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 %.