Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
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.