Кескін талдау алгоритмдерін салыстыру және синтездеу: қоршаған ортаны пилотсыз ұшу аппараттары арқылы бақылау үшін NDVI және RGB өңдеу
Қаралымдар: 0 / PDF жүктеулері: 0
DOI:
https://doi.org/10.32523/3107-278X-2026-154-1-100-117Кілт сөздер:
NDVI, ҰҰА, RGB кескінін өңдеу, өсімдіктерді бақылау, көп спектрлі бейнелеу, радиометриялық калибрлеу, қоршаған ортаны бақылауАңдатпа
Өсімдіктердің денсаулығын бағалау дәл ауыл шаруашылығы мен экология және қоршаған ортаға қауіп төндіретін факторларды басқаруды талап ететін негізгі операция болып табылады. Нормалданған айырмашылықты өсімдік жамылғысының индексі (NDVI) өсімдік денсаулығын бағалауға және стрессті анықтауға мүмкіндік беретін негізгі индекс ретінде қызмет ету үшін қызыл және жақын инфрақызыл (NIR) шағылысу деректерін пайдаланады. Бұл жүйелерді енгізу оларды бюджетке қолайлы операцияларға орналастыруға тырысқанда қиындықтарға тап болады, себебі оларға NIR арналарын қамтитын көпспектрлі сенсорлар қажет. Зерттеу үш алгоритмдік тәсілді толық талдау арқылы бағалайды, оған (i) NDVI әдісі және (ii) тек RGB арнасын түрлендіру әдісі және (iii) стандартты RGB камералары үшін жасыл басымдыққа NDVI қалыпқа келтіруді қолданатын синтезделген гибридті алгоритм кіреді. Зерттеуге математикалық туындылар, радиометриялық түсіндіру әдістері және барлық зерттелген тәсілдер үшін калибрлеу қажеттіліктері мен қателіктердің таралу есептеулері кіреді. Зерттеу геометриялық түзету және радиометриялық қалыпқа келтіру, шуды сүзу және жарықтандыруды өтеу арқылы UAV кескін деректерін алдын ала өңдеуді жүзеге асыратын жүйені әзірлейді. Жүйе UAV енгізу сценарийлері мен ұшуды жоспарлау шектеулері және геокеңістіктік кейінгі өңдеу жұмыс процестері туралы талқылаулар арқылы пайдалырақ болады. Мәтінде орман өртіне қатысты пайдалану жағдайлары өсімдіктердің стресс карталары оқиғадан кейінгі таңдауға көмектесетін жылдам бағалау жағдайларының мысалдары ретінде келтірілген, бірақ бұл мысалдар негізгі назарды білдірмейді. Зерттеу нәтижелері классикалық әдістерге негізделген NDVI сандық биофизикалық талдау үшін жақсы нәтижелер беретінін, бірақ RGB негізіндегі әдістер шектеулі аппараттық ресурстарды пайдаланған кезде сапалық сегменттеу үшін жақсы жұмыс істейтінін көрсетеді. Әзірленген алгоритм RGB трансформация әдістеріне қарағанда өсімдіктерді анықтаудың жоғары нәтижелерін береді және NIR жабдықталған жүйелері жоқ ұйымдар үшін пайдалы шешім ретінде қызмет етеді. Құжатта пайдаланушыларға дәлдік деңгейлері мен бюджет шектеулері, сондай-ақ орналастыру және жүйенің жұмыс істеу қиындықтарына қатысты нақты талаптарына негізделген әдістерді таңдауға көмектесетін ұсыныстар берілген.
Downloads
Әдебиеттер тізімі
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering D. W. (1974). Monitoring Vegetation Systems in the Great Plains with ERTS. In: Proc. 3rd Earth Resources Technology Satellite-1 Symposium, 309–317.
Mulla, D. J. (2013). Twenty five years of remote sensing in precision agriculture: key advances and remaining knowledge gaps. Biosystems Engineering, 114, 4, 358–371. https://doi.org/10.1016/j.biosystemseng.2012.08.009
Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture, 13(6), 693–712. https://doi.org/10.1007/s11119-012-9274-5
Ballesteros, R., Ortega, J. F., Hern´andez, D., & Moreno, M. (2015). Characterization of vitis viniferal. Canopy using unmanned aerial vehicle-based remote sensing and photogrammetry tech niques. American Journal of Enology and Viticulture, 66, 2, 120–129. https://doi.org/10.5344/ajev.2014.14070
Xie, X., Zhao, W., & Yin, G. (2023). TAVIs: Topographically adjusted vegetation index for a reliable proxy of gross primary productivity in mountain ecosystems. IEEE Transactions on Geoscience and Remote Sensing PP(99), 1-1. https://doi. org/10.1109/TGRS.2023.3336727
Xu, P., Lv, T., Dong, S., Cui, Z., Luo, X., Jia, B., Jeon, C. O., & Zhang, J. (2022). Association between intestinal microbiome and inflammatory bowel disease: insights from bibliometric analysis. Computational and Structural Biotechnology. J, 20, 1716–1725. https://doi. org/10.1016/j.csbj.2022.04.006
Yan, K., Gao, S., Chi, H., Qi, J., Song, W., Tong, Y., Mu, X., & Yan, G. (2020). Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation. IEEE Transaction on Geoscience and Remote Sensing, 60, 1-14. https://doi.org/10.1109/ TGRS.2020.3048493
Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google earth engine for geo-big data applications: a meta-analysis and systematic review. ISPRS J. Photogrammetry and Remote Sensing, 164, 152–170. https://doi.org/ 10.1016/j.isprsjprs.2020.04.001
Al-Waeli, A. M. T. (2020). Assessment of soil sensitivity for physical degradation in Abi Garaq by geomatics techniques. International Journal of Agricaltural Statistical Sciences, 16(1), 1865-1873. https://connectjournals.com/03899.2020.16.1865
Xia, T., Kustas, W. P., & Andersonetal, M. C. (2016). Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes. Hydrology and Earth System Sciences, 20, 4, 1523–1545. https://doi.org/10.5194/hess-20-1523-2016
Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J.-M., Tucker, C. J., & Stenseth, N. C. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9), 503–510. https://doi.org/10.1016/j.tree.2005.05.011
Hatfield, J. L., Prueger, J., Sauer, T. J., & Dold, C. (2019). Applications of Vegetative Indices from Remote Sensing to Agriculture: Past and Future. Inventions, 4, 71. https://doi.org/10.3390/inventions4040071
De Carvalho, R. M., & Szlafsztein, C. F. (2019). Urban vegetation loss and ecosystem services: the influence on climate regulation and noise and air pollution. Environmental Pollution, 245, 844–852. https://doi.org/10.1016/j.envpol.2018.10.114
Bartesaghi-Koc, C., Osmond, P., & Peters, A. (2018). Mapping and classifying green infrastructure typologies for climate-related studies based on remote sensing data. Urban Forestry & Urban Greening, 37, 154–167. https://doi.org/10.1016/j.ufug.2018.11.008
Shahtahmassebi, A., Li, C., Fan, Y., Wu, Y., Gan, M., Wang, K., Malik, A., & Blackburn, A. (2020). Remote sensing of urban green spaces: a review. Urban Forestry & Urban Greening, 57, 126946. https://doi.org/10.1016/j.ufug.2020.126946
Wang, K., Wang, T., & Liu, X. (2019). A review: individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment. Forests, 10, 1. https://doi.org/10.3390/f10010001
Kothencz, G., Kulessa, K., Anyyeva, A., & Lang, S. (2018). Urban vegetation extraction from VHR (tri-) stereo imagery - a comparative study in two central European cities. European Journal of Remote Sensing, 51, 285–300. https://doi.org/10.1080/22797254.2018.1431057
Hartling, S., Sagan, V., Sidike, P., Maimaitijiang, M., & Carron, J. (2019). Urban tree species classification using a WorldView-2/3 and LiDAR data fusion approach and deep learning. Sensors, 19, 1284. https://doi.org/10.3390/s19061284
Yengoh, G. T., Dent, D., Olsson, L., Tengberg, A. E., & Tucker III, C. J. (2016). The use of the normalized difference vegetation index (NDVI) to assess land degradation at multiple scales: a review of the current status, future trends, and practical considerations, in use of the Normalized Difference Vegetation Index (NDVI) to assess land degradation at multiple scales. SpringerBriefs in Environmental Science. Springer International Publishing, Cham. https://doi.org/10.1007/978-3-319-24112-8
Zhang, L., Zhang, Z., Luo, Y., Cao, J., Xie, R., & Li, S. (2021). Integrating satellite-derived climatic and vegetation indices to predict smallholder maize yield using deep learning. Agriculture and Forest Meteorology, 311, 108666. https://doi.org/10.1016/j.agrformet.2021.108666
Muhsin, I. J. (2016). Change detection of remotely sensed image using NDVI subtractive and classification methods. Iraqi Journal of Physics, 14(29), 125-137. https://doi.org/10.30723/ijp. v14i29.228
Bhandari, A. K., Kumar, A., & Singh, G. K. (2012). Feature extraction using normalized differencevegetation index (NDVI): A case study of Jabalpur city. Materials of Processing Technology, 6, 612-621. https:// doi.org/10.1016/j.protcy.2012.10.074
Sims, D. A., & Gamon, J. A. (2002). Relationships between leaf pig ment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 81, 2-3, 337–354.
Jin, S., & Sader, S. A. (2005). Comparison of time-series NDVI and UAV-based imagery for monitoring forest health. Remote Sensing of Environment, 94(2), 189–197. https://doi.org/10.1016/j.rse.2004.10.012
Lobo, T. D., Queiroz, R., Nigri, P., Elena, C. L. R. L., Marcato, J. J., Martins, J., Ola, B. P., Gonçalves, W. N., & Liesenberg, V. (2020). Applying fully convolutional architectures for semantic segmentation of a single tree species in urban environment on high resolution UAV optical imagery. Sensors, 20, 563. https://doi.org/10.3390/s20020563
Жүктеулер
Жарияланды
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 R. Askaruly, A. Abilova, A. Syzdykov, Kh. Moldamurat (Author)
Бұл жұмыс Creative Commons Attribution-Коммерциялық емес 4.0 халықаралық лицензиясы.
