574.3
Идентификация древесных видов растений является приоритетной задачей при проведении дистанционного мониторинга древесных насаждений в независимости от его целей. В последнее время растет число исследований по идентификации древесных растений методами спектрального фенотипирования. Вместе с тем идентификация древесных растений по их спектральным характеристикам остается сложной задачей. Одним из подходов к увеличению точности дистанционной идентификации растений является учет их фенологических различий. Целью исследования было проведение идентификации Acer platanoides, A. campestre, A. negundo, A. Saccharinum и A. Ibericum по спектральным характеристикам их листьев, представляющих подробный временной ряд за период вегетации и определение оптимального для идентификации периода в их фенологическом цикле. Исследование проводилось в лабораторных условиях, с использованием гиперспектральной камеры Cubert UHD-185. Идентификация видов кленов проводилась с помощью алгоритма случайного леса (RF) по пикселям. В качестве независимых переменных в RF модели использовались вегетационные индексы (ВИ). Было установлено, что наличие различий в фенологии видов является важной предпосылкой для их успешной идентификации. Наибольшая точность идентификации видов была достигнута в периоды весеннего развития и осеннего старения листьев. Ошибка OOB (Out-of-bag error) RF модели составила по этим периодам 2.1–6.1% и 4.3–6.7% соответственно. Определена группа неколлинеарных ВИ для классификации видов клена методом машинного обучения. Это ARI, Boochs, CCI, CI, CRI1, D1, D2, Datt3, Datt4, DDn, DPI, DWSI4, EVI, Gitelson, Gitelson2, LSINorm, LSIRed, MCARI, MCARI2, modPRI, MPRI, NDVI, PARS, PRI, PRI_CI2, PRI_norm, PSND, PSSR, SR4, SR5, TCARI2, TCARI2_OSAVI2 и TGI. Наиболее информативными для RF классификации кленов по вкладу в изменение значения ООВ error и индекса Джини оказались следующие ВИ: CCI, MPRI, DWSI4, Datt4, CRI1, DDn.
10.18522/2308-9709-2024-49-11
Identification of woody plant species is a priority for remote monitoring of tree plantations, regardless of their objectives. Recently, there has been an increasing number of studies on the identification of woody plants using spectral phenotyping methods. However, the identification of woody plants based on their spectral characteristics remains a challenge. One approach to increase the accuracy of remote identification of plants is to take into account their phenological differences. The aim of this study was to identify Acer platanoides, A. campestre, A. negundo, A. saccharinum and A. ibericum using spectral characteristics of their leaves, representing a detailed time series during the vegetation period, and to determine the optimal period in their phenological cycle for identification. The study was conducted under laboratory conditions using a Cubert UHD-185 hyperspectral camera. Maple species identification was performed using a pixel-based random forest (RF) algorithm. Vegetation indices (VIs) were used as independent variables in the RF model. The presence of differences in species phenology was found to be an important requirement for successful species identification. The highest accuracy of species identification was achieved during the periods of spring development and autumn leaf senescence. The out-of-bag (OOB) error of the RF model for these periods was 2.1-6.1% and 4.3-6.7%, respectively. A group of non-collinear VIs were identified for machine learning maple species classification. They are ARI, Boochs, CCI, CI, CRI1, D1, D2, Datt3, Datt4, DDn, DPI, DWSI4, EVI, Gitelson, Gitelson2, LSINorm, LSIRed, MCARI, MCARI2, modPRI, MPRI, NDVI, PARS, PRI, PRI_CI2, PRI_norm, PSND, PSSR, SR4, SR5, TCARI2, TCARI2_OSAVI2 and TGI. The following VIs were the most informative for the RF classification of maples according to their contribution to the change in OOB error value and Gini index: CCI, MPRI, DWSI4, Datt4, CRI1, DDn.
