Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 2. С. 39-50
Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири
В.В. Чурсин
1, 2 , И.В. Кужевская
1 , О.Э. Мерзляков
1 , Т.О. Валевич
1 , К.В. Ручкина
1 1 Национальный исследовательский Томский государственный университет, Томск, Россия
2 Сибирский центр НИЦ «Планета», Новосибирск, Россия
Одобрена к печати: 25.02.2021
DOI: 10.21046/2070-7401-2021-18-2-39-50
В статье рассмотрена возможность использования данных дистанционного зондирования Земли с космического аппарата Sentinel-2 и алгоритмов машинного обучения для классификации при создании карт пространственной неоднородности почвенного покрова по гранулометрическому составу земель сельскохозяйственного назначения, а также использования этих карт в точном земледелии. На основе полевых исследований был собран массив данных, включающий спутниковые снимки со значением NDVI менее 0,3 и дополнительно рассчитанные индексы, в том числе связанные со спектральной яркостью (чувствительные к гранулометрическому составу), для обучения и тестирования моделей бинарной классификации, основанных на деревьях решений. Были обучены четыре модели бинарной классификации, использующие алгоритм XGBoost. Подобраны оптимальные значения гиперпараметров для этих моделей и определены наиболее значимые переменные для классификации каждого типа почв. Предложена архитектура нейронной сети, которая в качестве входных данных использует значения спектральной отражаемости, расчётных индексов и результатов бинарной классификации. Точность методики на валидационной выборке составила 76 %.
Ключевые слова: гранулометрический состав почвы, физическая глина, Sentinel, градиентный бустинг, точное земледелие, пространственная неоднородность
Полный текстСписок литературы:
- Дробыш С. В., Бубнова Т. В., Матыченкова О. В. Спектральная отражательная способность агродерново-подзолистых почв в зависимости от гранулометрического состава // Почвоведение и агрохимия. 2013. № 1(50). 126–132.
- Шевырногов А. П., Ботвич И. Ю., Емельянов Д. В., Ларько А. А., Высоцкая Г. С., Ивченко В. К., Демьяненко Т. Н. Возможность распознавания почвенного покрова опытного поля с использованием наземных и спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 150–160.
- Ballabio C., Panagos P., Monatanarella L. Mapping topsoil physical properties at European scale using the LUCAS database // Geoderma. 2016. V. 261. P. 110–123.
- Ballabio C., Lugato E., Fernández-Ugalde O., Orgiazzi A., Jones A., Borrelli P., Montanarella L., Panagos P. Mapping LUCAS topsoil chemical properties at European scale using Gaussian process regression // Geoderma. 2019. V. 355. Art. No. 113912.
- Ben-Dor E. Quantitative remote sensing of soil properties // Advances in Agronomy. 2002. V. 75. P. 173–243.
- Brown D. J., Shepherd K. D., Walsh M. G., Mays M. D., Reinsch T. G. Global soil characterization with VNIR diffuse reflectance spectroscopy // Geoderma. 2006. V. 132(3–4). P. 273–290.
- Caruana R., Niculescu-Mizil A. An empirical comparison of supervised learning algorithms // Proc. 23rd Intern. Conf. Machine Learning. 2006. P. 161–168. DOI: 10.1145/1143844.1143865.
- El-Gammal M. I., Ali R. R., Samra R. A. NDVI threshold classification for detecting vegetation cover in Damietta governorate, Egypt // J. American Science. 2014. V. 10(8). P. 108–113.
- Gatti A., Bertolini A. Sentinel-2 Products Specification Document. ESA, 2015. Iss. 13.1. 496 p.
- Ge Y., Thomasson J. A. Wavelet incorporated spectral analysis for soil property determination // Trans. ASABE. 2006. V. 49(4). P. 1193–1201. DOI: 10.13031/2013.21719.
- Ge Y., Thomasson J. A., Sui R. Remote sensing of soil properties in precision agriculture: A review // Frontiers of Earth Science. 2011. V. 5. P. 229–238.
- Gholizadeha A., Žižalaa D., Saberioonc M., Borůvka L. Soil organic carbon and texture retrieving and mapping using proximal, airborne and Sentinel-2 spectral imaging // Remote Sensing of Environment. 2018. V. 218. P. 89–103.
- He X., Pan J., Jin O., Xu T., Liu B., Xu T., Shi Y., Atallah A., Herbrich R., Bowers S., Candela J. Q. Practical lessons from predicting clicks on ads at Facebook // Proc. 8th Intern. Workshop on Data Mining for Online Advertising. ACM, 2014. 9 p. URL: https://doi.org/10.1145/2648584.2648589.
- Jahn R., Blume H. P., Asio V. B., Spaargaren O., Schad P. Guidelines for Soil Description. FAO, 2006. 109 p.
- Li Z., Taylor J., Frewer L., Zhao C., Yang G., Cheng X. A Comparative Review of the State and Advancement of Site-Specific Crop Management in the UK and China // Frontiers of Agricultural Science and Engineering. 2019. V. 6(2). P. 116–136.
- Mulla D. J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps // Biosystems Engineering. 2013. V. 114(4). P. 358–371.
- Natekin A., Knoll A. Gradient boosting machines, a tutorial // Front Neurorobotics. 2013. V. 7(21). P. 1–21.
- Ogen Y., Goldshleger N., Ben-Dor E. 3D spectral analysis in the VNIR–SWIR spectral region as a tool for soil classification // Geoderma. 2017. V. 302. P. 100–110.
- Shi W., Liu J., Du Z., Yue T. Development of a surface modeling method for mapping soil properties // J. Geographical Sciences. 2012. V. 22. P. 752–760.
- Yigini Y., Panagos P. Assessment of soil organic carbon stocks under future climate and land cover changes in Europe // Science of the Total Environment. 2016. V. 557. P. 838–850.
- Yuzugullu O., Lorenz F., Fröhlich P., Liebisch F. Understanding Fields by Remote Sensing: Soil Zoning and Property Mapping // Remote Sensing. 2020. V. 12. P. 11–16.