Классификация и картографирование сельскохозяйственных культур с использованием дистанционного зондирования и машинного обучения

Представлены результаты исследований по классификации и картографированию сельскохозяйственных культур с помощью машинного обучения (МО) с использованием данных дистанционного зондирования. Исследования проведены в 2022, 2023 гг. на территории землепользования хозяйств, расположенных в Новосибирской области. Использованы изображения, полученные с Sentinel-2 и Landsat 8-9. Признаками для обучения моделей МО выступали шесть спектральных полос и пять вегетационных индексов за разные даты вегетационных периодов. Применяли алгоритмы МО с контролируемым обучением: XGBoost, KNN, RF и SVM, а также нейронную сеть deep-FNN. Модели XGBoost, KNN и RF показали высокую точность классификации – 93–97% при разрешении 30 м/пиксель и 80–90% при разрешении 90 м/пиксель. Модель deep-FNN показала наименьшие результаты с точностью от 78 до 92% при разрешении 30 м/пиксель. Общее снижение точности на 8–12% при разрешении 90 м/пиксель в сравнении с разрешением 30 м/пиксель подчеркивает важность масштаба для эффективного распознавания культур. Также обучение моделей на объединенных данных спутников Sentinel-2 и Landsat 8-9 при разрешении 30 м/пиксель дало более высокие значения метрики F1-score, чем на данных отдельно по каждому из этих спутников. Различные метрики оценки (F1-score и ROC-AUCscore) подтвердили, что модель XGBoost была наиболее производительной и точной. Лучшая общая классификация достигнута для кукурузы, ячменя, однолетних и многолетних трав, а также залежи, с некоторым снижением точности для овса, гороха, вики и пшеницы мягкой озимой. Наименьшая точность отмечена при классификации картофеля, ярового рапса, пшеницы мягкой яровой и пара. Результаты исследований подчеркивают значимость выбора модели МО и масштаба разрешения спутниковых снимков для успешной классификации сельскохозяйственных культур.

1. Плотников Д.Е., Хвостиков С.А., Барталев С.А. Метод автоматического распознавания сельскохозяйственных культур на основе спутниковых данных и имитационной модели развития растений // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 131–141.

2. Якушев В.П., Захарян Ю.Г., Блохина С.Ю. Состояние и перспективы использования дистанционного зондирования Земли в сельском хозяйстве // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 1. С. 287–294. DOI: 10.21046/2070-7401-2022-19-1-287-294.

3. Илларионова Л.В., Степанов А.С., Фомина Е.А. Распознавание и классификация посевов сельскохозяйственных культур Хабаровского края с использованием NDVI и EVI // Современные проблемы дистанцион- ного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 155. DOI: 10.21046/2070-7401-2023-20-2-155-165.

4. Кононов В.М., Асадуллаев Р.Г., Кузьменко Н.И. Алгоритм подготовки мультиспектральных спутниковых данных для задачи классификации сельскохозяйственных культур // Научный результат. Информационные технологии. 2020. Т. 5. № 2. С. 18–24. DOI: 10.18413/2518-1092-2020-5-2-0-3.

5. Wu B., Zhang M., Zeng H., Tian F., Potgieter A.B., Qin X., Yan N., Chang S., Zhao Y., Dong Q., Boken V., Plotnikov D., Guo H., Wu F., Zhao H., Deronde B., Tits L., Loupian E. Challenges and opportunities in remote sensing-based crop monitoring: a review // National Science Review. 2023. Vol. 10. N 4. Р. 290. DOI: 10.1093/nsr/nwac290.

6. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review // Remote sensing of environment. 2020. Vol. 236. Р. 111402. DOI: 10.1016/j.rse.2019.111402.

7. Zeng Y., Hao D., Huete A., Dechant B., Berry J., Chen J.M., Joiner J., Frankenberg C., Bond-Lamberty B., Ryu Y., Xiao J., Asrar G.R., Chen M. Optical vegetation indices for monitoring terrestrial ecosystems globally // Nature Reviews Earth & Environment. 2022. Vol. 3. N 7. Р. 477–493. DOI: 10.1038/s43017-022-00298-5.

8. Chakhar A., Ortega-Terol D., Hernández-López D., Ballesteros R., Ortega J.F., Moreno M.A. Assessing the accuracy of multiple classification algorithms for crop classification using Landsat-8 and Sentinel-2 data // Remote sensing. 2020. Vol. 12. N 11. Р. 1735. DOI: 10.3390/rs12111735.

9. Song X.P., Huang W., Hansen M.C., Potapov P. An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping // Science of Remote Sensing. 2021. Vol. 3. Р. 100018. DOI: 10.1016/j.srs.2021.100018.

10. Blickensdörfer L., Schwieder M., Pflugmacher D., Nendel C., Erasmi S., Hostert P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany // Remote sensing of environment. 2022. Vol. 269. Р. 112831. DOI: 10.1016/j.rse.2021.112831.

11. Прохорец И.О., Степанов А.С. Картографирование земель сельскохозяйственного назначения Хабаровского края методами машинного обучения с использованием изображений Sentinel-2 // Системы и средства информатики. 2024. Т. 34. № 1. С. 57–69. DOI: 10.14357/08696527240105.

12. Дубровин К.Н., Степанов А.С., Верхотуров А.Л., Асеева Т.А. Идентификация сельскохозяйственных культур с использованием радарных изображений // Информатика и автоматизация. 2022. Т. 21. № 2. С. 405–426. DOI: 10.15622/ia.21.2.7.

13. Guo L., Zhao S., Gao J., Zhang H., Zou Y.,XiaoX. A novel workflow for crop type mapping with a time series of synthetic aperture radar and optical images in the Google Earth Engine // Remote Sensing. 2022. Vol. 14. N 21. Р. 5458. DOI: 10.3390/rs14215458.

14. Faqe I.G.R., Rasul A., Abdulla H. Improving Crop Classification Accuracy with Integrated Sentinel-1 and Sentinel-2 Data: a Case Study of Barley and Wheat // Journal of Geovisualization and Spatial Analysis. 2023. Vol. 7. N 2. Р. 22. DOI: 10.1007/s41651-023-00152-2.

15. Воробьев Н.И., Пухальский Я.В., Астапова М.А., Сурин В.Г., Пищик В.Н. Цифровая обработка фотометрических данных дистанционного зондирования полей озимой ржи // Аграрный вестник Урала. 2024. Т. 24. № 2. С. 152–162. DOI: 10.32417/1997-4868-2024-24-02-152-162.

16. Асадуллаев Р.Г., Кузьменко Н.И. Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного зондирования Земли // Экономика. Информатика. 2022. Т. 49. № 1. С. 159–168. DOI: 10.52575/2687-0932-2022-49-1-159-168.

17. Joshi A., Pradhan B., Gite S., Chakraborty S. Remote-sensing data and deep-learning techniques in crop mapping and yield prediction: A systematic review // Remote Sensing. 2023. Vol. 15. N 8. Р. 2014. DOI: 10.3390/rs15082014.

18. Токарев К.Е., Лебедь Н.И. Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения // Международный сельскохозяйственный журнал. 2024. № 2. С. 192–195. DOI: 10.55186/25876740_2024_67_2_192.

19. Alami M.M., Mansouri E., Imani Y., Bourja O., Lahlou O., Zennayi Y., Bourzeixet F., Houmma I.H., Hadria R. Crop mapping using supervised machine learning and deep learning: A systematic literature review // International Journal of Remote Sensing. 2023. Vol. 44. N 8. Р. 2717– 2753. DOI: 10.1080/01431161.2023.2205984.

20. Orynbaikyzy A., Gessner U., Mack B., Conrad C. Crop Type Classification Using Fusion of Sentinel-1 and Sentinel-2 Data: Assessing the Impact of Feature Selection, Optical Data Availability, and Parcel Sizes on the Accuracies // Remote Sensing. 2020. Vol. 12. N 17. Р. 2779. DOI: 10.3390/rs12172779.

21. Barriere V., Claverie M., Schneider M., Lemoine G., d’Andrimont R. Boosting crop classification by hierarchically fusing satellite, rotational, and contextual data // Remote Sensing of Environment. 2024. Vol. 305. Р. 114110. DOI: 10.1016/j.rse.2024.114110.

22. Karmakar P., Teng S.W., Murshed M., Pang S., Li Y., Lin H. Crop monitoring by multimodal remote sensing: A review // Remote Sensing Applications: Society and Environment. 2024. Vol. 33. Р. 101093. DOI: 10.1016/j.rsase.2023.101093.