Использование временных рядов NDVI и методов машинного обучения для классификации пахотных земель Хабаровского края

Автоматизированная классификация пахотных земель с использованием данных ДЗЗ является основой для эффективного мониторинга сельскохозяйственных культур, контроля севооборота и выявления случаев нерационального использования земель сельскохозяйственного назначения. Для пахотных земель Хабаровского края года по мультиспектральным снимкам Sentinel-2 (10 м) за период с апреля 2021 по октябрь 2023 были построены сезонные временные ряды значений недельных композитов NDVI (Normalized Difference Vegetation Index). Недостающие из-за отсутствия пригодных для анализа (вследствие облачности) снимков значения были восстановлены при помощи аппроксимации двойной синусоидальной функцией. В качестве классов выступали произрастающие на полях культуры (соя, гречиха, овес, многолетние травы, ячмень, кукуруза, картофель), а также залежь. В качестве методов машинного обучения использовались SVM (Support Vector Machines), RF (Random Forest) и GB (Gradient Boosting).
Общая точность для пикселей полей, не задействованных в обучении, составила 77,2%, 93,5% и 94,0 % для SVM, RF и GB соответственно. Значения F1 для разных типов пахотных земель Хабаровского края находились в диапазоне 0,59-0,93 для SVM, и 0,88-0,98 для RF и GB. При этом временные затраты при использовании GB на порядок ниже в сравнении с другими методами. Таким образом, установлено, что наиболее высокая точность классификации пахотных земель на основе временных рядов индекса NDVI, полученных при анализе спутниковых изображений Sentinel-2, была достигнута при использовании метода градиентного бустинга. Схожие результаты следует ожидать в регионах со схожей структурой пахотных земель и фенологическими циклами культур, в том числе других регионах Дальнего Востока.