Применение концепции геонов для автоматизированной классификации сельскохозяйственных земель

Исследования проводили с целью адаптации концепции геонов, развитой в геоинформатике, для автоматизированной классификации видов сельскохозяйственных земель с использованием данных дистанционного зондирования, геоинформационного моделирования и машинного обучения. На основе анализа изображений дистанционного зондирования трех каналов RGB спутника Sentinel-2А с разрешением 10 м в пикселе территорий двух землепользований в Новосибирской области методом географического объектно-ориентированного анализа изображений (GEOBIA) проведена сегментация изображений и создана обучающая выборка классов пространственных объектов. Путем классификации пространственных объектов с использованием алгоритма машинного обучения случайный лес (RF) выделены геоны с общей точностью классификации 90,32 % и 82,27 %, а также созданы их цифровые карты. Классифицированным геонам присвоена атрибутивная информация, включающая данные по высоте, ориентации склонов, углов наклона, вертикального и горизонтального расчленения рельефа и сформирована база геоданных объектно-ориентированного типа. База геоданных на территорию первого землепользования включала 11115 значений семи признаков агроэкологической характеристики земель, на территорию второго – 16882 значения тех же признаков. На основании базы геоданных с добавлением информации о почвенном покрове проведен пространственный кластерный анализ, в результате которого на территории землепользований выделено соответственно три и четыре вида сельскохозяйственных земель. После добавления к базе геоданных результатов кластеризации выполнено тематическое картографирование в ГИС и созданы цифровые карты. Интегрированное использование цифровых технологий (распознавание образов, ГИС, дистанционное зондирование и машинное обучение) позволило реализовать концепцию геонов в качестве промежуточного этапа в автоматизированной классификации видов сельскохозяйственных земель. Он играет важную роль в анализе данных, позволяя обнаружить и изучить на изображениях дистанционного зондирования различные пространственные объекты с высокой достоверностью.

1. Кирюшин В. И. Методология комплексной оценки сельскохозяйственных земель // Почвоведение. 2020. № 7. С. 871–879. doi: 10.31857/S0032180X20070060.

2. Кирюшин В. И. Организация территориального и внутрихозяйственного землеустройства на ландшафтно-экологической основе // Достижения науки и техники АПК. 2024. Т. 38. № 5. С. 4–9.

3. Automated classification of agricultural lands using GIS and NES / V. K. Kalichkin, A. I. Pavlova, A. F. Petrov, et al. // International Journal of Engineering and Technology (UAE). 2018. Vol. 7. No. 4.38. Р. 1146–1149. doi: 10.14419/ijet.v7i4.38.27751.

4. Павлова А. И., Каличкин В. К. Автоматизированное картографирование сельскохозяйственных земель с помощью нейронной экспертной системы, интегрированной с ГИС // Достижения науки и техники АПК. 2011. № 1. С. 5–7.

5. Использование многозональных космических снимков для целей геоинформационного мониторинга и анализа пространственных характеристик сельскохозяйственного землепользования / О. А. Зарубин, О. В. Ларина, В. А. Саулин и др. // Вектор геонаук. 2020. Т. 3. № 2. С. 37–50. doi: 10.24411/2619-0761-2020-10017.

6. A systematic review on the integration of remote sensing and GIS to forest and grassland ecosystem health attributes, indicators, and measures / I. Soubry, T. Doan, T. Chu, et al. // Remote Sensing. 2021. Vol. 13. No. 16. Article 3262. URL: https://www.mdpi.com/2072-4292/13/16/3262 (дата обращения: 10.09.2024). doi: 10.3390/rs13163262.

7. Integrating multiscale geospatial analysis for monitoring crop growth, nutrient distribution, and hydrological dynamics in large-scale agricultural systems / O. D. Akanbi, D. C. Bhuvanagiri, E. I. Barcelos, et al. // Journal of Geovisualization and Spatial Analysis. 2024. Vol. 8. Article 9. URL: https://link.springer.com/article/10.1007/s41651-023-00164-y (дата обращения: 10.10.2024). doi: 10.1007/s41651-023-00164-y.

8. Iterative integration of deep learning in hybrid Earth surface system modelling / M. Chen, Z. Qian, N. Boers, et al. // Nature reviews earth & environment. 2023. Vol. 4. Р. 568–581. doi: 10.1038/s43017-023-00452-7.

9. Digra M., Dhir R., Sharma N. Land use land cover classification of remote sensing images based on the deep learning approaches: a statistical analysis and review // Arabian Journal of Geosciences. 2022. Vol. 15. Article 1003. URL: https://link.springer.com/article/10.1007/s12517-022-10246-8 (дата обращения: 11.09.2024). doi: 10.1007/s12517-022-10246-8.

10. Alshari E. A., Abdulkareem M. B., Gawali B. W. Classification of land use/land cover using artificial intelligence (ANN-RF) // Frontiers in Artificial Intelligence. 2023. Vol. 5. Article 964279. URL: https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2022.964279/full (дата обращения: 11.09.2024). doi: 10.3389/frai.2022.964279.

11. Илларионова Л. В., Степанов А. С., Фомина Е. А. Распознавание и классификация посевов сельскохозяйственных культур Хабаровского края с использованием NDVI и EVI // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 155–165. URL: http://d33.infospace.ru/jr_d33/2023v20n2/155-165.pdf (дата обращения: 12.09.2024). doi: 10.21046/2070-7401-2023-20-2-155-165.

12. Boosting crop classification by hierarchically fusing satellite, rotational, and contextual data / V. Barriere, M. Claverie, M. Schneider, et al. // Remote Sensing of Environment. 2024. Vol. 305. Article 114110. URL: https://www.sciencedirect.com/science/article/pii/S0034425724001214 (дата обращения: 10.09.2024). doi: 10.1016/j.rse.2024.114110.

13. Pixel-based yield mapping and prediction from Sentinel-2 using spectral indices and neural networks / G. Perich, M. O. Turkoglu, L. V. Graf, et al. // Field Crops Research. 2023. Vol. 292. Article 108824. URL: https://www.sciencedirect.com/science/article/pii/S0378429023000175 (дата обращения: 11.09.2024). doi: 10.1016/j.fcr.2023.108824.

14. In-season forecasting of within-field grain yield from Sentinel-2 time series data / E. Amin, L. Pipia, S. Belda, et al. // International Journal of Applied Earth Observation and Geoinformation. 2024. Vol. 126. Article 103636. URL: https://www.sciencedirect.com/science/article/pii/S1569843223004600 (дата обращения: 12.09.2024). doi: 10.1016/j.jag.2023.103636.

15. Integration of GIS and remote sensing with RUSLE model for estimation of soil erosion / A. Ghosh, S. Rakshit, S. Tikle, et al. // Land. 2022. Vol. 12. No. 1. Article 116. URL: https://www.mdpi.com/2073-445X/12/1/116 (дата обращения: 10.09.2024). doi: 10.3390/land12010116.

16. Soil erosion assessment by RUSLE model using remote sensing and GIS in an arid zone / P. Li, A. Tariq, Q. Li, et al. // International Journal of Digital Earth. 2023. Vol. 16. No. 1. P. 3105–3124. doi: 10.1080/17538947.2023.2243916.

17. An open-source platform for GIS data management and analytics / F. Piccoli, S.G. Locatelli, R. Schettini, et al. // Sensors. 2023. Vol. 23. No. 8. Article 3788. URL: https://www.mdpi.com/1424-8220/23/8/3788 (дата обращения: 10.09.2024). doi: 10.3390/s23083788.

18. Geons – domain-specific regionalization of space / S. Lang, S. Kienberger, D. Tiede, et al. // Cartography and Geographic Information Science. 2014. Vol. 41. No. 3. Р. 214–226. doi: 10.1080/15230406.2014.902755.

19. Landslide susceptibility mapping for Austria using geons and optimization with the Dempster-Shafer theory / G. T. Nachappa, S. T. Piralilou, O. Ghorbanzadeh, et al. // Applied Sciences. 2019. Vol. 9. No. 24. Article 5393. URL: https://www.mdpi.com/2076-3417/9/24/5393 (дата обращения: 11.09.2024). doi: 10.3390/app9245393.

20. Predicting landslides susceptible zones in the Lesser Himalayas by ensemble of per pixel and object-based models / U. Sur, P. Singh, S. R. Meena, et al. // Remote Sensing. 2022. Vol. 14. No. 8. Article 1953. URL: https://www.mdpi.com/2072-4292/14/8/1953 (дата обращения: 12.09.2024). doi: 10.3390/rs14081953.

21. Johnson B. A., Ma L. Image segmentation and object-based image analysis for environmental monitoring: Recent areas of interest, researchers’ views on the future priorities // Remote Sensing. 2020. Vol. 12. No. 11. Article 1772. URL: https://www.mdpi.com/2072-4292/12/11/1772 (дата обращения: 12.09.2024). doi: 10.3390/rs12111772.

22. GEOBIA achievements and spatial opportunities in the era of big earth observation data / S. Lang, G. J. Hay, A. Baraldi, et al. // ISPRS International Journal of Geo-Information. 2019. Vol. 8. No. 11. Article 474. URL: https://www.mdpi.com/2220-9964/8/11/474 (дата обращения: 10.09.2024). doi: 10.3390/ijgi8110474.

23. Гарафутдинова Л. В., Каличкин В. К., Федоров Д. С. Объектно-ориентированная классификация изображений дистанционного зондирования Земли с использованием машинного обучения // Вестник НГАУ (Новосибирский государственный аграрный университет). 2024. № 2. С. 37–47. doi: 10.31677/2072-6724-2024-71-2-37-47.

24. Comparison and validation of per-pixel and object-based approaches for landslide susceptibility mapping / T. G. Nachappa, S. Kienberger, S. R. Meena, et al. // Geomatics, Natural Hazards and Risk. 2020. Vol. 11. No. 1. P. 572–600. doi: 10.1080/19475705.2020.1736190.

25. A multivariate hierarchical regionalization method to discovering spatiotemporal pat-terns / H. Wang, H. Zhang, H. Zhu, et al. // GIScience& Remote Sensing. 2023. Vol. 60. No. 1. Article 2176704. URL: https://www.tandfonline.com/doi/full/10.1080/15481603.2023.2176704 (дата обращения: 10.09.2024). doi: 10.1080/15481603.2023.2176704.

26. Hurley B. J., Leslie T. F. Spatiotemporal variograms as neighborhood definers // Geographical Analysis. 2024. Vol. 56. No. 2. Р. 404–424. doi: 10.1111/gean.12382.

27. Geographic object-based image analysis: A primer and future directions / M. Kucharczyk, G. J. Hay, S. Ghaffarian, et al. // Remote Sensing. 2020. Vol. 12. No. 12. Article 2012. URL: https://www.mdpi.com/2072-4292/12/12/2012 (дата обращения: 11.09.2024). doi: 10.3390/rs12122012.