Цифровые карты полей с использованием искусственного интеллекта

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 карты полей, 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.

УЗНАТЬ БОЛЬШЕ

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).


Для обеспечения равномерности сегментирования (максимально возможного покрытия обрабатываемого региона сегментами), данный процесс выполняется итерационно по серии разновременных космических снимков, полученных за два сельскохозяйственных сезона.


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.



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



Мы постоянно увеличиваем количество обработанных территорий, на текущий момент, их площадь превышает 150 миллионов гектар.

Обработанные регионы:

Амурская область

Белгородская область

Брянская область

Воронежская область

Волгоградская область

Ивановская область

Калининградская область

Калужская область

Краснодарский край

Курская область

Липецкая область

Нижегородская область

Оренбургская область

Орловская область

Пензенская область

Рязанская область

Самарская область

Саратовская область

Ставропольский край

Тамбовская область

Тульская область

Республика Адыгея

Республика Дагестан

Республика Ингушетия

Республика Мари-Эл

Республика Кабардино-Балкария

Республика Карачаево-Черкесия

Республика Мордовия

Республика Северная Осетия

Республика Татарстан

Республика Удмуртия

Республика Чувашия

Ростовская область

Ульяновская область

Чеченская Республика


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.


Свяжитесь с нами
info@opendatabox.info


Читайте наши новости в телеграм-канале и социальных сетях
Facebook
t.me/OpenDataBox_pub
Linkedin




Посмотреть примеры
Демонстрация построенных контуров, для четырех различных регионов


Свяжитесь с нами
info@opendatabox.info


Читайте наши новости в телеграм-канале и социальных сетях
Facebook
t.me/OpenDataBox_pub
Linkedin



Высококачественные малооблачные мозаики

Мозаика космических снимков, это продут пространственного и цветового совмещения отдельных снимков в единое бесшовное покрытие на заданную территорию. Подобные покрытия как правило используются в качестве ”спутниковой подложки” в ГИС проекте или картографическом web-сервисе.

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.

УЗНАТЬ БОЛЬШЕ

Основным лимитирующим фактором при создании мозаик, является количество малооблачных снимков полученных в максимально близкие даты. При использовании классического подхода, облачные участки снимков маскируются с помощью так называемых линий пореза, создаваемых экспертно или в специальном программном обеспечении. Однако, далеко не всегда удается получить качественный и тонально сбалансированный продукт.

Разработанная нами, технология автоматизированного создания мозаичных покрытий, основана на статистической обработке временной серии космических снимков, в рамках которой анализируются каждый пиксель серии, и предсказывается наиболее вероятное малооблачное значение яркости. Такой подход, позволяет минимизировать количество шумов на итоговом покрытии и создавать практически безоблачные продукты, в том числе для территорий с малым количеством малооблачных снимков.

В зависимости от предполагаемого типа использования покрытия, мы предлагаем:

  • Региональные покрытия - создаются как правило на обширные территории с использованием данных полученных в летний период. И могут быть использованы в качестве базового спутникового слоя в картографическом веб сервисе или GIS проекте. Примером такого покрытия, служит созданное нами малооблачное покрытие Российской Федерации созданное боле чем из 50 000 единичных снимков полученных в летний период 2018 и 2019 годов.

  • Покрытие Российской Федерации в натуральных цветахПокрытие Российской Федерации в ложных цветах
    Покрытие Российской Федерации в натуральных цветахПокрытие Российской Федерации в ложных цветах

  • Сезонные покрытия - создаются из данных полученных в определенный сезон, и может быть использовано при анализе динамики сезонных природных явлений, например, снежного покрова и растительности. Примером такого покрытия служит созданные нами весеннее и летнее покрытия 2020 года для Республик Средней Азии - Узбекистан, Киргистан и Таджикистан.

  • Мультисезонное покрытие Средней Азии
    Мультисезонное покрытие Средней Азии

  • Мультивременные покрытия - создаются из данных полученных в определенные промежутки времени, и как правило используются для мониторинга и оценки изменений территории во времени. Например, мониторинг объектов дорожной и городской инфраструктуры, карьеров, вырубок и др. Примером мультивременного продукта, является созданные нами покрытия Калининградской области, за 2018, 2019 и 2020 годы.

  • Мультивременное покрытие Калининградской области
    Мультивременное покрытие Калининградской области


    Посмотреть пример регионального покрытия
    Малооблачное покрытие Российской Федерации за 2018-2019 года по данным Sentinel-2, при создании которого было использовано более 50 000 отдельных снимков. Идеально подходит для обработки в ГИС или в качестве спутниковой подложки веб сервиса.
    Посмотреть пример мультисезонного покрытия
    Малооблачные покрытия Узбекистана, Киргизии и Таджикистана на весну и лето 2020 года. Идеально для изучения сезонной динамики.
    Посмотреть пример мультивременного покрытия
    Малооблачные покрытия Калининградской области за 2018, 2019 и 2020 годы. Идеально для анализа изменений.

    Основные характеристики покрытий:

  • 4 спектральных канала, видимого и ближнего инфракрасного диапазонов
  • Разрядность 8 или 16 бит на пиксель
  • Формат предоставления - GeoTIFF, JPEG2000 для использования в ГИС и для тематической обработки. MbTiles, jpeg, png для использования в картографическом web-сервисе.



  • Свяжитесь с нами
    info@opendatabox.info


    Читайте наши новости в телеграм-канале и социальных сетях
    Facebook
    t.me/OpenDataBox_pub
    Linkedin




    Решения

    Для просмотра


    View ready

    8 бит RGB, для просмотра

    Реалистичная цветокоррекция

    Натуральные цвета или Инфракрасный цветосинтез

    Тайлы для веб сервиса

    GeoTIFF, JPEG-2000 для ГИС пользователей

    API

    Для анализа


    Analysis ready

    16 bits, для анализа и машинного обучения

    4 канала Nir, Red, Green, Blue

    форматы GeoTIFF, JPEG-2000

    API

    Анализ данных


    Data analysis

    Сельское хозяйство

    Лесное хозяйство

    Анализ изменений территории

    Водные ресурсы

    Напишите нам