Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì最新文献

{"title":"Методика класифікування об’єктів на аеро- та космічних зображеннях в умовах низької розділимості розпізнавальних ознак","authors":"Артем Андрійович Андреєв","doi":"10.36023/ujrs.2023.10.3.244","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.244","url":null,"abstract":"Методи класифікування використовуються в дистанційному дослідженні Землі (ДЗЗ) для дослідження природних ресурсів, моніторингу довкілля та вирішення багатьох інших задач. Також, вони відіграють важливу роль у залученні даних ДЗЗ до вирішення завдань, пов’язаних із досягненням цілей сталого розвитку. Серед них контрольовані та неконтрольовані методи класифікування об’єктів на аеро- та космічних зображеннях. Але для більшості тематичних задач ДЗЗ доцільним є використання саме контрольованих методів класифікування, тому що розглянуті задачі потребують задання ознак вихідних класів. В контрольованих методах класифікування ознаки задаються навчальною вибіркою. Серед відомих підходів до обробки навчальної вибірки можна виділити наступні: кластерна вибірка; підходи, що дозволяють зменшити розмірність навчальної вибірки; підходи, що виявляють репрезенти, які були віднесені до вибірки не того класу, якому відповідає їхня класова приналежність. Проте, їх спільним недоліком є те, що вони не враховують фактор розділимості навчальної вибірки. Дана властивість безпосередньо впливає на достовірність класифікування. В дослідженні запропоновано методику, метою якої є підвищення достовірності класифікування об’єктів на аеро- та космічних зображеннях шляхом підвищення розділимості навчальної вибірки. Дана методика включає в себе метод оцінювання розділимості навчальної вибірки. При цьому, є можливість оцінити розділимість як двох окремих класів, так і всього набору навчальної вибірки в цілому. Розроблена методика має дві гілки застосування: зменшення розмірності навчальної вибірки та кластеризація навчальної вибірки. В дослідженні було експериментально перевірено ефективність даної методики на трьох прикладах. В двох прикладах застосування методики полягало в кластеризації навчальної вибірки. В одному з цих прикладів загальна точність класифікації зросла на 4 % (з 77% до 81%), а в другому – на 20% (з 63% до 83%). До третього прикладу було застосовано зменшення розмірності навчальної вибірки. Результатом чого стало зменшення розмірності вхідних даних зі 167 до 57 шарів, тобто розмірність зменшилася у 2.92 рази. Також, було підвищено загальну точність класифікування на 2% (з 91% до 93%).","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"15 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135247932","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Comparison of multi-temporal and multi-methodical aquatic environmental assessments (on the example of the Pripyat River for 1999 and 2022)","authors":"Oleksandr Fedorovskyi, Anna Khyzhniak, Olga Tomchenko, Alla Bondarenko","doi":"10.36023/ujrs.2023.10.3.246","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.246","url":null,"abstract":"The article uses the example of the Pripyat River to examine the methodological features and conditions for comparing multi-temporal and multi-methodological (obtained by different methods) assessments of the ecological state of the aquatic environment. Thus, when comparing the current ecological state (for 2022) of the Prypiat River, obtained by the statistical criterion (SC) method with the ecological state of the river in 1999, obtained by the method of aquatic plant groups (APG), it is proposed to form virtual standards of the SC method on the basis of reference sites of previous assessments of the ecological state of the river (1999). A comparison of the ecological state of the Pripyat River in 2022 and 1999 showed significant changes in the structure of water quality in 2022 compared to 1999, namely a decrease in dirty areas and an increase in moderately polluted and clean areas. The study confirms the validity of the proposed method of comparing multi-temporal and multi-methodological aquatic environmental assessments.","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"20 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135247933","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Методика підвищення інформативності космічних знімків, отриманих за допомогою багатополяризаційного радару з синтезованою апертурою","authors":"Артур Ростиславович Лисенко","doi":"10.36023/ujrs.2023.10.3.243","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.243","url":null,"abstract":"Інформативність космічних знімків – невід’ємна складова, яка визначає придатність супутникових даних до вирішення тематичних задач, а її підвищення є актуальною задачею сьогодення. Радарні засоби дистанційного зондування Землі дозволяють, на противагу оптичним системам, вести знімання за умов хмарності і вночі. В роботі встановлено та описано взаємозв’язок між просторовою розрізненністю зображення та його інформативністю, на основі чого зроблено висновок про доцільність підвищення просторової розрізненності як важливішої складової інформативності космічного знімку. Для попередньої обробки радарних даних наведено відповідний алгоритм. В статті описується проблематика неузгодженості різнополяризаційних радарних даних. Застосовуються удосконалені моделі зворотного радарного розсіювання з використанням спеціальної цільової функції для перетворення радарних даних в єдиний фізичний показник. В якості такого показника обрано діелектричну проникність земної поверхні. До перетворених в діелектричну проникність знімків застосовується алгоритм підвищення просторової розрізненності набору субпіксельно-зміщених зображень. В результаті отримується просторовий розподіл діелектричної проникності у формі зображення підвищеної розрізненності. Для кількісної оцінки просторової розрізненності застосовується просторово-частотний аналіз з параметризацією експериментально визначеної перехідної характеристики. Кількісна оцінка просторової розрізненності оброблених реальних двохполяризаційних радіолокаційних зображень супутникової системи Sentinel-1 продемонструвало її підвищення на 38,63 %. Описаний підхід до підвищення інформативності радарних даних, всі необхідні моделі та алгоритми об’єднано в єдину методику підвищення інформативності космічних знімків, отриманих за допомогою багатополяризаційного радару з синтезованою апертурою.","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"37 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135247935","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Vertical displacement monitoring technique using radar interferometry data","authors":"Tetiana Orlenko","doi":"10.36023/ujrs.2023.10.3.247","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.247","url":null,"abstract":"All phenomena and processes occurring on the Earth's surface are closely related. Earth is characterized by internal and external planetary geological processes, which, throughout the entire geological development of the Earth, lead to its change. The speed and scale of geological processes change in time and space due to climatic changes. Changes are divided into long-term and momentary ones, which cause catastrophic phenomena, including landslides. An essential component of geoecological research is monitoring landslide processes using data from remote sensing of the Earth. The possibility of remote geoecological monitoring of landslide processes using satellite radar interferometry has been investigated, tested and experimentally substantiated. The right bank of the Kaniv Reservoir, with many registered landslides, was chosen as the test site. The results of the activity of vertical displacements of landslides for the spring period from 2015 to 2023 were obtained. Nine test sites and five control, stable areas affected by active surface deformations were investigated using 45 Sentinel-1A images. Geoecological monitoring of the activation of landslide processes at a detailed level was carried out using Sentinel-1 satellite images, a digital terrain model (DEM), topographic maps of various scales, and geological maps of Quaternary and pre-Quaternary structures. The advantage of the study of landslide processes by remote methods is the ability to quickly, on large areas, with relatively high accuracy and minimal economic costs, solve the problems of environmental protection to ensure the sustainable development of the environment and society.","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"28 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135247938","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Modeling fires based on the results of correlation analysis","authors":"Olga Butenko, Anna Topchiy","doi":"10.36023/ujrs.2023.10.3.245","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.245","url":null,"abstract":"In order to monitor and study in more detail the causes and probability of the occurrence and spread of fires in the east of Ukraine in the combat zone, mathematical modeling of the factors influencing the occurrence of fires based on linear regression was performed in this study. The initial assessment of a priori information presented in a discrete form is a time—consuming process. A large dataset with a time interval requires application of ready—made methods and solutions. By applying statistical analysis techniques and historical analogies, it becomes possible to visually and graphically evaluate the initial data. This evaluation serves as the foundation for classifying factors, which enables their division into samples for subsequent analysis and modeling.The expediency of application of correlation analysis is demonstrated by its ability to establish and illustrate the connections between fires and hostilities across different time intervals. To examine the connection between fires and the factors contributing to their occurrence, the widely used method of linear regression was applied, which is common in solving problems of ecological monitoring of the Earth.Consequently, a program code was developed to provide the implementation of the linear regression algorithm. Since a large data set requires ready—made mathematical tools with a visualization function, therefore, the Python programming language was chosen as a tool for mathematical modeling of fires in eastern Ukraine caused by ongoing active hostilities. To facilitate simulation, random variables are partitioned with a distribution ratio of 40% for testing models and 60% for training models. The visual materials in this study encompass the initial data for subsequent analysis, the outcomes of data set partitioning, and their corresponding models. The tabular data comprises quantitative assessments of test and training models, serving as a basis for decision—making regarding the degree to which prediction results align with the study's objectives. These quantitative evaluations of prediction outcomes highlight the necessity of a comprehensive initial set of factors influencing fire initiation, along with their qualitative and quantitative classification. The implementation of the mathematical algorithm confirms the ease of application of regression methods.However, when employing regression analysis to model fires without prior knowledge, it highlights the importance of conducting supplementary analysis through other established methods and synthesizing additional data. This can be achieved by utilizing interval estimates with the aid of fuzzy logic.","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135248076","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Correlation of satellite-based LAI and actual crop yield","authors":"Оleksandr Kryvoshein, Оleksii Kryvobok, Olena Kozhushko","doi":"10.36023/ujrs.2023.10.3.238","DOIUrl":"https://doi.org/10.36023/ujrs.2023.10.3.238","url":null,"abstract":"The main objective of this article was to investigate the correlation between actual crop yield and Sentinel-2 Leaf Area Index (LAI) for the further possibility of predict model creating. To do so, the following steps have been done. Step 1 – the dataset of actual crop yield was collected for 2364 fields in Ukraine represented with maize, soy, sunflower, winter wheat, winter rapeseed and winter barley. Step 2 – the dataset of Sentinel-2 LAI was collected for 2016-2018 period according to the actual crop yield available. Step 3 – LAI preprocessing (spatial averaging, temporal interpolation/extrapolation to fill the time series gaps, smoothing time series dynamics, temporal averaging). In order to accomplish the process of filling the gaps for the LAI time series, the regular time series dynamics of LAI with a 1-day interval were created using 4 methods: linear interpolation, spline interpolation, LOCF (Last Observation Carried Forward) and ARIMA (AutoRegressive Integrated Moving Average). The time series smoothing process have been accomplish using the local polynomial regression (LOESS) function with different degrees of smoothing. The LAI dynamics preprocessing step did not strongly affect the improvement of the correlation coefficients. Thus, the smoothing process for the time series LAI dynamics at the 0.1 degree of smoothing according to the LOCF and ARIMA gap-filling methods of improved correlation coefficients by 0.01 on average. Step 4 – actual yield values were related to preprocessed satellite-based LAI (correlation of actual yields and LAI). A strong relationship was not indicated (with averaged by vegetation periods correlation coefficient of 0.4 for maize, 0.52 – soy, 0.39 – sunflower, 0.86 – winter barley, 0.54 – winter rapeseed and 0.5 – winter wheat). Since the reliability of obtained correlation coefficients also depends on how many observed data points were in the sample, the hypothesis test of the \"significance of the correlation coefficient\" has been performed and shows the significance level of p < 0.05 for all crops except winter barley (there is insufficient evidence to conclude that high correlation coefficient of 0.86 for this crop is significant). The average correlation coefficient for all crops is about 0.5 (p < 0.05) which is considered low/moderate. Thus, an attempt to create a linear crop yield prediction model using only Leaf Area Index (LAI) derived from Sentinel-2 will not be effective (based on the cases considered).","PeriodicalId":493501,"journal":{"name":"Ukraïnsʹkij žurnal distancìjnogo zonduvannâ Zemlì","volume":"43 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135247936","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}