Дослідження методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод
DOI:
https://doi.org/10.33216/1998-7927-2022-271-1-11-17Ключові слова:
моніторинг водних поверхонь, індекс вологості, нормалізований диференційований індекс вологості, класифікація геопросторових зображеньАнотація
Поверхневі води є важливими природнім ресурсом та відіграють важливу роль в багатьох аспектах людського життя, таких як питна вода, сільське господарство, виробництво електроенергії, транспорт та промисловість. Зміни поверхневих вод впливають на інші природні ресурси та навколишнє середовище. Це обумовлює важливість якісного визначення обсягу поверхневих вод і відстеження їх динаміки. Останнім часом дедалі більшої популярності набувають методи аналізу поверхневих вод на основі супутникових зображень. В роботі досліджені можливості і перспективи використання методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод. Визначено та формалізовано етапи моніторингу поверхневих вод на основі геопросторових зображень. Визначено класифікацію методів виділення даних водної поверхні з геопросторових зображень, що включає методи на основі спектральних діапазонів, методи контрольованої класифікація на основі методів машинного навчання та методи неконтрольованої класифікації на основі індексів води. Розглянуто особливості просторово-часового аналізу поверхневих вод та критеріїв оцінки його точності.Ключовим критерієм оцінки точності є загальна точність класифікації зображень, однак, доцільно використовувати декілька специфічних критеріїв оцінки, таких як коефіцієнт узгодженості MICE, точність виробника, точність користувача, для отримання надійнішої оцінки. Проведено дослідження можливостей аналізу поверхневих вод на основі водного індексу на прикладі озера Піщане Луганської області в період водопілля 2018-2019 років. Дослідження можливостей аналізу поверхневих вод на основі водного індексу з застосуванням нормованого диференційованого індексу вологості території озера Піщане дозволило виявити певну невизначеність при підборі порогових значень для ефективного диференціювання. Також, виявлено суттєву залежність методу від факторів атмосферних умов, таких як хмарність, туман, задимленість або температурна інверсія на момент зйомки геопросторового зображення, що обумовлює необхідність атмосферної корекції супутникових даних до рівня обробки L2A.
Посилання
1. Su Z., Yacob A., Wen J., Roerink G., He Y., Gao B. Voogaard H., van Diepen C. Assessing relative soil moisture with remote sensing data: theory, experimental validation, and application to drought monitoring over the North China Plain. Physics and Chemistry of the Earth, Parts A/B/C. – 2003. – Т. 28. – №. 1-3. – С. 89-101.
2. Crétaux J.F., Jelinski W., Calmant S., Kouraev A., Vuglinski V., Bergé-Nguyen M., Gennero M.-C., Nino F., Del Rio Abarca R., Cazenave A. SOLS: A lake database to monitor in the Near Real Time water level and storage variations from remote sensing data. Advances in space research. – 2011. – Т. 47. – №. 9. – С. 1497-1507.
3. Ines A.V., Honda K., Gupta A.D., Droogers P., Clemente R.S. Combining remote sensing-simulation modeling and genetic algorithm optimization to explore water management options in irrigated agriculture. Agricultural water management. – 2006. – Т. 83. – №. 3. – С. 221-232.
4. Feng Q., Liu J., Gong J. Urban flood mapping based on unmanned aerial vehicle remote sensing and random forest classifier – A case of Yuyao, China. Water. – 2015. – Т. 7. – №. 4. – С. 1437-1455.
5. Andres L., Boateng K., Borja-Vega C., Thomas E. A review of in-situ and remote sensing technologies to monitor water and sanitation interventions. Water. – 2018. – Т. 10. – №. 6. – С. 756.
6. Jain S. K., Singh V. P. Water resources systems planning and management. – Elsevier, 2003.
7. Jiang H., Feng M., Zhu Y., Lu N., Huang J., Xiao T. An automated method for extracting rivers and lakes from Landsat imagery. Remote Sensing. – 2014. – Т. 6. – №. 6. – С. 5067-5089.
8. Rundquist D.C., Lawson M.P., Queen L.P., Cerveny R.S. The relationship between summer-season rainfall events and lake-surface area. JAWRA Journal of the American Water Resources Association. – 1987. – Т. 23. – №. 3. – С. 493-508.
9. Lu D., Weng Q. A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing. – 2007. – Т. 28. – №. 5. – С. 823-870.
10. Otukei J. R., Blaschke T. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation. – 2010. – Т. 12. – С. S27-S31.
11. Acharya T. D., Lee D. H., Yang I. T., Lee, J. K. Identification of water bodies in a Landsat 8 OLI image using a J48 decision tree //Sensors. – 2016. – Т. 16. – №. 7. – С. 1075.
12. Olthof I. Mapping seasonal inundation frequency (1985–2016) along the St-John River, New Brunswick, Canada using the Landsat archive. Remote Sensing. – 2017. – Т. 9. – №. 2. – С. 143.
13. Frazier P.S., Page K.J. Water body detection and delineation with Landsat TM data. Photogrammetric engineering and remote sensing. – 2000. – Т. 66. – №. 12. – С. 1461-1468.
14. Bastiaanssen W. G. M. et al. Remote sensing in water resources management: The state of the art. – International Water Management Institute, 1998.
15. Nageswara Rao P. P., Mohankumar A. Cropland inventory in the command area of Krishnarajasagar project using satellite data. Remote sensing. – 1994. – Т. 15. – №. 6. – С. 1295-1305.
16. McFeeters S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing. – 1996. – Т. 17. – №. 7. – С. 1425-1432.
17. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing. – 2006. – Т. 27. – №. 14. – С. 3025-3033.
18. Feyisa G. L., Meilby H., Fensholt, R., Proud S. R. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment. – 2014. – Т. 140. – С. 23-35.
19. Domenikiotis C., Dalezios N. R., Loukas A., Karteris M. Agreement assessment of NOAA/AVHRR NDVI with Landsat TM NDVI for mapping burned forested areas. International Journal of Remote Sensing. – 2002. – Т. 23. – №. 20. – С. 4235-4246.
20. Chen F., Chen X., Van de Voorde T., Roberts D., Jiang, H., Xu W. Open water detection in urban environments using high spatial resolution remote sensing imagery. Remote Sensing of Environment. – 2020. – Т. 242. – С. 111706.
21. Li W., Du Z., Ling F., Zhou D., Wang H., Gui Y., Sun B., Zhang X. A comparison of land surface water mapping using the normalized difference water index from TM, ETM+ and ALI. Remote Sensing. – 2013. – Т. 5. – №. 11. – С. 5530-5549.
22. Du Z., Linghu B., Ling F., Li W., Tian W., Wang H. et al. Estimating surface water area changes using time-series Landsat data in the Qingjiang River Basin, China. Journal of Applied Remote Sensing. – 2012. – Т. 6. – №. 1. – С. 063609.
23. Pan F., Xi X., Wang C. A comparative study of water indices and image classification algorithms for mapping inland surface water bodies using Landsat imagery. Remote Sensing. – 2020. – Т. 12. – №. 10. – С. 1611.
24. Rokni K., Ahmad A., Selamat A., Hazini, S. Water feature extraction and change detection using multitemporal Landsat imagery. Remote sensing. – 2014. – Т. 6. – №. 5. – С. 4173-4189.
25. Huang C., Zan X., Yang X., Zhang S. Surface water change detection using change vector analysis. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). – IEEE, 2016. – С. 2834-2837.
26. G. Shao, L. Tang, H. Zhang Introducing Image Classification Efficacies IEEE Access, 9 (2021), pp. 134809-134816, 10.1109/ACCESS.2021.3116526
27. EO Browser. Apps.sentinel-hub.com URL: https://apps.sentinel-hub.com/eo-browser (дата звернення 10.01.2022)
28. EarthExplorer. Earthexplorer.usgs.gov. URL: https://earthexplorer.usgs.gov/ (дата звернення 10.01.2022)
29. OneGeology. Portal.onegeology.org URL: http://portal.onegeology.org/ (дата звернення 10.01.2022)
30. QGIS – A Free and Open Source Geographic Information System. Qgis.org. URL: https://www.qgis.org (дата звернення 10.01.2022)
31. Giovanni. The Bridge Between Data and Science. Giovanni.gsfc.nasa.gov. URL: https://giovanni.gsfc.nasa.gov (дата звернення 10.01.2022).
