Л. В. Илларионова

Детальная_Инф:  Да
Автор1:  Л. В. Илларионова
Афиилиация1:  Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация
Автор2:  А. С. Степанов
Афиилиация2:  Дальневосточный научно-исследовательский институт сельского хозяйства, с. Восточное, Хабаровский край, Российская Федерация
Автор3:  К. Н. Дубровин
Афиилиация3:  Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация
Автор4:  Е. А. Фомина
Афиилиация4:  Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация
Название статьи:  Аппроксимация временных рядов NDVI сплайнами и рядом Фурье для мультисенсорной классификации пахотных земель Хабаровского края
Рубрика:  Дистанционное зондирование земли, фотограмметрия
Начало_Страница:  46
Конец_Страница:  55
УДК:  [528.8:519.651]+631.4
DOI:  https://doi.org/10.33764/2411-1759-2026-31-4-46-55
Год:  2026
Номер:  4
Том:  31
Ключевые слова_RU:  классификация, аппроксимация, пахотные земли, машинное обучение, спутниковый мониторинг
Ключевые слова_EN:  classification, fitting, cropland, machine learning, satellite monitoring
Библиографический список:  1. Денисов П. В., Трошко К. А., Лупян Е. А., Толпин В. А. Возможности и опыт использования информационной системы Вега-PRO для мониторинга сельскохозяйственных земель. Вычислительные технологии. 2022. Т. 27, № 3. С. 66–83. DOI: 10.25743/ICT.2022.27.3.006. 2. Berra E. F., Fontana D. C., Yin F., Breunig F. M. Harmonized Landsat and Sentinel-2 Data with Google Earth Engine. Remote Sensing. 2024. V. 16. Article 2695. 3. Blickensdörfer L., Schwieder M., Pflugmacher D. et al. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment. 2022. V. 269. Article 112831. DOI:10.1016/j.rse.2021.112831. 4. Yan S., Yao X., Zhu D., et al. Large-scale crop mapping from multi-source optical satellite imageries using machine learning with discrete grids. International Journal of Applied Earth Observation and Geoinformation. 2021. V. 103. Article 102485. DOI:10.1016/j.jag.2021.102485. 5. Abdali E., Valadan Zoej M. J., Taheri Dehkordi A., Ghaderpour E. A Parallel-Cascaded Ensemble of Machine Learning Models for Crop Type Classification in Google Earth Engine Using Multi-Temporal Sentinel-1/2 and Landsat-8/9 Remote Sensing Data. Remote Sensing. 2024. V.16(1). Article 127. DOI:10.3390/rs16010127. 6. Xu C., Katchova A. L. Predicting Soybean Yield with NDVI Using a Flexible Fourier Transform Model. Journal of Agricultural and Applied Economics. 2019. V. 51(3). P. 402–416. DOI:10.1017/aae.2019.5. 7. Cai Z., Jönsson P., Jin H., Eklundh L. Performance of Smoothing Methods for Reconstructing NDVI Time-Series and Estimating Vegetation Phenology from MODIS Data. Remote Sensing. 2017. V. 9(12). Article 1271. DOI: 10.3390/rs9121271. 8. Павлова М. А., Сидорчук Д. С., Бочаров Д. А. Классификация сельскохозяйственных культур на основе анализа временных рядов вегетационного индекса с понижением их размерности. Сенсорные системы. 2023. Т. 37, № 2. С. 171–180. DOI:10.31857/S023500922302004X. 9. Воробьёва Н. С., Чернов А. В. Аппроксимация временных рядов NDVI в задаче раннего распознавания видов сельскохозяйственных культур по космическим снимкам. Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). Самара: Новая техника, 2017. С. 390–399. 10. Scharlemann J. P.W, Benz D., Hay S. I. et al. Global Data for Ecology and Epidemiology: A Novel Algorithm for Temporal Fourier Processing MODIS Data. PLoS ONE. 2008. V. 3(1). Article 1408. DOI: 10.1371/journal.pone.0001408. 11. Pipia L., Belda S., Franch B., Verrelst J. Trends in Satellite Sensors and Image Time Series Processing Methods for Crop Phenology Monitoring. Information and Communication Technologies for Agriculture—Theme I: Sensors. Springer Optimization and Its Applications. V. 182. Cham: Springer, 2022. DOI: 10.1007/978-3-030-84144-7_8. 12. Zeng L., Wardlow B. D., Xiang X. et al. A review of vegetation phenological metrics extraction using time-series, multispectral satellite data. Remote Sensing of Environment. 2020. V. 237. Article 111511. 13. Li N., Zhan P., Pan Y. et al. Comparison of Remote Sensing Time-Series Smoothing Methods for Grassland Spring Phenology Extraction on the Qinghai–Tibetan Plateau. Remote Sensing. 2020. V.12(20). Article 3383. DOI: 10.3390/rs12203383. 14. Atzberger C., Eilers P. H. C. A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America. International Journal of Digital Earth. 2011. V.4(5). P. 365–386. DOI: 10.1080/17538947.2010.505664. 15. Илларионова Л. В., Степанов А. С., Дубровин К. Н. и др. Опыт использования данных прибора КМСС КА «Метеор-М» № 2 для задач мониторинга сельскохозяйственных угодий юга Хабаровского края. Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22, № 1. С. 81–92. DOI: 10.21046/2070-7401-2025-22-1-81-92. 16. Лупян Е. А., Прошин А. А., Бурцев М. А. и др. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг»). Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151-170. DOI:10.21046/2070-7401-2019-16-3-151-170. 17. Hang H., Yao X., Li Q., Artiles M. Cubic B-Spline Curves with Shape Parameter and Their Applications. Mathematical Problems in Engineering. 2017. Article 3962617. DOI:10.1155/2017/3962617. 18. Степанов А. С., Фомина Е. А., Илларионова Л. В. и др. Аппроксимация временных рядов индексов вегетации (NDVI и EVI) для мониторинга сельхозкультур (посевов) Хабаровского края. Информатика и автоматизация. 2023. Т. 22, № 6. С. 1473–1498. DOI: 10.15622/ia.22.6.8.
Образец цитирования:  Илларионова Л. В., Степанов А. С., Дубровин К. Н., Фомина Е. А. Аппроксимация временных рядов NDVI сплайнами и рядом Фурье для мультисенсорной классификации пахотных земель Хабаровского края. Вестник СГУГиТ. 2026. Т. 31, № 4. С. 46–55. https://doi.org/10.33764/2411-1759-2026-31-4-46-55
Ссылка:  /upload/vestnik/sborniki/2026/31_4/46-55.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  К. Н. Дубровин
Афиилиация1:  Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация
Автор2:  Л. В. Илларионова
Афиилиация2:  Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация
Автор3:  А. С. Степанов
Афиилиация3:  Дальневосточный научно-исследовательский институт сельского хозяйства, с. Восточное, Хабаровский край, Российская Федерация
Название статьи:  Решение задач идентификации сельскохозяйственных культур и актуализации границ сельскохозяйственных полей (на примере Хабаровского муниципального района)
Рубрика:  Дистанционное зондирование земли, фотограмметрия
Начало_Страница:  48
Конец_Страница:  58
УДК:  528.44:631 (571.620)
DOI:  10.33764/2411-1759-2025-30-1-48-58
Год:  2025
Номер:  1
Том:  30
Ключевые слова_RU:  цифровое земледелие, спутниковый мониторинг, земли сельскохозяйственного назначения, дистанционное зондирование, машинное обучение, временные ряды NDVI, распознавание посевов
Ключевые слова_EN:  digital agriculture, satellite monitoring, agricultural lands, remote sensing, machine learning, NDVI time series, crop recognition
Библиографический список:  1. Единая федеральная информационная система о землях сельскохозяйственного назначения [Электронный ресурс]. – Режим доступа: https://efis.mcx.ru/landing.
2. Буланов К. А., Денисов П. В., Лупян Е. А., Мартьянов А. С., Середа И. И., Трошко К. А., Толпин В. А., Барталев С. А., Хвостиков С. А. Блок работы с данными дистанционного зондирования Земли Единой федеральной информационной системы о землях сельскохозяйственного назначения // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16. – № 3. – С. 171–182. – DOI 10.21046/2070-7401-2019-16-3-171-182. – EDN: SXGLGW.
3. Козубенко И. С., Бегляров Р. Р., Вандышева Н. М., Бабак В. А., Денисов П. В., Трошко К. А. Использование материалов дистанционного зондирования Земли в Единой федеральной информационной системе о землях сельскохозяйственного назначения (ЕФИС ЗСН) // Материалы 2-й Всерос. науч. конф. с междунар. участием «Применение средств дистанционного зондирования Земли в сельском хозяйстве» : сб. материалов (Санкт-Петербург, 26–28 сентября 2018 г.).– СПб. : ФГБНУ АФИ, 2018. – С. 19–25.
4. Лупян Е. А., Прошин А. А., Бурцев М. А. и др. Система «Вега-Science»: особенности построения, основные возможности и опыт использования // Современные проблемы дистанционного зондирования Земли из космоса. –2021.– Т. 18. – № 6. – С. 9–31. – DOI 10.21046/2070-7401-2021-18-6-9-31. – EDN: SXGLGW.
5. Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – № 16 (6). – С. 143–154. – DOI 10.21046/2070-7401-2019-16-6-143-154. – EDN INHUAN.
6. Meng S., Wang X., Hu X., Luo C., Zhong Y. Deep learning-based crop mapping in the cloudy season using one-shot hyperspectral satellite // Computers and Electronics in Agriculture. – 2021. – Vol.186. –106188. – DOI 10.1016/j.compag.2021.106188. – EDN WZNVKP.
7. Казяк Е. В., Лещенко А. В. Спектральные преобразования космических снимков Landsat 8 для картографирования растительности агроэкосистем // Интерэкспо ГЕО-Сибирь-2015. XI Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 13–25 апреля 2015 г.). – Новосибирск : СГУГиТ, 2015. Т. 1. – С. 79–83. – EDN TRLCIR.
8. Gómez C., White J. C., Wulder M. A. Optical remotely sensed time series data for land cover classification: A review // ISPRS Journal of Photogrammetry and Remote Sensing. – 2016. – Vol. 1162016. – P. 55–72. – DOI 10.1016/j.isprsjprs.2016.03.008. – EDN WVHHGL.
9. Asgarian A., Soffianian A., Pourmanafi S. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery // Computers and Electronics in Agriculture. – 2016. – Vol. 127. – P. 531–540. – DOI 10.1016/j.compag.2016.07.019.
10. Erdanaev E., Kappas M., Wyss D. Irrigated Crop Types Mapping in Tashkent Province of Uzbekistan with Remote Sensing-Based Classification Methods // Sensors. – 2022. – Vol. 22. – 5683. – DOI 10.3390/s22155683. – EDN ZTUUVK.
11. Hao P., Tang H., Chen Z., Yu L., Wu M. High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data // Journal of Integrative Agriculture. – 2019. – Vol. 18 (12). – P. 2883–2897. – DOI 10.1016/S2095-3119(19)62599-2. – EDN AKMPVA.
12. Jonsson P., Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data // IEEE Transactions on Geoscience and Remote Sensing. – 2002. – Vol. 40 (8). – P. 1824–1832. – DOI 10.1109/TGRS.2002.802519.
13. Yang Y. P., Luo J. C., Huang Q. T., Wu W., Sun Y. W. Weighted double-logistic function fitting method for reconstructing the high-quality Sentinel-2 NDVI time series data set // Remote Sensing. – 2019. – Vol. 11. – 18. – DOI 10.3390/rs11202342.
14. Berger A., Ettlin G., Quincke C., Rodríguez-Bocca P. Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical // Computers and Electronics in Agriculture. – 2019. – Vol. 161. – P. 305–311. – DOI 10.1016/j.compag.2018.04.028. – EDN LHKBDT.
15. Zhou J., Jia L., Menenti M. Reconstruction of global MODIS NDVI time series: Performance of Harmonic ANalysis of Time Series (HANTS) // Remote Sensing of Environment. – 2015. –Vol. 163. – P.217–228. – DOI 10.1016/j.rse.2015.03.018. – EDN UTCNMX.
16. Atkinson P. M., Jeganathan C., Dash J., Atzberger C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology // Remote Sensing of Environment. – 2012. – Vol. 123. – P. 400–417. – DOI 10.1016/j.rse.2012.04.001.
17. Rasterio: access to geospatial raster data – Rasterio documentation [Electronic resource]. – URL: https://rasterio.readthedocs.io/en/stable.
18. The Open Source Geospatial Foundation [Electronic resource]. – URL: https://www.osgeo.org/.
19. Scikit-learn: machine learning in Python – scikit-learn 1.4.2 documentation [Electronic resource]. – URL: https://scikit-learn.org/stable.
Образец цитирования:  Дубровин К. Н., Илларионова Л. В., Степанов А. С. Решение задач идентификации сельскохозяйственных культур и актуализации границ сельскохозяйственных полей (на примере Хабаровского муниципального района) // ВестникСГУГиТ. – 2025. – Т. 30, № 1. – С. 48–58. – DOI 10.33764/2411-1759-2025-30-1-48-58
Ссылка:  /upload/vestnik/sborniki/2025/30_1/48-58.pdf
Читать далее