчивости. Чтобы применить эту стратегию на каждой пахотной ферме, поля, на которых выращиваются различные типы культур, должны быть идентифицированы и проанализированы. Местные органы власти применяли традиционные методы съемки для определения полей сельскохозяйственных культур, чтобы понять использование земельного покрова, урожайность и производство сельскохозяйственных культур в зависимости от политики в разных регионах. В интенсивных районах или регионах без соответствующей политики в отношении пахотных земель отсутствуют данные наземной съемки. Кроме того, традиционные методы съемки считаются трудоемкими и требующими много времени, когда область интереса (ООИ) может включать целую страну [ 3 ].

Чтобы удовлетворить необходимость идентификации полей сельскохозяйственных культур по всей стране, типы сельскохозяйственных культур на полях были классифицированы с помощью продуктов спутниковых изображений, полученных с помощью наблюдений за Землей (EOs) в недавних исследовательских работах. Продукты многоспектральных изображений были применены для классификации сельскохозяйственных культур. Несколько каналов, таких как ближний инфракрасный (NIR) и красный и коротковолновый инфракрасный (SWIR), спектральные индексы, рассчитанные с помощью этих каналов, нормализованный разностный индекс вегетации (NDVI) и нормализованный разностный индекс влажности (NDMI), широко использовались для идентификации типов сельскохозяйственных культур [ 4 , 5 ]. Для улучшения классификации сельскохозяйственных культур и оценки урожайности и биомассы сельскохозяйственных культур, учитывается разница в листьях между культурами с помощью EVI (расширенный вегетационный индекс), который рассчитывается с помощью синего, красного и ближнего инфракрасного каналов, в анализе при идентификации сельскохозяйственных культур [ 6 , 7 ]. Хотя многоспектральные изображения могут обеспечить приемлемые карты посевов, структуры посевов изучаются с помощью изображений радара с синтезированной апертурой (SAR), а измерения обратного рассеяния из изображений SAR добавляются в качестве переменных для улучшения классификации сельскохозяйственных культур и фенологического анализа урожайности и производства.

В нескольких исследованиях продукты радиолокационного сканирования с синтезированной апертурой (SAR) и многоспектральные изображения были интегрированы в классификацию сельскохозяйственных культур для определения сельскохозяйственных культур с хлорофиллом и их структур. Блейс и др. (2005) применили многоспектральные изображения (продукты SPOT и LANDSAT) и изображения SAR (продукты ERS и RADARSAT) для классификации сельскохозяйственных культур. Они предложили иерархическую стратегию классификации для различения 39 типов сельскохозяйственных культур и сравнили точность результатов, применяя только многоспектральные изображения, только изображения SAR и затем, наконец, комбинацию многоспектральных и изображений SAR. Результаты показали, что точность улучшилась как минимум на 5% при объединении многоспектральных и изображений SAR в классификации сельскохозяйственных культур, что демонстрирует потенциальную ценность интеграции SAR с продуктами многоспектральных изображений в классификации сельскохозяйственных культур [ 8 ]. Исследователи классифицировали несколько типов сельскохозяйственных культур с помощью контролируемого машинного обучения [ 9 , 10 , 11 , 12 , 13 , 14 , 15 ] с интеграцией данных РСА и многоспектральных изображений. В этих исследованиях в качестве обучающих данных использовались маркированные наземные данные и данные полевых исследований in situ, что влияет на результаты классификации и кластеризации из-за ограниченного количества обучающих данных в конкретных исследуемых областях. Кроме того, результаты этих исследований, полученные при классификации по одному изображению, сильно зависели от выбора даты зондирования спутниковых снимков. Поэтому для решения этой проблемы предлагается анализ временных данных ЭО.

Временной анализ растительности из продуктов мультиспектральных изображений с несколькими датами зондирования с использованием разработанной техники на основе скрытой марковской модели (HMM) был проведен для классификации сельскохозяйственных культур, характеризующей фенологические циклы сельскохозяйственных культур [ 16 , 17 ]. Подход условных случайных полей (CRF) [ 18 ] был применен для классификации сельскохозяйственных культур с продуктами мультиспектральных и SAR-изображений. Результаты пространственно-временного анализа этого исследования продемонстрировали улучшенную общую точность (OA) сезонной классификации сельскохозяйственных культур [ 19 ]. Кроме того, классификация сельскохозяйственных культур по ферромагнитным свойствам с использованием шаблонов фенологической последовательности (PSP), которая распознавала типы сельскохозяйственных культур на основе плотного стека данных Sentnel-1 и точной фенологии растительности, показала более высокую производительность, чем классификация по ферромагнитным свойствам без PSP. В ходе этих исследований было продемонстрировано, что фенология растительности играет значительную роль в повышении точности моделей классификации.

DTW — это метод анализа данных временных рядов, который может применяться во временном анализе классификации сельскохозяйственных культур. В работе [ 20 ] анализируются временные закономерности и классифицируются площади растительности по пяти следующим группам с помощью DTW: хлопок–пар, лес, соя–хлопок, соя–кукуруза и соя–просо. Это исследование показало, что классификация с помощью DTW надежна. Однако соя–хлопок имеет широкий доверительный интервал, от 59% до 85%, хотя считается, что его можно улучшить. Для классификации летней растительности с помощью поляризаций SAR применялся метод DTW с весовыми коэффициентами по времени. Результат в Маланге, Индонезия, достиг OA 0,8 и коэффициента каппа 0,77, а в Лампунге, Индонезия, достиг OA 0,7 и коэффициента каппа 0,82 [ 21 ]. Это исследование обеспечило хороший OA; Тем не менее, метод требовал обучающих выборок, а точность и достоверность результатов классификации различных видов растительности зависели от количества и распределения контрольных выборок. Этот метод столкнулся с той же проблемой, что и контролируемое машинное обучение [ 9 , 10 , 11 , 12 , 13 , 14 , 15 ] и DL [ 22 , 23 ], а именно: его нельзя применять к историческому анализу или недоступным областям с нулевым или ограниченным набором контрольных выборок.

Чтобы разрешить высокую зависимость от наземных данных, DTW был применен вместе с использованием методов неконтролируемой кластеризации для классификации. Вычислительные эксперименты были проведены с комбинацией параметрической производной DTW и HC на основе бенчмарков из Архива классификации временных рядов Калифорнийского университета в Риверсайде (UCR) [ 24 ], используя широкий спектр областей, включая медицину, финансы, мультимедиа и инженерию [ 25 ]. Эти эксперименты продемонстрировали возможность объединения DTW с методами неконтролируемой классификации, где параметрическая производная модель DTW-HC, исследованная с помощью критерия знаковых рангов Вилкоксона [ 26 ], показала хорошую производительность [ 27 ]. Модель DTW-HC была применена к ежедневной кривой нагрузки домохозяйств (DLC), кластеризуя потребителей в группы для лучшего соответствия поставкам от энергетических компаний и спросу от отдельных домохозяйств для будущих энергетических планов. В дополнение к модели DTW-HC, исследование получило результаты с композициями моделей DTW и K-средних, K-медоидов и гауссовой смеси. По сравнению с моделями кластеризации K-средних, K-медоидов и гауссовой смеси, которые случайным образом выбирают центры кластеров в качестве исходных прототипов, модель DTW-HC обеспечила лучший прототип кластеризации для каждого кластера. Модель DTW-HC, результаты которой оценивались по значению расстояния внутри кластера к расстоянию между кластерами (WCBCR), показала лучшие результаты при сравнении с другими моделями кластеризации [ 28 ].

Предлагаемый в данном исследовании метод направлен на решение следующих двух исследовательских проблем: высокая зависимость от выбора даты зондирования данных ЭО и необходимость данных наземного контроля из полевых исследований. Таким образом, данное исследование изучает фенологические фазы трех основных озимых продовольственных культур — озимого ячменя, озимой пшеницы и озимого рапса — в ходе временного анализа данных ЭО. Временные ряды данных ЭО анализируются с помощью модели FastDTW-HC для картирования озимых культур без маркированных образцов наземного контроля. Это позволяет создавать карты посевов в региональном масштабе без полевых исследований. Применяя процедуры FastDTW-HC в рабочем процессе, модель может быть применена к различным регионам с различными почвенными и метрологическими условиями для понимания фенологии различных типов сельскохозяйственных культур.

Сбор наземных данных по озимым культурам для дальнейших фенологических исследований был предпринят несколькими исследователями [ 29 , 30 , 31 ]. Основной цикл роста озимых культур длится с конца ноября по июнь, как показано на рисунке 1. Эти озимые культуры высеваются в конце ноября, созревают в апреле и мае и собираются в июне или начале июля. Поэтому, следуя этому циклу роста, требуются спутниковые снимки с конца ноября по июнь. Для классификации типов культур фенологические тренды NDVI для озимого ячменя, озимой пшеницы и озимого рапса из предыдущих исследований используются в качестве ориентиров для определения неконтролируемых кластеров в этом исследовании [ 15 , 20 , 32 ]. Велозо и др. (2017) [ 32 ] проводили мониторинг летних и озимых культур на юго-западе Франции, которые имеют близкие сельскохозяйственные условия с Норфолком, Великобритания. В этом исследовании были получены измерения VH и VV, а также соотношение VH/VV из SAR с использованием Sentinel-1 и NDVI с использованием многоспектральных продуктов изображений SPOT5-Take5, Landsat-8, Deimos-1 и Formosat-2 с ноября 2014 года по декабрь 2015 года. Были исследованы временные значения VH, VV, VH/VV и NDVI летних (кукурузы, сои и подсолнечника) и озимых культур (пшеницы и рапса). Это исследование показывает, что пшеницу и ячмень можно лучше дифференцировать с помощью значений обратного рассеяния VH и VV, и что ячмень можно легче обнаружить с помощью VH/VV в послеуборочный период. Эти значения можно использовать для различения типов сельскохозяйственных культур по их структуре растений на протяжении фенологии [ 32 ]. Бликенсдорфер и др. (2022) [ 15 ] достигли схожих результатов с кривыми временных наблюдений NDVI для озимой пшеницы и кукурузы по сравнению с Велозо и др. (2017) [ 32 ]. Бликенсдорфер и др. (2022) [ 15 ] применили продукты изображений Sentinel-1 и -2 для классификации типов сельскохозяйственных культур в Германии с RF. Исследование представило NDVI с использованием значений, полученных из Sentinel-2, с фенологией шести типов растительности (пастбища, рапс, яровой ячмень, озимая пшеница, кукуруза на силос и сахарная свекла) между 2017 и 2019 годами. Это обеспечивает лучшее понимание значений NDVI для циклов роста озимого ячменя, пшеницы и рапса, что применяется в нашем исследовании. В исследовании также проанализирована важность наборов признаков, полученных из продуктов Sentinel-1 и -2, которые являются входными данными в модели RF. Анализ показал, что индекс вегетации с поправкой на почву (SAVI), NDVI, NIR и NDMI имеют большое значение в модели RF для классификации сельскохозяйственных культур [ 15 ]. Это послужило важным ориентиром при выборе спектральных индексов, использованных в данном исследовании.

Для идентификации и классификации озимых сортов ячменя, пшеницы и рапса с использованием временных рядов данных о Земле и фенологических исследований в данном исследовании было поставлено пять основных задач:

(1)  Повысить точность картирования озимых культур за счёт интеграции данных РСА с многоспектральными изображениями. Это позволяет снизить влияние некачественных оптических изображений, полученных в пасмурные дни, и расширить область применения данных, полученных в разные даты и время. Кроме того, это расширяет возможности методов оптической микроскопии, позволяя идентифицировать несколько типов культур со схожими оптическими характеристиками.

(2)  Понимание вегетационных периодов этих трёх видов озимых культур. Первым шагом было получение подходящих спутниковых снимков в период вегетации этих трёх озимых культур, чтобы снизить вероятность ошибочной классификации их как яровых или яровых.

(3)  Проведите фенологический анализ трёх типов сельскохозяйственных культур для оценки их состояния с использованием различных спектральных индексов, многополосных изображений и поляризаций обратного рассеяния VH (вертикальное пропускание и горизонтальное приём) и VV (вертикальное пропускание и приём). Этот анализ позволяет оценить чувствительность трёх различных озимых культур к спектральным индексам и значениям амплитуды обратного рассеяния с помощью ряда заданных взвешенных входных данных для интеграции в окончательные модели машинного обучения.

(4)  Разработать метод машинного обучения без учителя с временным анализом данных для картирования озимых культур. Метод машинного обучения с учителем не может быть разработан без маркированных данных наземного контроля. Метод машинного обучения без учителя сокращает время и трудозатраты, необходимые для получения таких данных, и, кроме того, может применяться в районах, где данные наземного контроля отсутствуют или ограничены.

(5)  Сравните и проанализируйте множественные интегрированные результаты, полученные с помощью многоспектральных и SAR-снимков, а также исходную карту посевов, созданную на основе индексов NDVI и контролируемых классификаций посевов, полученных от Агентства по сельским платежам (RPA), Великобритания [ 36 ], чтобы сформировать интегрированный набор входных переменных (из Sentinel-1 и -2). Затем можно определить наилучшие результаты классификации для неконтролируемой модели машинного обучения для картирования озимых культур.

4.1. Зона обучения

East Anglia расположена на востоке Англии, Великобритания, и состоит из графств Норфолк, Саффолк, Кембриджшир и Эссекс. Здесь выращивают почти треть урожая Великобритании, и он считается «житницей» Британии. По сравнению с другими регионами Британии, в этом регионе относительно мало осадков и высокие температуры, что делает его пригодным для сельского хозяйства. Таким образом, Норфолк является одним из графств в Восточной Англии, где более 75% земель используется под пахотные земли [ 37 ]. Для этого исследования была выбрана область исследования размером 3 км × 3 км основных сельскохозяйственных угодий Норфолка ( Рисунок 2 ), от долготы 6°47′4.618″ до 6°48′41.636″ и широты 46°31′2.547″ до 46°32′9.297″. Основными озимыми культурами, выращиваемыми в Норфолке, являются ячмень, пшеница и рапс. Другие озимые культуры, такие как овес и рожь, выращиваются, но в меньших масштабах и поэтому не являются предметом данного исследования. Данные по этим озимым культурам были собраны в ходе полевых исследований, проведенных RPA ( рис. 2b ) в Норфолке в период с июня по август 2020 года в 28 точках сбора данных. Эти опробованные участки охватывают площадь 1,38к м² для озимого ячменя (13 контрольных точек) – 1,2к м² для озимой пшеницы (10 контрольных точек) и 0,56к м² для озимого рапса (5 контрольных точек). Полигоны были созданы для контрольных точек озимых культур в соответствии с границами полей, определенными с помощью многоспектральных снимков Sentinel-2. Контрольные полигоны были разделены на пиксели: 383 пикселя для озимого ячменя, 332 пикселя для озимой пшеницы и 156 пикселей для озимого рапса.

4.2 Общий рабочий процесс

Для этой работы потребовались временные ряды изображений со спутников EO Sentinel-1 и -2, как показано в рабочем процессе. Изображения Sentinel-1 были сопоставлены с изображениями Sentinel-2 с помощью UTM/WGS84, и оба изображения были пересчитаны до одинакового размера пикселя. Значения NDVI, индекса вегетации с поправкой на почву (SAVI), нормализованного разностного водного индекса (NDWI), NDMI, EVI, VH, VV и VH/VV были извлечены из каждого пикселя на этапе A. На этапе B близость между каждым пикселем рассчитывалась с помощью быстрого DTW; таким образом, было сгенерировано восемь матриц близости. Пиксели были классифицированы с помощью HC с помощью восьми матриц близости, и результаты были геопривязаны и сохранены в восьми файлах geoTiff на первом этапе. Восемь файлов geoTiff были проверены на основе данных RPA (Великобритания) для определения чувствительности значений NDVI, SAVI, EVI, NDWI, NDMI, VH, VV и VH/VV. На этапе C чувствительность каждого значения стала его заданным весом для каждой нормализованной матрицы близости. Нормализованные матрицы близости с заданными весами стали окончательными входными данными для моделей HC ML для получения окончательных результатов интеграции на втором этапе ( рисунок 3 ).

4.3. Данные спутниковых снимков

В этом исследовании использовались данные Sentinel-1 SAR и многоспектральные (оптические) изображения, полученные над Норфолком в период с ноября 2019 года по июнь 2020 года с использованием данных, загруженных с Аляскинского спутникового комплекса [ 38 ] и центра открытого доступа Copernicus [ 39 ].

В данной работе используются интерферометрические широкополосные (IW) изображения уровня 1, полученные с помощью зондирования Sentinel-1 на уровне земли (GRD) с многократным обзором с 12-дневным интервалом повторных измерений и полученные при двух поляризациях (измерения обратного рассеяния VH и VV). Эти изображения были спроецированы на наземную область с использованием модели эллипсоида Земли. Пространственное разрешение GRD-изображений составляет 20,4 м по дальности и 22,5 м по азимуту. Эти изображения были повторно дискретизированы для получения пикселя размером 10 × 10 м.

Мультиспектральные изображения уровня 2A, полученные с помощью Sentinel-2, собирались в течение 5-дневного цикла повторения в 13 спектральных диапазонах, охватывающих прибрежный аэрозоль, видимый, ближний инфракрасный (NIR), водяной пар и коротковолновый инфракрасный (SWIR) диапазоны спектра, с расстоянием измерения на поверхности Земли (GSD) 60 м, 10 м и 20 м. Поскольку оптический спектр не проникает сквозь облачность, во избежание получения низкокачественных мультиспектральных изображений использовались только изображения с предполагаемой облачностью менее 10%.

4.4. Предварительная обработка изображений для получения ключевых индексов

Все изображения Sentinel были географически привязаны к общей системе координат WGS84 и проекции UTM N31, и мы передискретизировали их с помощью билинейной интерполяции до размера пикселя 60 × 60 м. Ряд спектральных индексов изображений был рассчитан на основе данных Sentinel-2 с использованием формул, приведённых в Таблице 1 (с использованием спектральных диапазонов, перечисленных в Таблице 1 ). Изображения Sentinel-1 со значениями амплитуды обратного рассеяния, представляющими VH, VV и отношение VH/V, также были выбраны и рассчитаны для использования в нашем методе.

4.5. Комбинированное быстрое динамическое искривление времени и иерархическая кластеризация (FastDTW-HC)

В рамках данного исследования была разработана модель машинного обучения (ML), сочетающая два следующих математических метода: быстрый DTW и HC. Процедуры в рабочем процессе были разработаны для приложений, использующих временные ряды данных о земледелии, специфичных для классификации сельскохозяйственных культур.

FastDTW-HC состоит из следующих двух последовательно применяемых методов обработки: 1. вычисления близости с использованием FastDTW и 2. иерархическая кластеризация (HC). Fast DTW описан в разделе 4.5.1 и представляет собой метод, используемый для создания матриц близости для каждой переменной, которые служат входными данными для модели машинного обучения (МО) HC. HC описан в разделе 4.5.2 и включает группировку схожих пикселей в соответствии со значениями в матрицах близости каждой переменной, а пиксели с «номерами кластеров» геопривязываются и сохраняются в виде файла GeoTiff.

Следуя общему рабочему процессу на рисунке 3 , FastDTW-HC для классификации сельскохозяйственных культур объединяет эти методы в два этапа. Первый этап включает в себя генерацию матриц близости для восьми исходных моделей HC ML, что приводит к набору из восьми исходных результатов, по одному для каждого индекса (NDVI, SAVI, EVI, NDMI, NDWI, VH, VV и VH/VV, как указано в таблице 2 ), которые направлены на расчет чувствительности (т. е. полноты) каждого индекса для ячменя, пшеницы и рапса с помощью уравнения (1). Чтобы понять чувствительность восьми значений индекса, восемь исходных результатов проверяются на основе истинных данных RPA. Чувствительность каждого индекса к ячменю, пшенице и рапсу преобразуется для получения весов для входных матриц близости каждого индекса, которые используются на втором этапе. На втором этапе матрицы близости каждого индекса рассчитываются FastDTW, взвешиваются и нормализуются перед вводом в модель HC ML. Входные нормализованные матрицы близости определяются с помощью различных комбинаций индексов, как показано в Таблице 2 .

Этот второй этап работает с пятью различными комбинациями индекса (обозначенными как R1 - R5, как показано в Таблице 2 ) и их нормализованными матрицами близости: четыре нормализованные матрицы близости (NDVI, SAVI, EVI и NDMI) для модели HC ML R1; пять нормализованных матриц близости (NDVI, SAVI, EVI, NDMI и NDWI) для модели HC ML R2; четыре нормализованные матрицы близости (NDVI, VH, VV и VH/VV) для модели HC ML R3; семь нормализованных матриц близости (NDVI, SAVI, EVI, NDMI, VH, VV и VH/VV) для модели HC ML R4; и восемь нормализованных матриц близости (NDVI, SAVI, EVI, NDMI, NDWI, VH, VV и VH/VV) для модели HC ML R5.

4.5.1. Расчет близости с помощью быстрого DTW

DTW — это надежный метод расчета близости сходств, который снижает влияние нерегулярной выборки во временных рядах, вызванной спутниковыми снимками, на которые часто влияют погода и облака [ 20 ]. Он использовался для создания матриц близости в данном исследовании. Общая концепция DTW показана на рисунке 4. В отличие от традиционного евклидова метода, который вычисляет сходства (расстояния) пикселей X и Y в один и тот же момент времени в двух временных рядах, DTW выполняет динамический расчет сходства внутри временного ряда в нескольких временных точках.

Математически это достигается путем количественной оценки сходства между двумя наборами данных временных рядов для поиска выравнивания деформации в их временных паттернах, вычисляемого как минимум из кумулятивных расстояний сходства пикселей в двух временных рядах, как показано на рисунке 5. В этом исследовании сходство между пикселями в двух временных рядах рассчитывалось с помощью матрицы, построенной из двух наборов значений индекса попиксельно. Временные ряды значений индекса для двух пикселей, X и Y, рассчитывались с использованием уравнений (2) и (3) с длинами временных рядов n и m следующим образом:

где x и y — индивидуальные значения индекса для пикселя, полученные в определенный момент времени во временном ряду; таким образом, они образуют матрицу размером n на m из сходства пикселей во временных рядах X и Y для генерации элементов деформации, vk=(i , j )k, которые используются для формирования одного или нескольких путей деформации, как показано на рисунке 5. Между этими двумя временными рядами можно найти несколько «путей деформации», с общим числом элементов деформации K, как показано ниже:

где K — общее количество элементов деформации, а k — количество отдельных элементов деформации.

Выведение оптимального выравнивания деформации для вычислений сходства из тысяч пикселей в наборах данных временных рядов может быть очень затратным с точки зрения вычислений, требуя очень больших объемов оперативной памяти и длительного времени выполнения. Для решения этих проблем применяется метод Fast DTW, который включает в себя следующие три ключевых этапа: огрубление, проекцию и уточнение. 1. Огрубление постепенно увеличивает дискретизацию каждого временного ряда для получения нескольких матриц с уменьшающимся числом элементов n и m путем усреднения смежных пар точек, как показано на рисунке 6. 2. На этапе проекции оптимальное выравнивание деформации для каждого случая находится в (самом низком) наихудшем «разрешении» и постепенно проецируется на самое высокое разрешение. 3. На этапе уточнения, пока оптимальное выравнивание деформации проецируется от самого низкого разрешения к самому высокому, оно уточняется с помощью локальных корректировок среди окрестностей значений вокруг спроецированного пути. Fast DTW включает многоуровневый подход с помощью этих трех этапов, что снижает требования к обработке за счет уменьшения размера матрицы расстояний в алгоритмах DTW. В случае DTW оптимальное выравнивание деформации рассчитывается на основе всех элементов деформации, сгенерированных из каждого элемента матрицы размером n на m, тогда как Fast DTW генерирует оптимальное выравнивание деформации на уровнях возрастающей сложности и обрабатывает только соответствующие соседние элементы любого спроецированного оптимального выравнивания деформации из предыдущей матрицы с более низким уровнем разрешения, как показано на рисунке 6 [ 45 ]. После генерации оптимального выравнивания деформации между каждым индексом каждого пикселя оптимальные выравнивания деформации каждого индекса пикселей сохраняются в виде матрицы близости.

4.5.2 Иерархическая кластеризация

Матрицы близости каждого индекса, полученные с помощью Fast DTW, служат входными переменными моделей HC ML. В данном исследовании методы HC ML применялись для получения восьми исходных результатов с использованием карт озимых культур по каждому спектральному индексу и значений амплитуды обратного рассеяния. На основе восьми моделей Fast DTW-HC была рассчитана чувствительность (т.е. полнота) каждого индекса для ячменя, пшеницы и рапса, а пять окончательных результатов интегрирования позволили получить пять моделей Fast DTW-HC с чувствительностью каждого индекса.

Используя матрицы близости, пиксели изображения были кластеризованы с помощью агломеративного метода HC, который представляет собой подход «снизу вверх», начинающийся с одного пикселя в качестве кластера и постепенно объединяющий отдельные кластеры в более крупные кластеры, пока все пиксели не будут классифицированы в один и тот же кластер (если не установлены определенные условия завершения), как показано на рисунке 7. HC классифицирует эти пиксели, вычисляя расстояния сходства между матрицами близости с помощью алгоритма полной связи (также называемого алгоритмом диаметра) в уравнении (5) [ 46 ]. Этот алгоритм вычисляет расстояние сходства между двумя кластерами с максимальным из всех попарных расстояний между любыми членами одного кластера до любых членов другого кластера [ 47 ].

4.6. Проверка на основе данных RPA In Situ

Окончательные результаты интеграции FastDTW-HC (R1–R5) были сверены с пикселями in situ «наземной проверки» в исследуемой области. Эти результаты включали 383 пикселя ячменя, 332 пикселя пшеницы и 156 пикселей рапса. Полнота, точность, достоверность и оценки F1, а также коэффициенты каппа для окончательных результатов интеграции были рассчитаны с использованием уравнений (1) и (6)–(11), которые приведены в таблице 3 .

5.1 Карты посевов озимых культур

Чтобы снизить влияние любых низкокачественных, слегка облачных изображений Sentinel-2, которые могут присутствовать, была создана неконтролируемая классификация с использованием изображений NDVI, VH, VV и VH/VV, которая была сравнена с контролируемой классификацией RPA ( Рисунок 8a ). Сравнивая R3 только с NDVI ( Рисунок 8c и Рисунок 8b соответственно), идентификация озимой пшеницы улучшается за счет включения значений амплитуды обратного рассеяния VV, VH и VH/VV, но относительно ненадежна для других культур и дает коэффициент каппа всего 0,17, а также общие точности, прецизионности и оценки F1, как показано в Таблице 4 .

Для определения наиболее подходящей комбинации переменных для неконтролируемой модели требуются две серии окончательных результатов интегрирования различных входных переменных. Эти две серии включают результаты, полученные только на основе спектральных индексов (R1 и R2), и результаты, включающие также значения амплитуды обратного рассеяния (R3, R4 и R5), как показано на рисунке 8 .

Используя статистический анализ в Таблице 4 , R1 на Рисунке 8 g обеспечивает наилучший и наиболее надежный результат с коэффициентом каппа 0,59 и точностью 78% для ячменя, 68% для пшеницы и 96% для рапса. В качестве второго по надежности результата, R5 имел коэффициент каппа 0,52 и точность 76% для ячменя, 69% для пшеницы и 93% для рапса. Основными преимуществами R5 перед R1 являются значение точности пшеницы, следовательно, более точное картирование пшеницы, на уровне 76%, и увеличение идентификации ячменя до 86% с полнотой, путем включения значений NDWI и амплитуды обратного рассеяния. Оценивая влияние значений амплитуды в R1 и R4, идентификация ячменя улучшилась, при этом полнота увеличилась с 81% до 85%, увеличившись на 4%. Общее влияние NDWI на картографирование озимых культур можно оценить, сравнив различия между R1 и R2. R1 не способен идентифицировать пшеницу, его полнота составляет всего 28%. Однако, включив NDWI, можно улучшить идентификацию пшеницы.

Сравнивая данные наземной проверки на рисунке 2b и контролируемую классификацию RPA на рисунке 8a с неконтролируемыми классификациями R1 и R5, становится ясно, что контролируемая классификация, использующая данные наземной проверки, дала наиболее точные результаты с точностью 84% для ячменя, 76% для пшеницы и 94% для рапса. Общая идентификация озимых культур, а также классификация ячменя и пшеницы были точнее при использовании контролируемого подхода с надежными данными наземной проверки, чем при использовании R1 и R5. Тем не менее, R1 и R5 приблизились к уровню точности, аналогичному уровню точности контролируемой классификации RPA, и продемонстрировали более высокую точность и достоверность классификации озимых культур по сравнению с предыдущими исследованиями без использования данных наземной проверки. Этот неконтролируемый подход сокращает время и трудозатраты, а также демонстрирует, чего можно достичь при отсутствии данных наземной проверки. В некоторых случаях R1 и R5 ошибочно классифицировали некоторые живые изгороди как пшеницу, а также некоторые «зарезервированные» участки на ячменных полях как пшеницу. Некоторые из них могут быть ошибочными классификациями, но сравнение результатов со снимками Sentinel-2, полученными в мае 2020 года, показывает, что некоторые живые изгороди и отведенные участки по краям ячменных полей действительно представляют собой озимую пшеницу. Это указывает на то, что предлагаемый нами метод неконтролируемой классификации может эффективно работать в условиях смешанного земледелия, как в локальном, так и в региональном масштабе. Однако мы считаем, что наилучшим подходом к валидации должен быть визуальный осмотр многоспектральных изображений, а также полевые исследования.

Результаты R1–R5 и NDVI, представленные на рисунке 8 , где представлены данные полевых исследований RPA, указывают на то, что некоторые поля ярового ячменя классифицируются как ячмень и/или пшеница из-за схожей фенологии яровых и озимых сортов. Наилучшие результаты были получены при использовании R1 и R5.

В целом, интеграция многоспектральных и радиолокационных изображений улучшает идентификацию озимых сортов ячменя и пшеницы. Более того, благодаря сочетанию спектральных индексов и значений амплитуды обратного рассеяния наши неконтролируемые методы МО R1 и R5 обеспечили наилучшие результаты для картирования озимых продовольственных культур и подходят для смешанного земледелия.

5.2 Мониторинг фенологии озимых культур

Используя один из самых надежных результатов с многоспектральными и SAR-снимками, R5, мы исследовали закономерности фенологии озимых культур, как показано на рисунке 9 , где месяцы вегетационного периода показаны на осях X участков, оранжевые линии представляют ячмень, синие линии - пшеницу и сиреневые линии - рапс. На рисунке 9 а показаны значения NDVI трех озимых культур в течение вегетационного периода; можно увидеть, что ячмень и пшеница очень похожи, и это иногда приводило к неправильным классификациям. Поскольку закономерность значений NDVI для рапса немного отличалась от таковых для ячменя и пшеницы, только рапс был эффективно распознан при этой неконтролируемой классификации.

Из-за сходства между моделями NDVI озимых культур в течение всего вегетационного периода, для улучшения неконтролируемой классификации использовались дополнительные мультиспектральные индексы и значения амплитуды обратного рассеяния SAR. Благодаря включению SAVI, EVI и NDMI улучшилась идентификация пшеницы и точность картирования ячменя и рапса. Коэффициент каппа увеличился, и это показывает, что интеграция дополнительных переменных дает более надежный результат, чем один NDVI. Различия в моделях SAVI, EVI и NDMI среди трех типов озимых культур объясняют улучшение при неконтролируемой классификации. По сравнению с NDVI, тренды SAVI, EVI и NDMI сильно различались для трех типов культур. Из-за сезона цветения и структурных изменений в листьях и растениях (см. Рисунок 1 ) мы наблюдали большое падение значения EVI в апреле и значения SAVI в мае, и это вносит значительный вклад в классификацию. На рисунке 9 e картина значений NDWI аналогична картине NDVI, а картины NDWI ячменя и пшеницы также имеют высокое сходство, что снижает надежность идентификации пшеницы по сравнению с результатами только NDVI и R2, как показано на рисунке 8. Если включить значения амплитуды обратного рассеяния, идентификация озимых культур улучшается, особенно пшеницы с R1 и R5 и ячменя с R4 и R5. Хотя значения амплитуды обратного рассеяния относительно низкие для озимых культур, картины значений VH, VV и VH/VV позволяют идентифицировать три типа культур с динамическими структурными изменениями, как показано на рисунке 1 , что продвигает наш подход к неконтролируемой классификации культур. Значительный вклад VV подчеркивается очень похожими картинами среди трех озимых культур в течение года, как показано на рисунке 9 g. Кроме того, высокая чувствительность озимых культур к VV признается в первоначальных результатах, которые очень похожи на данные, полученные SAVI и EVI.

Как показали временной анализ и первоначальные результаты мультиспектральных индексов и значений амплитуды обратного рассеяния, наибольший вклад внес индекс NDVI, в то время как индексы SAVI, NDMI, EVI, VH и VV также внесли важный вклад в неконтролируемую модель классификации для трех озимых культур.

Это исследование показывает, что классификация, использующая только спектральные индексы из продуктов многоспектральных изображений, дает приемлемые результаты, но путем их интеграции с продуктами изображений SAR, точность и правильность отдельных классификаций озимых культур могут значительно улучшиться, даже несмотря на то, что вклад измерений обратного рассеяния меньше, чем спектральные индексы, как показано в Таблице 5. Низкий вклад измерений обратного рассеяния для озимых культур можно увидеть в исследованиях с использованием DTW и Sentinel-1 и TerraSAR-X для сложных классификаций сельского хозяйства, где анализ точности для озимых культур показывает, что она была относительно низкой [ 49 ].

Таблица 5. Чувствительность (т.е. полнота) переменных (спектральных индексов и значений амплитуды обратного рассеяния) для ячменя, пшеницы и рапса в моделях FastDTW-HC.

Чувствительность спектральных индексов и значений амплитуды обратного рассеяния при классификации озимых культур была рассчитана на основе восьми исходных результатов с использованием моделей FastDTW-HC. В целом, для распознавания озимых культур индекс NDVI превзошёл все остальные переменные, но показал относительно низкую чувствительность к рапсу. Индекс SAVI продемонстрировал более высокую чувствительность к рапсу (96%), но низкую – к ячменю, как показано в таблице 5 .

Чувствительность NDMI к ячменю была несколько выше, а к пшенице – такой же, как у NDVI. Спектральные индексы и измерения обратного рассеяния VH имели схожую чувствительность, около 20% для пшеницы, что отражает незначительный вклад каждой переменной в R5. С другой стороны, измерения обратного рассеяния VV и соотношение VH/VV внесли значительный вклад в извлечение рапса по сравнению с другими переменными.

Статистический анализ контролируемой классификации RPA показывает точность 84% для ячменя, 76% для пшеницы и 94% для рапса. Неконтролируемая модель FastDTW-HC, использованная здесь, продемонстрировала точность с R4 78% для ячменя, 68% для пшеницы и 96% для рапса и с R5 76% для ячменя, 69% для пшеницы и 93% для рапса. Сравнивая наилучшие результаты неконтролируемой классификации (R1 и R5) с контролируемой классификацией RPA в 2020 году, можно заметить, что результаты контролируемой классификации лучше в этой же исследуемой области. Однако контролируемая классификация опирается на истинные обучающие выборки из исследуемой области и за тот же период времени.

Методы обучения без учителя (модели K-средних и гауссовской смеси (GMM)), используемые в предыдущих исследованиях, подходят только для крупных сельскохозяйственных площадей, на которых выращиваются два типа культур, и требуют оптимизированного времени сева и сбора урожая для более точной классификации [ 50 ]. Ма и др. (2020) разработали метод неконтролируемой классификации на основе изометрического биннинга главных компонентов (PCIB), но он был протестирован только с двумя типами культур, рисом и кукурузой, с 2010 по 2017 год, а при применении к нескольким типам культур в 2018 году привело к многочисленным неправильным классификациям, особенно для выведенных за пределы участка земель и живых изгородей, которые были распознаны как кукуруза [ 51 ]. Неточные классификации, на которые влияют живые изгороди, выведенные за пределы участка земли и площади со смешанными культурами, могут повлиять на будущие прогнозы урожайности и биомассы сельскохозяйственных культур на основе цифровых карт сельскохозяйственных культур.

Согласно неконтролируемой классификации с FastDTW-HC в этом исследовании и контролируемой классификации RPA, некоторые живые изгороди и отведенные участки вокруг границ поля были неправильно классифицированы как пшеница или ячмень на обеих картах озимых культур. Эту ситуацию можно также обнаружить в предыдущих исследованиях по классификации культур с использованием контролируемых и неконтролируемых подходов ML и DL со спутниковыми или аэрофотоснимками [ 52 , 53 , 54 , 55 ]. Однако, наблюдая за моделями посевов на снимках Sentinel-2, можно увидеть, что некоторые поля являются «смешанными», что приводит к некоторым ошибкам в проверке результатов и требует дальнейших полевых исследований. Это показывает, что модель FastDTW-HC способна отображать смешанные озимые культуры. Процесс проверки, являющийся частью этого исследования, проводится на попиксельной основе, предлагая большую детализацию, точность и достоверность из-за сложности типов сельского хозяйства по сравнению с предыдущими исследованиями, которые классифицировали и валидировали результаты по полям. Это приводит к умеренному коэффициенту каппа. В будущих исследованиях, при применении этого метода в региональном масштабе, посевы будут идентифицироваться в открытых окнах размером 3 на 3 км, что обеспечит более надежную валидацию.

Этот метод картирования озимых культур предполагает выбор дат спутниковой съемки, соответствующих вегетационному периоду озимых культур, чтобы избежать ошибок классификации, вызванных яровыми культурами. Однако даже при наилучших результатах, полученных с помощью R1 и R5, некоторые поля ярового ячменя и озимой пшеницы были идентифицированы как поля озимого ячменя из-за схожих фенологических фаз. Для решения этой проблемы в будущих исследованиях предлагается использовать мультисенсорные продукты для получения более подробных временных рядов данных для точного временного анализа в течение определенных фенологических фаз.

Это исследование определяет три типа озимых культур — ячмень, пшеницу и рапс — из временного анализа серии спектральных индексов. При анализе чувствительности каждой переменной ( Рисунок 8) было показано, что NDVI ( Рисунок 8 b) является наиболее важным спектральным индексом для распознавания трех типов озимых культур. Таким образом, это исследование было разработано на основе исходных результатов, представленных на Рисунке 8 b, и оценены другие комбинации переменных изображения и других спектральных индексов и значений амплитуды обратного рассеяния для улучшения неконтролируемой классификации типов озимых культур, как показано на Рисунке 8. Контролируемая классификация RPA, показанная на Рисунке 8 a, с использованием надежных данных наземной истины дала наиболее точные результаты, а идентификация ячменя и пшеницы была более точной, чем с R1 и R5. Однако R1 и R5 достигли аналогичного уровня точности, что и контролируемая классификация RPA, и показали улучшенные результаты по сравнению с контролируемыми классификациями в предыдущих исследованиях.

В данной работе разработан метод неконтролируемой классификации для картирования озимых культур, созданный с помощью надежного процесса FastDTW-HC с четкими процедурами, не зависящими от данных наземных наблюдений. Модель FastDTW-HC извлекла и проанализировала основные озимые культуры, выращиваемые в Норфолке, Великобритания, что может быть непосредственно применено в регионах, где выращивают озимый ячмень, пшеницу и рапс. Этот метод может быть использован для различных типов культур после изучения фенологических фаз их развития с помощью методов наблюдения за поверхностью Земли. Интегрированные мультиспектральные и радиолокационные изображения используются во временных рядах для усовершенствования картирования типов культур. Ниже приведены семь основных результатов данной работы:

(1)  В результате анализа интегрированных результатов определены следующие наиболее подходящие комбинации спектральных индексов и значений амплитуды обратного рассеяния для картирования озимых культур с использованием модели FastDTW-HC: NDVI, SAVI, EVI, NDMI, NDWI, VH, VV и VH/VV.

(2)  Наилучшие результаты были получены с R1 и R5, которые показали умеренные коэффициенты каппа 0,59 и 0,52 и приемлемую точность 78% и 76% для ячменя, 68% и 69% для пшеницы и 96% и 93% для рапса. Это означает, что модель надёжна, и комбинации спектральных индексов с R1 и R5 рекомендуется использовать в будущих исследованиях. Сравнение R1 и R5, включая измерения обратного рассеяния, может обеспечить более высокую точность идентификации озимой пшеницы.

(3)  Временной анализ мультиспектральных индексов и значений амплитуды обратного рассеяния SAR может улучшить понимание сезонных закономерностей роста озимых сортов ячменя, пшеницы и рапса. Понимая фенологические фазы сельскохозяйственных культур с помощью данных о земледелии, фермеры могут лучше планировать периоды полива, внесения пестицидов и сбора урожая.

(4)  Чувствительность каждого спектрального индекса и значения амплитуды обратного рассеяния анализировались для озимых культур в течение всего вегетационного периода, что позволило составить карты посевов и провести временной анализ.

(5)  Неконтролируемые классификации R1 и R5 из модели FastDTW-HC показали уровень точности, аналогичный контролируемой классификации, опубликованной RPA. Разработка этой модели может быть полезна политикам, заинтересованным в управлении сельскохозяйственными угодьями и обеспечении продовольственной устойчивости. Кроме того, вопросы продовольственной безопасности в регионах, по которым отсутствуют данные полевых контрольных наблюдений, могут быть решены благодаря использованию метода EO, представленного в данном исследовании, для создания точных карт посевов для планирования возделывания сельскохозяйственных культур и потенциального распределения продовольствия.

(6)  Наблюдения за пахотными полями с использованием оптических спутниковых снимков показывают, что модель FastDTW-HC, разработанная в данном исследовании, подходит для сложных сельскохозяйственных районов, в том числе тех, где используются смешанные культуры и резервные земли.

(7)  Используя методы, разработанные в данной работе и предыдущих исследованиях, анализ спектральных индексов на протяжении циклов роста может помочь в классификации различных типов сельскохозяйственных культур в различных регионах с различными почвенными и метеорологическими условиями.

Более глубокое понимание фенологии озимых культур и высокая точность результатов классификации позволяют усовершенствовать будущие стратегии землепользования. Более того, благодаря более точным картам посевов можно повысить точность наблюдений и прогнозов биомассы и урожайности озимых культур. Мониторинг биомассы и урожайности позволяет улучшить стратегии посева озимых культур, используя севообороты и смешанные посевы для поддержания здоровья почвы и обеспечения максимальной урожайности.

Следующими этапами исследований станет мониторинг биомассы и урожайности, а предлагаемая модель FastDTW-HC будет применена в региональном сельскохозяйственном масштабе для картирования озимых культур. Карты посевов озимого ячменя, пшеницы и рапса в Норфолке за период с 2018 по 2023 год представляют интерес в качестве следующего шага. Сочетание карт посевов озимых культур с метеорологическими данными и полевыми исследованиями может дополнительно усовершенствовать этот многомерный статистический метод и обеспечить более точные прогнозы урожайности и биомассы.

1.    Allen, M.R.; Dube, O.P.; Sloecki, W.; Aragón-Durand, F.; Cramer, W.; Humphreys, S.; Kainuma, M.; Kala, J.; Mahowald, N.; Mulugetta, Y.; et al. 2018: Framing and Context. In Global Warming of 1.5 °C. An IPCC Special Report on the Impacts of Global Warming of 1.5 °C Above Pre-Industrial Levels and Related Global Greenhouse Gas Emission Pathways, in the Context of Strengthening the Global Response to the Threat of Climate Change, Sustainable Development, and Efforts to Eradicate Poverty; Cambridge University Press: Cambridge, UK; New York, NY, USA, 2022; pp. 49–92. [Google Scholar] [CrossRef]

2.    Wheeler, T.; von Braun, J. Climate Change Impacts on Global Food Security. Science 2013, 341, 508–513. [Google Scholar] [CrossRef] [PubMed]

3.    Ahmed, Z.; Nalley, L.; Brye, K.; Green, V.S.; Popp, M.; Shew, A.M.; Connor, L. Winter-time cover crop identification: A remote sensing-based methodological framework for new and rapid data generation. Int. J. Appl. Earth Obs. Geoinf. 2023, 125, 103564. [Google Scholar] [CrossRef]

4.    Wang, L.; Dong, Q.; Yang, L.; Gao, J.; Liu, J. Crop Classification Based on a Novel Feature Filtering and Enhancement Method. Remote Sens. 2019, 11, 455. [Google Scholar] [CrossRef]

5.    KC, K.; Zhao, K.; Romanko, M.; Khanal, S. Assessment of the Spatial and Temporal Patterns of Cover Crops Using Remote Sensing. Remote Sens. 2021, 13, 2689. [Google Scholar] [CrossRef]

6.    You, N.; Dong, J. Examining earliest identifiable timing of crops using all available Sentinel 1/2 imagery and Google Earth Engine. ISPRS J. Photogramm. Remote Sens. 2020, 161, 109–123. [Google Scholar] [CrossRef]

7.    Barriere, V.; Claverie, M.; Schneider, M.; Lemoine, G.; d’Andrimont, R. Boosting crop classification by hierarchically fusing satellite, rotational, and contextual data. Remote Sens. Environ. 2024, 305, 114110. [Google Scholar] [CrossRef]

8.    Blaes, X.; Vanhalle, L.; Defourny, P. Efficiency of crop identification based on optical and SAR image time series. Remote Sens. Environ. 2005, 96, 352–365. [Google Scholar] [CrossRef]

9.    McNairn, H.; Champagne, C.; Shang, J.; Holmstrom, D.A.; Reichert, G. Integration of optical and Synthetic Aperture Radar (SAR) imagery for delivering operational annual crop inventories. Isprs. J. Photogramm. Remote Sens. 2009, 64, 434–449. [Google Scholar] [CrossRef]

10. Ianninia, L.; Molijn, R.A.; Hanssen, R.F. Integration of multispectral and C-band SAR data for crop classification. In Proceedings of the SPIE, Dresden, Germany, 16 October 2013. [Google Scholar] [CrossRef]

11. Bargiel, D. A new method for crop classification combining time series of radar images and crop phenology information. Remote Sens. Environ. 2017, 198, 369–383. [Google Scholar] [CrossRef]

12. Van Tricht, K.; Gobin, A.; Gilliams, S.; Piccard, I. Synergistic use of radar Sentinel-1 and optical sentinel-2 imagery for crop mapping: A case study for Belgium. Remote Sens. 2018, 10, 1642. [Google Scholar] [CrossRef]

13. Robertson, L.D.; Davidson, A.; McNairn, H.; Hosseini, M.; Mitchell, S.; De Abelleyra, D.; Verón, S.; le Maire, G.; Plannells, M.; Valero, S.; et al. C-band synthetic aperture radar (SAR) imagery for the classification of diverse cropping systems. Int. J. Remote Sens. 2020, 41, 9628–9649. [Google Scholar] [CrossRef]

14. Xun, L.; Zhang, J.; Cao, D.; Yang, S.; Yao, F. A novel cotton mapping index combining Sentinel-1 SAR and Sentinel-2 multispectral imagery. Isprs J. Photogramm. Remote Sens. 2021, 181, 148–166. [Google Scholar] [CrossRef]

15. Blickensdörfer, L.; Schwieder, M.; Pflugmacher, D.; Nendel, C.; Erasmi, S.; Hostert, P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sens. Environ. 2022, 269, 112831. [Google Scholar] [CrossRef]

16. Leite, P.B.C.; Feitosa, R.Q.; Formaggio, A.R.; da Costa, G.A.O.P.; Pakzad, K.; Sanches, I.D. Hidden Markov models for crop recognition in remote sensing image sequences. Pattern Recogn. Lett. 2011, 32, 19–26. [Google Scholar] [CrossRef]

17. Siachalou, S.; Mallinis, G.; Tsakiri-Strati, M. A Hidden Markov models approach for crop classification: Linking crop phenology to time series of multi-sensor remote sensing data. Remote Sens. 2015, 7, 3633. [Google Scholar] [CrossRef]

18. Lafferty, J.D.; McCallum, A.; Pereira, F. Conditionalrandom fields: Probabilistic models for segmenting and labelling sequence data. In ICML; Morgan Kaufmann: San Fran-cisco, CA, USA, 2001; pp. 282–289. [Google Scholar]

19. Kenduiywo, B.; Bargiel, D.; Soergel, U. Spatial-Temporal Conditional Random Fields Crop Classification from TerraSAR-X Images. ISPRS Annals of Photogrammetry. Remote Sens. Spat. Inf. Sci. 2015, II-3/W4, 79–86. [Google Scholar] [CrossRef]

20. Maus, V.; Câmara, G.; Appel, M.; Pebesma, E. dtwSat: Time-Weighted Dynamic Time Warping for Satellite Image Time Series Analysis in R. J. Stat. Softw. 2019, 88, 5. [Google Scholar] [CrossRef]

21. Li, M.; Bijker, W. Vegetable classification in Indonesia using Dynamic Time Warping of Sentinel-1A dual polarization SAR time series. Int. J. Appl. Earth Obs. Geoinf. 2019, 78, 268–280. [Google Scholar] [CrossRef]

22. Natteshan, N.; Kumar, N. Effective SAR image segmentation and classification of crop areas using MRG and CDNN techniques. Eur. J. Remote Sens. 2020, 53 (Suppl. S1), 126–140. [Google Scholar] [CrossRef]

23. Lobert, F.; Löw, J.; Schwieder, M.; Gocht, A.; Schlund, M.; Hostert, P.; Erasmi, S. A deep learning approach for deriving winter wheat phenology from optical and SAR time series at field level. Remote Sens. Environ. 2023, 298, 113800. [Google Scholar] [CrossRef]

24. Chen, Y.; Keogh, E.; Hu, B.; Begum, N.; Bagnall, A.; Mueen, A.; Batista, G. The UCR Time Series Classification Archive. 2015. Available online: www.cs.ucr.edu/~eamonn/time_series_data/ (accessed on 10 November 2024).

25. Keogh, E.; Ratanamahatana, C. Exact indexing of dynamic time warping. Knowl Inf Syst 2015, 7, 358–386. [Google Scholar] [CrossRef]

26. Demšar, J. Statistical comparisons of classifiers over multiple data sets. J. Mach. Learn. Res. 2006, 7, 1–30. [Google Scholar]

27. Łuczak, M. Hierarchical clustering of time series data with parametric derivative dynamic time warping. Expert Syst. Appl. 2016, 62, 116–130. [Google Scholar] [CrossRef]

28. AlMahamid, F.; Grolinger, K. Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering. arXiv 2022. [Google Scholar] [CrossRef]

29. Marais Sicre, C.; Inglada, J.; Fieuzal, R.; Baup, F.; Valero, S.; Cros, J.; Huc, M.; Demarez, V. Early Detection of Summer Crops Using High Spatial Resolution Optical Image Time Series. Remote Sens. 2016, 8, 591. [Google Scholar] [CrossRef]

30. Marszalek, M.; Lösch, M.; Körner, M.; Schmidhalter, U. Early Crop-Type Mapping Under Climate Anomalies. Environ. Sci. 2022; Preprints. [Google Scholar] [CrossRef]

31. Ashourloo, D.; Nematollahi, H.; Huete, A.; Aghighi, H.; Azadbakht, M.; Shahrabi, H.S.; Goodarzdashti, S. A new phenology-based method for mapping wheat and barley using time-series of Sentinel-2 images. Remote Sens. Environ. 2022, 280, 113206. [Google Scholar] [CrossRef]

32. Veloso, A.; Mermoz, S.; Bouvet, A.; Toan, T.L.; Planells, M.; Dejoux, J.; Ceschia, E. Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications. Remote Sens. Environ. 2017, 199, 415–426. [Google Scholar] [CrossRef]

33. Kuester, T.; Spengler, D. Structural and Spectral Analysis of Cereal Canopy Reflectance and Reflectance Anisotropy. Remote Sens. 2018, 10, 1767. [Google Scholar] [CrossRef]

34. Long, A. Late-Season Winter Wheat Disease and Management. Available online: https://www.beckshybrids.com/resources/croptalk-newsletter/late-season-winter-wheat-disease-and-management (accessed on 18 March 2024).

35. Lidea. RAPESEED DISEASES AND PESTS ADVICE. Available online: https://lidea-seeds.com/rapeseed-diseases-and-pests-advice (accessed on 18 March 2024).

36. Crop Map of England (CROME). Available online: https://www.data.gov.uk/dataset/be5d88c9-acfb-4052-bf6b-ee9a416cfe60/crop-map-of-england-crome-2020#licence-info (accessed on 9 April 2023).

37. Campaign for the Farm Environment—CFE County Priorities for Norfolk. Available online: https://www.cfeonline.org.uk/archive?treeid=36011 (accessed on 5 November 2024).

38. Sentinel-1—Missions—Sentinel Online—Sentinel Online. (n.d.) Available online: https://sentinel.esa.int/web/sentinel/missions/sentinel-1 (accessed on 9 April 2023).

39. Sentinel-2—Missions—Sentinel Online—Sentinel Online. (n.d.) Available online: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 (accessed on 9 April 2023).

40. Goward, S.N.; Markham, B.; Dye, D.G.; Dulaney, W.; Yang, J. Normalized difference vegetation index measurements from the advanced very high resolution radiometer. Remote Sens. Environ. 1991, 35, 257–277. [Google Scholar] [CrossRef]

41. Huete, A.R. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 1988, 25, 295–309. [Google Scholar] [CrossRef]

42. Liu, H.Q.; Huete, A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Trans. Geosci. Remote Sens. 1995, 33, 457–465. [Google Scholar] [CrossRef]

43. Gao, B. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ. 1996, 58, 257–266. [Google Scholar] [CrossRef]

44. Mcfeeters, S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 1996, 17, 1425–1432. [Google Scholar] [CrossRef]

45. Salvador, S.; Chan, P. Toward accurate dynamic time warping in linear time and space. Intell. Data Anal. 2007, 11, 561–580. [Google Scholar] [CrossRef]

46. Saxena, A.; Prasad, M.; Gupta, A.; Bharill, N.; Patel, O.P.; Tiwari, A.; Er, M.J.; Ding, W.; Lin, C.-T. A review of clustering techniques and developments. Neurocomputing 2017, 267, 664–681. [Google Scholar] [CrossRef]

47. Jain, A.K.; Murty, M.N.; Flynn, P.J. Data clustering: A review. ACM Comput. Surv. 1999, 31, 264–323. [Google Scholar] [CrossRef]

48. Li, H.Y.; Lawrence, J.A.; Mason, P.J.; Ghail, R.C. Unsupervised Winter Wheat Mapping Based on Multi-spectral and Synthetic Aperture Radar Observations. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2023, XLVIII-1/W2-2023, 1411–1416. [Google Scholar] [CrossRef]

49. Gella, G.W.; Bijker, W.; Belgiu, M. Mapping crop types in complex farming areas using SAR imagery with dynamic time warping. ISPRS J. Photogramm. Remote Sens. 2021, 175, 171–183. [Google Scholar] [CrossRef]

50. Macelloni, G.; Paloscia, S.; Pampaloni, P.; Marliani, F.; Gai, M. The relationship between the backscattering coefficient and the biomass of narrow and broad leaf crops. IEEE Trans. Geosci. Remote Sens. 2001, 39, 873–884. [Google Scholar] [CrossRef]

51. Wang, S.; Azzari, G.; Lobell, D.B. Crop type mapping without field-level labels: Random forest transfer and unsupervised clustering techniques. Remote Sens. Environ. 2019, 222, 303–317. [Google Scholar] [CrossRef]

52. Ma, Z.; Liu, Z.; Zhao, Y.; Zhang, L.; Liu, D.; Ren, T.; Zhang, X.; Li, S. An Unsupervised Crop Classification Method Based on Principal Components Isometric Binning. ISPRS Int. J. Geo-Inf. 2020, 9, 648. [Google Scholar] [CrossRef]

53. Siesto, G.; Fernández-Sellers, M.; Lozano-Tello, A. Crop Classification of Satellite Imagery Using Synthetic Multitemporal and Multispectral Images in Convolutional Neural Networks. Remote Sens. 2021, 13, 3378. [Google Scholar] [CrossRef]

54. Teixeira, I.; Morais, R.; Sousa, J.J.; Cunha, A. Deep Learning Models for the Classification of Crops in Aerial Imagery: A Review. Agriculture 2023, 13, 965. [Google Scholar] [CrossRef]

55. Zhang, L.; Gao, L.; Huang, C.; Wang, N.; Wang, S.; Peng, M.; Zhang, X.; Tong, Q. Crop classification based on the spectrotemporal signature derived from vegetation indices and accumulated temperature. Int. J. Digit. Earth 2022, 15, 626–652. [Google Scholar] [CrossRef]

Li H-Y, Lawarence JA, Mason PJ, Ghail RC. Fast Dynamic Time Warping and Hierarchical Clustering with Multispectral and Synthetic Aperture Radar Temporal Analysis for Unsupervised Winter Food Crop Mapping. 

Перевод статьи «Fast Dynamic Time Warping and Hierarchical Clustering with Multispectral and Synthetic Aperture Radar Temporal Analysis for Unsupervised Winter Food Crop Mapping» авторов Li H-Y, Lawarence JA, Mason PJ, Ghail RC., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык