Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

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 текст

Список литературы:

  1. 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.
  2. 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.
  3. Ballabio C., Panagos P., Monatanarella L. Mapping topsoil physical properties at European scale using the LUCAS database // Geoderma. 2016. V. 261. P. 110–123.
  4. 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.
  5. Ben-Dor E. Quantitative remote sensing of soil properties // Advances in Agronomy. 2002. V. 75. P. 173–243.
  6. 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.
  7. 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.
  8. 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.
  9. Gatti A., Bertolini A. Sentinel-2 Products Specification Document. ESA, 2015. Iss. 13.1. 496 p.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. Jahn R., Blume H. P., Asio V. B., Spaargaren O., Schad P. Guidelines for Soil Description. FAO, 2006. 109 p.
  15. 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.
  16. 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.
  17. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Front Neurorobotics. 2013. V. 7(21). P. 1–21.
  18. 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.
  19. 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.
  20. 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.
  21. 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.