АНАЛИЗ РАСТИТЕЛЬНОСТИ С ИСПОЛЬЗОВАНИЕМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

VEGETATION ANALYSIS USING REMOTE SENSING AND MACHINE LEARNING METHODS

Elizaveta Zhuravskaya

student, Department of Technical cybernetics, Samara National Research University,

Russia, Samara

Rustam Paringer

scientific supervisor, Ph.D. of Engineering Sciences, associate professor, Department of Technical Cybernetics, Samara National Research University,

Russia, Samara

АННОТАЦИЯ

В данной работе приведен анализ методов машинного обучения для классификации, прогнозирования и обнаружения растительности. Тема актуальна в разработке моделей машинного обучения для решения задачи анализа растительности по спутниковым снимкам.

ABSTRACT

This paper provides an analysis of machine learning methods for vegetation classification, prediction and detection. The topic is relevant in the development of machine learning models for solving the problem of analyzing vegetation from satellite images.

Ключевые слова: дистанционное зондирование земли, изображения, NDVI, методы машинного обучения, анализ, прогнозирование, вегетационные индексы.

Keywords: earth remote sensing, images, NDVI, machine learning methods, analysis, forecasting, vegetation indices.

Технологии дистанционного зондирования Земли быстро развиваются, с каждым днем растет количество данных, получаемых с их помощью. Это помогает в оценке и анализе различных земных объектов. Синергия этой технологии и методов машинного обучения позволяет решать задачи более точно, быстро и эффективно. Таким образом, рассмотрение взаимодействия дистанционного зондирования и машинного обучения в контексте анализа растительности является важным шагом в развитии не только научных знаний о флоре, но и в применении полученных данных для решения конкретных задач, связанных с экологией, сельским хозяйством и ландшафтным планированием.

Работа основана на использовании данных, полученных с помощью спутникового зондирования Земли. Дистанционным зондированием Земли (ДЗЗ) является получение информации о поверхности Земли, а также расположенных на ней объектах. На рисунке 1 представлен пример снимка города Самары. Для анализа таких снимков используется машинное обучение.

Рисунок 1. Пример снимка ДЗЗ

Машинное обучение — это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Машинное обучение играет ключевую роль в анализе растительности, позволяя автоматизировать обработку и анализ большого объема данных. Существует несколько алгоритмов машинного обучения, о них мы поговорим далее.

Рассмотрим использование машинного обучения в прогнозировании урожайности. В работе [1] представлен алгоритм линейной регрессии – это модель линейной зависимости одной переменной от другой или нескольких. Её ошибка составила 6,5 ц/га между фактической и смоделированной урожайностью на данных за 2022 год. Это является достаточно хорошим результатом в определении количества и состояния растений, однако для улучшения качества прогноза потребуется учитывать не только вегетационный индекс NDVI, но и другие, дополнительные характеристики.

В статье [2] также описывается прогнозирование урожайности с использованием некоторых алгоритмов машинного обучения, таких как нейронные сети, случайный лес, градиентный бустинг, дерево решений, линейная регрессия и другие. В итоге, наиболее эффективными оказались алгоритмы нейронных сетей, случайного леса и градиентного бустинга. В таблице 1 представлено сравнение алгоритмов на основе метрик оценки моделей, где MAE – средняя абсолютная ошибка, MSE – среднеквадратичная ошибка,  – коэффициент детерминации. Для того чтобы модель была лучшей, значения MAE и MSE должны быть как можно меньше, а значение  должно быть как можно ближе к 1.

Таблица 1.

Сравнение алгоритмов

Для анализа растительности также используются вегетационные индексы, которые представляют собой математические формулы для оценки состояния и продуктивности растительности. Прогнозирование вегетационного индекса NDVI, который подходит для анализа растительности, показан в работе [3]. В статье представлен анализ различных алгоритмов (регрессионный метод, метод временного сглаживания и другие), однако лучшим оказывается нейросетевой метод. Среднеквадратичная ошибка составила 0,14 на валидационной выборке.

Для выявления больных растений можно использовать свёрточные нейронные сети, пример – работа [4]. В ней описывается решение задачи классификации. В этой области алгоритм показал точность – 91,47%. Также задача классификации, а именно распределение лесной растительности, освещается в статье [5]. Изображения были разделены на несколько классов: нелесная территория, осиновые насаждения и другие. Это разделение также было проведено с использованием нейронных сетей. Результат работы алгоритма сравнили с фотографическими данными, чтобы убедиться, что классификация проведена успешно.

Наконец рассмотрим обнаружение растительности на изображениях с помощью глубокого обучения и комплексного [6]. В комплексном методе в дополнение к спектрам NIR и RGB, учитывался индекс NDVI. В ходе исследования выяснилось, что комплексный метод лучше, он достиг точности в 82,98 %, в то время как глубокое обучение и нейронные сети оказались менее точными.

Итак, в заключение можно сделать вывод о том, что алгоритмы машинного обучения отлично справляются с анализом растительности. Это поможет в решении экологических и сельскохозяйственных задач. Для прогнозирования растительности лучше всего подойдет алгоритм случайный лес и градиентный бустинг, а чтобы повысить точность алгоритма, нужно учитывать вегетационные индексы. Для классификации растительности подойдут нейронные сети.

Список литературы:

1. Таркивский, В. Е. Прогнозирование урожайности озимой пшеницы при помощи спутникового мониторинга // АгроФорум. – 2023. – № 2. – С. 84-87.
2. Макеев, К. А. Сравнение эффективности алгоритмов машинного обучения в задачах прогнозирования урожайности сельскохозяйственных // Известия Тульского государственного университета. Технические науки. – 2023. – № 2. – С. 203-206.
3. Шурлаева, Е. А. Прогнозирование вегетационного индекса растительности сельскохозяйственных угодий Волгоградской области с помощью нейросетевых методов // Инженерный вестник Дона. – 2022. – № 5(89). – С. 284-296.
4. Брагинский, М. Я., Тараканов Д. В. Оценка состояния растений с использованием свёрточных нейронных сетей // Вестник кибернетики. – 2021. – № 1(41). – С. 41-50.
5. Кедров, А. В., Тарасов А. В. Классификация лесной растительности методом нейронных сетей // ВЕСТНИК ПНИПУ. – 2017. – № 22. – С. 44-54.
6. Ayhan, B. Vegetation detection using deep learning and conventional methods // Remote Sensing. – 2020. – Vol. 12, Issue 15.