АГРОЭКОЛОГИЧЕСКАЯ ТИПИЗАЦИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ЗЕМЕЛЬ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ, ГИС И ДДЗЗ

Аннотация

Работа посвящена агроэкологической типизации сельскохозяйственных земель с применением современных методов геоинформационного анализа данных и машинного обучения.

Обоснование. В литературе имеется небольшое количество работ, в которых освещены вопросы точности моделей машинного обучения (ММО)  для агроэкологической типизации сельскохозяйственных земель. Для повышения точности классификации земель по космическим снимкам используют большое число растровых информационных слоев. Это существенно увеличивает время обучения и тестирования ММО, составления тематических карт классификации сельскохозяйственных земель. При таком подходе требуются существенные большие вычислительные ресурсы и значительный объем оперативной памяти компьютера. Растровые модели данных ГИС занимают значительно больший объем в сравнении с векторными моделями.  В связи с этим исследования, посвященные автоматизированной агроэкологической (группировке, классификации) сельскохозяйственных земель с привлечением векторных моделей ГИС имеют практическую значимость.

Целью исследования является применение методов ГИС, данных дистанционного зондирования Земли (ДДЗЗ) и методов машинного обучения для автоматической классификации сельскохозяйственных земель.

Материалы и методы.  В качестве материалов использованы синтезированные мультиспектральные снимки высокого пространственного разрешения Sentinel-2A, карты вегетационных индексов NDVI (Normalized Difference Vegetation Index), OSAVI (Optimized Soil Adjusted Vegetation Index), EVI2 (Enhanced Vegetation Index2), NDWI (Normalized Difference Water Index), SAVI, PVI, GDVI, MCARI, NDRE, TSAVI; топографическая карта, космические снимки ALOS DSM (30 м/пиксел) и ALOS PALSAR (12,5 м/пиксел), почвенная карта и результаты полевого обследования. Измерения на местности проводились с использованием спутникового геодезического приемника Triump-2 и включали определение координат характерных точек границ земельных участков, элементов рельефа, почвенное обследование.

Создание цифровой пространственной модели землепользования осуществлялось  помощью ГИС ArcGIS и QGIS, в процессе машинного обучения использованы инженерные библиотеки Python.

Результаты. Агроэкологическая группировка земель реализована на примере хозяйства АО «Зерно Сибири» Новосибирского района Новосибирской области с использованием методов машинного обучения: машина опорных векторов (Support Vector Machine, SVM), метод случайного леса (Random Forest, RF), деревья решений (Decision Tree, DT), метод ближайших соседей KNN (k-nearest neighbors). Лучшие показатели точности имеет модель машинного обучения RF. Точность модели в среднем составила 97,9% (при обучении 99,9%, тестировании 98,8%, крос-валиации 95,0%). Величина Root Mean Square Error (RMSE) равна 0,006: для обучающей 0,001; тестовой 0,076; валидационной выборок 0,123 соответственно). Среднее значение коэффициента каппа равно 0,97 (для обучающей 1,00; тестовой 0,982; валидационной выборок 0,927).  

Заключение. Предложенный  способ агроэкологической группировки сельскохозяйственных земель с помощью ГИС, ДДЗЗ и методов машинного обучения позволил выделить информативные количественные показатели рельефа. Основная суть предложенного способа состоит в создании модели машинного обучения (ММО) на основе пространственного набора данных.  Набор пространственных данных формируется с помощью методов геоинформационного анализа и включает: геоморфометрические карты, карты агромеотеорологических параметров, почвенную карту, карту внутрихозяйственного землеустройства и операционно-территориальные единицы классификации земель. Применение векторной модели данных позволило осуществить агроэкологическую группировку сельскохозяйственных земель в автоматизированном режиме, ускорить трудоемкий процесс распознавания растровых данных, повысить объективность работ. Предложенный способ агроэкологической агроэкологической группировки земель позволяет с помощью методов геоинформационного анализа, ДДЗЗ и машинного обучения учесть совокупность показателей рельефа и почвенно-экологических условий.