Меандры Ирравади
Ирравади (Irrawaddy) — крупнейшая водная артерия Бирмы (Мьянмы), длиной более 2170 километров. Река берет начало в северной части страны и течет на юг до впадения в Андаманское море. Осадки в воде придают реке непрозрачный, светло-коричневый цвет, за исключением короткого светло-зеленого участка возле населенного пункта Елегале (Yelegale).
Темно-зеленая растительность окаймляет берега старых русел Ирравади. Эти русла особенно заметны в правой верхней части снимка. В пойме реки видны следы сельскохозяйственного производства. Это район называют “рисовой чашей” Бирмы. Снимок сделан в декабре, в период сбора урожая.
📸 Снимок с МКС (ISS070-E-42458, 16 декабря 2023 года).
#снимки #вода #сельхоз
Ирравади (Irrawaddy) — крупнейшая водная артерия Бирмы (Мьянмы), длиной более 2170 километров. Река берет начало в северной части страны и течет на юг до впадения в Андаманское море. Осадки в воде придают реке непрозрачный, светло-коричневый цвет, за исключением короткого светло-зеленого участка возле населенного пункта Елегале (Yelegale).
Темно-зеленая растительность окаймляет берега старых русел Ирравади. Эти русла особенно заметны в правой верхней части снимка. В пойме реки видны следы сельскохозяйственного производства. Это район называют “рисовой чашей” Бирмы. Снимок сделан в декабре, в период сбора урожая.
📸 Снимок с МКС (ISS070-E-42458, 16 декабря 2023 года).
#снимки #вода #сельхоз
ДальГАУ разработал региональную модель прогнозирования урожайности на основе спутниковых снимков [ссылка]
Сергей Маргелов, глава Центра искусственного интеллекта Дальневосточного государственного аграрного университета (ДальГАУ), рассказал, что на первом этапе с использованием спутникового мониторинга осуществляется актуализация векторного слоя сельскохозяйственных полей. «На втором этапе мы делаем наземное обследование, выехали и посмотрели. И на основании наземного мониторинга в рамках третьего этапа — вносим информацию в цифровую систему. Потом есть понимание, что и где происходит в каждом районе, муниципальном округе Амурской области».
«Мы обновили данные и подготовили информационный бюллетень, в котором представлена оценка состояния посевов и прогноз урожайности. Теперь Министерство сельского хозяйства Амурской области имеет полное представление о количестве обрабатываемых полей, их состоянии и существующих проблемах», — сообщил сотрудник Центра искусственного интеллекта ДальГАУ Никита Кирьяков.
Региональная модель прогнозирования урожайности развивается в рамках масштабной стратегической программы поддержки университетов «Приоритет–2030». Проект осуществляется в сотрудничестве с Министерством сельского хозяйства Амурской области, Институтом космических исследований РАН и Институтом космических исследований Земли. Еще одним партнером проекта является ООО «Амурагрокомплекс», который оказало поддержку специалистам ДальГАУ, предоставив возможность собирать эталонные данные со своих сельскохозяйственных полей.
#россия #сельхоз
Сергей Маргелов, глава Центра искусственного интеллекта Дальневосточного государственного аграрного университета (ДальГАУ), рассказал, что на первом этапе с использованием спутникового мониторинга осуществляется актуализация векторного слоя сельскохозяйственных полей. «На втором этапе мы делаем наземное обследование, выехали и посмотрели. И на основании наземного мониторинга в рамках третьего этапа — вносим информацию в цифровую систему. Потом есть понимание, что и где происходит в каждом районе, муниципальном округе Амурской области».
«Мы обновили данные и подготовили информационный бюллетень, в котором представлена оценка состояния посевов и прогноз урожайности. Теперь Министерство сельского хозяйства Амурской области имеет полное представление о количестве обрабатываемых полей, их состоянии и существующих проблемах», — сообщил сотрудник Центра искусственного интеллекта ДальГАУ Никита Кирьяков.
Региональная модель прогнозирования урожайности развивается в рамках масштабной стратегической программы поддержки университетов «Приоритет–2030». Проект осуществляется в сотрудничестве с Министерством сельского хозяйства Амурской области, Институтом космических исследований РАН и Институтом космических исследований Земли. Еще одним партнером проекта является ООО «Амурагрокомплекс», который оказало поддержку специалистам ДальГАУ, предоставив возможность собирать эталонные данные со своих сельскохозяйственных полей.
#россия #сельхоз
Карта типов сельскохозяйственных культур стран ЕС на 2022 год
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В МАИ научат искусственный интеллект определять плодородие почвы [ссылка]
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва
This media is not supported in your browser
VIEW IN TELEGRAM
QDANN — карты урожайности кукурузы, сои и озимой пшеницы на внутриполевом уровне
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
Красноярские учёные разработали алгоритмы обработки данных и получения информации в автоматизированном режиме для наблюдения за сельскохозяйственными посевами [ссылка]
Они опробовали свой метод в опытно-производственных хозяйствах Красноярского научного центра Сибирского отделения Российской академии наук — в опытно-производственных хозяйствах "Курагинское" и "Михайловское", расположенное в Ужурском районе.
По спутниковым данным разработаны интерактивные тематические карты и веб-сервис, которые обеспечивают оперативный мониторинг посевов. Сервис содержит значения средней суточной температуры поверхности почвы, количества ежедневных осадков и средние значения индексов вегетации, отражающие состояние сельскохозяйственных посевов.
Основными показателями, отражающими состояние сельскохозяйственных посевов, являются значения вегетационных индексов NDVI, ClGreen и MSAVI2. Первый характеризует состояние растительности на протяжении всего вегетационного сезона. Второй используется для оценки общего содержания хлорофилла в листьях, его данные позволяют рассчитывать необходимое количество удобрений. Третий отображает неоднородность пространственного распределения посевов на почве.
См. также здесь.
#россия #сельхоз
Они опробовали свой метод в опытно-производственных хозяйствах Красноярского научного центра Сибирского отделения Российской академии наук — в опытно-производственных хозяйствах "Курагинское" и "Михайловское", расположенное в Ужурском районе.
По спутниковым данным разработаны интерактивные тематические карты и веб-сервис, которые обеспечивают оперативный мониторинг посевов. Сервис содержит значения средней суточной температуры поверхности почвы, количества ежедневных осадков и средние значения индексов вегетации, отражающие состояние сельскохозяйственных посевов.
Основными показателями, отражающими состояние сельскохозяйственных посевов, являются значения вегетационных индексов NDVI, ClGreen и MSAVI2. Первый характеризует состояние растительности на протяжении всего вегетационного сезона. Второй используется для оценки общего содержания хлорофилла в листьях, его данные позволяют рассчитывать необходимое количество удобрений. Третий отображает неоднородность пространственного распределения посевов на почве.
См. также здесь.
#россия #сельхоз