Цифровые карты пахотных земель (полей) являются неотъемлемой частью любого современного сервиса, помогающего эффективно управлять, как отдельным фермерским хозяйством, так и сельскохозяйственным регионом в целом. Цифровые карты используются при мониторинге состояния посевов, в системах точного земледелия, дифференциальном внесении удобрений, инвентаризации земель сельскохозяйственного назначения, оценке рисков в страховой деятельности, оценке и прогнозировании урожайности, контроля нецелевого использования земель сельскохозяйственного назначения, и др.
Мы предлагаем электронные карты пахотных земель, построенные по результатам обработки разновременных космических снимков Sentinel-2. При построении контуров используется объектно ориентированный подход - сегментирование изображений и классификация с использованием нейронной сети.
Точность классификации в большинстве случаев превышает 90%, все контуры топологически корректны и не имеют наложений и самопересечений.
Данные предоставляются в виде векторного слоя в одном из популярных форматов, в составе атрибутивной информации, содержится атрибут, позволяющий оценить степень надежности отнесения контура к пахотным землям.
Создание цифровых карт полей, как правило производится в экспертном режиме, используя космические снимки или данные аэрофотосъемки, в том числе с беспилотных летательных аппаратов, либо путем объезда со специализированным геодезическим оборудованием, и является достаточно трудоемким, а следовательно дорогостоящим процессом. Кроме того, создание карт на большие площади, например, в региональном масштабе, требует существенных временных затрат.
Мы представляем продукт, созданный на основе современных технологий машинного обучения и компьютерного зрения, примененных к обработке разновременных космических снимков, программы Sentinel-2. Что позволило существенно сократить временные затраты на создание карт полей, и как следствие уменьшить стоимость продукта.
В основании используемой нами методики, лежит широко-используемый при автоматизированном дешифрировании космических снимков, объектно ориентированный подход, состоящий из двух основных этапов - сегментирование и классификация.
Сегментирование - объединение исходных пикселей изображения в смежные области так называемые супер-пиксели. Существует несколько общепринятых подходов для получения супер-пикселей, в нашем случае, это алгоритм WaterShed, при этом, в качестве граничного условия (максимума функции), используются максимальные значения градиента вегетационного индекса NDVI, а в качестве маркера (минимума функции) - значения индекса NDVI соответствующие открытой почве (менее 0.2).
![]() |
![]() |
Серия снимков | Индекс вегетации |
![]() |
![]() |
Индекс влажности | Градиент |
Для обеспечения равномерности сегментирования (максимально возможного покрытия обрабатываемого региона сегментами), данный процесс выполняется итерационно по серии разновременных космических снимков, полученных за два сельскохозяйственных сезона.
![]() |
Результат сегментации |
Классификация - отнесение полученных сегментов к целевому классу (пахотные земли). Полученные на этапе сегментирования супер-пиксели могут быть сформированы как пахотными землями, так, и другими природными или антропогенными объектами, например, водная поверхность, здания и сооружения, карьерные разработки, а также, объектами расположенными под тенями от облаков. Для выделения среди всех полученных сегментов, тех, которые относятся к пахотным землям, используется классификатор. В нашем случае, это полносвязная нейронная сеть прямого распространения (MLP), обученная на большом (более 10 тысяч) наборе, размеченных вручную примеров. В качестве классификационных признаков используются: динамика изменения индекса NDVI и NDWI, значение градиента по границе сегмента, разброс значений индексов и градиента, характеристики формы сегмента.
В результате, каждому полученному сегменту присваивается класс 1 или 0 (пахотные земли или другое), и значение вероятности отнесения данного сегмента к классу.
Затем, проводится векторизация - перевод сегментов к векторной форме представления, для возможности анализа и отображения в GIS пакетах и веб сервисах.
![]() |
Результат векторизации |
В атрибутивной информации векторного слоя содержится информация о вероятности отнесения каждого контура к пахотным землям, что позволяет проводить анализ данных при различных уровнях значимости.
Ниже приведены примеры результатов обработки на Саратовскую область
![]() |
![]() |
Контуры полей с вероятностью более 10% | Контуры полей с вероятностью более 50% |
Мы постоянно увеличиваем количество обработанных территорий, на текущий момент, их площадь превышает 100 миллионов гектар.
Амурская область
Белгородская область
Брянская область
Воронежская область
Волгоградская область
Калининградская область
Калужская область
Курская область
Липецкая область
Оренбургская область
Орловская область
Пензенская область
Рязанская область
Самарская область
Саратовская область
Тамбовская область
Тульская область
Республика Мордовия
Республика Татарстан
Республика Чувашия
Ростовская область
Ульяновская область
Если Вы хотите приобрести контуры полей по указанным регионам, или заказать обработку своей территории, напишите нам. Мы готовы в кратчайшие сроки предоставить примеры на интересующую Вас территорию.
opendataboxinfo@gmail.com
форма обратной связи
t.me/OpenDataBox
Посмотреть примеры
Демонстрация построенных контуров, для четырех различных регионов
Свяжитесь с нами
opendataboxinfo@gmail.com
форма обратной связи
t.me/OpenDataBox
Мы предлагаем наиболее актуальные и исторические покрытия из космических снимков высокого разрешения, доступных в открытом доступе.
Если вам необходима спутниковая подложка для картографического или тематического сервиса, мы можем предложить полностью готовый продукт в натуральных цветах.
Для более требовательных пользователей, мы представляем продукт подходящий для анализа и получения собственных производных продуктов, в состав которого входит четыре спектральных канала - видимого и ближнего инфракрасного диапазонов.
Посмотреть примеры
Малооблачное покрытие Российской Федерации за 2018-2019 года по данным Sentinel-2, при создании которого было использовано более 50 000 отдельных снимков.
Свяжитесь с нами
opendataboxinfo@gmail.com
форма обратной связи
t.me/OpenDataBox