Badanie możliwości wykorzystania metod uczenia maszynowego do określenia przebiegu wydzieleń klas bonitacyjnych

• Autorzy: Szkibiel Michał , Osińska-Skotak Katarzyna

Warianty tytułu

EN

Research for possibilities of using machine learning methods for defining soil valuation classes boundaries

• Języki publikacji: PL

Abstrakty

PL

W teledetekcji w ostatnich latach uzyskano duży postęp dzięki wprowadzeniu automatyzacji oraz zastosowaniu algorytmów sztucznej inteligencji. Nowe podejście pozwoliło wykryć zależności, które nie były widoczne dla człowieka i stał się możliwy analityczny opis rzeczywistości, który do tej pory głównie opierał się na intuicji. Jednym z wyzwań w zakresie teledetekcji gleb jest monitorowane stanu gleb w skali kraju oraz aktualizacja baz danych o glebach, w tym aktualizacja przebiegu wydzieleń klas bonitacyjnych. Celem niniejszych badań było sprawdzenie możliwości wykorzystania metod uczenia maszynowego do klasyfikacji gleb zgodnie z obowiązującą gleboznawczą klasyfikacją gruntów ornych z użyciem danych teledetekcyjnych i numerycznego modelu terenu (NMT). Jako dane źródłowe wykorzystano satelitarne obrazy optyczne Sentinel-2 i radarowe Sentinel-1 oraz cztery produkty pochodne NMT, opisujące cechy ważne z punktu widzenia klasyfikacji bonitacyjnej gleb. Klasyfikacje zostały przeprowadzone metodą lasów losowych i konwolucyjnych sieci neuronowych (CNN) na wybranym obszarze treningowym w różnych scenariuszach, a następnie wytrenowane modele zostały zweryfikowane na zestawie testowym. Niestety modele opisane lasami losowymi nie uzyskały dobrych wyników na zestawie testowym w przeciwieństwie do zestawu treningowego (skuteczność 70% vs 10%). Modele opisane przez CNN uzyskały wyniki podobne dla obu zestawów, lecz ich skuteczność była niska (40%).

EN

In recent years there was a large progress in remote sensing, thanks to applying automation and artificial intelligence algorithms. The new approach revealed relationships which were not visible for human operator and enabled analytical description of reality which was based on intuition so far. One of challenges of soil remote sensing is monitoring of soil condition in country scale and database actualisation including actualisation of soil valuation classes boundaries. The aim of the research was to find out possibilities of using machine learning methods for soil classification on arable land according to current Polish law with remote sensing data and digital elevation model (DEM). Used source data were optical satellite images of Sentinel-2 and radar of Sentinel-1, and four derived products of DEM describing significant features for soil valuation classification. Classification was done by random forests and convolutional neural networks (CNN) on selected training dataset in different scenarios and then trained models were verified on test dataset. Unluckily, models described by random forests were not successful on test dataset as much as on training dataset (accuracy 70% vs 10%). Models described by CNN had similar results for both datasets but the accuracy was low (40%).

Słowa kluczowe

PL

teledetekcja gleb; uczenie maszynowe; gleboznawstwo; klasyfikacja bonitacyjna gleb

EN

soil remote sensing; machine learning; soil science; soil valuation class

• Wydawca: Polskie Towarzystwo Geograficzne, Oddział Teledetekcji i Geoinformatyki
• Czasopismo: Teledetekcja Środowiska
• Rocznik: 2024
• Tom: T. 64
• Strony: 1--23
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Szkibiel Michał

• doktorant, Warsaw University of Technology Faculty of Geodesy and Cartography

autor

Osińska-Skotak Katarzyna

• Warsaw University of Technology Faculty of Geodesy and Cartography

• https://orcid.org/0000-0003-2602-4281

Bibliografia

• Bauer-Marschallinger B., Paulik C., Product User Manual, Surface Soil Moisture Collection 1km, Version 1, Dokument ESA, 2019.
• Białousz S., Podstawy fizyczne teledetekcji, 2015.
• Bielecki M., 2018. Wykrywanie wybranych klas obiektów na danych lotniczych z wykorzystaniem konwolucyjnych sieci neuronowych, Politechnika Warszawska, Wydział Geodezji i Kartografii, Warszawa 2018.
• Congalton R., 1991. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 37, pp. 35-46.
• Demattê J. A. M., Fongaro C. T., Rizzo R., Safanelli J. L., 2018. Geospatial Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve soil spectral reflectance from satellite images, Remote Sensing of Environment 212.
• Gallo B. C. i in. 2018. Multi-Temporal Satellite Images on Topsoil Attribute Quantification and the Relationship with Soil Classes and Geology, Remote Sensing,
• Gruszczyńska M., Dąbrowska-Zielińska K., 2004. Szacowanie wilgotności gleb ze zdjęć mikrofalowych ERS-2, Teledetekcja Środowiska 33.
• Hosseini S. Z., Kappas M., Bodaghabadi M. B., Chahouki M. A. Z., Khojasteh E. R., 2014. Comparison of Different Geostatistical Methodsfor Soil Mapping Using Remote Sensing and Environmental Variables in Poshtkouh Rangelands, Iran, Polish Journal Studies, 23(3).
• Kalambukattu J. G., Kumar S., Raj A., 2018. Digital soil mapping in a Himalayan watershed using remote sensing and terrain parameters employing artificial neural network model, Enviromental Earth Science 77.
• Koga Y., Miyazaki H., Shibasaki R., 2018. A CNN-based Method of vehicle detection from aerial images using hard example mining. Remote Sensing, 10(1), 124.
• Kokoeva G., 2007. Klasyfikacja gleb słonych doliny Czuj w Kirgistanie na podstawie wielospektralnych obrazów satelitarnych Landsat TM, Landsat ETM+, TERRA ASTER oraz danych naziemnych, Teledetekcja Środowiska 37.
• Mocek A., Gleboznawstwo, Wydawnictwo: PWN, 2015.
• Osińska-Skotak K., Radecka A., Ostrowski W., Michalska-Hejduk D., Charyton J., Bakuła K., Piórkowski H., 2021. The Methodology for Identifying Secondary Succession in Non-Forest Natura 2000 Habitats Using Multi-Source Airborne Remote Sensing Data. Remote Sensing 13, 2803. https://doi.org/10.3390/rs13142803.
• Polskie Towarzystwo Gleboznawcze, 2008. Klasyfikacja Uziarnienia Gleb i Utworów Mineralnych.
• Rozporządzenie Ministra Rozwoju Regionalnego i Budownictwa z dnia 29 marca 2001 r. w sprawie ewidencji gruntów i budynków, Dz. U. 2019, poz. 393.
• Rozporządzenie Rady Ministrów z dnia 12 września 2012 r. w sprawie gleboznawczej klasyfikacji gruntów, Dz. U. 2012, poz. 1246.
• Shiqi Y., Jia S., Xu C., 2017. Convolutional neural networks for hyperspectral image classification, Neurocomputing 219.
• Szkibiel M., 2019. Opracowanie algorytmu automatycznego wykrywania zasięgów wód powierzchniowych na obrazach satelitarnych Sentinel-2, Politechnika Warszawska, Wydział Geodezji i Kartografii, Warszawa 2019.
• EU, 2020. Portal Land programu Copernicus Europejskiej Agencji Kosmicznej; https://land.copernicus.eu (dostęp: 15.01.2020). Yiu T., 2019. Understanding Random Forest, Towards Data Science.