TĀLIZPĒTES DATU LAIKA RINDU IZMANTOŠANA ......TĀLIZPĒTES DATU LAIKA RINDU IZMANTOŠANA...

TĀLIZPĒTES DATU LAIKA RINDU IZMANTOŠANA LAUKSAIMNIECĪBAS KULTŪRU AUTOMĀTISKAJĀ

KLASIFIKĀCIJĀ

Harijs Ijabs

LU 77. zinātniskā konference

Sekcija „Ģeomātika”

Rīga, 2019

Aktualitāte un konteksts

ES Kopējā lauksaimniecības politika (CAP) 2020

• Brīvpieejas tālizpētes datu avots – Copernicus;

• ES dalībvalstīm pakāpeniski jāpāriet uz monitoringa sistēmu;

• Automatizēta kontrole tām maksājumu shēmām, kuru priekšnosacījumu izpildi iespējams monitorēt.

Divi no monitoringa stūrakmeņiem:

1) Pļaušanas un aršanas automātiska detektēšana

2) Automātiska kultūraugu klasifikācija

Pētījuma mērķisIzstrādāt Latvijai atbilstošu metodiku lauksaimniecības kultūru automātiskajai klasifikācijai pēc tālizpētes datu laika rindām.

Būtiskie elementi / uzdevumi

• Pētījuma teritorija;

• Latvijā izplatītākās kultūraugu klases;

• Segmentācijas un klasifikācijas algoritmi;

• Ieejas dati, to kombinācijas un atvasinājumi;

• Rezultātu validācija.

Multitemporāli MODIS 250-metru NDVI profili primārajiem kultūraugiem Kanzasā (Egbert, S. & Barlow B., 2005)

Kultūraugu klasesKultūraugs % no Ha

1 Ilggadīgie zālāji 29%

2 Kvieši, ziemas 12%

3 Kvieši, vasaras 12%

4 Aramzemē sētie zālāji 10%

5 Mieži, vasaras 7%

6 Papuve 5%

7 Auzas 5%

8 Rapsis, ziemas 4%

9 Rapsis, vasaras 3%

10 Lauka pupas 2%

11 Griķi 2%

12 Rudzi 1%

Deklarēto kultūru sadalījums pēc platībām 2018. gadā (apkopojis autors, izmantojot LAD datus)

Par pamatu klašu izvēlei tikaizmantoti aktuālie LADplatību maksājumu veidi unto īpatsvars LV LIZ.

• Maksājums par klimatam un videi labvēlīgu lauksaimniecības praksi(Zaļināšanas maksājums)

• Brīvprātīgs saistītais atbalsts par miežiem (SMI)

• Brīvprātīgs saistītais atbalsts par vasaras rapsi un vasaras ripsi (SVR)

Pētījuma teritorijaPētījuma teritoriju sastāda Kuldīgas, Aizputes un Durbes novadi;

Kopējā platība - 2715 km2.

Izstrādājis autors, izmantojot Sentinel-2 un Envirotech datus

Treniņdati:

• Zālāji - 2549 ha;

• Ziemas kvieši - 1633 ha;

• Ziemas rapsis - 874 ha;

• Vasaras mieži - 451 ha;

• Vasaras kvieši - 429 ha;

• Vasaras rapsis - 122 ha;

• Rudzi - 53 ha.

Izmantotie tālizpētes dati un to atvasinājumi• Sentinel-2 L2A: 23.04.18 / 07.05.18 / 02.06.18 / 07.07.18 / 07.20.18

• Sentinel-1: Atstarojuma statistika par periodu 01.05.18 – 30.08.18: pikseļa MAX, MIN un STD.

ApstrādeNo Sentinel-2 ainām tika aprēķināti NDVI, NDRE, GNDVI, NDWI un MSAVI2 veģetācijas indeksi.

NDVI laika rindai tika aprēķināta MIN, SUM un STD statistika, no kā tika izveidots trīsjoslu segmentēts rastrs (Mean-Shift).

S-2 NDVI MIN, SUM, STD segmentēta kopa (Izstrādājis autors, izmantojot Sentinel-2 datus)

Pētījumā izmantoto datu kopa (Izstrādājis autors, izmantojot Sentinel-2 un Sentinel-1 datus)

Klasifikācijas algoritmi – SVM vs. RF

Salīdzinot SVM un RF ražotāja pareizību, turpmākajam darbam tika izraudzīts RF klasifikators.

RF - ievērojams pieaugums vasaras kviešu un vasaras rapšu klasēm

81,7%

89,8%

77,6%

90,9%

98,2%

88,7% 88,4%

82,4%

88,0%

98,5%

70%

75%

80%

85%

90%

95%

100%

Vasaras kvieši Ziemas kvieši Vasaras rapsis Ziemas rapsis Zālāji

SVM RF

Dati segmentācijai

Ieejas datiem pēc iespējas spilgtāk jāapraksta atšķirības starp laukiem.

Min, Sum, STD –būtisks ražotāja pareizības pieaugums vasaras rapša klasē.

88,7% 88,4%

82,4%

88,0%

98,5%

87,1%

90,6%

78,8%

88,3%

98,2%

75%

80%

85%

90%

95%

100%

Vasaras kvieši Ziemas kvieši Vasaras rapsis Ziemas rapsis Zālāji

NDVI STATS NDVI MAI, JUN, JUL

SAR vai ne-SAR?

SAR datu iekļaušana klasifikācijas kopā palielina ražotāja pareizību visās kopās.

Lielākā ietekme ir uz rapšu klasēm.

88,7% 88,4%

82,4%

88,0%

98,5%

87,1% 86,0%

24,7%

71,4%

98,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

90,0%

100,0%

Vasaras kvieši Ziemas kvieši Vasaras rapsis Ziemas rapsis Zālāji

SAR Bez SAR

Veģetācijas indeksu nozīme

Izsverot veģetācijas indeksu ietekmi uz ražotāja pareizību, NDVI+MSAVI2 sniedz visaptveroši pareizāko klasifikāciju.

89,3%88,7%

82,4%

88,0%

97,4%

89,1%

87,8%

84,7%

88,3%

98,4%

88,9%88,6%

75,3%

89,0%

98,3%

88,5%

87,1%

84,7%

87,3%

97,2%

70,0%

75,0%

80,0%

85,0%

90,0%

95,0%

100,0%

Vasaras kvieši Ziemas kvieši Vasaras rapsis Ziemas rapsis Zālāji

NDVI NDVI+MSAVI2 NDVI+GNDVI NDVI+NDWI

RF klasifikācijas rezultāts (Izstrādājis autors)

98,58%

89,50% 88,60% 87,62% 84,71%

11,25% 8,21%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Zālāji Vasaraskvieši

Ziemasrapsis

Ziemaskvieši

Vasarasrapsis

Vasarasmieži

Rudzi

RF - ražotāja precizitāte

Rezultātu novērtējums – kļūdu matrica

Klasificētais

Vas. K. Ziem. K. Rudzi Mieži Vas. Rap. Ziem. Rap Zālāji Kopā: Ražotāja prec.

Fakt

iska

is

Vasaras kvieši 1535 61 0 10 5 12 92 1715 89.50%

Ziemas kvieši 89 1005 0 0 4 4 45 1147 87.62%

Rudzi 4 92 11 0 0 4 23 134 8.21%

Mieži 732 19 0 106 0 7 78 942 11.25%

Vasaras rapsis 2 1 0 0 72 6 4 85 84.71%

Ziemas rapsis 4 20 0 0 0 272 11 307 88.60%

Zālāji 65 17 0 4 0 3 6193 6282 98.58%

Kopā: 2431 1215 11 120 81 308 6446

Lietotāja prec. 63.14% 82.72% 100% 88.33% 88.89% 88.31% 96.08%

Secinājumi

• RF klasifikators sniedz augstāko kopējo pareizību

• NDVI un MSAVI2 indeksu kombinācija ir efektīvākie optisko datu atvasinājumi;

• SAR dati ievērojami uzlabo klasifikācijas pareizību;

• Segmentēta NDVI statistika apraksta kultūraugu īpašības labāk par segmentētiem NDVI attēliem;

• Ar šādu pieeju iespējams efektīvi nošķirt ziemājus no vasarājiem un zālājiem, kā arī savstarpēji atšķirt:• Ziemas kviešus• Vasaras kviešus• Ziemas rapsi• Vasaras rapsi• Zālājus

• Ar šo metodi pagaidām nav iespējams atšķirt miežus no vasaras kviešiem un rudzus no ziemas kviešiem – vieta turpmākiem pētījumiem

Paldies par uzmanību!

Jautājumi?