Благодаря алгоритму достигается точное распознавание сельскохозяйственных культур и прогнозирование развития экосистем.
Детальные сведения о характеристиках земной поверхности необходимы для более глубокого понимания экосистем планеты и влияния человеческой деятельности на них. Наиболее удобным способом получения таких данных является спутниковая съемка. Однако облачность часто препятствует обзору из космоса. В статье, опубликованной в журнале Remote Sensing of Environment, описывается, как методы машинного обучения помогают преодолеть эту естественную «преграду».
Специалисты из Центра экологических исследований имени Гельмгольца разработали алгоритм APiC, позволяющий с высокой точностью идентифицировать 19 различных видов сельскохозяйственных культур на спутниковых снимках. По словам одного из авторов исследования, Себастьяна Прейдла, определение выращиваемой культуры на каждом поле позволит не только оценить потребности местной экосистемы в питательных веществах, но и прогнозировать концентрацию нитратов в грунтовых водах.
Данные, полученные с помощью APIС, могут быть использованы для планирования и проведения мер по сохранению популяций живых организмов, например, диких пчел. По словам Прейдла, для успешной защиты биоразнообразия региона необходимо точно знать, как распределена растительность на его территории.
Анализ, проведенный Прейдлом и его соавторами, основан на данных, полученных со спутников семейства Sentinel-2. Европейское космическое агентство вывело на орбиту два таких мониторинговых аппарата в 2015 и 2017 годах.
Облачность представляет собой существенную трудность при обработке временных рядов данных, полученных со спутников. Несмотря на обширный объем имеющихся снимков, частая облачность может создавать значительные пропуски в данных. Для точного определения соответствия растительных сигнатур определенным видам флоры требуется достаточное количество наблюдений.
Как правило, пробелы заполняются данными, созданными искусственным интеллектом, которые формируются на основе снимков без облачности. Однако, данный подход не отличается высокой точностью. Прейдл и его соавторы внесли изменения в эту методику. «Мы создаем уникальные алгоритмы для каждого пикселя (каждого отдельного спутникового кадра. — Прим. ред.), — объясняет ученый. — Наш алгоритм самостоятельно выбирает безоблачные пиксели из всего массива спутниковых изображений и не требует наличия обширных, безоблачных участков».
APiC был протестирован на изображениях, полученных с территории Германии. Для оценки алгоритма страна была условно разделена на шесть сельскохозяйственных регионов, что позволило исследователям достичь точности распознавания основных культур, таких как пшеница и кукуруза, превышающей 90%. В целом, точность определения 19 различных культур составила не менее 88%.
Данная технология может применяться не только для анализа сельскохозяйственных земель. Алгоритм способен идентифицировать ели, буки и другие породы деревьев. Следовательно, его можно использовать для оценки экологической значимости лесных массивов, определяя состояние экосистем и прогнозируя их изменения.