В данной работе исследуется вопрос классификации серии космических снимков для анализа процессов выращивания сельскохозяйственных культур с использованием спектральных каналов минимальной размерности. В данном исследовании делается попытка дать частичный ответ на вопрос: как гораздо быстрее и с высокой точностью выявлять проблемы в процессах выращивания? В статье сообщаются результаты исследования, проведенного с целью определения существующих методов и средств спектрального анализа мультиспектральных космических изображений для решения прогнозно-поисковых задач картографирования сельскохозяйственных объектов. Настоящая работа расширяет использование общего процесса классификации изображений посредством вычислительной процедуры ранжирования спектральных каналов в соответствии со значением спектральной информации. Разработана структура правила классификации на основе показателей информативности спектральных каналов. Предлагаемый прототип системы геопространственного распознавания обеспечит цифровую стратификацию ландшафтного плана.

Вакуленко Дарья Витальевна
Аспирант Волгоградского государственного технического университета
400005 г. Волгоград, проспект им. В.И. Ленина, д. 28
e-mail: dsvklnk@gmail.com.

Кравец Алла Григорьевна
Доктор технических наук, профессор кафедры САПРиПК Волгоградского государственного технического университета
400005 г. Волгоград, проспект им. В.И. Ленина, д. 28
e-mail: agk@gde.ru.

1. АстаховаТ.Н., Колбанев М.О., Романова А.А., Шамин А.А. Модель цифрового сельского хозяйства // International Journal of Open Information Technologies. – 2019. – Vol. 7. – No. 12. –P. 63–69.
2. Вакуленко Д.В., Кравец А.Г. Реинжиниринг бизнес-процессов агропромышленных предприятий в условиях сквозной цифровой трансформации // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2021. – № 3. – С. 115–125. DOI: 10.24143/2072-9502-2021-3-115-125.
3. ГафаровФ.М., Галимянов А.Ф. Искусственные нейронные сети и их приложения: учеб. пособие. – Казань : Изд-во Казанского университета, 2018. – 121 с.
4. Жиленев М.Ю. Обзор применения мультиспектральных данных ДЗЗ и их комбинаций при цифровой обработке // Геоматика. – 2009. – № 3.– С. 56–65.
5. КнижниковЮ.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований: учебник. – М., Академия, 2011. – 416 с.
6. Костикова А. Интерпретация комбинаций каналов данных Landsat TM/ETM + [Электронный ресурс] / GisLab. географические информационные системы и дистанционное зондирование. – 2005. — Режим доступа: http://gis-lab.info/qa/landsat-bandcomb.html (дата обращения: 13.09.2022).
7. МакаровВ.З., Гусев В.А., Шлапак П.А., Решетарова Д.А. Выбор оптимального метода распознавания сельскохозяйственных культур по космоснимкам высокого разрешения (на примере саратовского Заволжья) // Известия Саратовского университета. Новая серия. Сер.:  Науки о Земле. – 2020. – Т. 20. – № 3. – С. 162–170. DOI: https://doi.org/10.18500/1819-7663-2020-20-3-162-170.
8. Прогноз научно-технологического развития агропромышленного комплекса Российской Федерации на период до 2030 г. / Минсельхоз России; Нац. исслед. ун-т «Высшая школа экономики».– М. : НИУ ВШЭ, 2017. – 140 с.
9. ТарасовА.В., Шихов А.Н., Шабалина Т.В. Распознавание нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. – 2021. –Том 18. – № 3. – С. 51-64. DOI: 10.21046/2070-7401-2021-18-3-51-64.
10. ЧабанЛ.Н. Методы и алгоритмы распознавания образов при автоматизированной дешифрации данных ДЗЗ: учебное пособие. – М. : МИИГАиК, 2016. – 94 с.
11. ШиховА.Н., Герасимов А.П., Пономарчук А.И., Перминова Е.С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения [Электронный ресурс]: учеб. пособие. – Пермь : ПГНИУ, 2020. – 191 с. – Режим доступа: http://www.psu.ru/files/docs/science/books/uchebnie-posobiya/shikhov-gerasimov-ponomarchuk-perminova-tematicheskoe-deshifrovanie-i-interpretaciya-kosmicheskih-snimkov.pdf (дата обращения: 13.09.2022).
12. Golubev A., Sadovnikova N., Parygin D., Glinyanova I., Finogeev A., Shcherbakov M. Woody Plants Area Estimation using Ordinary Satellite Images and Deep Learning // Digital Transformation and Global Society. DTGS 2018 / Eds. D. Alexandrov, A. Boukhanovsky, A. Chugunov, Y. Kabanov, O. Koltsova. – (Communications in Computer and Information Science: vol. 858). – Cham : Springer, 2018. – P. 302–313. DOI:10.1007/978-3-030-02843-5_24.
13. Handbook on Remote Sensing for Agricultural Statistics [Электронный ресурс] / Global Strategy to improve Agricultural and Rural Statistics (GSARS). – Rome : GSARS Handbook, 2017. – 60 p.  – Режим доступа: https://www.ncfc.gov.in/publications/ppdf (дата обращения: 07.09.2021).
14. Kravets A.G., Kolesnikov S., Salnikova N., Lempert M., Poplavskaya O. The Study of Neural Networks Effective Architectures for Patents Images Processing // Creativity in Intelligent Technologies and Data Science. CIT&DS 2019 / Ed. A. Kravets, P. Groumpos, M. Shcherbakov, M. Kultsova. – (Communications in Computer and Information Science; vol. 1084). – Cham : Springer, 2019. – P. 27–41. DOI:10.1007/978-3-030-29750-3_3.
15. Prishchepov A.V., Radeloff V.C., Dubinin M., Alcantara C. The effect of Landsat ETM/ETM + image acquisition dates on the detection of agricultural land abandonment in Eastern Europe // Remote Sensing of Environment. – 2012. – Vol. 126. – P. 195–209. DOI: 10.1016/j.rse.2012.08.017.
16. Shcherbakov M.V., Brebels A., Shcherbakova N. L., Tyukov A. P., Janovsky T. A., Kamaev V. A. A Survey of Forecast Error Measures // World Applied Sciences Journal. – 2013. – Vol. 24. – P. 171–176. DOI:10.5829/idosi.wasj.2013.24.itmies.80032.
17. Sukhinov A., Isayev A., Nikitina A., Chistyakov A., Sumbaev V., Semenyakina A. Complex of Models, High-Resolution Schemes and Programs for the Predictive Modeling of Suffocation in Shallow Waters // Parallel Computational Technologies. PCT 2017 / Eds.   Sokolinsky, M. Zymbler. – (Communications in Computer and Information Science; vol. 753). – Cham : Springer, 2017. – P. 169–185. DOI:10.1007/978-3-319-67035-5_13.
18. Wang X., Wang J., Che T., Huang X., Hao X., Li H. Snow Cover Mapping for Complex Mountainous Forested Environments Based on a Multi-Index Technique // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2018. – Vol. 11. – Iss. 5. – P. 1433–1441. DOI:10.1109/JSTARS.2018.2810094.