Авторизоваться
Для зарегистрированных пользователей

Исследован потенциал метода машинного обучения Random Forest для решения задачи синтеза безоблачных изображений нормализованного относительного индекса растительности NDVI (англ. Normalized Difference Vegetation Index) на основе совместного применения радарных данных C-диапазона Sentinel 1 и спутниковой системы оптической съёмки MSI (англ. Multispectral Instrument) Sentinel 2. В рамках исследования был разработан метод построения и оптимизации модели для кросс-сенсорного синтеза безоблачных значений NDVI на основе ряда радарных, топографических и тематических предикторов, построенных для синхронных пар спутниковых снимков Sentinel 1 и Sentinel 2, полученных за вегетационный период 2021 г. на территорию Калининградской обл. В процессе оптимизации модели использовалось рекурсивное исключение малоинформативных признаков и кросс-валидация, а для поиска наилучшей комбинации параметров модели — сеточный поиск. В результате работы модели на основе только радарных измерений были сформированы ряды безоблачных изображений NDVI с высоким пространственным и временным разрешением на всю территорию Калининградской обл. На эффективность разработанного подхода указывают высокие значения характеристик точности модели, полученные по тестовому набору: средняя абсолютная ошибка прогнозирования MAE (англ. mean absolute error) NDVI равна 0,08, среднеквадратическое отклонение RMSE (англ. root mean squared error) составляет 0,12, коэффициент корреляции R равен 0,78 и индекс Уиллмота WIA (англ. Willmot Index of Agreement) — 0,87. Полученные результаты показывают, что Random Forest имеет значительный потенциал для применения в кросс-сенсорном синтезе безоблачных изображений для восстановления временных рядов NDVI