Супутниковий моніторинг посівів по Україні
Рубрика:
| Шелестов, АЮ, Яйлимова, БЯ, Яйлимова, ГО, Білоконська, ЮВ, Нів’євський, ОВ |
| Косм. наука технол. 2020, 26 ;(6):027-037 |
| https://doi.org/10.15407/knit2020.06.027 |
| Мова публікації: Українська |
Анотація: Забезпечення подальшого економічного зростання сільського господарства України потребує освоєння та ефективного використання інноваційних технологій. Зокрема, супутниковий аналіз дає можливість відслідковувати стан сільськогосподарських угідь шляхом моніторингу їхніх якісних та кількісних показників природно-кліматичних характеристик. У рамках проєкту Світового банку «Підтримка прозорого землекористування в Україні» у співпраці комерційної компанії EOS Data Analytics із Інститутом космічних досліджень НАН України та ДКА України розроблено технологію супутникового моніторингу використання сільськогосподарських земель в Україні.
На основі створеної технології побудовано карти класифікації земного покриву на базі трьох наборів даних: наземні дані вздовж доріг, дані фермерів та супутникові дані (часові ряди оптичних даних «Sentinel-2» та радарних даних «Sentinel-1»). Для створення карт класифікацій використано алгоритм Random Forest, реалізований на базі хмарної платформи Google Earth Engine. Отримано оцінку точності та порівняні площі посівів сільськогосподарських культур по всій території України. За результатами експерименту наведено порівняння класифікації на двох окремих наборах даних для навчання — наземних даних зібраних вздовж доріг та даних фермерів. В результаті отримано валідовану карту посівів сільськогосподарських культур, яку було представлено на офіційному порталі ДержГеоКадастру України. Наведено основні результати, отримані в ході аналізу сільськогосподарських земель України, а також результати порівняння зі статистичними даними.
|
| Ключові слова: інноваційні технології, дистанційне зондування, землекористування, карта класифікації земного покриву, Світовий банк, супутниковий моніторинг, часові ряди супутникових даних |
References:
1. Yailymov B. Ya., Lavreniuk M. S., Shelestov A. Yu., Kolotii A. V., Yailymova H. O., Fedorov O. P. (2018). Methods of essential variables determination for the Earth’s surface state assessing. Space Science and Technology, 24(4), 24—37.
https://doi.org/10.15407/knit2018.04.026.
2. Agriculture and Agri-Food Canada. URL: https://www5.agr.gc.ca/eng/?id=1343066456961 (Last accessed: 03.03.2020).
3. Joint Experiment for Crop Assessment and Monitoring. URL: http://jecam.org/documents/ (Last accessed: 03.03.2020).
4. Kussul N., Kolotii A., Shelestov A., Yailymov B., Lavreniuk M. (2017). Land degradation estimation from global and national satellite based datasets within UN program. 9th IEEE Int. Conf. on Intelligent Data Acquisition and Advanced Computing
Systems: Technology and Applications (IDAACS), 383–386.
2. Agriculture and Agri-Food Canada. URL: https://www5.agr.gc.ca/eng/?id=1343066456961 (Last accessed: 03.03.2020).
3. Joint Experiment for Crop Assessment and Monitoring. URL: http://jecam.org/documents/ (Last accessed: 03.03.2020).
4. Kussul N., Kolotii A., Shelestov A., Yailymov B., Lavreniuk M. (2017). Land degradation estimation from global and national satellite based datasets within UN program. 9th IEEE Int. Conf. on Intelligent Data Acquisition and Advanced Computing
Systems: Technology and Applications (IDAACS), 383–386.
https://doi.org/10.1109/IDAACS.2017.8095109.
5. Kussul N., Lavreniuk M., Shelestov A., Skakun S. (2018). Crop inventory at regional scale in Ukraine: developing in season and end of season crop maps with multi-temporal optical and SAR satellite imagery. Eur. J. Remote Sens., 51, 627—636.
5. Kussul N., Lavreniuk M., Shelestov A., Skakun S. (2018). Crop inventory at regional scale in Ukraine: developing in season and end of season crop maps with multi-temporal optical and SAR satellite imagery. Eur. J. Remote Sens., 51, 627—636.
https://doi.org/10.1080/22797254.2018.1454265
6. Kussul N., Nizalov D., Shelestov A., et al. (2019). Satellite crop monitoring within World Bank project on land management transparency. 2019 World Bank conference on land and poverty, Washington, USA.
6. Kussul N., Nizalov D., Shelestov A., et al. (2019). Satellite crop monitoring within World Bank project on land management transparency. 2019 World Bank conference on land and poverty, Washington, USA.
URL: https://www.conftool.com/landandpoverty2019/index.php/10-11-Kussul- 1192_paper.pdf?page=downloadPaper&filename=10-11-Kussul-1192_paper.pdf&form_id=1192&form_version=final (Last accessed: 03.03.2020).
7. Kussul N., Shelestov A., Lavreniuk M., et al. (2016). Deep learning approach for large scale land cover mapping based on remote sensing data fusion. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 198—201.
7. Kussul N., Shelestov A., Lavreniuk M., et al. (2016). Deep learning approach for large scale land cover mapping based on remote sensing data fusion. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 198—201.
https://doi.org/10.1109/igarss.2016.7729043.
8. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Crop Mapping Based on Sentinel-1 and Sentinel-2 Data Within World Bank Project. Earth Observation Phi-Week, Rome, Italy. URL: https://phiweek.esa.int/NikalWebsitePortal/esa-eo-phiweek-
2019/phiweek/Speaker# (Last accessed: 03.03.2020).
9. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Land Cover and Land Use Monitoring Based on Satellite Data within World Bank Project. 10th International Conference on Dependable Systems, Services and Technologies (DESSERT),
Leeds, United Kingdom, 127—130.
8. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Crop Mapping Based on Sentinel-1 and Sentinel-2 Data Within World Bank Project. Earth Observation Phi-Week, Rome, Italy. URL: https://phiweek.esa.int/NikalWebsitePortal/esa-eo-phiweek-
2019/phiweek/Speaker# (Last accessed: 03.03.2020).
9. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Land Cover and Land Use Monitoring Based on Satellite Data within World Bank Project. 10th International Conference on Dependable Systems, Services and Technologies (DESSERT),
Leeds, United Kingdom, 127—130.
https://do.org/10.1109/DESSERT.2019.8770040.
10. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Transparent Land Governance in Ukraine within World Bank Program. IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), Lviv, Ukraine, 1077—1080.
https://doi.org/10.1109/UKRCON.2019.8879771
11. Lavreniuk M., Kussul N., Novikov A. (2018). Deep Learning Crop Classification Approach Based on Sparse Coding of Time Series of Satellite Data. IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain, 4816—
4819.
10. Kussul N., Shelestov A., Lavreniuk M., et al. (2019). Transparent Land Governance in Ukraine within World Bank Program. IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), Lviv, Ukraine, 1077—1080.
https://doi.org/10.1109/UKRCON.2019.8879771
11. Lavreniuk M., Kussul N., Novikov A. (2018). Deep Learning Crop Classification Approach Based on Sparse Coding of Time Series of Satellite Data. IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain, 4816—
4819.
https://doi.org/10.1109/igarss.2018.8518263.
12. Lavreniuk, M., Kussul, N., Shelestov, A., et al. (2016). Validation methods for regional retrospective high resolution land cover for Ukraine. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 4502—4505.
12. Lavreniuk, M., Kussul, N., Shelestov, A., et al. (2016). Validation methods for regional retrospective high resolution land cover for Ukraine. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 4502—4505.
https://doi.org/10.1109/igarss.2016.7730174.
13. Lavreniuk, M., Kussul, N., Shelestov, A., et al. (2018). Object-Based Postprocessing Method for Crop Classification MAPS. IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 7062—7065.
13. Lavreniuk, M., Kussul, N., Shelestov, A., et al. (2018). Object-Based Postprocessing Method for Crop Classification MAPS. IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 7062—7065.
https://doi.org/10.1109/igarss.2018.8519199.
14. National Agriculture Statistics Service in USA. URL: https://nassgeodata.gmu.edu/CropScape/ (Last accessed: 03.03.2020).
15. Public cadastral map of Ukraine. URL: https://newmap.land.gov.ua/ (Last accessed: 03.03.2020).
16. Roadmap for the use of Earth Observation across Defra 2015—2020.
14. National Agriculture Statistics Service in USA. URL: https://nassgeodata.gmu.edu/CropScape/ (Last accessed: 03.03.2020).
15. Public cadastral map of Ukraine. URL: https://newmap.land.gov.ua/ (Last accessed: 03.03.2020).
16. Roadmap for the use of Earth Observation across Defra 2015—2020.
URL: https://assets.publishing.service.gov.uk/government/uploads/system/uploa... (Last accessed: 03.03.2020).
17. Shelestov A. Yu., Lavreniuk M. S., Kussul N. M. (2016). Large scale crop mapping in Ukraine using Google Earth Engine. The American Geophysical Union (AGU) Fall Meeting, San Francisco, USA.
17. Shelestov A. Yu., Lavreniuk M. S., Kussul N. M. (2016). Large scale crop mapping in Ukraine using Google Earth Engine. The American Geophysical Union (AGU) Fall Meeting, San Francisco, USA.
URL: https://www.researchgate.net/publication/311922147_Large_scale_crop_mapp... th_Enginet (Last accessed: 03.03.2020).
18. Shelestov A., Lavreniuk M., Kussul N., et al. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science. 5.
18. Shelestov A., Lavreniuk M., Kussul N., et al. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science. 5.
URL: https://www.frontiersin.org/articles/10.3389/feart.2017.00017/full. doi: 10.3389/feart.2017.00017 (Last accessed: 03.03.2 020).
19. Shelestov A., Lavreniuk M., Vasiliev V., et al. (2019). Cloud Approach to Automated Crop Classification Using Sentinel-1 Imagery. IEEE Transactions on Big Data (Early Access), 1-1.
19. Shelestov A., Lavreniuk M., Vasiliev V., et al. (2019). Cloud Approach to Automated Crop Classification Using Sentinel-1 Imagery. IEEE Transactions on Big Data (Early Access), 1-1.
https://doi.org/10.1109/TBDATA.2019.2940237.
20. State Statistics Service of Ukraine. URL: http://www.ukrstat.gov.ua/ (Last accessed: 03.03.2020).
21. UNO Food and Agriculture Organization. URL: http://www.fao.org/ (Last accessed: 03.03.2020).
22. Waldner F., Bellemans N., Hochman Z., et al. (2019). Roadside collection of training data for cropland mapping is viable when environmental and management gradients are surveyed. Int. J. Appl. Earth Observ. and Geoinform., 80, 82—93.
20. State Statistics Service of Ukraine. URL: http://www.ukrstat.gov.ua/ (Last accessed: 03.03.2020).
21. UNO Food and Agriculture Organization. URL: http://www.fao.org/ (Last accessed: 03.03.2020).
22. Waldner F., Bellemans N., Hochman Z., et al. (2019). Roadside collection of training data for cropland mapping is viable when environmental and management gradients are surveyed. Int. J. Appl. Earth Observ. and Geoinform., 80, 82—93.