Задачи картографирования растительного покрова с использованием алгоритмов контролируемого машинного обучения включают в себя сбор и подготовку опорных выборок для обучения классификатора. Для картографирования объектов различного типа землепользования на больших территориях, в том числе, используемых пахотных земель, требуется пространственно-распределенная и точная обучающая выборка (Барталев и др., 2011; Плотников и др., 2019). Вопрос наличия такой выборки особенно актуален для ряда эпох и территорий, где точность других источников информации вызывает сомнения (Waldner F. et al., 2018). В этом контексте интерес представляет разработка методов создания обучающих наборов контролируемой точности на большие территории, которые позволили бы минимизировать труд экспертов и отказаться от дорогостоящих наземных обследований. Одним из вариантов получения необходимых данных может быть организация краудсорс-разметки (Li G. et al., 2016). В настоящей работе представлены методы и результаты анализа опорных данных, полученных с помощью краудсорс-фотоинтерпретации спутниковых изображений.
В целях исследования опорной выборки для распознавания пахотных земель с помощью краудсорсинга был организована экспериментальная платформа, на основе которой по спутниковым данным проводилась разметка объектов наземного покрова как экспертами в области дистанционного зондирования Земли (ДЗЗ), так и обычными участниками («волонтёрами»). Все участники определяли объекты двух классов: пашня и не-пашня (бинарная классификация) по всем доступным спутниковым данным высокого разрешения (прежде всего, Sentinel-2 и Landsat) на 2017 год. В качестве платформы, предоставляющий доступ к спутниковым данным и инструментам аннотирования объектов, использована разработанная в ИКИ РАН система Вега-Science (Лупян и др.,2021; Толпин и др., 2018).
Эксперимент призван ответить на следующие вопросы: (i) позволяет ли предлагаемый подход объективно контролировать точность выборки?; (ii) какие метрики оценки качества выборки целесообразно использовать и каково распределение их значений?; (iii) как обеспечить качество данных для анализа, какая необходима предобработка?; (iv) наблюдаются ли какие-либо пространственные тенденции точности на больших территориях?; (v) насколько и где можно снизить вклад экспертов, не потеряв в качестве краудсорс-выборки? В докладе представлены результаты обработки полученных в ходе эксперимента данных и их анализ, который позволяет оценить применимость краудсорс-подхода к созданию опорных выборок и возможность его масштабирования для картографирования используемой пашни для различных регионов РФ. Доклад состоит из трех частей: в первой описываются условия эксперимента, во второй части описаны методы оценки качества получаемых выборок и представлены полученные точности, в третьей описаны выявленные пространственные тенденции.
Работа выполняется с использованием ресурсов ЦКП "ИКИ-Мониторинг" (Лупян и др., 2019) при поддержке Минобрнауки (тема "Мониторинг", госрегистрация № 122042500031-8).