Inovačný experiment je založený na analýze časových radov z družíc Sentinel 1 a Sentinel 2 a ďalších dát s využitím metód umelej inteligencie. Tieto výstupy budú ponúkané poradenským službám pre poľnohospodárstvo, finančnému a verejnému sektoru.
Technológie na detekciu plodín zo satelitných dát sa zameriavajú na detekciu rôznych typov plodín na poli v ranej fáze pred zberom. Ich klasifikácia je jednou z kľúčových tém spoločnej poľnohospodárskej politiky v rámci iniciatív Európskej komisie. V súčasnej dobe sa na riešenie úloh spojených s identifikáciou typu poľnohospodárskych plodín využívajú dáta získané z diaľkového prieskumu Zeme (DPZ) a ďalej potom technológie pre následné spracovanie takýchto dát.
Na detekciu plodín sa obvykle používajú klasifikačné metódy, ktoré možno rozdeliť na:
Riadená klasifikácia - Najčastejšie používanou technikou pre kvantitatívnu analýzu obrazových dát diaľkového prieskumu Zeme je riadená klasifikácia. Jej podstatou je segmentácia spektrálnej oblasti na oblasti, ktoré je možné priradiť k triedam pôdnej pokrývky, ktoré sú pre konkrétnu aplikáciu zaujímavé.
Pri riadenej klasifikácii užívateľ alebo analytik "dohliada" na proces klasifikácie pixelov v obraze. Užívateľ určuje rôzne hodnoty pixelov alebo spektrálne signatúry, ktoré by mali byť priradené každej triede.
Segmentácia obrazu - Za pokročilejšiu metódu je možné považovať segmentáciu obrazu, ktorá priamo definuje oblasti objektov. Doposiaľ táto metóda pracuje s prístrojom Sentinel 2 a väčšina riešení pracuje s dátami z jedného obdobia.
Pri práci s dátami z družice Sentinel-2 a prípadne s dátami získanými z jedného časového obdobia je ťažké dosiahnuť vysokú presnosť klasifikácie. Existujú dva hlavné problémy:
Je ťažké rozlíšiť niektoré plodiny na základe ich spektrálnej klasifikácie.
Sentinel 2 je ovplyvnený mrakmi av niektorých obdobiach je ťažké/nemožné mať k dispozícii dáta
Preto sme sa rozhodli zahrnúť aj dáta Sentinel 1 (radarové dáta), ktoré nie sú ovplyvnené mrakmi. Inovačný experiment ako taký bude založený na fenológii. Fenológia je vedný odbor, ktorý študuje periodické udalosti biologických životných cyklov, ktoré sú závislé od mnohých vonkajších vplyvov prostredia, ako sú klíma, zmeny počasia a ďalšie ekologické faktory. V priebehu času sa rastlinné druhy vyvíjali v reakcii na svoje prostredie a prispôsobovali sa špecificky biotickým a abiotickým faktorom. Vzhľadom na tieto vzájomné súvislosti je štúdium fenológie užitočné v mnohých ohľadoch. Napríklad štúdium rastliny môže poskytnúť informácie o prostredí, v ktorom sa vyvíja, a naopak štúdium biotických a abiotických faktorov môže pomôcť pochopiť ako rastlina reaguje na faktory prostredia. Rôzne plodiny majú rôzne fenologické cykly a to pomáha rozlišovať jednotlivé plodiny.
Prístup, ktorý sa začal testovať počas INSPIRE hackathonov, je založený na klasifikácii vybraných indexov vo všetkých ročných obdobiach počnúc zimou a končiac sezónou. Použitie multitemporálnych údajov zvyšuje presnosť klasifikácie.
Ďalším spôsobom, ako zvýšiť presnosť klasifikácie, je použitie neriadenej klasifikácie pre predbežné spracovanie obrazu. Výhodou neriadenej klasifikácie je, že rozdelenie objektov sa nevykonáva na základe trénovacích vzoriek, ale iba na základe fenologickej fázy a spektrálnych charakteristík. Počas hackathonov sme začali pripravovať metódu založenú na neriadenej klasifikácii. Nevýhodou je, že takáto snímka vyžaduje dodatočnú interpretáciu tried. Metódy neriadenej klasifikácie je možné vylepšiť pomocou segmentačných algoritmov.
Pre interpretáciu by bolo možné dáta kombinovať s existujúcimi dátami LPIS, čo môže tiež zvýšiť presnosť klasifikácie. V predchádzajúcom teste kombinujúcom dáta LPIS s interpretovanými snímkami sme dosiahli presnosť vyššiu ako 85 %.
ie_1_part1
Agrihub INSPIRE Hackathon 2021
Na základe dlhodobej vízie boli pre tento hackathon naplánované tri experimenty:
použitie rôznych vstupných dátových sád
predspracovať vstupné dátové sady pomocou neriadenej klasifikácie
zlepšiť presnosť klasifikácie z družice Sentinel-1 vyhladením dát z družice Sentinel-1
Všetky tri experimenty boli úspešne realizované; postup a výsledky sú popísané v nasledujúcom dokumente a tiež vo videu nižšie. Okrem experimentov, ktoré mali viesť k vyššej presnosti, bolo cieľom výzvy nájsť reálne aplikácie na detekciu plodín.