Ретроспективна регіональна карта земного покриву для України: методологія побудови та аналіз результатів

Куссуль, НМ, Шелестов, АЮ, Скакун, СВ, 1Басараб, РМ, Яйлимов, БЯ, Лавренюк, МС, Колотій, АВ, Ящук, ДЮ
1Інститут космічних досліджень Національної академії наук України та Державного космічного агентства України, Київ Національний університет біоресурсів і природокористування України, Київ
Косм. наука технол. 2015, 21 ;(3):31–39
https://doi.org/10.15407/knit2015.03.031
Мова публікації: українська
Анотація: 

Пропонується методологія побудови ретроспективних карт земного покриву для території України, заснована на використанні інтелектуальних методів обробки супутникових даних, а саме нейромережевої класифікації часових рядів космічних знімків супутників «Landsat-4», «Landsat-5», «Landsat-7». Отримано карти грунтово-рослинного покриву для всієї території України за 1990, 2000 і 2010 рр. з середньою точністю класифікації 95 % (отриманою на незалежній тестовій вибірці).

Ключові слова: ДЗЗ, картографування, класифікація, нейронні мережі, супутникові зображення
References: 
1. Геопортал ESA CCI Land Cover products: a new generation of satellite-derived global land cover products. Електронний ресурс — режим доступу станом на 15.12.2014: http:// maps. elie. ucl. ac. be/ CCI/ viewer/ index.php.
2.  Геопортал Геологічної служби США (United States Geological Survey). Електронний ресурс — режим доступу станом на 15.12.2014: http:// earthexplorer. usgs. gov.
3. Державна служба статистики України: Статистичний щорічник України за 2010 рік. — Київ: ТОВ «Август Трейд», 2011. — 560 c.
4.  Изменения земных систем в Восточной Европе / Отв. ред. В. И. Лялько. — Киев, 2010. —582 с.
5.  Скакун С. В., Шелестов А. Ю., Яйлимов Б. Я. и др. Класифікація сільськогосподарських посівів з використанням часових рядів супутникових даних // Індуктивне моделювання складних систем. — 2014. — Вип. 6. — С. 157—166.
6.  Chander G., Markham B., Helder D. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors // Remote Sens. Environ. — 2009. — 113. — P. 893—903.
7. Chen J., Liao A., Cao X., et al. Global land cover mapping at 30m resolution: A POK-based operational approach // ISPRS J. Photogrammetry and Remote Sens. — 2015. — 103. — P. 7—27.
8. Foody G. Status of land cover classification accuracy assessment // Remote Sens. Environ. — 2002. — 80, N 1. — Р. 185—201.
9. Gallego J., Kussul N., Skakun S., et al. Efficiency assessment of using satellite data for crop area estimation in Ukraine // Int. J. Appl. Earth Observation and Geoinform. — 2014. — 29. — P. 22—30.
10. Giria C., Pengrab B., Longc J., Lovelanda T. R. Next generation of global land cover characterization, mapping, and monitoring // Int. J. Appl. Earth Observation and Geoinform. — 2013. — 25. — P. 30—37.
11. Kussul N., Skakun S., Shelestov A., et al. Crop clasification in Ukraine using satellite optical and SAR images // Models and Analyses. — 2013. — 2, N 2. — P. 118—128.
12. Kussul N., Skakun S., Shelestov A., Lavreniuk M. Large scale crop classification in Ukraine using multi-temporal Landsat-8 images with missing data // American Geophysical Union Fall Meeting (AGU 2014), San Francisco, USA, December 15-19, 2014.
13. Kussul N., Shelestov A., Skakun S. Grid and sensor web technologies for environmental monitoring // Earth Sci. Inform. —2009. — 2, N (1-2). — Р. 37—51.
14. Kussul N., Shelestov A., Skakun S. Technologies for satellite data processing and management within international disaster monitoring projects // Grid and Cloud Database Management/ Fiore, S.; Aloisio, G. (Eds.). — 2011, Springer — Р. 279—306.
15. Lavreniuk M., Kussul N., Skakun S.  Integrated use of multi-temporal SAR and optical satellite imagery for crop mapping in Ukraine // American Geophysical Union Fall Meeting (AGU 2014), San Francisco, USA, December 15—19, 2014.
16. Lucas survey European statisticians monitor territory. Електронний ресурс — режим доступу станом на 15.12.2014: http://www.uni-mannheim.de/edz/pdf/euro  stat/03/KS-AZ-03-001-EN-N-EN.pdf
17. Olofsson P., Foody G. M., Herold M., et al. Good practices for estimating area and assessing accuracy of land change // Remote Sens. Environ. — 2014. — 148. — P. 42—57.
18. Sánchez J. S., Barandela R., Marqués A. I. Analysis of new techniques to obtain quality training sets // Pattern Recognit Lett. — 2003. — 24, N 7. — Р.1015—1022.
19. Shelestov A., Kussul N., Skakun S. Grid technologies in monitoring systems based on satellite data // J. Automation and Inform. Sci. — 2006. — 38, N 3. — Р. 69—80.
20. Skakun S., Kussul N., Basarab R. Dealing with missing data in remote sensing images within land and crop classification // 40th COSPAR Scientific Assembly, (2—10 August 2014, in Moscow, Russia) — P. 3—14.
21. Skakun S., Kussul N., Basarab R. Restoration of missing data due to clouds on optical satellite imagery using neural networks // ESA SENTINEL-2 for Science Workshop, ESA-ESRIN, Frascati, Rome, Italy, 20-22 May 2014. Available at: http:// seom. esa. int/ S2forScience2014/ files/ 05_S2forScience-MethodsI_KUSSUL.pdf.
22. Skakun S. V., Basarab R. M. Reconstruction of missing data in time-series of optical satellite images using self-organizing Kohonen Maps // J. Automation and Inform. Sci. — 2014. — 46, N 12. — P. 19—26.

23. Warmerdam F. The geospatial data abstraction library// Open Source Approaches in Spatial Data Handling/ Eds.: G.B. Hall, M.G. Leahy. — Berlin: Springer, 2008. — Vol. 2. — P. 87—104.