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. 2024. Т. 21. № 5. С. 116-129

Оценка эффективности мультисезонных моделей машинного обучения для оперативного распознавания озимых культур на больших территориях

Д.Е. Плотников 1 , Ю.Ш. Бойматов 2 , Е.С. Ёлкина 1 , Е.В. Щербенко 3 , А.С. Плотникова 4 
1 Институт космических исследований РАН, Москва, Россия
2 Московский физико-технический институт (НИУ), Долгопрудный, Московская обл., Россия
3 ООО «Институт космических исследований Земли», Москва, Россия
4 Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
Одобрена к печати: 30.09.2024
DOI: 10.21046/2070-7401-2024-21-5-116-129
Оценивались возможности ансамблевых методов машинного обучения Random Forest и XGBoost (англ. eXtreme Gradient Boosting) для распознавания озимых культур на больших территориях при обучении на мультисезонных наборах данных за пять последовательных лет. В рамках исследования были проведены два эксперимента: по сравнению эффективности мультисезонных моделей указанных архитектур и по сравнению мультисезонной модели и серии односезонных моделей оптимальной архитектуры. Оценка результатов экспериментов проводилась для региона исследования, охватывающего более 94 % посевных площадей озимых Российской Федерации, на основе сравнения с данными Росстата и опорными картами, полученными методом экспансии обучающей выборки, с использованием метрики RMSE (англ. root mean squared error) и коэффициента детерминации R 2, а также метрики F-score по классу «озимые». В первом эксперименте была продемонстрирована перспективность мультисезонных моделей, причём мультисезонная модель Random Forest показала себя эффективнее и стабильнее, чем XGBoost, улучшение RMSE по сравнению с опорными картами составило в среднем 28 тыс. га и наблюдалось для любого из пяти сезонов; относительное улучшение составило 15 % в среднем, достигая 35 %. Результаты второго эксперимента по сравнению пяти сезонных моделей и мультисезонной модели Random Forest также указали на эффективность мультисезонной модели: суммарное за пять сезонов значение RMSE мультисезонной модели в 1,32–2,02 раз меньше, чем для односезонных моделей, а среднее значение F-score для любой односезонной модели находится в диапазоне 0,75–0,79, в то время как для мультисезонной модели достигает значения 0,84.
Ключевые слова: мультисезонная модель, Random Forest, XGBoost, спутниковое картографирование, озимые культуры, LOWESS, временные ряды, сеточный поиск, машинное обучение
Полный текст

Список литературы:

  1. Денисов П. В., Трошко К. А., Лупян Е. А. и др. Спутниковое дистанционное зондирование Земли в задаче установления границ земель сельскохозяйственного назначения // Землеустройство, кадастр и мониторинг земель. 2024. Т. 19. № 4(231). С. 227–232. DOI: 10.33920/sel-4-2404-04.
  2. Кашницкий А. В., Лупян Е. А., Плотников Д. Е., Толпин В. А. Анализ возможности использования данных различного пространственного разрешения при проведении мониторинга объектов // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 60–74. DOI: 10.21046/2070-7401-2023-20-2-60-74.
  3. Лупян Е. А., Прошин А. А., Бурцев М. А. и др. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151–170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
  4. Лупян Е. А., Середа И. И., Денисов П. В. и др. Дистанционный мониторинг состояния озимых культур зимой 2020–2021 гг. на Европейской территории России // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 1. С. 165–172. DOI: 10.21046/2070-7401-2021-18-1-165-172.
  5. Плотников Д. Е., Барталев С. А., Жарко В. О., Михайлов В. В., Просянникова О. И. Экспериментальная оценка распознаваемости агрокультур по данным сезонных спутниковых измерений спектральной яркости // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 199–208.
  6. Плотников Д. Е., Барталев С. А., Лупян Е. А., Толпин В. А. Оценка точности выявления посевов озимых культур в весенне-летний период вегетации по данным прибора MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 4. С. 132–145. DOI: 10.21046/2070-7401-2017-14-4-132-145.
  7. 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. DOI: 10.21046/2070-7401-2018-15-4-131-141.
  8. Плотников Д. Е., Ёлкина Е. С., Дунаева Е. А. и др. (2020а) Развитие метода автоматического распознавания озимых культур на основе спутниковых данных для оценки их состояния на территории Республики Крым // Таврический вестн. аграрной науки. 2020. № 1(21). С. 64–82. DOI: 10.33952/2542-0720-2020-1-21-64-83.
  9. Плотников Д. Е., Колбудаев П. А., Жуков Б. С. и др. (2020б) Публикация коллекции мультиспектральных измерений прибором КМСС-М (КА «Метеор-М» № 2) для количественной оценки характеристик земной поверхности // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 7. С. 276–282. DOI: 10.21046/2070-7401-2020-17-7-276-282.
  10. Плотников Д. Е., Колбудаев П. А., Лупян Е. А. Автоматический метод субпиксельной географической привязки спутниковых изображений КМСС-М на основе актуализируемого эталона низкого пространственного разрешения // Компьютерная оптика. 2022. Т. 46. № 5. С. 818–827. DOI: 10.18287/2412-6179-CO-1098.
  11. Повх В. И., Шляхова Л. А., Боева И. Н. Оценка структуры посевных площадей сельскохозяйственных культур по спутниковой информации высокого разрешения // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 4. С. 224–228.
  12. Савин И. Ю., Барталев С. А., Лупян Е. А., Толпин В. А., Медведева М. А., Плотников Д. Е. Спутниковый мониторинг воздействия засухи на растительность (на примере засухи 2010 года в России) // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 150–162.
  13. Терехин Э. А. Применение дискриминантного анализа для распознавания посевов сельскохозяйственных культур // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 7. С. 89–99. DOI: 10.21046/2070-7401-2017-14-7-89-99.
  14. Трошко К. А., Денисов П. В., Дунаева Е. А. и др. Особенности развития зерновых культур в России в 2022 году по данным дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 301–307. DOI: 10.21046/2070-7401-2022-19-6-301-307.
  15. Bégué A., Arvor D., Bellon B. et al. Remote sensing and cropping practices: A Review // Remote Sensing. 2018. V. 10. No. 1. Article 99. https://doi.org/10.3390/rs10010099.
  16. Blickensdörfer L., Schwieder M., Pflugmacher D. et al. 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. V. 269. Article 112831. https://doi.org/10.1016/j.rse.2021.112831.
  17. Breiman L. Random forests. Machine learning. 2001. V. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
  18. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // KDD ’16: Proc. 22nd ACM SIGKDD Intern. Conf. Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785.
  19. Fischer G., Nachtergaele F., Prieler S., Teixeira E., Tòth G., Velthuizen H., Verelst L., Wiberg D. Global AgroEcological Zones (GAEZ ver3.0). Model documentation. IIASA/FAO. 2012. 196 p.
  20. Foerster S., Kaden K., Förster M., Itzerott S. Crop type mapping using spectral-temporal profiles and phenological information // Computers and Electronics in Agriculture. 2012. V. 89. P. 30–40. DOI: 10.1016/j.compag.2012.07.015.
  21. Garland M., Le Grand S., Nickolls J. et al. Parallel computing experiences with CUDA // IEEE Micro. 2008. V. 28(4). P. 13–27. https://doi:10.1109/mm.2008.57.
  22. Kolbudaev P. A., Plotnikov D. E., Loupian E. A. et al. The methods and automatic technology aimed at imagery georeferencing, cloud screening, atmospheric and radiometric correction of KMSS-M satellite data // E3S Web of Conf. 2021. V. 333. Article 01006. DOI: doi.org/10.1051/e3sconf/202133301006.
  23. Kussul N., Skakun S., Shelestov A. et al. Regional scale crop mapping using multi-temporal satellite imagery // Photogrammetry, Remote Sensing and Spatial Information Sciences. 2015. V. XL-7/W3. P. 45–52. https://doi.org/10.5194/isprsarchives-XL-7-W3-45-2015.
  24. Lebourgeois V., Dupuy S., Vintrou E. et al. A combined random forest and OBIA classification scheme for mapping smallholder agriculture at different nomenclature levels using multisource data (simulated Sentinel-2 time series, VHRS and DEM) // Remote Sensing. 2017. V. 9. Article 259. https://doi.org/10.3390/rs9030259.
  25. Massey R., Sankey T., Congalton R. et al. MODIS phenology-derived, multi-year distribution of conterminous U. S. crop types // Remote Sensing of Environment. 2017. V. 198. P. 490–503. DOI: 10.1016/j.rse.2017.06.033.
  26. Palchoudhuri Y., Valcarce-Diñeiro R., King P., Sanabria-Soto M. Classification of multi-temporal spectral indices for crop type mapping: a case study in Coalville, UK // J. Agricultural Science. 2018. P. 1–13. DOI: 10.1017/S0021859617000879.
  27. Plotnikov D. E., Loupian E. A., Kolbudaev P. A. et al. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // IEEE Xplore. 8th Intern. Conf. Information Technology and Nanotechnology (ITNT). 2022. DOI: 10.1109/ITNT55410.2022.9848630.
  28. Plotnikov D. E., Kolbudaev P. A., Matveev A. M. et al. Accuracy assessment of atmospheric correction of KMSS-2 Meteor-M No. 2.2 data over Northern Eurasia // Remote Sensing. 2023. V. 15. Iss. 18. Article 4395. DOI: doi.org/10.3390/rs15184395.
  29. Probst P., Wright M. N., Boulesteix A. L. Hyperparameters and tuning strategies for random forest // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2019. V. 9. Iss. 3. Article e1301. https://doi.org/10.1002/widm.1301.
  30. Skakun S., Vermote E., Franch B. et al. Winter wheat yield assessment from Landsat-8 and Sentinel-2 data: incorporating surface reflectance, through Phenological fitting, into regression yield models // Remote Sens. 2019. V. 11. Iss. 15. Article 1768. https://doi.org/10.3390/rs11151768.
  31. Valero S., Morin D., Inglada J. et al. Production of a dynamic cropland mask by processing remote sensing image series at high temporal and spatial resolutions // Remote Sensing. 2016. V. 8. Iss. 1. Article 55. https://doi.org/10.3390/rs8010055.
  32. Waldner F., Schucknecht A., Lesiv M. et al. Conflation of expert and crowd reference data to validate global binary thematic maps // Remote Sensing of Environment. 2019. Vol. 221. P. 235–246. DOI: 10.1016/j.rse.2018.10.039.
  33. Wang S., Azzari G., Lobell D. B. Crop type mapping without field-level labels: random forest transfer and unsupervised clustering techniques // Remote Sensing of Environment. 2019. V. 222. P. 303–317. https://doi.org/10.1016/j.rse.2018.12.026.
  34. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review // Remote Sensing of Environment. 2020. V. 236. Article 111402. https://doi.org/10.1016/j.rse.2019.111402.
  35. Wu B., Zhang M., Zeng H. et al. Challenges and opportunities in remote sensing-based crop monitoring: A review // National Science Review. 2023. Article nwac290. https://doi.org/10.1093/nsr/nwac290.
  36. Xu J., Zhu Y., Zhon  R. et al. DeepCropMapping: A multi-temporal deep learning approach with improved spatial generalizability for dynamic corn and soybean mapping // Remote Sensing of Environment. 2020. V. 247. Article 111946. https://doi.org/10.1016/j.rse.2020.111946.
  37. Zhang  C., Di L., Lin L. et al. Towards automation of in-season crop type mapping using spatiotemporal crop information and remote sensing data // Agricultural Systems. 2022. V. 201. Article 103462. https://doi.org/10.1016/j.agsy.2022.103462.
  38. Zhong L., Hu L., Yu L., Gong P., Biging G. S. Automated mapping of soybean and corn using phenology // J. Photogrammetry and Remote Sensing. 2016. V. 119. P. 151–164. https://doi.org/10.1016/j.isprsjprs.2016.05.014.