View
1
Download
0
Category
Preview:
Citation preview
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?
Recommended