«`html
Удаленное зондирование: практические решения для сельского хозяйства
Удаленное зондирование — это важное направление, использующее спутниковые и аэрокосмические технологии для обнаружения и классификации объектов на Земле. Оно играет значительную роль в мониторинге окружающей среды, управлении сельским хозяйством и сохранении природных ресурсов. Эти технологии позволяют ученым собирать обширные данные по огромным географическим областям и за разные периоды времени, предоставляя информацию, необходимую для обоснованных решений.
Основные проблемы в удаленном зондировании для сельского хозяйства
Одной из основных проблем в удаленном зондировании для сельского хозяйства является точная классификация видов культур в различных регионах. Традиционные наборы данных часто ограничены своим географическим охватом, количеством включенных видов культур и объемом размеченных данных, доступных для обучения моделей машинного обучения. Эти ограничения затрудняют эффективное сравнение алгоритмов машинного обучения, особенно тех, которые используют техники обучения на небольшом количестве примеров.
Практические решения и ценность
Существующие методы классификации видов культур основаны на различных наборах данных, таких как ZUERICROP для северной Швейцарии, BREIZHCROPS для региона французской Бретани и CROP HARVEST, глобальный набор данных, в основном содержащий двоичные метки культура-против-некультура. Однако эти наборы данных ограничены небольшими областями в пределах одной страны или включают ограниченное количество сельскохозяйственных участков, что делает их менее эффективными для широкого сравнения.
Исследователи из Технического университета Мюнхена, dida Datenschmiede GmbH, ETH Zürich и Института имени Цузе в Берлине представили набор данных EUROCROPSML, чтобы преодолеть эти ограничения. Этот набор данных включает 706 683 европейских сельскохозяйственных участков, классифицированных на 176 различных видов культур. Набор данных разработан для поддержки развития методов машинного обучения для классификации культур путем предоставления обширного набора данных с метками для обучения на небольшом количестве примеров. Этот большой и разнообразный набор данных способствует разработке надежных моделей машинного обучения, способных точно классифицировать культуры в различных регионах и условиях.
Набор данных EUROCROPSML включает ежегодные временные ряды медианных значений пикселей из спутниковых изображений Sentinel-2 за 2021 год. Данные тщательно предварительно обрабатываются для удаления облачного покрова и других помех, обеспечивая высококачественный вход для моделей машинного обучения. Каждая точка данных представлена временным рядом медианных значений пикселей для каждой из 13 спектральных полос изображений Sentinel-2, предоставляя подробную информацию о свете, отраженном поверхностью Земли в различных длинах волн. Этот набор данных также включает важные метаданные, такие как метки видов культур и пространственные координаты, что облегчает эффективное обучение и оценку алгоритмов классификации.
Первоначальные эксперименты с набором данных EUROCROPSML продемонстрировали значительное улучшение производительности моделей. Например, модели, предварительно обученные на данных из Латвии, достигли точности 0,66 в сценарии обучения на 500 примерах, что значительно превзошло модели без предварительного обучения, которые достигли только точности 0,28. Включение данных из Португалии, несмотря на ее различный климат и виды культур, также улучшило производительность, хотя и менее значительно. Это подчеркивает ценность переноса обучения и важность разнообразных обучающих данных для повышения точности моделей.
В заключение, набор данных EUROCROPSML предоставляет обширный и хорошо структурированный набор данных, который позволяет более эффективно сравнивать алгоритмы машинного обучения, особенно для обучения на небольшом количестве примеров. Этот набор данных, включающий данные с 706 683 сельскохозяйственных участков по всей Европе и охватывающий 176 видов культур, готов улучшить классификацию видов культур в различных регионах. Первоначальные результаты обнадеживают, поскольку модели, предварительно обученные на этом наборе данных, продемонстрировали превосходную производительность в точной классификации культур.
Подробнее о проекте
Если вы хотите узнать больше о проекте, прочитайте статью здесь. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Twitter и присоединиться к нашей группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit.
Узнайте о предстоящих вебинарах по ИИ здесь.
Источник: MarkTechPost