Способ генерации карт деградации почвенного покрова Российский патент 2022 года по МПК G01C11/00 G06K9/62 G01N33/24 

Изобретение относится к области сельского хозяйства, а именно к точному прецизионному координатному земледелию, и предназначено для использования глубокого машинного обучения (нейросетей) при отборе спутниковых снимков за многолетний период с целью создания карт деградации почвенного покрова, отражающих участки деградации внутри сельскохозяйственных полей.

Использование спутниковой информации широко распространено в настоящее время в сельскохозяйственных работах. Спутниковые снимки помогают получать в динамике информацию о сельскохозяйственных угодьях и вовремя реагировать на возникающие отклонения. В настоящее время развитие космических технологий мониторинга расширило возможности оперативного отслеживания состояния земель сельскохозяйственного назначения. Использование данных спутниковой информации позволяет повысить точность измерения биометрических показателей полей, что с применением нейросетей дает возможность провести интерполирование значений этих показателей за многолетний период, причем в кратчайшие сроки. Задача получения интегральной характеристики изменений почвы за десятки лет является актуальной. Интегральными характеристиками являются значения коэффициентов мультивременной линии почв. Сверка вычислительных данных с эмпирически полученными в результате осмотра конкретного поля на месте позволяет максимально избежать получения не уточненной информации.

Картирование участков деградации почвенного покрова - сложная и трудоемкая процедура. Деградацию можно предсказать, моделируя процессы деградации и получая характеристики местности из топографических карт и цифровых моделей рельефа. Места развития деградации, спрогнозированные с помощью моделирования, требуют дальнейшего подтверждения, поскольку при одинаковых топографии и климате деградация может произойти, а может и не произойти. Деградацию можно обнаружить на основе анализа большого количества спутниковых снимков в режиме ручной интерпретации. В этом случае точность обнаружения и определения границ деградированных территорий выше, чем при наземных съемках. К основным недостаткам ручной интерпретации большого количества спутниковых снимков можно отнести высокую стоимость высококвалифицированного человеческого труда, не поддающегося автоматизации, и низкую производительность.

Современные тенденции в автоматизации выявления и картирования участков деградации почвенного покрова основаны на анализе вегетационных индексов растительности, при анализе которых возникают проблемы, если они проводятся в автоматическом режиме отбора пригодных для расчетов снимков. Например, маски облаков находятся в архивах данных дистанционного зондирования, но обычно этих масок недостаточно для диагностики наличия или отсутствия облаков на спутниковых снимках, а включение в обработку мультивременной спутниковой съемки даже одного не пригодного снимка полностью искажает результаты расчета. Современная тенденция отбора спутниковых снимков основана на использовании глубокого машинного обучения, которое позволяет выбрать необходимые спутниковые снимки.

Распознавание образов является одной из наиболее востребованных задач искусственного интеллекта и может найти применение в самых различных прикладных областях. Наиболее широко для распознавания образов в настоящее время используются нейросети. Они, в ряде случаев, показывают результаты сравнимые или превосходящие возможности человека в решении аналогичных задач. Но в ряде случаев расширение их использования сдерживается трудностью интерпретации полученного решения. Действительно, для ряда наиболее ответственных применений нормативно требуется или, естественно, ожидается верификация и одобрение/отклонение человеком автоматического решения.

Глубокое машинное обучение в виде сверточных нейронных сетей получает все большее распространение в различных областях научно-технической деятельности. Нейронные сети используются для расчета и оценки изменений в землепользовании за длительные периоды времени (1984 год - настоящее время). Во многих случаях использование нейронных сетей позволяет добиться большей точности расчетов, чем традиционные методы исследования явлений, с меньшими трудозатратами. В последние годы новый подход компьютерного зрения на основе нейронных сетей успешно применяется при решении различных задач с помощью дистанционного зондирования. Таким образом, использование сверточных нейронных сетей (CNN) для обработки цветных изображений земной поверхности обеспечило высокую точность распознавания различных почвенных процессов.

Известен предшествующий аналог заявляемого технического решения, способ дистанционного определения состояния и использования земель сельскохозяйственного назначения по заявке России на изобретение №2018111761от 02.04.2018г., МПК: G01W 1/00, G01W 1/08, опубликованной 04.10.2019г. В аналоге описано информационно-управляющее средство и автоматизированная система мониторинга земель сельскохозяйственного назначения, при которых используют беспилотные летательные аппараты самолетного типа с размещенными на них мультиспектральными камерами, а также наземное оборудование в виде мультиспектральной камеры и тепловизора, установленное на передвижной вышке на земле, позволяющие производить опережающую съемку и выделять участки под детальные исследования площадей деградированных земель, подверженных водной и ветровой эрозии и переувлажнению.

Несмотря на очевидные различия в применяемой технике, общим признаком с заявляемым техническим решением является создание карт с целью определения мест дислокации эродированных почв.

Недостатки данного аналога связаны с целью его разработки, в основном направленной на повышение результативности интерпретации почвенного покрова. Аналог характеризует предшествующее поколение способов диагностики почвы с проведением спектральной съемки и сбором тематических картографических материалов с помощью летательных аппаратов. В данном аналоге по заявке России на изобретение № 2018111761 не предусматривается анализ мультивременных рядов спутниковой съемки с использованием нейросетей.

Известен аналог нового поколения (прототип), способ предуборочной десикации посевов сельскохозяйственных культур переменной нормой внутри одного поля по патенту России на изобретение №2717933 от 17.07.2019г., МПК: A01D 45/00, опубликованному 26.03.2020г., включающий автоматизированную работу сельскохозяйственного оборудования с применением спутниковой навигации для индивидуального анализа внутриполевых зон, предварительно запроектированных на картографическом контуре поля, и расчет дозирования препарата, вносимого для улучшения параметров поля, засеянного сельскохозяйственными культурами, причем по отдельно взятому полю предварительно разработанную агрономом карту-задание на основе значений вегетационного индекса NDVI и на основе определения нормы рабочего раствора при визуальном осмотре поля загружают в бортовой компьютер, установленный в кабине опрыскивателя, далее с помощью бортового компьютера устанавливают геолокацию посредством системы ГПС/ГЛОНАСС, а бортовой компьютер в процессе работы опрыскивателя считывает нормы с карты-задания в конкретной точке поля и в процессе десикации корректирует норму расхода рабочего раствора препарата на каждом участке поля согласно загруженной карте-заданию при проведении десикации следующим образом:

- исходя из трех внутриполевых зон с корректировкой нормы рабочего раствора согласно схеме: - для зоны №1 - NDVI < 0,2 - норма рабочего раствора от 0 до 50%; - для зоны №2 - NDVI от 0,2 до 0,45 - норма рабочего раствора от 50 до 100%; - для зоны №3 - NDVI > 0,45 - норма рабочего раствора от 100 до 125%;

- исходя из четырех внутриполевых зон с корректировкой нормы рабочего раствора, согласно схеме:- для зоны №1 - NDVI < 0,2 - норма рабочего раствора от 0 до 50%; - для зоны №2 - NDVI от 0,2 до 0,3 - норма рабочего раствора от 50 до 75%; - для зоны №3 - NDVI от 0,3 до 0,45 - норма рабочего раствора от 75 до 100%; - для зоны №4 - NDVI > 0,45 - норма рабочего раствора от 100 до 125%,

и далее проводят обработку всего поля согласно разработанной карте-заданию с установленными нормами рабочего раствора.

Техническое решение патента РФ №2717933 обладает признаками сходства с заявляемым техническим решением, такими как создание карт внутриполевой неоднородности поля с помощью спутниковой информации.

Однако относительно узкий диапазон применения (десикация), и то, что способ-прототип не позволяет проводить анализ электронного картирования в мультивременном режиме, снижает эффективность способа-прототипа, в то время как в заявляемом решении отбор спутниковых снимков осуществляется за многолетний период. Сходством является исследование вегетационного индекса NDVI, однако в прототипе этот индекс считают один раз, по анализу одного кадра космической съемки, а в заявляемом техническом решении индекс NDVI рассчитывают для каждого поля для каждого снимка за промежуток времени с 1984 года. Частота встречаемости низкого NDVI в заявляемом решении показывает участки не со случайными, а с устойчивыми ежегодными проблемами в развитии растений, соответственно достигается возможность с наибольшей точностью определять места дислокации деградации почвенного покрова.

Цель заявляемого технического решения - на основе обработки мультивременных спутниковых снимков достижение возможности картографирования участков деградации почвенного покрова внутри сельскохозяйственных полей.

Техническая задача - создание достоверного и максимально приближенного к реальности картографического представления результатов анализа мультивременных спутниковых снимков, для чего разработан заявляемый способ.

В процессе апробирования способа производилась индикация деградированных площадей пашни на основе отбора спутниковых снимков методами глубокого машинного обучения и методов расчета средней встречаемости низких значений вегетационного индекса NDVI.

Технический результат - расширение эксплуатационных возможностей картографирования и автоматизация процесса распознавания деградированных участков почвенного покрова внутри сельскохозяйственных полей с применением на практике оптимальных параметров способа создания карт деградации почвенного покрова по результатам обработки мультивременных спутниковых снимков. Работа блока обучения тракта нейросетевого распознавания, обеспечивающего конечное классификационное решение по исследуемым картам полей, повышает вероятность правильной классификации спутниковой информации, а последующая верификация на поле позволяет максимально улучшить точность получаемых карт. Достижение указанного результата обеспечивается особенностями заявляемого способа.

Сущность заявляемого технического решения состоит в том, что способ генерации карт деградации почвенного покрова на основе обработки мультивременных спутниковых снимков включает создание карт деградации почвенного покрова с помощью спутниковой информации, при котором скачивают спутниковые снимки Landsat, для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет, далее с помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов, рассчитывают вегетационный индекс NDVI для каждого пригодного снимка, рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI, производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле:

AOLNDVI=, где

AOLNDVI - средняя встречаемость низких величин NDVI (average occurrence of low NDVI values);

LNDVIi - показатель зоны низкого значений NDVI для i-того снимка (the indicator of the zone of low NDVI values for the i-tooghot snapshot.);

n - количество снимков отобранных для расчетов,

причем значения AOLNDVI > 0,5 принимают как зону проявления деградации почв, а по порогу 0,5 создают бинарные карты проявления деградации почвенного покрова, далее проводят эмпирические полевые замеры мощности гумусового горизонта для верификации полученных результатов.

В заявленном способе последовательно применяются принципы двоичной логики и измерения частоты встречаемости двоичного атрибута (низкого значения NDVI) в большом количестве спутниковых снимков. Проявление бинарного признака каждого конкретного спутникового снимка не является при таком подходе самостоятельной характеристикой.

Действительно, низкие значения NDVI в каждый конкретный год могут быть связаны с факторами деградации почвы, колебаниями погоды, недостатками сельскохозяйственных технологий, свойствами конкретной культуры и т.д. Совершенно иная ситуация возникает при анализе набора бинарных карт низких значений NDVI за 35 лет и более для одной и той же территории. Если на десятках спутниковых снимков Landsat за 35 лет значение пикселя чаще всего (более чем на 50% сцен) попало в зону низкого значения NDVI, то можно предположить, что плодородие почвы в этой части поля снижено. В участках с низким плодородием почв можно предположить наличие деградации почвенного покрова. Это предположение подтвердилось в ходе проверки способа методом полевых замеров мощности гумусового горизонта.

Заявляемый способ проиллюстрирован рисунками фиг. 1-4 и таблицей, на которых изображены:

Фиг. 1 - Пригодные и не пригодные для расчетов вегетационных индексов снимки, сортируемые нейросетью, где: 1 - пригодные для расчетов; 2 - не пригодные по причине облачности; 3 - не пригодные по причине тени от облаков; 4 - не пригодные по причине вымокания части посевов; 5 - не пригодные по причине отсутствия вегетации сельскохозяйственных культур; 6 - не пригодные по причине снежного покрова; 7 - не пригодные по причине покрытия пожнивными остатками; 8 - не пригодные по причине наличия горения и продуктов горения; 9-14 - не пригодные по причине наличия ошибок агротехники.

Фиг. 2 - Этапы расчета карты деградации почв, где: 1 - расчет карт NDVI для каждого поля и каждой сцены Landsat, отобранные нейросетью; 2 - выделение области низких значений NDVI для каждой карты NDVI (одна треть от площади карты); 3 - расчет карты средней встречаемости низких значений NDVI; 4 - построение бинарной карты распространения деградации почв, где более 50% раз за 35 лет встречались низкие значения NDVI.

Фиг. 3 - Бинарная карта деградации почвенного покрова, построенная на основе обработки мультивременных спутниковых снимков, отобранных нейросетью, и точки проведения полевых замеров мощности гумусового горизонта для верификации полученных результатов (номерами проставлены точки полевых замеров результаты обработки, которых представлены в таблице). Зеленое - территории с прогнозируемым отсутствием проявления деградации, красное - участки потенциальной деградации почвенного покрова.

Фиг. 4 - Традиционная почвенная карта и места проведения полевых замеров (номерами проставлены точки полевых замеров результаты обработки, которых представлены в таблице). Цифры в кружках на традиционной почвенной карте означают: 2 - отсутствие деградации, 3 - слабую ветровую деградацию, 4 - слабую водную деградацию, 6 - среднюю водную деградацию, 7 - сильную водную деградацию, 9 - почвы другого типа.

ПРИМЕР конкретного выполнения заявляемого способа.

При конкретном применении заявляемого способа зоны деградации почвы были рассчитаны на основе частоты появления низких значений NDVI в период с 1984 по 2021 г. Низкие значения NDVI рассчитывались отдельно для каждого подходящего фрагмента спутникового изображения в границах каждого сельскохозяйственного поля. Значения NDVI одной трети площади поля и ниже, чем другие две трети, считались низкими (фиг. 2). Независимая проверка способа проводилась на шести сельскохозяйственных полях на площади 713,3 га. Содержание гумуса и мощность гумусового горизонта определяли в 42 наземных точках (фиг. 3). В ходе тестирования метод дал 12,5% ошибок I типа (ложноположительные) и 3,8% ошибок II типа (ложноотрицательные). Таблица показывает определение степени деградации почвы по различным критериям в местах полевых замеров.

Таблица

Определение степени деградации почвы по различным критериям в местах полевых замеров

Номер почвенного разреза мощность гумусового горизонта, см содержание гумуса, % наличие деградации по данным наземного обследования на основе: почвенный покров относится к деградированному по карте деградации построенной на основе нейросети тип деградации* содержание гумуса мощность гумусового горизонта оба фактора 1 75 4.1 - - - - n 2 80 4.3 - - - - n 3 81 4.4 - - - - n 4 70 4.7 - - - - n 5 45 3.5 + - + + d 6 43 3.0 + - + + e 7 78 3.1 - - - + n 8 61 3.4 - - - - n 9 31 2.8 + + + + e 10 67 3.5 - - - - n 11 64 3.7 - - - - n 12 27 2.6 + + + + e 13 65 3.7 - - - - n 14 30 2.6 + + + + e 15 49 3.5 + - + - e 16 28 2.2 + + + + e 17 61 3.3 - - - - n 18 38 3.2 + - + + e 19 34 2.4 + + + + e 20 58 3.4 - - - - n 21 57 3.3 - - - - n 22 55 3.7 - - - - n 23 52 3.3 - - - - n 24 79 4.5 - - - - n 25 57 3.6 - - - - n 26 40 2.6 + + + + e 27 67 3.9 - - - - n 28 69 4.3 - - - - n 29 62 3.8 - - - - n 30 35 2.9 + + + + e 31 50 3.5 - - - - n 32 65 3.7 - - - - n 33 29 2.5 + + + + e 34 55 3.1 - - - - n 35 41 3.3 + - + + e 36 62 3.6 - - - - n 37 64 3.6 - - - - n 38 54 3.4 - - - - n 39 32 2.4 + + + + e 40 25 2.3 + + + + e 41 76 3.0 - - - + n 42 66 3.4 - - - - n

*тип деградации: n - нет деградации; e - ветровая эрозия; d - водная эрозия.

На участках деградации почвенного покрова, выявленных предложенным способом, вероятность выявления фактической деградации полевыми замерами составила 87,5%. Вероятность обнаружения деградации почвы полевыми замерами за пределами прогнозируемых участков деградации почвенного покрова составила 3,8%. Результаты показывают, что применение нейросети возможно для отбора пригодных к расчету вегетационных индексов спутниковых снимков и последующего выявления участков деградации на основе обработки мультивременных спутниковых снимков. Это устраняет необходимость в промежуточных системах фильтрации при выборе спутниковых снимков с трудностями определения облаков, теней от облаков, открытой поверхности почвы (фиг. 1). Произведен прямой выбор нейросетью пригодных для расчетов спутниковых снимков Landsat.

Пример расчета карты деградации почвенного покрова.

Для каждого расчета NDVI сельскохозяйственное поле было разделено на три равные площади со значениями NDVI в низком, среднем и высоком диапазонах. Затем зонам средних и высоких значений NDVI было присвоено значение «0», а зоне низких значений NDVI было присвоено значение «1». Была получена серия бинарных карт распределения низких значений NDVI для каждого сельскохозяйственного поля. Затем производили суммирование значений бинарных карт для каждого пикселя и деление на количество сцен спутниковых снимков Landsat, выбранных для сельскохозяйственного поля:

AOLNDVI=,

где

• AOLNDVI - средняя встречаемость низких значений NDVI;

• LNDVIi - индикатор нижней зоны NDVI для i-й сцены Landsat;

• n - количество сцен Landsat, выбранных для расчетов.

Значение AOLNDVI> 0,5 было принято за зону деградации почвы. Делением на пороговое значение 0,5, была создана бинарная карта деградации почвенного покрова (Фиг. 3).

Пример наземной проверки. Наземная верификация проводилась классическими методами полевых исследований почв. Вначале анализировали топографические карты и спутниковые снимки. Затем были запланированы полевые маршруты и места полевого обследования. В каждой точке полевого обследования закладывали почвенный разрез, был описан почвенный профиль и взяты почвенные пробы (фиг. 3, 4). Координаты отбора проб и расположение разрезов зафиксированы по GPS. Далее был проведен анализ проб в лаборатории. Измеряли два показателя - мощность гумусового горизонта и содержание гумуса в пахотном горизонте (показаны на таблице).

Точность интерпретации определялась процентом совпадения точек наземного определения наличия деградации почв и карт деградации почвенного покрова внутри сельскохозяйственных полей, полученных автоматизированным способом обработки мультивременных спутниковых снимков (показаны в таблице). Полевые замеры показывают, что карта деградации почвенного покрова, полученная на основе обработки мультивременных спутниковых снимков, существенно точнее традиционной почвенной карты, показанной на фиг 5.

Действительно, из 42 точек полевых замеров мощности гумусового горизонта для верификации полученных результатов на почвенные контуры традиционной почвенной карты с наличием эрозии попадает 24 точки, а на почвенные контуры без эрозии 18 точек. Из 24 точек на контурах с эрозией почв на 12 точках по данным полевых замеров эрозия детектируется, а на других 12 точках не детектируется. Таким образом вероятность обнаружить неэродированные почвы на контурах традиционной почвенной карты составляет 50%. В то время как на бинарных картах деградации почвенного покрова, полученных на основе обработки мультивременных спутниковых снимков эта точность составляет 87,5%.

Исходя из вышеизложенного, можно сделать вывод о том, что в заявляемом техническом решении разработан новый способ генерации карт деградации почвенного покрова на основе обработки мультивременных спутниковых снимков.

Предлагаемый способ генерации карт деградации почвенного покрова может быть использован при автоматизированном картировании деградированных почв.

Заявляемое техническое решение позволяет решать задачи уточнения и оптимизации картографической информации для целей сельского хозяйства.

Подобное сочетание универсальности способа с относительной простотой использования для выявления деградированных участков полей в прототипе не достигнуто.

Исходя из вышеизложенного, можно сделать вывод о том, что заявляемое техническое решение соответствует критериям «новизна», «изобретательский уровень» и «промышленная применимость».

Изобретение относится к области сельского хозяйства, а именно к точному прецизионному координатному земледелию, и предназначено для создания карт деградации почвенного покрова, отражающих участки деградации внутри сельскохозяйственных полей. Способ включает создание карт деградации почвенного покрова с помощью спутниковой информации. Скачивают спутниковые снимки Landsat для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет. С помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов. Рассчитывают вегетационный индекс NDVI для каждого пригодного снимка. Рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI. Производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле: AOLNDVI=, где AOLNDVI - средняя встречаемость низких величин NDVI, LNDVIi - показатель зоны низкого значения NDVI для i-го снимка, n - количество снимков, отобранных для расчетов. Значения AOLNDVI > 0,5 принимают как зону проявления деградации почв. По порогу 0,5 создают бинарные карты проявления деградации почвенного покрова. Проводят эмпирические полевые замеры мощности гумусового горизонта для верификации полученных результатов. Изобретение обеспечивает автоматизацию процесса распознавания деградированных участков почвенного покрова. 4 ил.,1 табл, 1 пр.

Способ генерации карт деградации почвенного покрова, включающий создание карт деградации почвенного покрова с помощью спутниковой информации, отличающийся тем, что скачивают спутниковые снимки Landsat для каждой исследуемой точки поверхности Земли с различных кадров космической съемки за много лет, далее с помощью обучаемой нейронной сети отбирают снимки, не имеющие дефектов, препятствующих расчетам вегетационных индексов, рассчитывают вегетационный индекс NDVI для каждого пригодного снимка, рассчитывают с помощью принципа двоичной логики и измерения частоты встречаемости двоичного атрибута среднюю встречаемость низких значений NDVI, производят суммирование значений бинарных карт для каждого пикселя и деление на количество сцен Landsat, выбранных для сельскохозяйственного поля по формуле:

AOLNDVI=,

где AOLNDVI - средняя встречаемость низких величин NDVI,

LNDVIi - показатель зоны низкого значений NDVI для i-го снимка,

n - количество снимков, отобранных для расчетов,

причем значения AOLNDVI > 0,5 принимают как зону проявления деградации почв, а по порогу 0,5 создают бинарные карты проявления деградации почвенного покрова, далее проводят эмпирические полевые замеры мощности гумусового горизонта для верификации полученных результатов.