ВАЛІДАЦІЯ КАРТ ДЕГРАДАЦІЇ ЗЕМЕЛЬ НА ОСНОВІ ГЕОПРОСТОРОВИХ ДАНИХ

Завантажити статтю

УДК 528.8.04:004.021

Яйлимов Богдан Ялкапович, кандидат технічних наук, старший науковий співробітник Інституту космічних досліджень НАН України та ДКА України, м. Київ

Шелестов Андрій Юрійович, доктор технічних наук, професор Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського»

Ємельянов Михайло Олексійович, інженер I категорії Інституту космічних досліджень НАН України та ДКА України, м. Київ

Пархомчук Олександр Михайлович, інженер I категорії Інституту космічних досліджень НАН України та ДКА України, м. Київ

pages 112-125

DOI: http://doi.org/10.34229/1028-0979-2022-1-10

На сьогоднішній день у відкритому доступі є велика кількість супутникових даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами ґрунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обробки геопросторових даних, маємо можливість створювати карти деградації землі. Оскільки при створенні карти деградації основними інтелектуальними складовими є карти класифікації, карти продуктивності та карти вирубки лісів, то саме ці три продукти впливають на загальну достовірність результатів. Для їх валідації у роботі визначено необхідні метрики якості, а також проведено відповідні розрахунки. При оцінці карти земного покриву використано тестові незалежні дані для побудови матриці невідповідності, а також виконано порівняння отриманих площ основних сільськогосподарських культур зі статистичними даними. Продуктивність сільськогосподарських земель оцінено за допомогою часового ряду карт класифікації земного покриву, біофізичного моделювання розвитку рослин Crop Growth Modeling System (CGMS), а також біофізичних параметрів росту рослин із використанням супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності карт LAI (CGMS) ґрунтується на порівнянні значень індексу Leaf area index (LAI), змодельованих за допомогою програмного фреймворку CGMS, з даними наземних вимірів LAI, зібраними шляхом проведення наземних досліджень. Проведено чисельні експерименти для оцінки якості моделей та результатів карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на етапі навчання нейронної мережі. Також проаналізовано карти деградації за декілька років та проведено їх валідацію відносно врожайності, зокрема для регіону, що зазнав значних змін, на території України.

  1. Global Earth Observation System of Systems (GEOSS). URL: https:// earthobservations.
    org/geoss.php
    .
  2. State Service of Ukraine for Geodesy, Cartography and Cadastre. URL: https://land.gov.ua/.
  3. UNEP. GEO–4: Global environmental outlook. Environment for development. United Nations Environ. Programme, Nairobi. 2007. URL: https://wedocs.unep.org/handle/20.500.11822/7646; jsessionid=8B2BA9576DF7011BA5CBAB64CD88B1BD.
  4. Satellite data reveal cropland losses in South-Eastern Ukraine under military conflict. S. Skakun, C.O. Justice, N. Kussul, A. Shelestov, M. Lavreniuk. Front. Earth Sci. 2019. 7, Art. 305. DOI: 10.3389/feart.2019.00305 2019.
  5. Kussul N., Shumilo L., Garanis L. Relationships between land degradation and climate change vulnerability of agricultural water resources. 2021 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Brussels (virtual format). 2021. P. 747–750. DOI: 10.1109/ IGARSS47720.2021.9553489.
  6. Land degradation estimation from global and national satellite based datasets within UN program. N. Kussul, A. Kolotii, A. Shelestov, B. Yailymov, M. Lavreniuk. In 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). 2017. 1. P. 383–386. DOI: 10.1109/IDAACS.2017.8095109.
  7. Metadata of SDG 15.3.1. URL: https://unstats.un.org/sdgs/metadata/files/Metadata-15-03-01.pdf.
  8. Mediterranean desertification and land degradation: mapping related land use change syndromes based on satellite observations. J. Hill, M. Stellmes, T. Udelhoven, A. Röder, S. Sommer Global and Planetary Change. 2008. 64, N 3–4. P. 146–157. DOI: 10.1016/ j.
    gloplacha.2008.10.005.
  9. Leaf area index. URL: http://www.fao.org/3/i0197e/i0197e15.pdf.
  10. Land cover changes analysis based on deep machine learning technique. N. Kussul, N. Lavreniuk, A. Shelestov, B. Yailymov, I. Butko. Journal of Automation and Information Sciences. 2016. 48, N 5. P. 42–54. DOI: 10.1615/JAutomatInfScien.v48.i5.40.
  11. Developments in theʼvalidation'of satellite sensor products for the study of the land surface. C. Justice, A. Belward, J. Morisette, P. Lewis, J. Privette, F. Baret. International Journal of Remote Sensing. 2000. 21, N 17. P. 3383–3390. DOI: 10.1080/014311600750020000.
  12. Kussul N., Lavreniuk M., Shumilo L. Deep recurrent neural network for crop classification task based on Sentinel–1 and Sentinel–2 imagery. IGARSS 2020–2020 IEEE International Geoscience and Remote Sensing Symposium. Waikoloa, HI, USA. P. 6914–6917. DOI: 10.1109/ IGARSS39084.2020.9324699.
  13. Shumilo L., Kussul N., Lavreniuk M. U-net model for logging detection based on the Sentinel–1 and Sentinel–2 data. 2021 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2021. Brussels (virtual format). P. 4680–4683. DOI: 10.1109/ IGARSS47720.2021.9554885.
  14. Biophysical parameters mapping within the SPOT–5 take 5 initiative. A. Shelestov, A. Kolotii, S. Skakun, B. Baruth, R. Lopez Lozano, B. Yailymov. European Journal of Remote Sensing. 2017. 50, N 1. P. 300–309. DOI: 10.1080/22797254.2017.1324743.
  15. Impact of SAR data filtering on crop classification accuracy. M. Lavreniuk, N. Kussul, M. Meretsky, V. Lukin, S. Abramov, O. Rubel. IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON). 2017. P. 912–917. DOI: 10.1109/UKRCON.2017.810038.
  16. A regional implementation of WOFOST for calculating yield gaps of autumn-sown wheat across the European Union. H. Boogaard, J. Wolf, I. Supit, S. Niemeyer, M. van Ittersum. Field Crops Research. 2013. 143. P. 130–142. DOI: doi.org/10.1016/j.fcr.2012.11.005.
  17. A comparison between support vector machine and water cloud model for estimating crop Leaf Area Index. M. Hosseini, H. McNairn, S. Mitchell, L.D. Robertson, A. Davidson, N. Ahmadian, ... I. Becker-Reshef. Remote Sensing. 2021. 13, N 7. P. 1–20. DOI: 10.3390/ rs13071348.
  18. JECAM (Joint Experiment for Crop Assessment and Monitoring). URL: http://jecam.org/map/.
  19. CAN-EYE. URL: https://www6.paca.inrae.fr/can-eye/.
  20. Shumilo L., Lavreniuk M., Bilokonska Yu., Yailymov B. Remote sensing approaches for deforestation identification in Ukraine. IEEE 5th International Symposium on Smart and Wireless Systems within the Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). 2020. P. 1–4. DOI: 10.1109/IDAACS-SWS50031.2020.9297054.
  21. Li H., Yu X., Tang Y., Wang X. Shadow detection in SAR images based on greyscale distribution, a saliency model, and geometrical matching. International Journal of Remote Sensing. 2020. 41, N 19. P. 7446–7471. DOI: 10.1080/01431161.2020.1760394.
  22. Jadon S. A survey of loss functions for semantic segmentation. In 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). 2020. P. 1–7. DOI: 10.1109/CIBCB48159.2020.9277638.
  23. Optimizing the dice score and jaccard index for medical image segmentation: Theory and practice. J. Bertels, T. Eelbode, M. Berman, D. Vandermeulen, F. Maes, R. Bisschops, M.B. Blaschko. In International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham : Springer. 2019. P. 92–100. DOI: 10.1007/978-3-030-32245-8_11.
  24. Exploring google earth engine platform for big data processing: classification of multi-temporal satellite imagery for crop mapping. A. Shelestov, M. Lavreniuk, N. Kussul, A. Novikov, S. Skakun. Frontiers in Earth Science. 2017. 5. DOI:10.3389/feart.2017.00017.
  25. Cloud approach to automated crop classification using Sentinel–1 imagery. A. Shelestov, M. Lavreniuk, V. Vasiliev, L. Shumilo, A. Kolotii, B. Yailymov, N. Kussul, H. Yailymova. IEEE Transactions on Big Data. 2020. 6, N 3. P. 572–582. DOI: 10.1109/ TBDATA.
    2019.2940237.
  26. Deep learning approach for large scale land cover mapping based on remote sensing data fusion. N. Kussul, A. Shelestov, M. Lavreniuk, I. Butko, S. Skakun. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2016. P. 198–201. DOI: 10.1109/IGARSS.
    2016.7729043.
  27.  Emelyanov M., Yailymova H., Shelestov A., Yailymov B. Intellectual analysis of major crops area due to climate changes in Ukraine. In IEEE EUROCON 2021. Lviv, 6–8 July 2021. P. 192–196. DOI: 10.1109/EUROCON52738.2021.9535607.
  28. State statistics service of Ukraine. URL: http://www.ukrstat.gov.ua/
  29. Evaluation of MODIS LAI/FPAR product collection 6. Part 1: Consistency and improvements. K. Yan, T. Park, G. Yan, C. Chen, B. Yang, Z. Liu, ... R.B. Myneni. Remote Sensing. 2016. 8, N 5. 359 p. DOI: doi.org/10.3390/rs8050359.
  30. Shumilo L., Kussul N., Lavreniuk M. 2021 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Brussels (virtual format). 2021. P. 4680–4683. DOI: 10.1109/ IGARSS47720.2021.9554885.
  31. Азарсков В.Н., Блохин Л.Н., Житецкий Л.С., Куссуль Н.Н. Робастные методы оценивания, идентификации и адаптивного управления. Київ : Вид-во Національного авіаційного ун-ту МОН України, 2004. 498 с.