Определение типа земного покрова из космоса: методы машинного обучения предоставляют детальную информацию о сельскохозяйственных культурах

Детальная информация о земном покрове важна для лучшего понимания окружающей среды, например, для оценки экосистемных услуг, таких как опыление, или для количественной оценки поступления нитратов и питательных веществ в водоемы. Ученые Центра экологических исследований имени Гельмгольца (UFZ) показали, что динамическое применение моделей машинного обучения может учитывать локальную облачность на спутниковых снимках без использования общепринятых методов интерполяции. Их алгоритм распознает 19 различных типов сельскохозяйственных культур с точностью 88%, о чем сообщается в журнале Remote Sensing of Environment.

Эта информация позволяет делать выводы не только о потребностях в питательных веществах, но и о нагрузке нитратами на окружающие водоемы. Кроме того, данные можно использовать для более эффективного планирования мер по защите популяций диких пчел. Спутники программы Copernicus Европейского космического агентства (ESA), такие как Sentinel-2, предоставляют высокодетальные данные, которые легли в основу работы. Основной вызов при анализе временных рядов — облачность, которая создает пробелы в данных.

«Вместо их заполнения интерполяцией мы выбираем динамическое применение моделей машинного обучения, генерируя индивидуальные алгоритмы для каждого пикселя», — объясняет ученый UFZ Себастьян Прайдль. Алгоритм автоматически выбирает безоблачные пиксели из всего набора спутниковых изображений, учитывая временную последовательность наблюдений. Модели были обучены на данных по известным типам культур с учетом региональных различий Германии, разделенной на шесть ландшафтных регионов. Для основных культур точность распознавания превышает 90%.

«Наша методология применима к другим регионам внутри и за пределами Европы, а также к другим годам, — говорит руководитель рабочей группы дистанционного зондирования UFZ доктор Даниэль Доктор. — В сочетании с другими моделями, например, фенологическими или экологическими, можно делать выводы не только об уязвимости видов к экстремальным событиям, но и о будущем поведении экосистем как источников или поглотителей углерода».