Классификация посевных территорий сельскохозяйственных культур Киевской области Украины по спутниковым и наземным данным

Задача классификации посевных территорий формулируется в контексте оценки состояния растительности, прогнозирования валового сбора сельскохозяйственных культур, оценки посевных площадей сельскохозяйственных культур, оценки убытков от стихийных бедствий (засух), стратегического планирования и устойчивого развития современного общества. Важность задачи выделена в программных документах ряда международных организаций, таких как UN FAO и GEOSS Agriculture.
При прогнозировании валового сбора сельскохозяйственных культур задача рассматривается в глобальных и региональных системах UN FAO Global Information and Early Warning System (GIEWS), USDA Foreign Agriculture Service (FAS), EU Monitoring Agriculture by Remote Sensing (MARS) Project, IRSA Crop Watch Program (Китай), Системе спутникового мониторинг АПК (ФГУП ГВЦ Минсельхоза РФ).
В данной работе решается задача классификации посевных территорий Киевской области Украины на основе спутниковых и наземных данных. Предлагается метод классификации на основе временных рядов NDVI, LAI спутниковых данных среднего разрешения (Terra/MODIS MOD13Q1, MOD15A2), наземных данных о грунте, данных Landsat-5 TM. В качестве классификатора использованы машины опорных векторов С-SVM, представленность обучающей выборки оценена на основе одноклассовых машин опорных векторов (oneclass SVM).
Предварительные результаты оценки точности для территории Киевской и части соседних областей Украины составляют более 94% при классификации полей пшеницы, ячменя, ржи, кукурузы, сои и участков, покрытых садами, зданиями и водой.
В качестве входных данных используется временной ряд за 03.2009-08.2009 NDVI и содержание органических веществ в верхнем слое почвы по данным European Soil Database v2. Обучающая выборка классификатора построена по результатам наземных исследований 300 полей Киевской области в 2009 году.
В предлагаемом методе в качестве классификатора используется машины опорных векторов (support vector machines) C-SVM на основе RBF ядра. Параметры ядра RBF gamma и параметры регуляризации С оценены в узлах сетки 2^-5...2^15 для С, 2^2...2^-14 для gamma c шагом степени 2 для обоих переменных на основе минимума ошибки перекрестной проверки (cross validation rate). Результаты бинарной классификации C-SVM далее используются для классификации на большее число классов при помощи алгоритма попарного сравнения и голосования. Апостериорные вероятности классов при условии наблюдаемого сигнала получены на на основе алгоритма [T.-F. Wu, C.-J. Lin, and R. C. Weng. Probability Estimates for Multi-class Classification by Pairwise Coupling. Journal of Machine Learning Research, 2004].
Результаты оценки точности классификации в предлагаемом методе:
а) При использовании только временных рядов NDVI средняя точность 91.175%, точность классификации отдельных культур -- пшеницы, ячменя, ржи, кукурузы, сои и участков, покрытых садами, зданиями и водой (классы 1..8) — 99.2%, 67.8%, 77.4%, 95.8%, 99.8%, 89.6%, 99.4%, 97%;
б) При использовании временных рядов NDVI + T_OC (% гумуса в верхнем слое почвы) средняя точность 94.375%, отдельных культур – 99.2%, 81.4%, 84.6%, 98%, 99.8%, 94.6%, 99.8%, 97.6%;
в) Классификация озимых и яровых зерновых культур по временным рядам LAI без коррекции смешанных пикселей и данных о грунте -- 78.9474%.
Границы полей, смешанные пиксели на границах полей продукта MOD13Q1 Terra/MODIS в предлагаемом методе оценены на основе пороговой фильтрации суммы градиентов NDVI по данным Landsat-5 TM, что позволяет повысить точность классификации за счет повышения пространственного разрешения с 250м MODIS до 30м TM на границах полей.
Результаты оценки представленности исследуемой территории в наземной обучающей выборке на основе одноклассовых машин опорных векторов (one class SVM) на данных временных рядов NDVI — в области 0.95 представлены 30.6% классифицируемой территории, 0.75 — 43.5%, 0.5 — 62.3%.
В докладе будут приведены карты посевных территорий 2009 года и сравнение результатов предлагаемого метода с данными Министерства статистики Украины.