Часть I — Использование временных рядов sentinel-2
Что?
В этой статье я объясню вам, как использовать неконтролируемое машинное обучение для классификации земли по разным категориям — сельскохозяйственной, лесной, кустарниковой, застроенной и т. д.
Почему?
Сельское хозяйство играет важную роль в мировой экономике. В таких странах, как Индия, это также является основным источником дохода для большей части населения, хотя индийские фермеры по-прежнему используют традиционный способ ведения сельского хозяйства либо из-за отсутствия знаний, высокой стоимости, либо из-за того, что они не знают о новых технологиях в сельском хозяйстве. Сельское хозяйство. Такие технологии, как Интернет вещей, машинное обучение и глубокое обучение, можно использовать для извлечения информации/данных и их обработки, чтобы получить представление о различных сельскохозяйственных параметрах (почва, влажность, растительность и т. д.), принося пользу фермерам в консультировании.
Спутниковые изображения можно использовать с этими технологиями для создания приложений дистанционного зондирования, которые помогают фермерам контролировать свои фермы и анализировать их рост.
Как?
Введение
Поскольку мы понимаем силу технологий, которые можно использовать для улучшения сельского хозяйства в целом, давайте поговорим об первоначальных требованиях, необходимых для мониторинга ферм. Который отделяет сельскохозяйственные земли от других типов земель (леса, кустарников, застроенных и т.д.). Я собираюсь провести неконтролируемую классификацию ML, чтобы найти кластер с сельскохозяйственными угодьями и дополнительно замаскировать его, сгруппировав все остальные кластеры в один класс.
Индексы растительности
Для создания сельскохозяйственной маски (AM) я собираюсь использовать разные индексы растительности (VI), которые должны управляться с использованием разных значений полосы (полосы — это разные слои, которые представляют собой отражение разных частот света с разными длинами волн, таких как видимый красный, NIR и т. д.). , SWIR) спутниковых снимков Sentinel 2. Эти индексы используются для различных целей в мониторинге ферм и помогают в определении различных свойств сельскохозяйственных культур.
Набор данных спутниковых снимков представлен в растровом формате, поэтому я использую Gdal для выполнения геопространственных операций и извлечения информации.
Данные
Несколько VI генерируются в разное время года и используются для наблюдения за рельефом местности в течение года. Этот временной ряд помогает понять изменения, происходящие в выбранном регионе, и получить представление о видах изменений. для например. Нормализованный разностный вегетационный индекс (NDVI) активных сельскохозяйственных угодий будет меняться со временем, но не для других типов земель.
Список индексов, использованных в этом упражнении, их формул и вариантов использования.
Нормализованный разностный вегетационный индекс(NDVI) – помогает определить участки с соответствующей растительностью.
Нормализованный разностный водный индекс(NDWI) — помогает определить влажность воды в сельскохозяйственных угодьях. Также помогите различать водоемы.
Оптимизированный вегетационный индекс с поправкой на почву(OSAVI) — помогает учитывать большую изменчивость из-за высокого фонового фона почвы.
Зеленая биомасса. Сотрудничайте с NDVI, чтобы помочь найти более зеленую растительность, которая может быть полезна при классификации между лесом и пахотными землями.
Данные подготавливаются для кластеризации путем взятия разностей всех значений VI для последовательных дат, чтобы увидеть скорость изменения значений индексов во времени.
Кластеры
Кластеризация K-средних, интегрированная с Facebook AI Similarity Search (FAISS), выполняется для обнаружения кластеров с другой меткой, представляющих класс земли.
Понимание результатов
Результаты кластеризации дополнительно проверяются для определения класса земель сельскохозяйственного назначения. Классификация землепользования от ESA используется для подтверждения результатов.
После анализа результатов и выполнения измерений между пикселями мы видим, что результаты имеют среднюю точность 66% (точность варьируется от 61% до 72%, когда кластеризация выполняется для нескольких областей).
В следующей статье я расскажу об использовании всей информации из всех диапазонов спутниковых данных для выполнения такой же кластеризации землепользования.
