tĀlizpĒtes datu laika rindu izmantoŠana ......tĀlizpĒtes datu laika rindu izmantoŠana...
TRANSCRIPT
-
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?