“`html

Роль удаленного зондирования в сельском хозяйстве

Удаленное зондирование – важная область, использующая спутниковые и авиационные технологии для обнаружения и классификации объектов на Земле. Оно играет значительную роль в мониторинге окружающей среды, управлении сельскохозяйственными угодьями и сохранении природных ресурсов.

Основные проблемы в сельскохозяйственном удаленном зондировании

Одной из основных проблем удаленного зондирования 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 для обучения моделей машинного обучения.

EUROCROPSML: новый набор данных для улучшения машинного обучения

Исследователи из Технического университета Мюнхена, dida Datenschmiede GmbH, ETH Zürich и Института им. Цузе представили набор данных EUROCROPSML, включающий 706 683 европейских сельскохозяйственных участков, классифицированных на 176 различных видов культур. Данный набор создан для поддержки развития машинного обучения в классификации культурного растительного покрова путем предоставления обширного мультиклассового набора данных, подходящего для машинного обучения на небольшом количестве примеров.

Практическое применение набора данных

EUROCROPSML включает в себя ежегодные временные ряды медианных значений пикселей из спутниковых изображений Sentinel-2 за 2021 год. Данные тщательно предварительно обрабатываются для удаления облачного покрытия и прочих помех, обеспечивая высококачественные входные данные для моделей машинного обучения. Каждая точка данных представлена временным рядом медианных значений пикселей для каждой из 13 спектральных полос изображений Sentinel-2, обеспечивая подробную информацию о свете, отраженном поверхностью Земли на различных длинах волн. Кроме того, набор данных включает важные метаданные, такие как метки видов культур и пространственные координаты, что облегчает эффективное обучение и оценку алгоритмов классификации.

Повышение эффективности моделей машинного обучения

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 различный климат и виды культур, также улучшило производительность, хотя в меньшей степени. Это подчеркивает ценность переноса обучения и важность разнообразных данных для повышения точности моделей.

“`