Картографирование сельскохозяйственных культур на основе мультисезонных моделей и спутниковых данных КМСС

Мультиспектральные данные, получаемые с помощью аппаратуры серии КМСС-2 на борту спутников «Метеор-М» № 2-2 и «Метеор-М» № 2-4, характеризуются пространственным разрешением 60 метров в надире и периодичностью съемки около трех суток для каждого спутника. Это позволяет использовать данные этих спутниковых систем для оперативного мониторинга и дистанционного зондирования растительного покрова, а также в других задачах. На основе указанных данных была разработана технология потоковой обработки, обеспечивающая автоматическую географическую привязку снимков, детектирование облачности и теней от них, а также многофакторную коррекцию изображений, которая учитывает не только влияние атмосферы, но и углы наблюдения, которые в данных КМСС достигают существенных значений. Также был создан технологический цикл обработки, позволяющий оперативно формировать интерполяционные продукты, характеризующие растительность России по данным КМСС-2. К таким продуктам относятся альбедо и вегетационные индексы с суточным временным разрешением, доступные через интерфейсы семейства Вега. Кроме того, впервые на основе этих данных были созданы продукты, отражающие индекс листовой поверхности (LAI) и биомассу для территории России.
На основе интерполированных изображений были подготовлены данные для разработки классификатора на основе нейронных сетей. Для этого был создан набор данных, включающий показатели альбедо в красном и ближнем инфракрасном (БИК) диапазонах длин волн, значения NDVI и их первые производные, а также метеорологические данные о температуре и влажности с шагом в 5 дней за вегетационные периоды 2018–2022 годов на территорию Курской области. В качестве модели классификатора использовалась нейронная сеть, состоящая из двунаправленного слоя LSTM и механизма многоголового внимания (multi-head attention), дополненных полносвязной сетью и сквозными связями (skip connections). Для повышения эффективности обучения данные были предварительно разделены на обучающую, валидационную и тестовую выборки с учетом принадлежности пикселей к конкретным полям. Ключевые характеристики сети — такие как размерность скрытого слоя, количество слоев LSTM, число голов внимания и коэффициент dropout — варьировались для поиска оптимальной комбинации, обеспечивающей максимальную точность. В качестве метрики качества использовалась f-score. На основе имеющегося пятилетнего массива данных было сформировано пять групп. В каждой из них тестовые данные относились к отдельному году, а данные за остальные четыре года распределялись между обучающей и валидационной выборками. В качестве функции потерь была выбрана функция categorical cross-entropy loss с весовыми коэффициентами классов, учитывающими представленность каждой выбранной сельскохозяйственной культуры. Обучение сети проводилось с использованием оптимизатора Adam; при этом применялись механизмы снижения скорости обучения (learning rate scheduler), который при отсутствии улучшения результатов на валидационной выборке в течение нескольких десятков эпох снижал скорость обучения, а также механизм ранней остановки (early stopping) при более длительном отсутствии улучшении на валидационном наборе, что позволило оптимизировать время поиска оптимальных параметров сети методом перебора по схеме grid search.
На основе оптимальных параметров, определенных для каждого из пяти наборов данных, было выполнено итоговое обучение выбранной сети, а качество результатов оценивалось на тестовых выборках.