Розробка методу класифікації з нульовим показником для міжрегіонального картографування сільськогосподарських культур, що демонструє переносимість доменів на зображеннях Sentinel-2
DOI:
https://doi.org/10.15587/1729-4061.2025.338000Ключові слова:
класифікація культур, переносимість доменів, дистанційне зондування, машинне навчання, класифікація з нульовим показникомАнотація
Об’єктом дослідження є класифікація типів сільськогосподарських культур та землекористування з нульовим показником у регіонах з обмеженими даними, використовуючи одноденні знімки Sentinel-2, переносячи моделі, навчені в багатому на дані центральній Франції до Карабахського регіону Азербайджану. Міжрегіональне розгортання класифікаторів сільськогосподарських культур ускладнюється відмінностями у зміщенні доменів у фенології, управлінні та відгуках сенсорних діапазонів, а також відсутністю локальних позначок, що разом знижує точність та довіру до операційних карт. Безхмарні медіанні композити за липень 2021 року були створені в Google Earth Engine, зібрано чотирнадцятисмуговий стек (основні оптичні діапазони плюс NDVI, NDRE, NDWI, NDMI), чотири контрольовані алгоритми навчені на збалансованих французьких ділянках, перевірені за допомогою загальної точності та коефіцієнта Коена κ, а потім застосовані з нульовим показником до Карабаху. Random Forest забезпечив точність 94,6% при перевірці для Франції та, після перезважування екземплярів та нормалізації ознак, надав просторово узгоджені прогнози в Карабаху. Поєднання гармонізованих вхідних даних, спектрів з доповненням індексами та корекції полегшених доменів у конвеєрі дозволило перенесення без позначок цільових регіонів, створюючи карти з достовірною інформацією, придатні для швидкої підтримки рішень. Невідповідність стадій росту та спектральна чутливість є основними причинами відмінностей у продуктивності, інформація про червоний край була важливою для розрізнення структурно подібних культур, а індекси вологості допомогли з дискримінацією, індукованою зрошенням. Цей підхід є найефективнішим у пік сезону, за умов безхмарності з порівнянними агроекологічними умовами та гармонізованою таксономією культур, він вимагає лише відкритих даних Sentinel-2, маски сільськогосподарських угідь та стандартних інструментів машинного навчання в GEE, підтримуючи масштабовані, повторювані оцінки там, де достовірних даних мало
Посилання
- Hoppe, H., Dietrich, P., Marzahn, P., Weiß, T., Nitzsche, C., Freiherr von Lukas, U. et al. (2024). Transferability of Machine Learning Models for Crop Classification in Remote Sensing Imagery Using a New Test Methodology: A Study on Phenological, Temporal, and Spatial Influences. Remote Sensing, 16 (9), 1493. https://doi.org/10.3390/rs16091493
- Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
- Saini, R., Ghosh, S. K. (2018). Crop classification on single date Sentinel-2 imagery using Random Forest and Support Vector Machine. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII–5, 683–688. https://doi.org/10.5194/isprs-archives-xlii-5-683-2018
- Sonobe, R., Yamaya, Y., Tani, H., Wang, X., Kobayashi, N., Mochizuki, K. (2018). Crop classification from Sentinel-2-derived vegetation indices using ensemble learning. Journal of Applied Remote Sensing, 12 (2). https://doi.org/10.1117/1.jrs.12.026019
- Thanh Noi, P., Kappas, M. (2017). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors, 18 (1), 18. https://doi.org/10.3390/s18010018
- Vuolo, F., Neuwirth, M., Immitzer, M., Atzberger, C., Ng, W.-T. (2018). How much does multi-temporal Sentinel-2 data improve crop type classification? International Journal of Applied Earth Observation and Geoinformation, 72, 122–130. https://doi.org/10.1016/j.jag.2018.06.007
- Pelletier, C., Valero, S., Inglada, J., Champion, N., Dedieu, G. (2016). Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas. Remote Sensing of Environment, 187, 156–168. https://doi.org/10.1016/j.rse.2016.10.010
- Orynbaikyzy, A., Gessner, U., Conrad, C. (2022). Spatial Transferability of Random Forest Models for Crop Type Classification Using Sentinel-1 and Sentinel-2. Remote Sensing, 14 (6), 1493. https://doi.org/10.3390/rs14061493
- Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
- Zanaga, D., Van De Kerchove, R., Kirches, G., Daems, D., De Keersmaecker, W., Brockmann, C., Arino, O. (2022). ESA WorldCover 10 m 2021 v200: global land cover map. Zenodo. https://doi.org/10.5281/zenodo.7254221
- Attard, G., Bardonnet, J. (2020). RPG Version 2.0. Registre Parcellaire Graphique. Available at: https://geodatafr.github.io/IGN/RPG_Agricultural-parcels/
- Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J.-M., Tucker, C. J., Stenseth, N. Chr. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20 (9), 503–510. https://doi.org/10.1016/j.tree.2005.05.011
- Gitelson, A. A., Merzlyak, M. N. (1997). Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 18 (12), 2691–2697. https://doi.org/10.1080/014311697217558
- McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17 (7), 1425–1432. https://doi.org/10.1080/01431169608948714
- Gao, B. (1996). NDWI–A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58 (3), 257–266. https://doi.org/10.1016/s0034-4257(96)00067-3
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Artughrul Gayibov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
