Объектно-ориентированное извлечение данных о посевах пшеницы на основе гиперспектрального дистанционного зондирования

В методах точного земледелия границы опытных участков являются наиболее важными данными для посева. Они обеспечивают связь между всеми данными о культурах и реальным миром, предоставляют точные географические границы для статистики и анализа роста на уровне участков, а также служат основой для анализа изменений площади участков и долгосрочного мониторинга культур на различных фенологических стадиях.

В связи с различиями в моделях сельскохозяйственного производства и истории посадок в разных регионах, определение и понятие «участок» также различаются, и результаты наблюдений в разных масштабах не всегда согласуются. В данной работе определение участка основано на спутниковых снимках дистанционного зондирования с разрешением 10 метров. Таким образом, участок определяется как относительно независимая единица посадки, разделенная асфальтированными дорогами, такими как сельские или деревенские дороги.

Метод извлечения изображения пшеничной диаграммы

Команда CAS Xiguang Aerospace использовала композитное изображение пшеницы в районе Линьтун в фазе кущения в 2023 году с максимальным значением и выделила участки пшеницы для сезона 2023-2024 годов с помощью технологии объектно-ориентированной классификации.
Объектно-ориентированная классификация разделяет земельные участки на независимые объекты с помощью подхода сегментации-классификации, а затем классифицирует их на основе этих объектов. Такой подход в значительной степени позволяет избежать эффекта «соль и перец», характерного для традиционной пиксельной классификации, одновременно повышая интерпретируемость результатов классификации. В результате получается вектор земельного участка, который можно напрямую использовать для вычислений формы и площади, а также для статистического анализа, что облегчает последующий анализ.

▲Рисунок 1. Результаты объектно-ориентированной классификации

Анализ результатов обработки изображений пшеницы

На основе литературных данных и характеристик местного рельефа были выделены пять типов: пшеница, городские территории/искусственные сооружения, голая почва, песчаные участки/объекты с высокой отражательной способностью и водоемы. Результаты классификации для водоемов и городских территорий оказались относительно удовлетворительными. Некоторые дороги были ошибочно приняты за голую почву, а некоторые крыши имели высокую отражательную способность, что повлияло на результаты классификации. Поэтому объединение объектов с высокой отражательной способностью с песчаными участками повысило надежность результатов классификации.

Она позволяет визуально отображать городскую территорию и неиспользуемые земли. Также она может рассчитывать площадь соответствующих земельных участков по годам и анализировать развитие и тенденции изменения городов и различных типов землепользования.

▲Рисунок 2. Оценка точности объектно-ориентированного классификатора случайного леса.

Xi'an Institute of Optics and Precision Mechanics CAS Aerospace Science and Technology Group Co.,LTD - Анализ роста сельскохозяйственных участков

В данном случае было визуально интерпретировано и размечено в общей сложности 409 образцов из пяти категорий землепользования. 80% были использованы для обучения, а 20% — для валидации. На рисунке 2 показана оценка точности классификатора, которая продемонстрировала хорошие результаты классификации для сельскохозяйственных угодий, голой почвы и водоемов. Точность классификации для городских территорий/искусственных сооружений была относительно низкой, возможно, из-за сложного распределения землепользования и ограничений, накладываемых разрешением спутниковых снимков.

▲Рисунок 3. Частичная экстракция пшеницы в подрайоне Сянцяо, район Линьтун.

На изображении выше показаны результаты извлечения данных для конкретного района. В целом, эффект хороший, с небольшим количеством пропущенных или некорректных извлечений. Однако сельскохозяйственные угодья вблизи главных дорог и городских районов несколько перепутаны с дорогами. Некоторые участки довольно небольшие и смешаны с фермерскими и сельскими дорогами.

▲Рисунок 4. Добыча пшеницы в горном районе Линьтун.

На рисунке показаны результаты извлечения текстурной информации с участков пшеницы в южной горной местности района Линьтун с использованием той же модели классификации. Результаты хорошие, что указывает на то, что сегментация изображений позволяет эффективно получать текстурную информацию и дает хорошие результаты извлечения текстур с участков пшеницы, имеющих различный рельеф и форму.

▲Рисунок 5. Карта распределения площадей посевов пшеницы на различных улицах района Линьтун.

На изображении показано распределение посевных площадей пшеницы на различных улицах района Линьтун. Чем темнее цвет, тем больше посевная площадь пшеницы.

Очевидно, что большая часть пшеничных полей сосредоточена в северной части Линьтуна, при этом наибольшая посевная площадь приходится на подрайон Сянцяо — 66 602 му. Южная часть представляет собой гористую местность, где выращивается небольшое количество пшеницы.

▲ Таблица 1. Статистические данные о посевных площадях в различных подрайонах района Линьтун.

▲Рисунок 6. Карта распределения участков с пшеницей в различных подрайонах района Линьтун.

На изображении показано распределение посевных площадей пшеницы на различных улицах района Линьтун. Чем темнее цвет, тем больше участков, засеянных пшеницей.

Очевидно, что большая часть пшеничных полей сосредоточена в северной части Линьтуна, причем наибольшее их количество (1950) находится в подрайоне Сянцяо. Южная часть представляет собой гористую местность с небольшим количеством пшеничных полей.

▲ Таблица 2. Статистическая таблица участков выращивания пшеницы в каждом подрайоне района Линьтун.

▲Рисунок 7. Распределение аномалий роста пшеницы на стадии кущения в различных подрайонах района Линьтун.

На основе анализа земельных участков можно выявить различия между годовым приростом и приростом за последние годы для каждого земельного участка в заданном временном диапазоне.

Как показано на рисунке, чем темнее красный цвет, тем хуже урожай по сравнению с предыдущими пятью годами; чем темнее зеленый цвет, тем лучше урожай по сравнению с предыдущими пятью годами.

Анализ аномалий позволяет анализировать урожайность каждого участка земли за каждый год, выявлять участки со стабильной и хорошей урожайностью, а также участки с большими колебаниями урожайности и низкой урожайностью, и помогает руководителям составлять планы крупномасштабных посадок.