vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru https://doi.org/10.33764/2411-1759-2026-31-4-46-55 Дистанционное зондирование земли, фотограмметрия Аппроксимация временных рядов NDVI сплайнами и рядом Фурье для мультисенсорной классификации пахотных земель Хабаровского края Л. В. Илларионова Илларионова Л. В. А. С. Степанов Степанов А. С. К. Н. Дубровин Дубровин К. Н. Е. А. Фомина Фомина Е. А. Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация Дальневосточный научно-исследовательский институт сельского хозяйства, с. Восточное, Хабаровский край, Российская Федерация 2026 31 4 46 55 © Л. В. Илларионова, А. С. Степанов, К. Н. Дубровин, Е. А. Фомина, 2026 2026 Л. В. Илларионова, А. С. Степанов, К. Н. Дубровин, Е. А. Фомина Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Объединение данных разных спутниковых систем используется для повышения точности классификации пахотных земель. Применение сезонных временных рядов мультиспектральных данных Sentinel-2, Landsat-8/9 на региональном уровне может быть затруднено из-за высокой разреженности данных, обусловленной облачными явлениями. В статье рассмотрен подход к подготовке непрерывных временных рядов NDVI, основанный на аппроксимации кубическим сплайном (SP) и рядом Фурье (DF). Для пахотных земель Хабаровского края в период со 121-го по 296-й календарный день 2022–2024 гг. были построены аппроксимированные сезонные временные ряды NDVI по данным спутников Sentinel-2 и Landsat-8/9, с помощью ЦКП «ИКИ-мониторинг», рассчитаны значения еженедельных композитов NDVI по данным Метеор-М. В качестве входных параметров для классификации пяти классов (соя, зерновые культуры, гречиха, многолетние травы, залежь) пахотных земель использовались наборы данных значений аппроксимированных рядов NDVI по данным спутников Sentinel-2 и Landsat-8/9, приведенных к разрешению 60 м, а также синхронизированных данных по трем спутникам. Классификация проводилась на основе метода случайного леса (Random Forest). По результатам трехкратной кросс-валидации было установлено, что достоверных различий в общей точности (ОА) классификации при применении SP и DF не выявлено: при этом значимое влияние на точность оказывает год наблюдения и выбранный датасет. Общая точность классификации пахотных земель Хабаровского края на основе мультисенсорных данных (95,0 %) достоверно больше, чем с использованием данных Landsat (90,4 %), и незначительно выше общей точности для Sentinel (94,3 %). Значения F1-меры для разных классов пахотных земель также зависели от классифицируемого года, и в большинстве случаев применение синхронизированных данных трех спутников демонстрировало более высокие значения показателя в сравнении с отдельными спутниками. По результатам проведенной классификации в 2022–2024 гг. были построены карты-схемы пахотных земель Хабаровского края. классификация аппроксимация пахотные земли машинное обучение спутниковый мониторинг classification fitting cropland machine learning satellite monitoring 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.