Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного зондирования Земли
DOI:
https://doi.org/10.52575/2687-0932-2022-49-1-159-168Ключевые слова:
нейронная сеть, CNN, LSTM, классификация сельскохозяйственных культур, Sentinel-2Аннотация
В данной работе представлена технология распознавания сельскохозяйственных культур по данным дистанционного зондирования Земли. Апробация технологии была проведена на сельскохозяйственных землях Белгородской области Российской Федерации. В соответствии со статистикой севооборота были выбраны следующие сельскохозяйственные культуры: пшеница, ячмень, кукуруза, подсолнечник, соя, сахарная свекла, многолетние травы и пары. В качестве входных данных были использованы мультиспектральные снимки со спутника Sentinel-2 уровня обработки MSI L2A, а именно каналы RGB-спектра, SWIR и NIR. Из полученных данных были составлены временные ряды в вегетационные периоды за 2018–2020 годы. Разработан алгоритм устранения пропусков данных в дни высокой облачности для повышения качества распознавания. В качестве модели классификатора была использована сверточно-рекуррентная нейронная сеть. Разработанная модель на тестовых данных показала общую меру точности f-мера 88,7 %. Предложенная архитектура нейронной сети также применима в других регионах со схожей посевной структурой, фенологическими показателями культур и схожими климатическими условиями.
Скачивания
Библиографические ссылки
Кононов В.М., Асадуллаев Р.Г., Кузьменко Н.И. 2020. Алгоритм подготовки мультиспектральных спутниковых данных для задачи классификации сельскохозяйственных культур. Научный результат. Информационные технологии. URL: www.rrinformation.ru/en/journal/download/2072 (дата обращения 20 января 2022).
Кузьменко Н.И., Асадуллаев Р.Г. 2020. Нейронная сеть для классификации сельскохозяйственных культур по многоспектральным данным дистанционного зондирования земли. Сборник материалов VIII международной научно-технической конференции «Информационные технологии в науке, образовании и производстве», (Белгород, 24–25 сентября 2020 г.) Белгород: ИД «БелГУ» НИУ «БелГУ»: 352–357.
Чурсин И.Н., Филиппов Д.В., Горохова И.Н., 2018. Распознавание сельскохозяйственных культур по мультиспектральным космическим снимкам высокого разрешения. Вестник компьютерных и информационных технологий. №11 (173).
Brandt J., 2019. Spatio-temporal crop classification of low-resolution satellite imagery with capsule layers and distributed attention. URL: arxiv.org/pdf/1904.10130v1.pdf (дата обращения 21 января 2022).
Copernicus Open Access Hub. URL: www.scihub.copernicus.eu/ (дата обращения 20 января 2022).
GDAL/OGR Python API. URL: www.gdal.org/python/index.html (дата обращения 1 февраля 2022).
Kamilaris A., Prenafeta-Boldú F.X., 2018. Deep Learning in Agriculture: A survey. Computers and Electronics in Agriculture. URL: www.arxiv.org/pdf/1807.11809 (дата обращения 1 февраля 2022).
Liakos K.G., Busato P., Moshou D., Pearson S., Bochits D., 2018. Machine Learning in Agriculture: A Review. Sensors (Special Issue "Sensors in Agriculture 2018"). URL: www.mdpi.com/1424-8220/18/8/2674/pdf (дата обращения 28 января 2022).
Neetu and Ray S.S., 2019. Exploring machine learning classification algorithms for crop classification using Sentinel 2 data. ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Vol. XLII-3/W6. URL: www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-3-W6/573/2019/isprs-archives-XLII-3-W6-573-2019.pdf (дата обращения 27 января 2022).
Rasterio: access to geospatial raster data. URL: rasterio.readthedocs.io/en/latest/ (дата обращения 1 февраля 2022).
Shunping J., Zhang C., Xu A., Shi Y., Duan Y., 2018. 3D Convolutional Neural Networks for Crop Classification with Multi-Temporal Remote Sensing Images. Remote Sensing. URL: www.mdpi.com/2072-4292/10/1/75/pdf (дата обращения 1 февраля 2022).
Song X.-P., Huang W., Hansen M.C., Potapov P., 2021. An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping, Science of Remote Sensing, Vol. 3.
Tensorflow Core API. URL: www.tensorflow.org/api_docs/python/tf/ (дата обращения 2 февраля 2022).
The Copernicus Sentinel-2 mission. URL: www.sentinels.copernicus.eu/web/ sentinel/missions/sentinel-2/ (дата обращения 2 февраля 2022).
Viskovic L., Kosovic I. N., Mastelic T., 2019. Crop Classification using Multi-spectral and Multitemporal Satellite Imagery with Machine Learning. In the Proceedings of the International Conference on Software, Telecommunications and Computer Networks (SoftCOM): 1–5.
Просмотров аннотации: 136
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
