Выделение значимых спектральных диапазонов для анализа состояния хвойных лесов
📖 Мартинов А.О., Ломако А.А., Литвинович Г. С. Выделение значимых спектральных каналов для анализа состояния хвойных лесов
Задача обнаружения болезней леса на ранних стадиях актуальна и сложна. Часто, по данным ДЗЗ болезнь можно обнаружить лишь тогда, когда предпринимать что-либо уже поздно. Причем это касается не только наблюдений из космоса, но и с БПЛА. В последнем случае, одна из причин состоит в том, что камеры БПЛА не имеют достаточного числа спектральных каналов, необходимых для диагностики состояния леса.
Ученые из Института прикладных физических проблем имени А.Н. Севченко Белорусского государственного университета (Минск, Беларусь) задались целью выделить диапазоны длин волн в спектре отражения, которые позволят обнаружить усыхание елей на ранних стадиях 1️⃣.
Более восьми тысяч спектров, зарегистрированных при помощи беспилотного комплекса авиационного спектрометрирования (БЕКАС) были представлены в пространстве главных компонент. Это позволило провести предварительную классификацию без обучения, убрать спектры, не относящиеся к елям, и выделить для дальнейшего анализа более пяти тысяч спектров елей разной степени усыхания.
Затем выборка спектров была разделена по степени усыхания, с использованием размеченных лесопатологами данных.
К размеченной выборке (около двух тысяч спектров) применили алгоритм классификации Random Forest, который позволяет выделить наиболее значимые для классификации признаки (в нашем случае — спектральные диапазоны). В результате были выделены 2️⃣ наиболее значимые спектральные диапазоны, которые можно использовать в съемочной аппаратуре для обнаружения усыхания хвои на ранних стадиях.
👨🏻🏫 Презентация
Интересно было бы взглянуть на применение других 1) методов классификации (например, XGBoost), 2) способов оценки влиятельности признаков в Random Forest (например, treeinterpreter). Значимые диапазоны, полученные разными методами, должны совпадать или хотя бы в значительной степени пересекаться.
#лес
📖 Мартинов А.О., Ломако А.А., Литвинович Г. С. Выделение значимых спектральных каналов для анализа состояния хвойных лесов
Задача обнаружения болезней леса на ранних стадиях актуальна и сложна. Часто, по данным ДЗЗ болезнь можно обнаружить лишь тогда, когда предпринимать что-либо уже поздно. Причем это касается не только наблюдений из космоса, но и с БПЛА. В последнем случае, одна из причин состоит в том, что камеры БПЛА не имеют достаточного числа спектральных каналов, необходимых для диагностики состояния леса.
Ученые из Института прикладных физических проблем имени А.Н. Севченко Белорусского государственного университета (Минск, Беларусь) задались целью выделить диапазоны длин волн в спектре отражения, которые позволят обнаружить усыхание елей на ранних стадиях 1️⃣.
Более восьми тысяч спектров, зарегистрированных при помощи беспилотного комплекса авиационного спектрометрирования (БЕКАС) были представлены в пространстве главных компонент. Это позволило провести предварительную классификацию без обучения, убрать спектры, не относящиеся к елям, и выделить для дальнейшего анализа более пяти тысяч спектров елей разной степени усыхания.
Затем выборка спектров была разделена по степени усыхания, с использованием размеченных лесопатологами данных.
К размеченной выборке (около двух тысяч спектров) применили алгоритм классификации Random Forest, который позволяет выделить наиболее значимые для классификации признаки (в нашем случае — спектральные диапазоны). В результате были выделены 2️⃣ наиболее значимые спектральные диапазоны, которые можно использовать в съемочной аппаратуре для обнаружения усыхания хвои на ранних стадиях.
👨🏻🏫 Презентация
Интересно было бы взглянуть на применение других 1) методов классификации (например, XGBoost), 2) способов оценки влиятельности признаков в Random Forest (например, treeinterpreter). Значимые диапазоны, полученные разными методами, должны совпадать или хотя бы в значительной степени пересекаться.
#лес
This media is not supported in your browser
VIEW IN TELEGRAM
Forest Data Partnership опубликовал карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
MapBiomas: спутниковое картографирование Бразилии
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары