Global Vision Media Focus
L'entreprise a été présentée sur les chaînes de vidéosurveillance à 15 reprises, et sa diffusion via les médias du Parti, les médias centraux et les médias officiels locaux a touché un total de 50 millions de personnes.
Identification et extraction des pavots au niveau du pixel à partir d'images de télédétection multi-temporelles et multispectrales
Contexte de la recherche
Le pavot est une source importante de drogues telles que l'opium et la morphine. Bien que sa culture illégale soit strictement interdite par la loi chinoise, des plantations illégales sporadiques persistent dans certaines régions reculées. Les relevés manuels traditionnels sont inefficaces et leur couverture est limitée, ce qui les rend inadaptés à une surveillance à grande échelle. La télédétection satellitaire offre des avantages tels qu'une large couverture et…MultiphaseSes avantages, notamment sa grande objectivité, en font un moyen efficace de surveiller la culture du pavot.
Objectifs de la recherche
Cette étude utiliseImages multispectrales Sentinel-2 L2A multi-temporelles (17e phase)Associées aux plantations de pavots connuesDonnées vectoriellesUn modèle d'identification par télédétection des pavots a été construit, prenant en compte de manière exhaustive les caractéristiques spectrales, les caractéristiques de l'indice de végétation, les caractéristiques des séries temporelles phénologiques et les caractéristiques de texture de la période de floraison, afin de parvenir à une identification précise et à une cartographie de la distribution spatiale des zones de plantation de pavots dans la zone d'étude.
Zone d'étude
La zone de plantation visée est une zone de culture légale du pavot. L'étude montre qu'en 2026, la floraison du pavot dans cette zone aura lieu en juin et que les fleurs seront blanches.
voie technique
Cette étude utilise des images satellitaires multitemporelles Sentinel2-L2A comme source de données principale, construisant un ensemble de caractéristiques de télédétection multidimensionnelles à partir de quatre dimensions : spectre, indice de végétation, série temporelle phénologique et texture de la période de floraison. Les étapes de prétraitement, incluant l’égalisation des échantillons, la sélection et la normalisation des caractéristiques, ont été réalisées.Forêt aléatoire (RF), Gradient Boosting (Boost de gradientTrois méthodes d'apprentissage automatique : 1) Machine à vecteurs de support (SVM)Des modèles d'identification des pavots ont été construits séparément, et le modèle optimal a été évalué par validation croisée. L'identification et l'extraction des pavots au niveau du pixel sur l'ensemble du domaine, ainsi que l'optimisation du post-traitement des résultats, ont été réalisées. Enfin, la carte de classification binaire des pavots, la carte de distribution des probabilités d'identification et les données vectorielles de distribution spatiale ont été produites, permettant une identification précise par télédétection et une extraction quantitative spatiale des parcelles de pavots.
Figure 1.Feuille de route technique du modèle de reconnaissance par télédétection Poppy
Méthodes techniques
La forêt aléatoire est un algorithme d'apprentissage automatique basé sur l'apprentissage d'ensemble.En construisant un grand nombre d'arbres de décision « décorrôlés » et en intégrant leurs prédictions, on améliore la précision et la robustesse du modèle global. Il s'agit essentiellement d'un ensemble de plusieurs arbres de décision, chacun étant…Échantillonnage avec remplacementIl est entraîné sur un sous-ensemble de données et un sous-ensemble de caractéristiques aléatoires. Il peut être utilisé pour la classification et la régression.Haute précision, anti-SurapprentissageSes avantages incluent sa robustesse face aux valeurs aberrantes et au bruit, ainsi que sa capacité à traiter des données à grande échelle et de grande dimension.
Figure 2. Idée centrale de la forêt aléatoire
Résultats de la recherche
Figure 3.Image de classification binaire d'identification par télédétection du coquelicot
Figure 4.Carte de distribution de probabilité d'identification du pavot par télédétection
Analyse des avantages et des limites
Analyse des avantages
1. Fusion de caractéristiques multidimensionnellesLes quatre caractéristiques sont : le spectre complet, l'indice de végétation, les séries chronologiques phénologiques et la texture.
2. Utilisation approfondie de la bande rouge-bord: La combinaison clé de bandes rouges (684/706/725nm) confirmée par la littérature.
3. Modélisation phénologique multi-temporelleUtilisez les informations chronologiques de la saison de croissance complète pour distinguer les pavots des autres plantes susceptibles de prêter à confusion.
Analyse des limites
1. Échantillons d'entraînement limitésSeule une partie des champs de pavots est connue, et la capacité de généralisation du modèle nécessite une vérification plus approfondie.
2. Limitations de la résolution spatialeLa résolution de 10 m de Sentinel-2 a une capacité limitée pour identifier des zones extrêmement petites.
3. Risque de confusion entre les catégoriesLes fleurs blanches du colza et d'autres fleurs similaires peuvent entraîner des erreurs d'identification pendant leur période de floraison.