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%

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
t.me/OpenDataBox

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

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:

Покрытие Российской Федерации в натуральных цветах	Покрытие Российской Федерации в ложных цветах

Мультисезонное покрытие Средней Азии

Мультивременное покрытие Калининградской области