Metodoloģiski risinājumi tālizpētes datu laika rindu izmantošanā lauksaimniecības kultūru automātiskajā klasifikācijā

Abstract

Tuvojoties jaunajam Eiropas Savienības kopējās lauksaimniecības politikas periodam 2020. gadā, ES dalībvalstīm no fiziskām kontrolēm pakāpeniski jāpāriet uz lauksaimniecības zemju monitoringu, kas balstīts uz tālizpētes datiem, primāri – Sentinel-1 un Sentinel-2. Šī pētījuma mērķis, apkopojot līdzšinējo pētījumu pieejas un eksperimentējot ar ieejas datu kombinācijām, ir izstrādāt Latvijas primārajām lauksaimniecības kultūrām atbilstošus metodoloģiskus risinājumus šo kultūru automātiskajai klasifikācijai, balstoties uz optiskajiem un radarsatelīta datiem. Rezultātā tika iegūts risinājums, kura ietvaros ar NDVI un MSAVI2 veģetācijas indeksu, SAR atstarojuma statistiku un Random Forest klasifikatoru ir iespējams veikt ziemāju, vasarāju un zālāju automātisko klasifikāciju ar vidējo pareizumu 89%.

With the arrival of EU’s new Common Agricultural Policy (CAP 2020), member states are required to gradually shift from a system of on-the-spot checks to a system of agricultural monitoring based on remote sensing data; primarily – Sentinel-1 and Sentinel-2. The objective of this research is to develop methodological solutions for automatic crop classification based on remote sensing time series. The resulting solution incorporates a combination of NDVI and MSAVI2 indices, SAR backscatter statistics and Random Forest classifier to produce a crop type map (winter crops, summer crops and grasslands) with an average accuracy of 89%.