УДК 528.88:004.032.26:004.93’1:631.147
DOI: https://doi.org/10.36887/2415-8453-2024-2-22
Сільське господарство є основою економіки Харківської області, а оскільки значна частина населення України залежить від сільського господарства, потреба в точному і своєчасному моніторингу земель стала ще більш актуальною. Поєднання дистанційного зондування з найсучаснішими алгоритмами машинного навчання дозволяє детально класифікувати сільськогосподарські угіддя за допомогою тематичного картографування, що має вирішальне значення для моніторингу врожаю, управління земельними ресурсами та сталого розвитку. В статті була опрацьована модель глибокої нейронної мережі (ГНМ), яка використовувалася для класифікації землекористування та земельного покриву (КЗЗП) за чотирма класами: сільськогосподарські угіддя, рослинність, водойми та забудовані території. У цій техніці використовувалися мультиспектральні дані з Sentinel-2 та Landsat-8, оброблені на платформі Google Earth Engine (GEE). Модель ГНМ показала найкращі результати, загальна точність склала 95,9% при використанні Sentinel-2 і 90,9% при використанні Landsat-8, перевершивши всі базові моделі. Ці результати ще раз підкреслюють переваги мережі ГНМ у картографуванні сільськогосподарських угідь та її потенційне використання для моніторингу стану посівів, діагностики хвороб та стратегічного планування сільського господарства. Наведено методологію збору й підготовки даних, структуру нейромережевих моделей (U-Net, DeepLab v3+), підхід до тренування і валідації, метрики оцінки, а також рекомендації щодо розгортання в GEE для регулярного моніторингу.
Ключові слова: картографування, Sentinel-2, Landsat-8, Google Earth Engine, нейронні мережі, сільськогосподарські угіддя, мультиспектральні дані.
Література
- Colliander А. et al. Spatial Downscaling of SMAP Soil Moisture Using MODIS Land Surface Temperature and NDVI During SMAPVEX15. IEEE Geoscience and Remote Sensing Letters. 2017. 14, No. 11, pp. 2107-2111. DOI: https://doi.org/10.1109/LGRS.2017.2753203.
- Zhang Y., Cao D., Yang J., Lu F., Wang D., Liu R., Zhang H., Liu D., Chen Z., Lyu H., Cai W., Bao S., Qie X. A Parallax Shift Effect Correction Based on Cloud Top Height for FY-4A Lightning Mapping Imager (LMI). Remote Sensing. 2023.15(19), 4856. DOI: https://doi.org/10.3390/rs15194856.
- Опара В.М., Бузіна І.М., Хайнус Д.Д., Винограденко С.О., Коваленко Л.М. Теоретичні й методичні основи використання ГІС-технологій та створення електронних карт при проведенні землеустрою. Проблеми безперервної географічної освіти і картографії, 2020. № 31, С. 50-59. DOI: http://doi.org/10.26565/2075-1893-2020-31-06/.
- Zhao Q., Yu L., Li X., Peng D., Zhang Y., Gong P. Progress and Trends in the Application of Google Earth and Google Earth Engine. Remote Sensing. 2021. № 13(18). 3778. DOI: https://doi.org/10.3390/rs13183778.
- Waldner F., Diakogiannis F. I., Batchelor K. L., Ciccotosto-Camp M. M., Cooper-Williams E., Herrmann C., Mata, G., Toovey A. F. Detect, Consolidate, Delineate: Scalable Mapping of Field Boundaries Using Satellite Images. Remote Sens., 2021. № 13, 2197. DOI: https://doi.org/10.3390/rs13112197.
- Teyou D., Kamdem G. Deep Neural Networks for automatic extraction of features in time series satellite images. DOI: https://doi.org/10.48550/arXiv.2008.08432.
- Mohammadi S., Belgiu B., Stein A. Improvement in crop mapping from satellite image time series by effectively supervising deep neural networks, ISPRS Journal of Photogrammetry and Remote Sensing. 2023. Vol. 198, pp. 272-283. DOI: https://doi.org/10.1016/j.isprsjprs.2023.03.007.
- Tzepkenlis A., Marthoglou K., Grammalidis N. Efficient Deep Semantic Segmentation for Land Cover Classification Using Sentinel Imagery. Remote Sensing, 2023. 15(8). 2027. DOI: https://doi.org/10.3390/rs15082027.
- Balraj A. DeepGlobe Land Cover Classification Dataset, Kagglehub, URL: https://www.kaggle.com/datasets/balraj98/deepglobe-land-cover-classification-dataset.
- Alaa S. Mahdi. The Land Use and Land Cover Classification on the Urban Area. Iraqi Journal of Science. 2022. 63(10), pp. 4609-4619. DOI: https://doi.org/10.24996/ijs.2022.63.10.42.
- Shelestov A., Lavreniuk M., Kussul, N., Novikov A., Skakun S. Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Earth Sci. 2017. Vol. 5, p. 17.
Статтю було отримано 12.04.2024
Quote article, APA style
Винограденко Сергій Олександрович, Кульбака Олеся Михайлівна, Кульбака Віктор Михайлович, Грек Марія Олександрівна. 12.04.2024 . Картографування сільськогосподарських угідь на основі нейронних мереж з використанням даних sentinel-2 та landsat-8. The journal "Український журнал прикладної економіки та техніки". 2024 / #2. 134-140pp. https://doi.org/10.36887/2415-8453-2024-2-22
Quote article, MLA style
Винограденко Сергій Олександрович, Кульбака Олеся Михайлівна, Кульбака Віктор Михайлович, Грек Марія Олександрівна. "Картографування сільськогосподарських угідь на основі нейронних мереж з використанням даних sentinel-2 та landsat-8". The journal "Український журнал прикладної економіки та техніки". 12.04.2024 . https://doi.org/10.36887/2415-8453-2024-2-22
Quote article, translit
Vinogradenko Sergіy Oleksandrovich, Kulbaka Olesya Mihaylіvna, Kulbaka Vіktor Mihaylovich, Grek Marіya Oleksandrіvna. "Kartografuvannya sіlskogospodarskih ugіd na osnovі neyronnih merezh z vikoristannyam danih sentinel-2 ta landsat-8". The journal "Ukraїnskiy zhurnal prikladnoї ekonomіki ta tehnіki". 12.04.2024 . https://doi.org/10.36887/2415-8453-2024-2-22