Можно ли обнаружить скашиваемую траву с расстояния 792 км?

Этот пост входит в серию блогов, связанных с нашей работой в области мониторинга территорий. Мы решили открыто поделиться своими знаниями по этому вопросу, так как считаем, что необходимо обсуждение и сравнение подходов между всеми участвующими в нем группами. Мы будем приветствовать любые отзывы, идеи и извлеченные уроки. Для тех, кто хочет сделать это публично, мы будем рады разместить их здесь.

Содержание:

Маркер кошения идентифицирует все наблюдения, в которых события кошения приводят к падению значений индекса вегетации (NDVI). Сам процесс кошения нельзя обнаружить с помощью спутниковых снимков, но его последствия можно наблюдать. Маркер идентифицирует события кошения, определяя падения в профиле NDVI представляющих интерес объектов (FOI), которые утверждают, что это постоянные луга или растущие травы, клевер или смеси травы / клевера.

Алгоритм

Алгоритм, используемый косилочным маркером, не является моделью машинного обучения (ML), как в случае маркера для открытой почвы. Вместо этого он основан на алгоритме, который ищет вариации в NDVI для определения возможных событий кошения. Алгоритм не зависит от соседних данных и использует исключительно временные ряды NDVI целевого FOI.

Обнаружение выполняется в следующие этапы:

  1. Выполните фильтрацию наблюдений за облачностью с помощью s2cloudless облачного детектора.
  2. Выполните другую фильтрацию, подобную выбросам, с помощью детектора выбросов при наблюдении.
  3. Найдите пары локальных максимумов и минимумов из оставшихся достоверных наблюдений.
  4. Оставить только пары, в которых:
    NDVI падает ниже порогового значения и,
    NDVI восстанавливается выше порогового значения.
  5. Извлеките такую ​​информацию, как продолжительность, количество наблюдений и т. Д., И создайте маркер.

На рисунке ниже показан пример успешно обнаруженного события кошения во временном интервале в период с 15 апреля по 15 октября.

Пороговые значения для снижения и восстановления NDVI различны, что достигается путем применения различных коэффициентов масштабирования к расчетному значению флуктуации во временном ряду (синяя полоса на изображении). Скорость флуктуации во временном ряду NDVI оценивается по разнице между последовательными значениями во временном ряду и предварительно усредняется по большой выборке FOI. Оценка флуктуации в виде одного числа получается и используется для всех FOI в области, так что чувствительность детектора не зависит от количества достоверных наблюдений во временном ряду FOI.

Известные вопросы

Единичные события наблюдения также могут вызвать срабатывание детектора кошения, и оказывается, что случаи отсутствия кошения составляют значительную часть таких случаев. Несмотря на то, что фактические события кошения могут запускать обнаружение таким образом, это часто происходит по одной из следующих причин:

  • необнаруженное облачное наблюдение,
  • наблюдение за необнаруженными выбросами (тень от облаков / дымка / снег),
  • Колебания NDVI, превышающие пороговое значение.

На следующем графике показан пример с одним маркером наблюдения, который срабатывает при наблюдении под тенью облака.

Хотя такие события можно изучать, отыскивая краткосрочные маркерные события с помощью отдельных наблюдений, мы также работаем над улучшением обнаружения и фильтрации таких наблюдений, похожих на выбросы, с помощью специального детектора выбросов в наблюдениях.

Полученные результаты

Для надежной оценки работы маркера кошения все события кошения во всех наблюдениях Sentinel-2 2000 FOI были помечены с помощью экспертов в предметной области. Специалистам предстояло выбрать даты, когда будут видны результаты скашивания. Некоторые события кошения может быть труднее визуально наблюдать специалисту по маркировке, потому что, например, падение профиля NDVI невелико, и, следовательно, влияние события не столь выражено.

Кроме того, FOI может быть узким или состоять из небольшого количества пикселей Sentinel-2, что еще больше усложняет визуальную оценку события. В результате такие события могут вообще не маркироваться. Идеальный набор для испытаний будет состоять из FOI, для которых известно, когда они были скошены из надежных внешних источников. В этом сценарии не нужно полагаться на ручную / визуальную маркировку.

Производительность на уровне FOI

Помеченные вручную FOI были разделены на две группы: с хотя бы одним помеченным событием кошения и без такового. В случае FOI по крайней мере с одним помеченным событием кошения маркер кошения идентифицирует по крайней мере одно событие кошения в 95% случаев. Из всех помеченных FOI 190 не имеют помеченных событий кошения. Маркер кошения идентифицирует по крайней мере одно событие кошения в 77% таких FOI. Последнее число довольно велико, но после визуальной проверки результатов большинство FOI из этой группы показали очевидные события кошения из временного ряда NDVI, которые менее очевидны, если просто взглянуть на визуализацию в истинном цвете.

Возможные улучшения

Эта реализация маркера кошения использует только изображения Sentinel-2, но было бы полезно также включить данные от Sentinel-1, поскольку на них не влияют облачные наблюдения. Кроме того, данные S1 более чувствительны к фактическому событию кошения, поскольку они обнаруживают изменения высоты растительности. Это решило бы проблемы с ложным обнаружением событий кошения из-за выбросов из наблюдений, поскольку данные S1 в таких случаях не указали бы на изменение высоты растительности. Мы уже планируем эти будущие шаги для дальнейшего улучшения наших маркеров.

Наши исследования в этой области любезно поддержаны грантами и ноу-хау нашим сотрудничеством в Horizon 2020 (Perceptive Sentinel, NIVA, Dione ) и проектов ESA (Sen4CAP). Мы благодарны за поддержку GZC в маркировке обучающего набора данных.

Изменения

7 октября 2020 г.

  • Обновлен алгоритм с версии 2 до версии 3 и другие части сообщения в блоге соответственно.
  • Добавлен раздел для потенциальных улучшений