Определение культуры сельскохозяйственных растений по данным дистанционного зондирования с применением методов искусственного интеллекта
DOI:
https://doi.org/10.21638/spbu10.2025.108Аннотация
Одной из важных подзадач для оценки и прогнозирования урожайности является картирование культур сельскохозяйственных растений. В последние годы для ее решения активно используются данные дистанционного зондирования, позволяющие оперативно получать информацию о состоянии полей, а также методы искусственного интеллекта. Цель работы — исследование возможностей применения нейросетевых методов для определения культур сельскохозяйственных растений по данным дистанционного зондирования. За основу взяты два различных набора данных: открытый датасет спутниковых снимков PASTIS, а также мозаика аэрофотоснимков Агрофизического научно-исследовательского института, полученная на полях Ленинградской обл. с помощью беспилотной системы Геоскан-401. Использовались пять моделей сегментации (U-Net, U-Net 3+, DeepLabV3, FCN, Swin Transformer) для обучения и оценивалась их производительность на наборе данных спутниковых изображений. Результаты эксперимента показали, что точность моделей U-Net 3+ и U-Net значительно выше, чем других моделей. При этом перенос моделей, обученных на спутниковых изображениях с низким разрешением, на аэрофотоснимки с высоким разрешением для дальнейшего обучения позволил эффективно улучшить производительность моделей.
Ключевые слова:
картирование культур растений, спутниковые снимки, аэрофотосъемка, нейросетевые модели
Скачивания
Библиографические ссылки
Kwak G. H., Park N. W. Impact of texture information on crop classification with machine learning and UAV images // Applied Sciences. 2019. Vol. 9. Art. N 643. https://doi.org/10.3390/app9040643
Bure V. M., Mitrofanova O. A., Mitrofanov E. P., Petrushin A. F. Remote sensing data processing for plant production control // Stability and Control Processes. Proceedings of the 4th International Conference dedicated to the memory of professor Vladimir Zubov. Cham: Springer, 2022. P. 753–758. https://doi.org/10.1007/978-3-030-87966-2_86
Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review // Remote Sensing of Environment. 2020. Vol. 236. Art. N 111402. https://doi.org/10.1016/j.rse.2019.111402
Митрофанова О. А., Митрофанов Е. П., Буре Н. А. Применение онтологического подхода к проектированию геопространственной базы опытных данных для информационного обеспечения исследований в точном земледелии // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2022. Т. 18. Вып. 2. С. 253–262. https://doi.org/10.21638/11701/spbu10.2022.206
Молин А. Е., Блеканов И. С., Митрофанов Е. П., Митрофанова О. А. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2024. Т. 20. Вып. 1. С. 20–33. https://doi.org/10.21638/11701/spbu10.2024.103
Kim Y., Park N.-W., Lee K.-D. Self-learning based land-cover classification using sequential class patterns from past land-cover maps // Remote Sensing. 2017. Vol. 9. Art. N 921. https://doi.org/10.3390/rs9090921
Selea T., Pslaru M.-F. AgriSen — a dataset for crop classification // 22nd International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC). Timisoara, Romania, 2020. P. 259–263. https://doi.org/10.1109/SYNASC51798.2020.00049
Zhou Y., Zhu W., Feng L., Gao J., Chen Y., Zhang X., Luo J. Hierarchical classification for improving parcel-scale crop mapping using time-series Sentinel-1 data // Journal of Environmental Management. 2024. Vol. 369. Art. N 122251. https://doi.org/10.1016/j.jenvman.2024.122251
Iglovikov V., Shvets A. TernausNet: U-Net with VGG11 encoder pre-trained on ImageNet for image segmentation // arXiv: 1801.05746. 2018. https://doi.org/10.48550/arXiv.1801.05746
Huang H., Lin L., Tong R., Hu H., Zhang Q., Iwamoto Y., Han X., Chen Y.-W., Wu J. UNet 3+: A full-scale connected UNet for medical image segmentation // arXiv: 2004.08790. 2020. https://doi.org/10.48550/arXiv.2004.08790
Fu G., Liu C., Zhou R., Sun T., Zhang Q. Classification for high resolution remote sensing imagery using a fully convolutional network // Remote Sensing. 2017. Vol. 9. Art. N 498. https://doi.org/10.3390/rs9050498
Xu X., Zou J., Cai J., Zou D. Multi-scale contextual swin transformer for crop image segmentation // Journal of Physics: Conference Series. 2024. Vol. 2759. Art. N 012012. https://doi.org/10.1088/1742-6596/2759/1/012012
Lu J., Zhou B., Wang B., Zhao Q. Land cover classification of remote sensing images based on improved DeepLabV3+ network // Journal of Physics: Conference Series. 2022. Vol. 2400. Art. N 012035. https://doi.org/10.1088/1742-6596/2400/1/012035
He X., Chen Y., Ghamisi P. Heterogeneous transfer learning for hyperspectral image classification based on convolutional neural network // IEEE Transactions on Geoscience and Remote Sensing. 2020. Vol. 58. N 5. P. 3246–3263. https://doi.org/10.1109/TGRS.2019.2951445
Garnot V. S. F., Landrieu L. Panoptic segmentation of satellite image time series with convolutional temporal attention networks // Proceedings of the IEEE International Conference on Computer Vision. Montreal, Canada: Institute of Electrical and Electronics Engineers Inc., 2021. P. 4852–4861. https://doi.org/10.1109/ICCV48922.2021.00483
Буре В. М., Митрофанов Е. П., Митрофанова О. А., Петрушин А. Ф. Выделение однородных зон сельскохозяйственного поля для закладки опытов с помощью беспилотного летательного аппарата // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2018. Т. 14. Вып. 2. С. 145–150. https://doi.org/10.21638/11701/spbu10.2018.206
References
Kwak G. H., Park N. W. Impact of texture information on crop classification with machine learning and UAV images. Applied Sciences, 2019, vol. 9, art. no. 643. https://doi.org/10.3390/app9040643
Bure V. M., Mitrofanova O. A., Mitrofanov E. P., Petrushin A. F. Remote sensing data processing for plant production control. Stability and Control Processes. Proceedings of the 4th International Conference dedicated to the memory of professor Vladimir Zubov. Cham, Springer, 2022, pp. 753–758. https://doi.org/10.1007/978-3-030-87966-2_86
Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 2020, vol. 236, art. no. 111402. https://doi.org/10.1016/j.rse.2019.111402
Mitrofanova O. A., Mitrofanov E. P., Bure N. A. Primenenie ontologicheskogo podkhoda k proektirovaniiu geoprostranstvennoi bazy opytnykh dannykh dlia informatsionnogo obespecheniia issledovanii v tochnom zemledelii [Ontological approach application to the design of a geospatial experimental database for information support of research in precision agriculture]. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2022, vol. 18, iss. 2, pp. 253–262. https://doi.org/10.21638/11701/spbu10.2022.206 (In Russian)
Molin A. E., Blekanov I. S., Mitrofanov E. P., Mitrofanova O. A. Metody generatsii sinteticheskikh dannykh dlia obucheniia neirosetei v zadache segmentatsii urovnia azotnogo rezhima rastenii na snimkakh bespilotnykh letatel'nykh apparatov na sel'skokhoziaistvennom pole [Synthetic data generation methods for training neural networks in the task of segmenting the level of crop nitrogen status on UAV images of agricultural fields]. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2024, vol. 20, iss. 1, pp. 20–33. https://doi.org/10.21638/11701/spbu10.2024.103 (In Russian)
Kim Y., Park N.-W., Lee K.-D. Self-learning based land-cover classification using sequential class patterns from past land-cover maps. Remote Sensing, 2017, vol. 9, art. no. 921. https://doi.org/10.3390/rs9090921
Selea T., Pslaru M.-F. AgriSen — a dataset for crop classification. 22nd International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC). Timisoara, Romania, 2020, pp. 259–263. https://doi.org/10.1109/SYNASC51798.2020.00049
Zhou Y., Zhu W., Feng L., Gao J., Chen Y., Zhang X., Luo J. Hierarchical classification for improving parcel-scale crop mapping using time-series Sentinel-1 data. Journal of Environmental Management, 2024, vol. 369, art. no. 122251. https://doi.org/10.1016/j.jenvman.2024.122251
Iglovikov V., Shvets A. TernausNet: U-Net with VGG11 encoder pre-trained on ImageNet for image segmentation. arXiv: 1801.05746, 2018. https://doi.org/10.48550/arXiv.1801.05746
Huang H., Lin L., Tong R., Hu H., Zhang Q., Iwamoto Y., Han X., Chen Y.-W., Wu J. UNet 3+: A full-scale connected UNet for medical image segmentation. arXiv: 2004.08790, 2020. https://doi.org/10.48550/arXiv.2004.08790
Fu G., Liu C., Zhou R., Sun T., Zhang Q. Classification for high resolution remote sensing imagery using a fully convolutional network. Remote Sensing, 2017, vol. 9, art. no. 498. https://doi.org/10.3390/rs9050498
Xu X., Zou J., Cai J., Zou D. Multi-scale contextual swin transformer for crop image segmentation. Journal of Physics: Conference Series, 2024, vol. 2759, art. no. 012012. https://doi.org/10.1088/1742-6596/2759/1/012012
Lu J., Zhou B., Wang B., Zhao Q. Land cover classification of remote sensing images based on improved DeepLabV3+ network. Journal of Physics: Conference Series, 2022, vol. 2400, art. no. 012035. https://doi.org/10.1088/1742-6596/2400/1/012035
He X., Chen Y., Ghamisi P. Heterogeneous transfer learning for hyperspectral image classification based on convolutional neural network. IEEE Transactions on Geoscience and Remote Sensing, 2020, vol. 58, no. 5, pp. 3246–3263. https://doi.org/10.1109/TGRS.2019.2951445
Garnot V. S. F., Landrieu L. Panoptic segmentation of satellite image time series with convolutional temporal attention networks. Proceedings of the IEEE International Conference on Computer Vision. Montreal, Canada, Institute of Electrical and Electronics Engineers Inc. Publ., 2021, pp. 4852–4861. https://doi.org/10.1109/ICCV48922.2021.00483
Bure V. M., Mitrofanov E. P., Mitrofanova O. A., Petrushin A. F. Vydelenie odnorodnykh zon sel'skokhoziaistvennogo polia dlia zakladki opytov s pomoshch'iu bespilotnogo letatel'nogo apparata [Selection of homogeneous zones of agricultural field for laying of experiments using unmanned aerial vehicle]. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2018, vol. 14, iss. 2, pp. 145–150. https://doi.org/10.21638/11701/spbu10.2018.206 (In Russian)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Статьи журнала «Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Санкт-Петербургским государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
