Wprowadzenie
Zagadnienia klasyfikacji i detekcji obiektów oraz form pokrycia terenu z wykorzystaniem danych teledetekcyjnych są poruszane w literaturze niezwykle często. Rozwój technologii oraz wzrost możliwości mocy obliczeniowej przyczyniły się do powstawania coraz nowszych rozwiązań, umożliwiających wykorzystanie większych ilości danych. W połączeniu z powiększającą się liczbą otwartych repozytoriów, rosną również możliwości prezentacji nowych rozwiązań.
Niektóre repozytoria, poza darmowym udostępnianiem danych, zapewniają także regularność i ciągłość ich publikacji. Jako przykład takiego zbioru mogą posłużyć dane satelitarne pozyskiwane oraz udostępniane w ramach programu Copernicus(1). Przewiduje on aktualizację danych dla obszaru Polski w pięcio- lub sześciodniowych interwałach, w zależności od pozyskującej je konstelacji. Pozwala to na wykorzystanie scen satelitarnych do analiz wieloczasowych (ang. multi-temporal analyses). To dzięki nim możliwe jest przypisanie analizowanym obiektom lub zjawiskom dodatkowej unikalnej cechy, jaką jest zmienność w czasie.
Do opracowania własnego rozwiązania klasyfikacyjnego LAB/opegieka, postanowiliśmy wykorzystać cechę zmienności upraw w czasie, reprezentowaną przez wieloczasowe radarowe zobrazowania satelitarne misji Sentinel-1. Dane radarowe przetworzone za pomocą konwolucyjnych sieci neuronowych pozwoliły przygotować prototyp rozwiązania, którego celem była automatyczna detekcja upraw rzepaku ozimego w okresie jesiennym na obszarze województw wielkopolskiego i kujawsko-pomorskiego.
Dobór danych
Wiele aplikacji rolniczych, skupiających się na badaniu upraw z wykorzystaniem scen satelitarnych, jako główne źródło danych wykorzystuje optyczne zobrazowania systemu Sentinel-2. Umożliwiają one obliczenie różnych przydatnych wskaźników roślinnych, takich jak NDVI(2), czy EVI(3). Jako dane wejściowe do przygotowywanego rozwiązania początkowo również planowaliśmy wykorzystać dane optyczne Sentinel-2. Okazało się jednak, iż wybranie kompletnych zbiorów treningowych oraz walidacyjnych dla wszystkich obszarów badawczych było niemożliwe ze względu na duże zachmurzenie scen.
Poniższy wykres obrazuje średnie zachmurzenie scen w obrębie całej Polski, obliczone od momentu rozpoczęcia pozyskiwania danych przez satelity Sentinel-2, do końca 2019 roku. Łatwo zauważyć, iż zachmurzenie jest szczególnie wysokie w okresie jesiennym, a więc kluczowym dla właściwej realizacji projektu.
Średnie zachmurzenie scen w obrębie Polski dla poszczególnych miesięcy od lipca 2015 do grudnia 2019, opracowanie własne.
Alternatywnym źródłem danych okazały się satelitarne zobrazowania radarowe misji Sentinel-1. Technologia ich rejestracji umożliwia uzyskanie kompletnych informacji o terenie bez względu na obecność chmur. Zapewnia to możliwość uzyskiwania niezbędnych danych w stałym interwale czasowym co 6 dni. Takie podejście pozwoliło wyselekcjonować odpowiedni zbiór danych treningowych oraz walidacyjnych niezbędnych do przygotowania rozwiązania.
Porównanie Sentinel-1 oraz Sentinel-2 z dnia 03.09.2019 roku.
Wybraliśmy 5 scen, pozyskanych w okresie 27.08.2018-14.10.2018, co miało na celu uzyskanie informacji o położeniu rzepaku już w połowie października.
Rozwiązanie
Integrując wybrane dane satelitarne z referencyjnymi zasięgami upraw rzepaku, możliwe było utworzenie prototypowego rozwiązania mapowania upraw rzepaku, opartego na architekturze konwolucyjnych sieci neuronowych.
Wynik tego rozwiązania prezentujemy na poniższym przykładzie, będącym niezależnym obszarem, który nie był wykorzystywany do przygotowania, jak i walidacji modelu:
Podkład z ortofotomapą został wygenerowany za pomocą usługi WMS Geoportal
Szacowana dokładność rozwiązania dla roku 2018 dla zbioru walidacyjnego wyniosła ponad 90%.
W celu sprawdzenia uniwersalności rozwiązania, wykonano mapowanie rzepaku dla jesieni 2019 roku. Jako dane walidacyjne posłużyły lokalizacje pomiarów terenowych wykonanych w owym czasie. Zaproponowane rozwiązanie poprawnie wskazało uprawę rzepaku na 162 z 183 działek pomiarowych. Na tej podstawie można stwierdzić, iż dokładność mapowania upraw rzepaku dla jesieni 2019 roku wyniosła 88%.
Podsumowanie
- Wykorzystanie zobrazowań radarowych Sentinel-1 daje pewność kompletności danych, ze względu na brak wpływu zachmurzenia na dane.
- Wykorzystanie konwolucyjnych sieci neuronowych w połączeniu z wiarygodnymi danymi referencyjnymi pozwala na stworzenie bardzo dokładnego rozwiązania do mapowania upraw rzepaku już w połowie października.
- Wykorzystanie zaproponowanego rozwiązania daje możliwość wykorzystania go w kolejnych sezonach rolniczych.
(1) https://www.copernicus.eu/en
(2) Normalized Difference Vegetation Index
(3) Enhanced Vegetation Index
