1. Введение

Классификация землепользования/почвенно-растительного покрова (LULC) играет чрезвычайно важную роль во многих научных и прикладных областях. Она является основой для мониторинга окружающей среды, устойчивого управления природными ресурсами и разработки планов городского развития, основанных на надежных научных данных [1]. Изображения дистанционного зондирования, особенно полученные со спутников наблюдения Земли, стали бесценным источником данных. Они предоставляют согласованную информацию, охватывают большие площади и обладают способностью собирать повторяемые данные с течением времени, что позволяет эффективно отслеживать и анализировать изменения в поверхностном покрове.

В процессе анализа изображений дистанционного зондирования Земли для классификации покрытий ключевую роль играет выбор оптимальных спектральных каналов. Современные мультиспектральные и суперспектральные изображения содержат большой объем информации, варьирующийся от десятков до сотен различных спектральных каналов. Однако не все эти спектральные каналы предоставляют полезную информацию для конкретной задачи классификации. Многие спектральные полосы могут подвергаться воздействию помех из-за атмосферных факторов или из-за характеристик самого датчика, или иметь высокую корреляцию с другими спектральными полосами, что приводит к информационной перегрузке и увеличению ненужной вычислительной нагрузки [2].

Выбор оптимального подмножества спектральных полос не только снижает размерность данных, тем самым снижая вычислительные затраты и увеличивая скорость обработки, но, что более важно, может значительно повысить точность результатов классификации за счет устранения зашумленных спектральных полос, которые не несут полезной различающей информации [3]. И наоборот, неправильный выбор или невнимательное использование всех спектральных диапазонов может привести к неточным результатам классификации, снижая ценность данных дистанционного зондирования.

Существует множество различных методов выбора спектральных диапазонов, от простых методов, основанных на статистике (например, анализ ключевых компонент, оптимальный индексный фактор, преобразованная дивергенция, расстояние Джеффриса-Матуситы), до сложных алгоритмов машинного обучения (например, случайный лес, метод опорных векторов – устранение рекурсивных признаков SVM-RFE) и передовых методов глубокого обучения (например, методы на основе сверточных нейронных сетей или автоэнкодера) [4], [5], [6], [7], [8]. Очевидно, что не существует универсального метода. Выбор метода зависит от многих факторов, таких как характеристики данных, цели классификации, доступные ресурсы и особенно характеристики территории.

Что касается характеристики территории, некоторые индексы хорошо выделят один тип объекта на одной территории, но плохо выделят его на другой местности. Например, NDBI хорошо различает строения от воды или растительности, но плохо выделит строения на территории с каменным карьером. Тень, каменный уголь и вода также часто имеют одинаковые отражательные характеристики в многих спектральных каналов. Возникает вопрос определить лучшие индексы для отделения всех пар разных типов ландшафтного покрытия.

Из существующих методов расстояние Джеффриса-Матуситы (JM) имеет очень высокую возможность интерпретации результатов, обеспечивает количественную меру дифференциации классов [9], поэтому в данном исследовании, мы используем этот метод для создания методики определения лучших комбинации классификации ландшафтного покрытия на конкретной территории.

2. Методы и материалы

Исследование проводилось на участке (15x15 км) прибрежного города Хайфона (северно-восточной части Вьетнам), характеризующейся разновидностью ландшафтного покрытия (рис.1). На данной территории есть реки, озера, городские застройки, сельскохозяйственные земли, промышленные участки, скалистые горы без лесов, болота, леса, каменные карьеры, что делает ее сложной территории для автоматической классификации.

В работе был использован снимок Sentinel-2 от 20 марта 2025 года, соответствующий уровню обработки Level-2 в проекции UTM 48E зоны. Исходный 13-канальный снимок получен и его 166 индексных изображений рассчитаны с помощью Google Earth Engine (листинг можно смотреть по ссылке https://code.earthengine.google.com/601f285e0fa331dff6822110b26ead3e). Использование GEE позволило поолучить, классифицировать и обработать большой массив данных ДЗЗ в автоматическом режиме, что привело к значительной экономии времени и трудовых ресурсов [10]. Список 166 неповторимых по формулировке спектральных индексов был составлен по исходному списку из 248 индексов, предоставленных на сайте [11].

Помеченные обучающие данные составляются авторами в программе ArcGIS Pro на основе снимков Google Earth 2025 года, снимков БПЛА и наземных данных, собранных автором на местности в августе 2024 года. Были выделены 11 классов ландшафтного покрытия (таб. 1).

Исходные космические снимки, геометрии всех классов и исходный код обработки (в среде Google Collab) в процессе исследовании опубликованы на сайте https://huggingface.co/datasets/lopmaybay/sentinel2_Haiphongcity_2025/tree/main.

Для сравнения точности разделения двух классов в изображении дистанционного зондирования используем индекс Джеффриса-Матуситы (JM) — популярную меру в обработке изображений дистанционного зондирования для оценки способности разделения между классами (чем выше индекс JM (ближе к 2), тем легче различить два класса).

По сути, расстояние JM является преобразованием расстояния Бхаттачарьи. Расстояние Бхаттачарьи само по себе измеряет степень перекрытия между двумя статистическими выборками. Преобразование в расстояние JM дает такие преимущества, как наличие фиксированного интервала значений. Расстояние JM основано на расстоянии Бхаттачарьи, его теоретическая основа вытекает из измерения «перекрытия» или «близости» распределений вероятностей. Такая интерпретация вероятности является ключевым отличием от чисто геометрических расстояний, таких как евклидовы расстояния.

Для космических оптических снимков распределение значений пикселей одного класс ландшафтного покрытия в каждом канале в основном является нормальным распределением. Поэтому в этом исследовании мы используем форму расстояния Джеффриса-Матуситы в случае одномерных нормальных распределения.

Расстояние Бхаттачарьи

где BC(p,q) – коэффициент Бхаттачарьи:

Если даны два одномерных нормальных распределения

Отсюда расстояние JM может быть рассчитана следующим образом:

Чем ближе значение расстояния JM к нулю, тем меньше разделимость между классами. С другой стороны, чем ближе значение расстояния JM к 2, тем выше разделимостью между классами. Следующие пороги значения часто используются для интерпретации разделимости, их можно менять в зависимости от исходных данных и цели исследований:

–

JM > 1,9 – отличная разделимость;

–

1,7 <JM ≤ 1,9 – хорошая разделимость;

–

JM ≤ 1,7 – плохая разделимость.

В этом исследовании для каждого канала и каждой пары классов ландшафтного покрытия выполняем следующие вычисления:

1. Вычисление средних значения (

2. Вычисление расстояния Бхаттачарья (DB) между двумя распределениями.

3. Вычисление расстояния Джеффриса-Матуситы (JM) от DB.

3. Результат

В результате исследования получен всех значений расстояния Джеффриса-Матуситы для 55 пар классов для 13 исходных каналов и 166 индексов. Из полученного результата выбрали лучшие индексов для того, чтобы различать 2 разных классов (таб. 2.). В таблице 2 сокращения индексы представляются по структуре: [Пространственное разрешение_Сокращение названия индекса].

Сокращение названия индекса в основном взято из списки на сайте базы индексов. Поскольку многие индексы имеют одинаковую форму, их надо было сгруппировать, выбрать только один из них. Некоторые сокращенные названия выбраны авторами, их формы можно найти в указанном выше листинге Google Earth Engine. Пространственное разрешение зависит от состава формулы индекса, в том числе разрешение 10м имеют индексы, которые содержат только каналы B2, B3, B4 или B8; разрешение 20м имеют индексы с каналами B5, B6, B7, B8A, B11, B12; а разрешение 60м имеют индексы с каналами B1, B9, B10 в формуле.

Например, для пары классов Вода-Горы, 20_SIWSI обозначает что индекс SIWSI имеет разрешение 20 метров и очень высокое значение расстояния Джеффриса-Матуситы между водой и горами (1,999). Всего 33 индекса выделены для того, чтобы различать 55 пар классов, их изображения представляются на рис. 6 с значениями пикселей в интервале растяжка 3%-97%, линейная.

Как сказано выше, используемая в этом исследовании форма расстояния JM только имеет значение тогда, когда распределение значений пикселей каждого класса является ближе к нормальным (распределение Гаусса). Поэтому нужно проверить форму распределения каждого канала гистограммами и их визуализацией. Некоторые индексы имеют значения JM близко к 2, но на самом деле их изображения имеют плохой контракт, их гистограммы тоже не является распределением Гаусса. На рис. 4 и рис. 5 показаны примеры гистограмм индексов.

Вода имеет самую высокую возможность различать от всех других классов, в то время «Горы-Карьер» и «Деревья-Лес широколиственный» имеет самую низкую возможность различать друг от друга. Это объясняется тем, что их физические характеристики и цветы почти одинаковые. Для их различий лучше использовать комбинации каналов или технологии ИИ, объектно-ориентированные подходы классификации.

4. Заключение

В результате проведенного исследования по оценке 13 исходных спектральных каналов и 166 индексов с помощью расстояния Джеффриса-Матуситы (JM) для 11 выделенных классов ландшафтного покрытия (таблица 2), были сформулированы следующие выводы:

1. Высокая разделимость контрастных объектов: наилучшие результаты спектрального разделения достигаются при выделении водных поверхностей. Индексы, такие как 20_SIWSI (для пары Вода-Горы, JM = 1,999) или 20_FerrousSilicates (Вода-Карьер, JM = 1,999), обеспечивают практически идеальную разделимость объектов.

2. Проблема разделения спектрально схожих классов: объекты с одинаковыми физико-химическими характеристиками демонстрируют критически низкую разделимость. Например, для пар «Горы — Карьер» (индекс 20_MCARI-OSAVI дает JM = 0,440) и «Деревья — Лес широколиственный» (индекс 20_CCCI дает JM = 0,256) традиционный попиксельный анализ оптических индексов оказывается малоэффективным.

3. Оптимальный метод и комбинация для выделения объектов: исследование доказало, что не существует единого универсального спектрального канала или индекса, способного достоверно выделить все природные и техногенные объекты одновременно. Наилучшим подходом для решения этой задачи является гибридная (комплексная) методология, включающая в себя:

Использование специфических комбинаций признаков: применение 33 отобранных на основе расстояния JM наилучших индексов для попарного разделения базовых контрастных классов.

Для преодоления ограничений при выделении сложных пар (например, скалистых гор и каменных карьеров или разных типов лесов) спектральные индексы необходимо комбинировать с технологиями искусственного интеллекта (ИИ) и объектно-ориентированными подходами классификации (OBIA). Это позволяет анализировать не только цвет и отражательную способность пикселей, но и геометрические, текстурные и пространственные особенности объектов на местности.

The additional file for this article can be found as follows: