Розроблено спосіб отримувати супутникові дані про рослинний покрив Землі
Розроблено спосіб отримувати супутникові дані про рослинний покрив Землі в умовах високої хмарності. Алгоритм дозволяє з високою точністю розпізнавати сільськогосподарські культури і прогнозувати розвиток екосистем.
Наявність докладної інформації про особливості земної поверхні дуже важливо для кращого розуміння екосистем планети і антропогенного впливу на них.
Такі дані найпростіше отримати за допомогою супутникової зйомки. Однак огляду з космосу часто заважають хмари.
У статті, опублікованій в журналі Remote Sensing of Environment, описується, як методи машинного навчання допомагають обійти цю природну «перешкоду».
Дослідники з Центру екологічних досліджень імені Гельмгольца створили алгоритм APiC, який здатний розпізнавати на кадрах із супутників 19 різних видів сільськогосподарських культур з високою точністю.
"Якщо ми зможемо визначити вирощувану культуру на кожному полі, то зможемо зробити висновки не тільки про потреби [місцевої екосистеми] в поживних речовинах, а й про кількість нітратів в місцевих [ґрунтових ] водах», — пояснює один з авторів роботи Себастьян Прейдл.
Інформація, отримана за допомогою APiC, також може використовуватися для організації заходів щодо захисту популяцій різних живих істот, таких як дикі бджоли.
«Ми можемо ефективно захистити біологічну різноманітність регіону лише в тому випадку, якщо ми маємо чітке уявлення про просторовий розподіл рослинного покриву», — додає Прейдл.
Дані, отримані Прейдлом і його колегами, базуються на супутникових знімках, які були зроблені сімейством космічних апаратів Sentinel-2. Це два моніторингових супутника, запущених на орбіту Європейським космічним агентством в 2015 і 2017 роках відповідно.
Як уже згадувалося вище, хмари є серйозною проблемою при роботі з тимчасовими рядами даних супутникової зйомки. Незважаючи на велику кількість знімків, частий хмарний покрив може привести до великих прогалин в даних. У той же час для багатьох фаз росту рослин потрібна достатня кількість спостережень, щоб привласнити зареєстровані сигнатури відповідної флорі.
Проміжки зазвичай заповнюються штучно згенерованими даними, які інтерполюються на підставі «безхмарних» зображень. Але точність такого підходу невисока. Прейдл і його колеги модифікували цей метод.
"Ми генеруємо індивідуальні алгоритми для кожного пікселя (індивідуального супутникового кадру) — - пояснює вчений. - Наш алгоритм автоматично вибирає безхмарні пікселі з усього набору даних супутникових зображень і не залежить від великомасштабних безхмарних сцен".
Дослідники протестували APiC на знімках території Німеччини. Умовно розділивши країну на шість сільськогосподарських регіонів, творці алгоритму домоглися того, що основні сільськогосподарські культури (такі як пшениця і кукурудза) розпізнавалися з точністю понад 90%. В цілому точність розпізнавання 19 різних культур становить не менше 88%.
Карта сільськогосподарських угідь Німеччини, отримана вченими, та її окремі елементи / Preidl, Lange, Doktor, Remote Sensing of Environment, 2020
Розробка придатна не тільки для вивчення сільськогосподарських угідь. Алгоритм здатний розпізнавати ялини, буки та інші види дерев. Таким чином, його можна використовувати для оцінки природоохоронної цінності лісових угідь, роблячи висновки про уразливість екосистем і прогнозуючи їх розвиток.
Також читайте: