1. На главную
  2. Электронные версии
  3. Исследование Земли из Космоса
  4. № 6, 2023

Исследование Земли из Космоса, 2023, № 6, стр. 98-105

Использование нейронных сетей и облачных сервисов для выделения геометрий сельскохозяйственных полей на основе данных дистанционного зондирования Земли

Н. Р. Ермолаев a, *, С. А. Юдин a, В. П. Белобров a, Л. А. Ведешин b, **, Д. А. Шаповалов c, ***

a ФГБНУ Почвенный институт им. В.В. Докучаева
Москва, Россия

b ФГУП Институт космических исследований РАН
Москва, Россия

c ФГУП Государственный университет по землеустройству
Москва, Россия

* E-mail: n.r.ermolaev94@gmail.com
** E-mail: vedeshin40@mail.ru
*** E-mail: shapoval_ecology@mail.ru

Поступила в редакцию 21.06.2023

Аннотация

В научных учреждениях Министерства сельского хозяйства РФ и РАН в течение последних лет проводятся исследования по внедрению в практику новых технологий использования аэрокосмической информации в АПК. В статье, на примере Ставропольского края, рассматривается возможность применения облачных сервисов таких как google earth engine (GEE) и системы по машинному обучению Kaggle для картирования сельскохозяйственных (с/х) полей методами глубокого обучения на основе данных дистанционного зондирования Земли (ДЗЗ). В качестве данных для подбора обучающей и валидационной выборки использовались медианальные изображения космической системы Sentinel 2 за вегетационный сезон 2022 г. Общий объем подготовленной учебной и тренировочной выборок составил 3998 изображений. Одной из проблем для исследователей и производителей в области с/х является отсутствие централизованных и верифицированных источников геопространственных данных. Методы глубокого обучения способны решить эту проблему, автоматизируя задачу оцифровки геометрий с/х полей на основании данных ДЗЗ. Одним из ограничений в широком использовании глубокого обучения является его высокая потребность к вычислительным ресурсам, которые пока не всегда доступны исследователю или производителю в области с/х. В работе описан процесс подготовки необходимых данных для работы с нейросетью, включающий коррекцию и получение космических снимков при помощи платформы Google earth engine, их дальнейшую стандартизацию для обучения нейронной сети в сервисе Kaggle, и ее дальнейшее использование локально. В рамках исследования применялась нейросеть архитектуры U-net. Итоговое качество классификации составило 97%. Порог разделения на классы по результатам классификации установлен эмпирически и составил 0.62. Предложенный подход позволил в значительной степени снизить требования к локальному использованию вычислительной мощности ПК. Все наиболее ресурсоемкие процессы, связанные с обработкой космических снимков, были выполнены в системе GEE, а процесс обучения перенесен на ресурсы системы Kaggle. Предложенное совмещение облачных сервисов и методов глубокого обучение может способствовать более широкому распространению применения современных технологий в с/х производстве и научных исследованиях.

Ключевые слова: дистанционное зондирование, машинное обучение, нейронные сети, google earth engine, космические снимки, цифровая картография

Список литературы

  1. Ведешин Л.А., Шаповалов Д.А. Первые научно-технические эксперименты по космическому землеведению (к 60-лнтию начала работ по космической съемке Земли с пилотируемых космических кораблей) // Исслед. Земли из космоса. 2022. № 5. С. 99–102.

  2. Ермолаев Н.Р., Юдин С.А., Белобров В.П., Дридигер В.К., Гаджиумаров Р.Г. Идентификация прямого посева (no-till) по растительным остаткам на поверхности почв при использовании мультивременного интегрального индекса minNDTI minNDTI // АгроЭкоИнфо. 2021. Т. 4. № 46. С. 1–14.

  3. Кулинцев В. Система земледелия нового поколения Ставропольского края. Ставрополь: АГРУС Ставропольского гос. аграрного ун-та, 2013. 520 с.

  4. Куприченков М.Т., Антонова Т.Н., Симбирев Н.Ф., Цыганков А.С. Земельные ресурсы Ставрополья и их плодородие. 2002. 320 с.

  5. Куссуль Н.Н., Лупян Е.А., Шелестов А.Ю., Скакун С.В., Саворский В.П., Тищенко Ю.Г. Нейросетевой метод мониторинга затопленных территорий с использованием радиолокационных спутниковых данных // Исслед. Земли из космоса. 2008. С. 29–35.

  6. Линков С.А., Акинчин А.В., Мелентьев А.А., Чупрынина Н.С., Кузнецова А.Е. Применение гис-технологий в сельскохозяйственном производстве // Инновации в АПК проблемы и перспективы. 2018. Т. 1. № 17.

  7. Павлов В.А., Хрящев В.В., Островская А.А., Кокуйцева Т. Сравнительный анализ использования нейросетевых алгоритмов для сегментации объектов на спутниковых снимках // Сборник материалов конференции – Цифровая обработка сигналов и ее применение. 2019. С. 399–403.

  8. Скворцов Е.А., Набоков В.И., Некрасов К.В., Скворцова Е.Г., Кротов М.И. Применение технологий искусственного интеллекта в сельском хозяйстве // Аграрный вестник урала. 2019. Т. 08. № 08. С. 91–98.

  9. Токарев К.Е., Руденко А.Ю., Кузьмин В.А., Чернявский А.Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей // Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей. 2021. Т. 4. № 64. С. 421–440.

  10. Шокин Ю.И., Потапов В.П. ГИС сегодня: состояние, перспективы, решения // Вычислительные технологии. 2015. С. 175–213.

  11. Bagaev S.M., Medvedeva E.V. Experimental assessment of the accuracy of multiclass segmentation of objects from satellite images based on a modified convolutional neural network U-net // Sovrem. Probl. distantsionnogo Zo. Zemli iz kosmosa. 2021. T. 18. № 6. C. 35–45.

  12. Ronnenberg O., Fisher P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // IEEE Access. 2021. T. 9. C. 16591–16603.

  13. Sengupta S., Basak S., Saikia P., Paul S., Tsalavoutis V., Atiah F., Ravi V., Peters A. A review of deep learning with special emphasis on architectures, applications and recent trends // Knowledge-Based Syst. 2020. T. 194.

  14. Taravat A., Wagner M. P., Bonifacio R., Petit D. Advanced fully convolutional networks for agricultural field boundary detection // Remote Sens. 2021. T. 13. № 4. C. 1–12.

  15. Upreti A. Machine learning application in GIS and remote sensing: An overview // Int. J. Multidiscip. Res. Growth Eval. 2022. № July. C. 546–553.

  16. Zhang H., Liu M., Wang Y., Shang J., Liu X., Li B., Song A., Li Q. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net // Int. J. Appl. Earth Obs. Geoinf. 2021. T. 105. № January. C. 102557.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Исследование Земли из Космоса

Архивы выпусков Информация о журнале Отправить рукопись в журнал