Põllumajandustegevuste tuvastamine Sentinel-1 ja -2 satelliidipiltide aegridadelt süvaõppega

Date

2019

Journal Title

Journal ISSN

Volume Title

Publisher

Abstract

Satelliitmõõtmised võimaldavad arendada rakendusi paljudes valdkondades. Põllumajandus on heaks näiteks rohkete satelliitseire põhiste automatiseerimisvõimalustega. Põllumajandustoetuste jaotamise järelevalvet tehakse tänini peamiselt välitöödega, Euroopa Liidus on sellega hõivatud kümneid tuhandeid inspektoreid. Usaldusväärne automaatne satelliitseire põhine kontrollisüsteem võimaldaks selle töö jõu vabastada ja suunata kõrgema lisandväärtusega sektoritesse. Sentinel-1 VH- ja VV-polarisatsiooni koherentsus ja Sentinel-2 vegetatsiooniindeks NDVI moodustasid käesoleva töö algse tunnuskomplekti. Töö raames arendati välja sidumnärvivõrgu mudel niitmise tuvastamiseks satelliitmõõtmiste aegridadest. Mudeli sobitamiseks ja parimate hüperparameetrite leidmiseks kasutati enam kui 2000 Eesti rohumaa märgendatud andmeid 2018 suvest. Siirdeõppe meetodite testimiseks kasutati Rootsi 2018, Taani 2018 ja Eesti 2017 märgendatud andmeid. Eeltreenitud mudeleid taaskasutati Eesti 2018 sihtandmekogu peal täpsuse suurendamiseks. Kõrgema usaldusväärsusega ja täpsemate tulemuste saamiseks pakuti välja praaktsooni põhine algoritm. Töö käigus leitud täiustusega saavutati 76,1% üksiksündmuste tuvastamise täpsus ja 96,6% põllupõhine niitmata põldude tuvastamisekogutäpsus hooaja lõpuks. Välja pakutud mudel sobib praktiliseks kasutamiseks niitmise tuvastamise infosüsteemis.
Satellite imagery allows building applications in a variety of domains. Agriculture is an example with a lot of possibilities for automation. Thousands of inspectors visit fields across the European Union to check if mowing events were performed. Reliable automated detection system can free this work force for other needs.Sentinel-1 (coherence in VH and VV polarization) and -2 (normalized differencevegetation index) data was chosen as the base feature set in this thesis. Convolutional neural network model was created which is capable to detect mowing events based on satellite’s imagery time series. Using Estonia 2018 labeled data about 2000 fields, the model was trained and optimal configuration of hyperparameters was tuned. Transfer learning techniques were applied based on Swedish 2018, Danish 2018 and Estonian 2017 data. Weights of trained models were re-used to improve performance on target Estonian 2018 dataset. Based on the reject region method, an algorithm for finding a subset with highly confident and accurate predictions was proposed.Proposed modifications allowed to obtain event accuracy of 76.1% and end of season accuracy of 96.6%. The proposed model architecture is suitable for practical use in the mowing detection system.

Description

Keywords

Citation