Исследование возможности распознавания посевов подсолнечника по данным Sentinel-1A методом искусственных нейронных сетей

Сельское хозяйство является важной отраслью экономики России, а динамичное развитие аграрного производства возможно только при наличии высокоэффективной системы земледелия, предполагающей непрерывный мониторинг посевов и прогнозирование их состояния (Савин И.Ю. и др., 2011). Задача распознавания подсолнечника – основной масличной культуры России – является важной в системе дистанционного мониторинга сельскохозяйственных угодий.
В связи с развитием технологии синтезирования апертуры и запуском спутника Sentinel-1A, данные которого находятся в свободном доступе (https://scihub.copernicus.eu/dhus/#/home), актуальными становятся исследования по применению радарных данных в сельском хозяйстве (Fieuza R. et. al, 2014; Forkuor G. et al., 2014).
В работе исследовалась возможность распознавания посевов подсолнечника непараметрическим методом искусственных нейронных сетей (ИНС, англ. ANN – artificial neural network), поскольку при использовании параметрических методов (классификация по максимуму правдоподобия, расстоянию Махаланобиса) точность распознавания невелика ввиду мультимодального характера гистограммы значений удельной эффективной поверхности рассеяния (УЭПР).
Эксперименты проводились на территории Липецкой области с использованием следующих данных:
- поляризованные амплитудные изображения Sentinel-1A и рассчитанные на их основе отношения поляризаций;
- изображения в видимом и ближнем ИК-диапазоне Sentinel-2A;
- выборки сельскохозяйственных культур.
Общая точность распознавания подсолнечника составила 88 %.
Были также выполнены эксперименты по совместной обработке радарных и оптических данных. Несмотря на снижение СКО обучения в 2 раза и уменьшение числа пропусков по подсолнечнику в 5 раз, точность классификации увеличилась незначительно.
Работа выполнялась при финансовой поддержке Минобрнауки России, контракт 14.616.21.0063 , уникальный идентификатор ПНИЭР RFMEFI61615X0063. Обработка спутниковых данных и программная реализация методов были выполнены с использованием ресурсов ЦКП ИКИ-Мониторинг (Лупян Е.А. и др., 2015).