WO2024085780A1 - Device and method for identifying crop types - Google Patents

Device and method for identifying crop types Download PDF

Info

Publication number
WO2024085780A1
WO2024085780A1 PCT/RU2022/000313 RU2022000313W WO2024085780A1 WO 2024085780 A1 WO2024085780 A1 WO 2024085780A1 RU 2022000313 W RU2022000313 W RU 2022000313W WO 2024085780 A1 WO2024085780 A1 WO 2024085780A1
Authority
WO
WIPO (PCT)
Prior art keywords
agricultural field
pixel
value
intensity value
pixel intensity
Prior art date
Application number
PCT/RU2022/000313
Other languages
French (fr)
Russian (ru)
Inventor
Александр Леонидович АНОХИН
Борис Витальевич ЦХАЙ
Лев Владимирович ТЕМИН
Original Assignee
Публичное Акционерное Общество "Сбербанк России"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Публичное Акционерное Общество "Сбербанк России" filed Critical Публичное Акционерное Общество "Сбербанк России"
Priority claimed from RU2022126929A external-priority patent/RU2022126929A/en
Publication of WO2024085780A1 publication Critical patent/WO2024085780A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G01C11/12—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Definitions

  • the presented technical solution relates, in general, to the field of computer technology, and in particular to a method and device for determining the types of agricultural crops using deep learning based on Earth remote sensing (ERS) data and weather data, in including the Sentinel-1, Sentinel-2 groups.
  • Sentinel-1 and 2 - a family of satellites of the European Space Agency, created as part of the Copernicus global environmental and security monitoring project, designed to monitor the use of land, vegetation, forests and water resources, can also be used in disaster response.
  • the technical problem or task posed in this technical solution is to create a new, effective, simple and reliable method for determining the type of agricultural crop in a field.
  • the technical result is to increase the accuracy when determining the type of agricultural crop.
  • the specified technical result is achieved by implementing a method for determining the type of agricultural crop placed on a field, performed by at least one computing device, containing the steps of:
  • each multispectral image of an agricultural field contains wave polarization values, in particular the values of VH polarization, W polarization and the angle of incidence of the beam when shooting by synthetic aperture radar;
  • a set of polarization indices for the agricultural field is determined
  • each multispectral image of an agricultural field contains pixel intensity values in the visible infrared spectrum, near-infrared spectrum and short-wave infrared spectrum, as well as cloudiness values of image pixels;
  • a set of vegetation indices for an agricultural field and a set of color indicators are determined;
  • the type of agricultural crop in the field is determined.
  • the type of agricultural crop in a field is determined taking into account data characterizing the history of crop rotation, containing information about the types of crops that were planted in this field.
  • the stage of determining a set of polarization indices for an agricultural field contains stages in which: - extract from the first set of multispectral images for each pixel of the agricultural field the values of VH polarization, W polarization and angle of incidence of the radar aperture synthesis beam;
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized vegetation index (NDVI) is determined for each pixel;
  • the average NDVI value is determined, which is assigned as the NDVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the values of the difference vegetation index (DVI) are determined for each pixel x fields;
  • the average DVI value is determined, which is assigned as the DVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which: - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the red range and the pixel intensity value in the blue range are extracted, after which, based on them, the pixel intensity value is determined for each pixel improved vegetation index (EVI) value;
  • NIR near-infrared spectrum
  • EVI pixel improved vegetation index
  • the average EVI value is determined, which is assigned as the EVI index to the agricultural field;
  • LAI leaf surface index
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted, after which, on their basis, the value of the global environmental monitoring index is determined for each pixel ( Gemi);
  • the average Gemi value is determined, which is assigned as the Gemi index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on them on a basis for each pixel, the value of the green vegetation index resistant to atmospheric influences (Gari) is determined;
  • the average Gari value is determined, which is assigned as the Gari index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis, the green difference vegetation index (GDVI) value is determined for each pixel ; - based on the GDVI values of the pixels, the average GDVI value is determined, which is assigned as the GDVI index to the agricultural field.
  • NIR near-infrared spectrum
  • GDVI green difference vegetation index
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the leaf greenness index (GLI) is determined for each pixel );
  • the average GLI value is determined, which is assigned as the GLI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the optimized soil vegetation index (GOSAVI) is determined for each pixel;
  • the average GOSAVI value is determined, which is assigned as the GOSAVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the soil greenness index (GSAVI) is determined for each pixel;
  • the average GSAVI value is determined, which is assigned as the GSAVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red are extracted range and based on them, the value of the infrared vegetation index (IPVI) is determined for each pixel;
  • the average IPVI value is determined, which is assigned as the IPVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the modified nonlinear vegetation index (MNLI) is determined for each pixel;
  • the average MNLI value is determined, which is assigned as the MNLI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the value of the pixel intensity in the near-infrared spectrum (NIR) and the value of the pixel intensity in the red range are extracted and on their basis for each pixel the value of the modified vegetation index with soil correction is determined ( MSAVI2);
  • the average MSAVI2 value is determined, which is assigned as the MSAVI2 index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the nonlinear vegetation index (NLI) is determined for each pixel;
  • the average NLI value is determined, which is assigned as the NLI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near field is extracted infrared spectrum (NIR) and pixel intensity value in the red range and on their basis for each pixel the value of the soil optimized vegetation index (OSAVI) is determined;
  • NIR infrared spectrum
  • OSAVI soil optimized vegetation index
  • the average OSAVI value is determined, which is assigned as the OSAVI index to the agricultural field.
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the renormalized difference vegetation index (RDVI) is determined for each pixel;
  • the average RDVI value is determined, which is assigned as the RDVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the soil vegetation index (SAVI) value is determined for each pixel;
  • the average SAVI value is determined, which is assigned as the SAVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the transformed difference vegetation index (TDVI) is determined for each pixel;
  • the average TDVI value is determined, which is assigned as the TDVI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which: - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the triangular vegetation index (TGI) is determined for each pixel );
  • the average TGI value is determined, which is assigned as the TGI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the visible weatherproof vegetation index is determined for each pixel ( VARI);
  • the average VARI value is determined, which is assigned as the VARI index to the agricultural field.
  • the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
  • the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized difference vegetation index (WDRVI) is determined for each pixel;
  • the average WDRVI value is determined, which is assigned as the WDRVI index to the agricultural field.
  • the cloudiness index of the agricultural field is determined.
  • a step is additionally performed in which: - convert the obtained values of vegetation indices assigned to the agricultural field using the encoder model into a fixed vector.
  • the stage of determining a set of color indicators for an agricultural field contains stages in which: the following is extracted from the received data for each pixel:
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • the average color indicator values are determined, which are assigned as a set of color indicators to the agricultural field for each multispectral image of the agricultural field in the second set;
  • the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
  • the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
  • a device for determining the type of agricultural crop placed on a field containing at least one computing device and at least one memory device containing machine-readable instructions, which, when executed by at least one the computing device performs the above method.
  • FIG. 1 an example of data characterizing the dynamics of changes in the normalized vegetation index (NDVI) for a given agricultural field is presented, and the process of converting information into a vector of a fixed size is schematically depicted.
  • NDVI normalized vegetation index
  • FIG. 2 - an example of the architecture of a neural network of an encoder model is presented.
  • FIG. 3 - shows a diagram of the process of additional training of the yield determination model.
  • FIG. 4 - an example of a data flow diagram is presented.
  • FIG. 5 shows an example of a general view of a data processing system.
  • FIG. 6 shows an example of a general view of a computing device.
  • a system means, including a computer system, a computer (electronic computer), CNC (computer numerical control), PLC (programmable logic controller), computerized control systems and any other devices capable of performing a given task. , a clearly defined sequence of operations (actions, instructions).
  • command processing device is meant an electronic unit, a computing device, or an integrated circuit (microprocessor) that executes machine instructions (programs).
  • a command processing device reads and executes machine instructions (programs) from one or more storage devices.
  • Storage devices can include, but are not limited to, hard drives (HDD), flash memory, ROM (read-only memory), solid-state drives (SSD), and optical drives.
  • a computing device is a counting and solving device that automatically performs one mathematical operation or a sequence of them in order to solve one problem or a class of similar problems (Great Soviet Encyclopedia. - M.: Soviet Encyclopedia. 1969 - 1978.).
  • Program - a sequence of instructions intended for execution by a computer control device or command processing device.
  • Software module - a program or a separate functional part of it, considered as a whole in the contexts of storage, replacement, translation, association with other program modules and its loading into the computer's RAM.
  • Database (DB) a collection of data organized according to a conceptual structure that describes the characteristics of that data and the relationships between them, a collection of data that supports one or more application areas (ISO/IEC 2382:2015, 2121423 " database”).
  • a signal is a material embodiment of a message for use in the transmission, processing and storage of information.
  • Intensity is a scalar physical quantity that quantifies the power carried by a wave in the direction of propagation.
  • the data processing system contains:
  • - system 1 for obtaining multispectral images to determine light polarization values based on the image data
  • - system 2 for obtaining multispectral images for determining, based on image data, pixel intensity values in various spectra
  • the multispectral image acquisition system 1 may be implemented on the basis of at least one server configured to receive multispectral imagery from at least one satellite.
  • satellites from the Sentinel-1 satellite constellation https://sentinel.esa.int/web/sentinel/missions/sentinel-1) can be used as at least one satellite.
  • Sentinel-1 is a series of Earth observation satellites developed by the European Space Agency. System 1 is not limited to a given constellation of satellites and can use data from similar constellations as an alternative.
  • the system 2 for obtaining multispectral images can be implemented on the basis of at least one server configured to receive multispectral images from at least one satellite.
  • satellites from the Sentinel-2 satellite constellation https://sentinel.esa.int/web/sentinel/missions/sentinel-2) can be used as at least one satellite.
  • Sentinel-2 is an Earth observation mission from the Copernicus program that systematically acquires high spatial resolution (10 to 60 m) optical images over land and coastal waters.
  • System 2 is not limited to a given constellation of satellites and can use data from similar constellations as an alternative.
  • the weather data determination system 3 can be implemented on the basis of local weather stations or satellites designed to collect weather data.
  • the data control module 20 may be implemented on the basis of at least one computing device configured to communicate with the user device 5 and control the operation of the data processing system modules.
  • Module 30 for determining vegetation indices of an agricultural field can be implemented on the basis of a computing device capable of obtaining multispectral images to determine vegetation indices for each individual agricultural field.
  • Module 40 for determining polarization indices can be implemented on the basis of a computing device capable of obtaining multispectral images to determine polarization indices for each individual agricultural field.
  • the spectral characteristics determination module 50 may be implemented on the basis of a computing device capable of obtaining multispectral images to determine the spectral characteristics for each individual agricultural field.
  • the weather data processing module 60 may be implemented on a computing device configured to determine weather data for each individual field.
  • Module 70 for constructing numerical representations can be implemented on a computing device and contain an encoder model pre-trained on a training data set to generate fixed vectors of a given length. Using this module, numerical representations can be obtained from the observed data series.
  • a numerical representation is a mathematical mapping of a series of data, a set of characteristics, or any discrete structure into a vector of a given fixed size. It is believed that such a compressed representation contains all the necessary information that describes and distinguishes the object on which it was built. An example of such a mapping would be to represent the observed dynamics of the Normalized Vegetation Index (NDVI) into a vector consisting of 8 values. An example is shown in FIG. 1.
  • An encoder model is a neural network trained in such a way that it is capable of recreating the primary data sequence from a fixed-length vector.
  • the architecture of the neural network is shown in Fig. 2.
  • an encoder neural network can consist of two LSTM (Long short-term memory) layers that operate on data sequences, and a layer with a fixed state between them.
  • the parameters of the neural network are selected in such a way that it is able to restore the input sequence from a fixed state.
  • the fixed state of the input sequence is its numerical representation.
  • Numerical representations from vegetation indices can be obtained based on information contained, for example, in images of the Sentinel-2 satellite group.
  • the spectral characteristic may include: VIR - is the visible infrared spectrum, NIR - is the near-infrared spectrum, SWIR - short-wave infrared range.
  • Cloudiness the proportion of cloudy pixels inside the field. Information about the cloud coverage of images is stored in the image metadata.
  • NDVI an index for quantitative assessment of green vegetation.
  • the range of NDVI values is -1 to 1.
  • Negative NDVI values correspond to water. Values close to zero usually correspond to barren areas of rock, sand or snow. Low positive values correspond to shrubland and grassland (approximately 0.2 to 0.4), and high values correspond to temperate tropical rainforests.3.
  • Difference vegetation index DVI is an index that distinguishes between soil and vegetation. Does not account for differences between reflectance and brightness caused by atmospheric effects and shadows.
  • Evi an index that uses the blue reflectance region to correct background soil signals and reduction of atmospheric influences. EVI values range from -1 to 1, with healthy vegetation typically 0.20 to 0.80.
  • Green Difference Vegetation Index GDVI The index was originally developed using color infrared photography to predict nitrogen requirements for corn.
  • GLI Leaf Greenness Index - GLI values range from -1 to 1. Negative values represent soil and non-living properties, while positive values represent green leaves and stems.
  • GOSAVI Optimized Soil Vegetation Index This index was originally developed using color infrared photography to predict nitrogen requirements for corn. This index is similar to OSAVI, but replaces the green stripe with a red one.
  • GSAVI Soil Greenness Index This index was originally developed using color infrared photography to predict nitrogen requirements for corn. This index is similar to SAVI, but replaces the green stripe with a red one.
  • Infrared vegetation index IPVI this index is functionally the same as NDVI, but computationally faster. Values range from 0 to 1.
  • Leaf Area Index LAI This index is used to assess leaf cover and also to predict crop growth and yield.
  • Modified non-linear vegetation index MNLI this index is an improvement of the non-linear index (NLI). Includes Soil Adjusted Vegetation Index (SAVI) to account for soil background. ENVI uses a background correction factor (L) value of 0.5. 14. Modified Soil Adjusted Vegetation Index MSAVI2 - This index is a simpler version of the MSAVL Index Improves on the Soil Adjusted Vegetation Index (SAVI). This reduces soil noise and increases the dynamic range of the vegetation signal. MSAVI2 is based on an inductive method that does not use a constant L value to distinguish healthy vegetation.
  • Nonlinear vegetation index NLI this index assumes that the relationship between many vegetation indices and surface biophysical parameters is nonlinear. It linearizes relationships with surface parameters that tend to be nonlinear.
  • Soil-Adjusted Vegetation Index OSAVI This index is based on the Soil-Adjusted Vegetation Index (SAVI). It uses a standard value of 0.16 for the canopy background correction factor. This index is best used in areas with relatively sparse vegetation where the soil is visible through the canopy.
  • Renormalized Difference Vegetation Index RDVI This index uses the difference between near-infrared and red wavelengths, as well as NDVI, to highlight healthy vegetation.
  • Soil Vegetation Index SAVI - The index is a conversion method that minimizes the influence of soil brightness from spectral vegetation indices using red and near-infrared (NIR) wavelengths.
  • Transformed difference vegetation index TDVI - this index is useful for monitoring vegetation cover in an urban environment.
  • Triangular vegetation index TGI - in this index L represents the central wavelengths of the corresponding bands, p represents the pixel values of these bands.
  • the TGI index is highly correlated with the chlorophyll content of leaves. TGI values are positive when the green reflectance is greater than the line between the red and blue vertices. This corresponds to green vegetation. TGI is negative when the green reflectance is less than the line between the red and blue vertices. This corresponds to features such as red soils.
  • VARI Apparent Weathering Vegetation Index
  • WDRVI Normalized Difference Vegetation Index
  • each of the above indices is calculated using Module 30.
  • the indices are calculated for each pixel separately, then the index values are averaged within each field.
  • indices are determined for each of the available multispectral images.
  • the set of indices is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field as of July 21, 2021, indices are calculated from September 1, 2020 to July 21, 2021.
  • the input to Module 30 is images, for example, from a group of Sentinel-2 satellites. Each image represents one of 12 spectral channels for the selected area. Next, using the necessary spectral channels, it becomes possible to calculate vegetation indices for each pixel. [0065] Accordingly, sequences of 22 indices for each of the available days are encoded within the Technology into a fixed vector of length 64. In this case, an encoder model is used that is trained on vegetation indices data for the entire available observation period. Thus, based on the results of encoding the data of vegetation indices, for each agricultural field a vector of dimension 64 is obtained, reflecting the dynamics of the growing season.
  • Sentinel-1 can collect multiple different images from the same series of pulses by using its antenna to receive specific polarizations simultaneously.
  • Sentinel-1 is a dual-polarization, phase-maintaining synthetic aperture radar system. It can transmit a signal with either horizontal (H) or vertical (V) polarization, and then receive a signal with both H and V polarization.
  • Objects on earth have distinctive polarization signatures, reflecting different polarizations at different intensities and converting one polarization to another. For example, volumetric scatterers (eg, a forest canopy) have different polarization properties than surface scatterers (eg, the sea surface).
  • Standard deviation of the radar aperture synthesis beam incidence angle for pixels within the field.
  • each of the above indicators is calculated.
  • the indicators are calculated for each pixel separately, then the index values are averaged within each field.
  • - specified parameters are determined for each of the available multispectral images. The set of parameters is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field at the time of July 21, 2021, the parameters are calculated from September 1, 2020 to July 21, 2021.
  • Module 40 Images of a group of Sentinel-1 satellites are supplied to the input of Module 40, each of which contains relevant information on VH polarization, W polarization and the angle of incidence of the synthetic aperture radar beam. Next, using the formula presented above, Module 40 calculates the corresponding standard deviations. These indicators are averaged for each field. The result is a correspondence between the numerical indicators and the corresponding fields.
  • Sequences of 6 parameters for each of the available days are encoded within the Technology into a fixed vector of length 16.
  • an encoder model is used that is trained on these parameters for the entire available observation period.
  • a vector of dimension 16 is obtained, reflecting the dynamics of the growing season.
  • the Sentinel-2 satellite group was used to obtain optical channels.
  • Sentinel-2 is equipped with a multispectral imager (MSI). This sensor provides 13 spectral bands with pixel sizes ranging from 10 to 60 meters. There is no guarantee that the vegetation indices listed above store all the important information from the Sentinel-2 satellite data, therefore, within the Technology, primary channels are also used. The following channels are used within the Technology:
  • VIR Green range
  • VIR Red range
  • NIR Visible and near infrared light
  • NIR Visible and near infrared light
  • NIR Visible and near infrared light
  • NIR Visible and near infrared light
  • NIR Visible and near infrared light
  • SWIR Short-wave infrared light
  • SWIR Short-wave infrared light
  • SWIR Short-wave infrared light
  • SWIR Short-wave infrared light
  • each of the above indicators is calculated.
  • the indicators are calculated for each pixel separately, then the index values are averaged within each field. So for each field - for which classification is carried out - the specified parameters are determined for each of the available multispectral images.
  • the set of parameters is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field at the time of July 21, 2021, the parameters are calculated from September 1, 2020 to July 21, 2021.
  • Images in different resolutions and in different channels are supplied to the input of Module 50.
  • 14 different channels are downloaded to the same area of the Earth, that is, for the same area there are 14 different images with the corresponding channels.
  • Sequences of 14 parameters for each of the available days are encoded within the Technology into a fixed vector of length 64.
  • an encoder model is used that is trained on these parameters for the entire available observation period.
  • a vector of dimension 64 is obtained, reflecting the dynamics of the growing season.
  • the Technology uses data from local weather stations, but data received from satellites can also be used.
  • the triangulation method can be used to correlate fields and weather data from weather stations.
  • a series of weather data for a given agricultural field is determined by selecting the nearest point with available weather data using Module 60. After constructing a correspondence between the fields in question and available weather stations using the functionality of Module 60, the process of obtaining weather data for each field from its corresponding weather station occurs .
  • data is available from three weather stations: A, B and C.
  • the geographically closest weather station is weather station B.
  • the weather data for the agricultural field is used from weather station B.
  • the standard deviation of the X value is calculated using the following formula:
  • Xj is one air temperature measurement for a selected period of time
  • d is the average of all air temperature measurements for a given period of time
  • N is the number of such measurements over a given period of time.
  • Sequences of 11 weather parameters for each of the available days are encoded within the Technology into a fixed vector of length 32.
  • an encoder model is used, which is trained on weather parameters for the entire available observation period.
  • Module 70 receives weather data as input, which is subsequently converted by Module 70 into a vector characterizing weather data for the field under consideration.
  • a vector of dimension 32 is obtained, reflecting the weather dynamics.
  • Module 80 for determining the type of agricultural crop in a field can be implemented on the basis of a computing device and contain:
  • This module includes a set of software for training a crop type prediction model.
  • This module includes a set of software for obtaining predictions for specified fields. Based on the results of the work, the type of agricultural crop for a certain harvest year is determined for each field.
  • Module for training a model for predicting the type of agricultural crops
  • a distinctive feature of the Technology is that it implements automatic additional training of a model for determining the type of crops. With one-time training, the problem of its portability and degradation of quality over time arises.
  • An example is the impossibility of accurate forecasts in regions for which there was no training data, which differ significantly in crop growing conditions, weather and soil cultivation technology.
  • the process of additional training in Module 70 occurs by loading additional data into the directory in which all training data is initially stored. Then, when you start retraining the Module 80 model, the new loaded data will be automatically added to the new final Module 70 training set.
  • FIG. Figure 3 schematically shows the mechanism for additional training of the model for determining the type of agricultural crops for certain fields. As new data becomes available, it is added to the overall training data corpus and the model is retrained. As a result of such additional training, the model’s ability to generalize increases.
  • a training corpus is formed, which is used to build a model for determining the type of agricultural crop.
  • the training process is an iterative optimization with the goal of obtaining a minimum error on the training data. Training is carried out like this
  • the model is able to determine the crop at any time during the planting season. This is achieved by including in the training corpus examples that are trimmed in terms of the composition of the coded values.
  • the corpus includes data in which all sequences are calculated not at the end of the season, but at May 1, June 1, and so on.
  • the prediction module is a set of software that, based on prepared data, determines the probabilities of placing agricultural crops on a certain field. Subsequently, based on these probabilities, the culture with the highest value is selected and assigned to the field under consideration.
  • the module uses the following data:
  • Preprocessing and data acquisition occurs in accordance with modules 30, 40, 50, and 60, respectively. All data is obtained for a specific set of fields that are supplied as input. For each such field its coordinates are known. Next, the preprocessed data is combined into a single dataframe based on the time the observations were received. After preprocessing, Module 70 generates a ready-made dataframe with the names of the fields and the corresponding data. This dataframe is input to the Module 80 model to predict the type of crops for the fields.
  • the output generates values that help determine what type of crop the field in question belongs to, for example, based on the maximum value of the probability of placing an agricultural crop on the field.
  • FIG. 4 A data flow diagram describing the format and type of information at each step is shown in Figure 4.
  • the following formats and data types are used step by step: 1.
  • the operator transmits all information on agricultural fields in csv file format to the input of the module for constructing numerical representations.
  • data is generated with numerical representations of indices, weather, channels, etc.
  • the prediction module uses a trained model, determines the probability of placing an agricultural type of crop for each individual field. Subsequently, the field is assigned the crop with the highest probability value. The results of the work are generated for the operator in a csv file.
  • the data processing system operates as follows.
  • the data management module 20 receives a request to determine the type of crop. Said request may be sent, for example, through a user device 5, which may be a laptop or desktop computer, telephone, smartphone, tablet or other computing device equipped with wired and/or wireless communication means designed to exchange data with said module 20.
  • a user device 5 may be a laptop or desktop computer, telephone, smartphone, tablet or other computing device equipped with wired and/or wireless communication means designed to exchange data with said module 20.
  • the data management module 20 can provide access to information about a set of agricultural fields for which the type of crop can be determined.
  • said information about a set of agricultural fields can be presented to the user of the device 5 in a graphical user interface, in which the user can also select at least one agricultural field of interest to the user for which the crop type needs to be determined.
  • the user of device 5 can generate a text file and indicate in it the coordinates of at least one agricultural field for which the type of crop should be determined, after which device 5 will generate a request to determine the type of agricultural crop.
  • x crop field containing the mentioned text file can be included in the request to determine the yield of an agricultural field.
  • the user of device 5 can include data characterizing history of crop rotation containing information about the types of crops that were planted in a given field.
  • a request to determine the type of crop for a certain field received by the data management module 20 may include an identifier (ID) of the agricultural field.
  • Said module 20 retrieves the agricultural field ID from the received request and accesses the DB 10 to retrieve data related to said agricultural field ID.
  • said module 20 retrieves:
  • each multispectral image of an agricultural field contains light polarization values, in particular the values of VH polarization, W polarization and the angle of incidence of the synthetic aperture radar beam;
  • each multispectral image of an agricultural field contains pixel intensity values in the visible infrared spectrum, near-infrared spectrum and short-wave infrared spectrum, as well as cloudiness values of image pixels that can be represented, for example, in the form of a binary mask, the values of which indicate whether a pixel in an agricultural field is cloudy or not;
  • weather data from weather stations for a period of time specified by the developer of module 20, linked to the coordinates of weather stations, including indicators: atmospheric pressure; relative air humidity; wind speed; gusts of wind; dew point; minimum soil temperature; minimum air temperature; average air temperature; maximum air temperature; standard deviation of air temperature; precipitation; snow depth.
  • the second set of multispectral images of the agricultural field is sent by the mentioned module 20 to the module 30 for determining agricultural field vegetation indices, which, based on the received multispectral image data, determines a set of agricultural field vegetation indices for each image.
  • Number of indexes vegetation included in the mentioned set can be preset by the developer of module 30.
  • the set of agricultural field vegetation indices for each multispectral image of an agricultural field from the second set is determined as follows.
  • the mentioned module 30 extracts from the received multispectral image data the cloudiness values of the image pixels, and then, based on the number of cloudy pixels, determines the mentioned cloudiness index of the agricultural field, for example, as the ratio of the number of cloudy pixels to the total to the number of agricultural pixels
  • the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the NDVI value for each pixel .
  • NIR near-infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average NDVI value, which is assigned as the NDVI index to the agricultural field.
  • said module 30 determines difference vegetation index (DVI) values for each pixel of the agricultural field.
  • DVI difference vegetation index
  • said module 30 determines, based on the DVI values of the pixels, an average DVI value, which is assigned as a DVI index to the agricultural field.
  • the mentioned module 30 in addition to the NIR pixel intensity value and the red pixel intensity value, also extracts the blue pixel intensity value for each pixel, after which, based on them, the mentioned module 30 for each pixel is determined by the EVL value.
  • the EVI value can be determined by the formula:
  • said module 30 determines, based on the EVI values of the pixels, the average EVI value, which is assigned as the EVI index to the agricultural field.
  • the global environmental monitoring index (Gemi) value for each pixel of the agricultural field image by said module 30 can also be determined based on the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the red range, for example, by formula:
  • the mentioned module 30 determines the average Gemi value, which is assigned as the Gemi index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the acquired multispectral image data a pixel intensity value in the near infrared spectrum (NIR), a pixel intensity value in the blue range, a pixel intensity value in the green range and the pixel intensity value in the red range and based on them, the Gari value is determined for each pixel.
  • NIR near infrared spectrum
  • the Gari value is determined for each pixel.
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 based on the Gari values of the pixels, determines the average Gari value, which is assigned as the Gari index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines for each pixel GDVI value.
  • NIR near infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30, determines the average GDVI value, which is assigned as the GDVI index to the agricultural field.
  • the module 30, for each pixel extracts from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel determines the GLI value.
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average GLI value, which is assigned as the GLI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines the value for each pixel GOSAVI.
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average GOSAVI value, which is assigned as the agricultural GOSAVI index
  • the mentioned module 30 for each pixel extracts from the obtained multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines the GSAVI value for each pixel .
  • NIR near infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 based on the GSAVI values of the pixels, determines the average GSAVI value, which is assigned as the GSAVI index to the agricultural field.
  • the module 30, for each pixel extracts from the acquired multispectral image data a pixel intensity value in the near infrared spectrum (NIR) and a pixel intensity value in the red spectrum range and, based on them, determines the IPVI value for each pixel.
  • NIR near infrared spectrum
  • the mentioned value can be determined by the formula:
  • IPVI -
  • the mentioned module 30 determines the average IPVI value, which is assigned as the IPVI index to the agricultural field.
  • the leaf area index (LAI) of the agricultural field by said module 30 can be determined based on the EVI value of the agricultural field, for example, by the formula:
  • LAI (3.618 * EV1 - 0.118)
  • the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel MNLI.
  • NIR near-infrared spectrum
  • the mentioned value can be determined by the formula: where L is the value of the background correction factor specified by the developer of module 30, which can be, for example, 0.5.
  • the mentioned module 30 determines the average MNLI value, which is assigned as the MNLI index to the agricultural field.
  • said module 30 extracts from the acquired multispectral image data, for each pixel, a near-infrared (NIR) pixel intensity value and a red pixel intensity value, and based thereon for each pixel is determined by the MSAVI2 value.
  • NIR near-infrared
  • the mentioned value can be determined by the formula:
  • said module 30 for each pixel extracts from the received data of a multispectral image, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them, the NLI value is determined for each pixel.
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average NLI value, which is assigned as the NLI index to the agricultural field.
  • said module 30 extracts, from the acquired multispectral image data, a near-infrared (NIR) pixel intensity value and a red pixel intensity value for each pixel, and based thereon for each pixel. defines the OSAVI value.
  • NIR near-infrared
  • red red pixel intensity value for each pixel
  • the mentioned module 30 determines the average OSAVI value, which is assigned as the OSAVI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the received multispectral image data the value of the pixel intensity in the near-infrared spectrum (NIR) and the value of the pixel intensity in the red range and, based on them, determines the value for each pixel RDVI.
  • NIR near-infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average RDVI value, which is assigned as the RDVI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the obtained multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the SAVL value for each pixel
  • the mentioned value can be determined by the formula: > 1.5 S AVI ⁇ (NIR)
  • the mentioned module 30 determines the average SAVI value, which is assigned as the SAVI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel TDVL
  • NIR near-infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average TDVI value, which is assigned as the TDVI index to the agricultural field.
  • the module 30 extracts for each pixel from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel determines the TGI value.
  • the mentioned value can be determined by the formula:
  • TGI value Said parameters for determining the TGI value can be obtained by methods known in the art, for example those disclosed in Hunt, E., S. Daughtry, J. Eitel, and D. Long, “Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index.” Agronomy Journal 103, no. 4 (2011): 1090-1099.
  • the mentioned module 30 based on the TGI values of the pixels, determines the average TGI value, which is assigned as the TGI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel defines the VARI value.
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average VARI value, which is assigned as the VARI index to the agricultural field.
  • the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel WDRVI.
  • NIR near infrared spectrum
  • the mentioned value can be determined by the formula:
  • the mentioned module 30 determines the average WDRVI value, which is assigned as the agricultural WDRVI index
  • module 30 for determining agricultural field vegetation indices for each received multispectral image determines and generates a set of agricultural field vegetation indices, which includes all 22 indices defined by the aforementioned module 30 above.
  • the resulting sets of vegetation indices are sent by the mentioned module 30 to the module 70 for constructing numerical representations.
  • the second set of multispectral images of the agricultural field is sent by the mentioned module 20 to the module 50 for determining spectral characteristics, which, based on the received multispectral image data, determines a set of color parameters of the agricultural field for each image.
  • the number of color parameters included in the said set can be predetermined by the developer of the module 50.
  • the set of color parameters for each image from the second set is determined as follows.
  • said module 50 extracts from the received data for each pixel:
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • NIR visible and near-infrared
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • SWIR short-wave infrared light
  • the mentioned module 50 determines the average color indicator values, which are assigned as a set of color indicators to the agricultural field. Accordingly, a set of color indicators is determined for each image from the second set, after which the resulting sets of color indicators are sent by the mentioned module 50 to the module 70 for constructing numerical representations.
  • the first set of multispectral images of the agricultural field is sent by the data management module 20 to the polarization indices determination module 40, which determines for each multispectral image in the set a set of polarization indices of the agricultural field.
  • the number of polarization indices included in the said set can be predetermined by the developer of the module 40.
  • the set of polarization indices of the agricultural field for each image in the set can be determined as follows.
  • the mentioned module 40 extracts from the received image data for each pixel of the agricultural field the values of VH polarization, W polarization and the angle of incidence of the radar aperture synthesis beam and, on their basis, determines for each pixel:
  • said module 40 determines the average polarization value VH. Also, the mentioned module 40 determines for each image, based on the polarization values W of each agricultural pixel, the average value W of the polarization and, based on the values of the angle of incidence of the beam of each agricultural pixel, the average value of the angle of incidence of the synthetic aperture radar beam
  • the module 40 determines the value of the standard deviation VH polarization.
  • the value of the standard deviation of VH polarization can be determined by the formula: where d is the average value of VH polarization; x L is the value VH of the polarization of the i-ro pixel in the agricultural field under consideration; n is the value of the total number of pixels.
  • the mentioned module 40 can be defined:
  • the value of the standard deviation of the angle of incidence of the radar aperture synthesis beam based on the average value of the angle of incidence of the beam, the value of the angle of incidence of the beam of each pixel of the agricultural field and the total number of pixels of the agricultural field.
  • the mentioned module 40 assigns the obtained average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values determined above as polarization indices to the agricultural field.
  • module 40 for determining polarization indices for each multispectral image in the set determines and generates a set of polarization indices for the agricultural field, which includes the polarization indices defined above.
  • the resulting sets of polarization indices are sent by the mentioned module 40 to the module 70 for constructing numerical representations.
  • the data control module 20 transmits to the weather data determination module 60, which compares the coordinates of the agricultural field with the coordinates of the weather stations and assigns x field weather data from the nearest weather station.
  • said weather data can be assigned to an agricultural field by said module 60 by processing data on the coordinates of the agricultural field and the coordinates of weather stations using the triangulation method.
  • the triangulation method is widely known in the art and will not be described in more detail in this application.
  • the assigned weather data for a given period of time is sent by said module 60 to the numerical representation module 70.
  • the data obtained by the module 70 for constructing numerical representations is converted by known methods into vectors of a fixed length, for example:
  • a set of vegetation indices can be transformed into a fixed vector of dimension 64, reflecting the dynamics of vegetation for a given period of time;
  • a set of color indicators can be converted into a fixed vector of dimension 64, reflecting the dynamics of the growing season for a given period of time;
  • a set of polarization indices can be transformed into a fixed vector of dimension 16, reflecting the dynamics of the growing season for a given period of time;
  • - weather data can be converted into a fixed vector of dimension 32, reflecting the weather dynamics for a given period of time.
  • the received vectors by module 70 are sent to module 80 for determining the type of agricultural crop in the field, which, based on them and on the basis of crop rotation data for previous years, containing information about the crops that were planted on this field in previous years, received from the module 20, determines the type of agricultural crop of the field, for example, determines the type of agricultural crop for the year for the agricultural field selected by the user.
  • Said crop rotation data can be provided either by the user of Device 5, or retrieved by module 80 from a request to identify a crop type, or loaded directly by the developer into module 80, or provided by an alternative known method.
  • module 80 To determine the type of agricultural crop in the field, said module 80 supplies fixed-length vectors received from module 70 to the model input. At the output of the model, module 80 receives the view of an agricultural field crop. The resulting name of the type of agricultural crop is sent by module 80 to module 20 for display to the user of device 5.
  • a computing device (200) contains one or more processors (201), memory devices such as RAM (202) and ROM (203), and input/ output (204), input/output devices (205), and network communication device (206).
  • processors 201
  • memory devices such as RAM (202) and ROM (203)
  • input/ output 204
  • input/output devices 205
  • network communication device 206
  • the processor (201) may be selected from a variety of devices commonly used in currently, for example, such manufacturers as: IntelTM, AMDTM, AppleTM, Samsung ExynosTM, MediaTEKTM, Qualcomm SnapdragonTM, etc.
  • the processor or one of the processors used in the system (200) must also include a graphics processor, for example an NVIDIA GPU with a CUDA-compatible programming model or Graphcore, the type of which is also suitable for carrying out the method in whole or in part, and can also be used for training and application of machine learning models in various information systems.
  • a graphics processor for example an NVIDIA GPU with a CUDA-compatible programming model or Graphcore, the type of which is also suitable for carrying out the method in whole or in part, and can also be used for training and application of machine learning models in various information systems.
  • RAM (202) is a random access memory and is designed to store machine-readable instructions executable by the processor (201) to perform the necessary logical data processing operations.
  • the RAM (202) typically contains executable operating system instructions and associated software components (applications, program modules, etc.). In this case, the available memory capacity of the graphics card or graphics processor can act as RAM (202).
  • the ROM (203) is one or more permanent storage devices, such as a hard disk drive (HDD), a solid state drive (SSD), flash memory (EEPROM, NAND, etc.), optical storage media ( CD-R/RW, DVD-R/RW, BlueRay Disc, MD), etc.
  • I/O interfaces (204) are used. The choice of appropriate interfaces depends on the specific design of the computing device, which can be, but is not limited to: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232, etc.
  • various means (205) of I/O information are used, for example, a keyboard, a display (monitor), a touch display, a touch pad, a joystick, a mouse, a light pen, a stylus, touch panel, trackball, speakers, microphone, augmented reality tools, optical sensors, tablet, light indicators, projector, camera, biometric identification tools (retina scanner, fingerprint scanner, voice recognition module), etc.
  • the network communication means (206) provides data transmission via an internal or external computer network, for example, an Intranet, the Internet, a LAN, etc.
  • One or more means (206) may be used, but not limited to: Ethernet card, GSM modem, GPRS modem, LTE modem, 5G modem, satellite communication module, NFC module, Bluetooth and/or BLE module, Wi-Fi module and etc.
  • satellite navigation tools can also be used as part of the device (200), for example, GPS, GLONASS, BeiDou, Galileo.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Animal Husbandry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Agronomy & Crop Science (AREA)
  • Biophysics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

A method for identifying the type of crop growing in a field is implemented using a computing device and contains the following steps of: receiving a request to identify the type of crop in a field; obtaining a first and second set of multispectral images corresponding to a given timeframe; determining, on the basis of the first set of images, a set of polarization indices for the field, and determining, on the basis of the second set of images, a set of vegetation indices for the field and a set of colour indices; determining weather data corresponding to the given timeframe for the field; and identifying, on the basis of data characterizing the crop type, the set of polarization indices, the set of vegetation indices, the set of colour indices and the weather data, the type of crop in the field. The invention is directed toward improving the accuracy with which crop types are identified.

Description

УСТРОЙСТВО И СПОСОБ ОПРЕДЕЛЕНИЯ ВИДОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР DEVICE AND METHOD FOR DETERMINING TYPES OF AGRICULTURAL CROPS
ОБЛАСТЬ ТЕХНИКИ TECHNICAL FIELD
[0001] Представленное техническое решение относится, в общем, к области вычислительной техники, а в частности к способу и устройству для определения видов сельскохозяйственных (с/х) культур с применением глубинного обучения по данным дистанционного зондирования Земли (ДЗЗ) и погодным данным, в том числе, группировки Sentinel-1, Sentinel-2. Sentinel-1 и 2 - семейство спутников Европейского космического агентства, созданное в рамках проекта глобального мониторинга окружающей среды и безопасности «Коперник», предназначенное для мониторинга использования земель, растительности, лесных и водных ресурсов, также могут применяться при ликвидации последствий стихийных бедствий. [0001] The presented technical solution relates, in general, to the field of computer technology, and in particular to a method and device for determining the types of agricultural crops using deep learning based on Earth remote sensing (ERS) data and weather data, in including the Sentinel-1, Sentinel-2 groups. Sentinel-1 and 2 - a family of satellites of the European Space Agency, created as part of the Copernicus global environmental and security monitoring project, designed to monitor the use of land, vegetation, forests and water resources, can also be used in disaster response.
УРОВЕНЬ ТЕХНИКИ BACKGROUND OF THE ART
[0002] В настоящее время получили широкое распространение технологии мониторинга состояния сельскохозяйственных полей по данным ДЗЗ. [0002] Currently, technologies for monitoring the condition of agricultural fields using remote sensing data have become widespread.
[0003] Наиболее близким решением к представленному решению являются способ и система, раскрытые в заявке US20200226375A1 "Method and system for crop recognition and boundary delineation", при этом представленное решение обладает двумя существенными отличиями. Во-первых, при предсказании в решении, описанном в заявке US20200226375A1 , не учитывается погода, в связи с чем понижается точность предсказаний. Во-вторых, в рамках рассматриваемой заявки US20200226375A1 решается проблема не распознавания сельскохозяйственных культур, а их размещения при формировании посевного плана. [0003] The closest solution to the presented solution is the method and system disclosed in application US20200226375A1 "Method and system for crop recognition and boundary delineation", while the presented solution has two significant differences. Firstly, the prediction solution described in application US20200226375A1 does not take into account the weather, which reduces the accuracy of the predictions. Secondly, within the framework of the pending application US20200226375A1, the problem of not recognizing agricultural crops is being solved, but their placement when forming a sowing plan.
[0004] Схожая проблематика рассмотрена в рамках заявки ЕР3614308А1 “Joint deep learning for land cover and land use classification”, находящейся на рассмотрении. Однако, между представленным решением и известным решением есть одно ключевое отличие. Изобретение, раскрытое в заявке ЕР3614308А1 , действительно, решает задачу выделения нескольких классов земель по способу их использования, в том числе класс «земли сельскохозяйственного назначения». При этом, в патенте не описан механизм выделение отдельных сельскохозяйственных культур в рамках этого класса. РАСКРЫТИЕ ИЗОБРЕТЕНИЯ [0004] Similar issues are considered within the framework of the application EP3614308A1 “Joint deep learning for land cover and land use classification”, which is under consideration. However, there is one key difference between the presented solution and the known solution. The invention disclosed in application EP3614308A1, indeed, solves the problem of identifying several classes of land according to the method of their use, including the class of “agricultural land”. At the same time, the patent does not describe the mechanism for identifying individual crops within this class. DISCLOSURE OF INVENTION
[0005] Технической проблемой или задачей, поставленной в данном техническом решении, является создание нового, эффективного, простого и надежного метода определения вида сельскохозяйственной (с/х) культуры поля. [0005] The technical problem or task posed in this technical solution is to create a new, effective, simple and reliable method for determining the type of agricultural crop in a field.
[0006] Техническим результатом является повышение точности при определении вида с/х культуры. [0006] The technical result is to increase the accuracy when determining the type of agricultural crop.
[0007] Указанный технический результат достигается благодаря осуществлению способа определения вида с/х культуры, размещенной на поле, выполняемого по меньшей мере одним вычислительным устройством, содержащего этапы, на которых: [0007] The specified technical result is achieved by implementing a method for determining the type of agricultural crop placed on a field, performed by at least one computing device, containing the steps of:
- получают запрос на определение вида с/х культуры поля; - receive a request to determine the type of agricultural crop in the field;
- получают первый набор мультиспектральных снимков за заданный период времени, причем каждый мультиспектральный снимок с/х поля содержит значения поляризации волны, в частности значения VH поляризации, W поляризации и угла падения луча при съемке методом радиолокационного синтезирования апертуры; - obtain the first set of multispectral images for a given period of time, and each multispectral image of an agricultural field contains wave polarization values, in particular the values of VH polarization, W polarization and the angle of incidence of the beam when shooting by synthetic aperture radar;
- на основе упомянутого первого набора снимков определяют набор индексов поляризации для с/х поля; - based on the mentioned first set of images, a set of polarization indices for the agricultural field is determined;
- получают второй набор мультиспектральных снимков за заданный период времени, причем каждый мультиспектральный снимок с/х поля содержит значения интенсивностей пикселей в видимом инфракрасном спектре, ближнем инфракрасном спектре и коротковолновом инфракрасном спектре, а также значения облачности пикселей изображения; - obtain a second set of multispectral images for a given period of time, and each multispectral image of an agricultural field contains pixel intensity values in the visible infrared spectrum, near-infrared spectrum and short-wave infrared spectrum, as well as cloudiness values of image pixels;
- на основе упомянутого второго набора снимков определяют набор индексов вегетации для с/х поля и набор цветовых показателей; - based on the mentioned second set of images, a set of vegetation indices for an agricultural field and a set of color indicators are determined;
- определяют погодные данные за заданный период времени для с/х поля;- determine weather data for a given period of time for an agricultural field;
- на основе данных, характеризующих вид культуры, набора индексов поляризации, набор индексов вегетации, набора цветовых показателей и погодных данных осуществляют определение вида с/х культуры поля. - based on data characterizing the type of crop, a set of polarization indices, a set of vegetation indices, a set of color indicators and weather data, the type of agricultural crop in the field is determined.
[0008] В одном частном примере осуществления способа определение вида с/х культуры поля осуществляется с учетом данных, характеризующих историю севооборота, содержащих информацию о видах культур, которые были засажены на данном поле. [0008] In one particular example of the method, the type of agricultural crop in a field is determined taking into account data characterizing the history of crop rotation, containing information about the types of crops that were planted in this field.
[0009] В другом частном примере осуществления способа этап определения набора индексов поляризации для с/х поля содержит этапы, на которых: - извлекают из первого набора мультиспектральных снимков для каждого пикселя с/х поля значения VH поляризации, W поляризации и угла падения луча радиолокационного синтезирования апертуры; [0009] In another particular example of the method, the stage of determining a set of polarization indices for an agricultural field contains stages in which: - extract from the first set of multispectral images for each pixel of the agricultural field the values of VH polarization, W polarization and angle of incidence of the radar aperture synthesis beam;
- определяют для каждого пикселя с/х поля на основе извлеченных значений: значение стандартного отклонения VH поляризации; значение стандартного отклонения W поляризации; значение стандартного отклонения угла падения луча радиолокационного синтезирования апертуры; - determined for each pixel of the agricultural field based on the extracted values: the value of the standard deviation of VH polarization; polarization standard deviation value W; the value of the standard deviation of the angle of incidence of the radar aperture synthesis beam;
- определяют средние значения VH поляризации, W поляризации, угла падения луча и определенных выше значений отклонений; - determine the average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values defined above;
- назначают средние значения VH поляризации, W поляризации, угла падения луча и определенных выше значений отклонений в качестве индексов поляризации с/х полю для каждого мультиспектрального снимка с/х поля в первом наборе; - assign average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values defined above as polarization indices to the agricultural field for each multispectral image of the agricultural field in the first set;
- преобразуют значения набора индексов поляризации, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values of the set of polarization indices obtained at the previous stage using the encoder model into a fixed vector.
[0010] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0010] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нормализованного вегетационного индекса (NDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized vegetation index (NDVI) is determined for each pixel;
- на основе значений NDVI пикселей определяют среднее значение NDVI, которое назначается в качестве индекса NDVI с/х полю. - based on the NDVI values of the pixels, the average NDVI value is determined, which is assigned as the NDVI index to the agricultural field.
[0011] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0011] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе определяют значения разностного вегетационного индекса (DVI) для каждого пикселя с/х поля; - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the values of the difference vegetation index (DVI) are determined for each pixel x fields;
- на основе значений DVI пикселей определяют среднее значение DVI, которое назначается в качестве индекса DVI с/х полю. - based on the DVI values of the pixels, the average DVI value is determined, which is assigned as the DVI index to the agricultural field.
[0012] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: - из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR), значение интенсивности пикселя в красном диапазоне и значение интенсивности пикселя в синем диапазоне, после чего на их основе для каждого пикселя определяют значение усовершенствованного вегетационного индекса (EVI); [0012] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which: - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the red range and the pixel intensity value in the blue range are extracted, after which, based on them, the pixel intensity value is determined for each pixel improved vegetation index (EVI) value;
- на основе значений EVI пикселей определяют среднее значение EVI, которое назначается в качестве индекса EVI с/х полю; - based on the EVI values of the pixels, the average EVI value is determined, which is assigned as the EVI index to the agricultural field;
- определяют на основе значения индекса EVI индекс листовой поверхности (LAI). [0013] В другом частном примере осуществления способа определения набора индексов вегетации для с/х поля содержит этапы, на которых: - determine the leaf surface index (LAI) based on the EVI index value. [0013] In another particular example of a method for determining a set of vegetation indices for an agricultural field, it contains the steps of:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне, после чего на их основе для каждого пикселя определяют значение индекса глобального мониторинга окружающей среды (Gemi); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted, after which, on their basis, the value of the global environmental monitoring index is determined for each pixel ( Gemi);
- на основе значений Gemi пикселей определяют среднее значение Gemi, которое назначается в качестве индекса Gemi с/х полю. - based on the Gemi values of the pixels, the average Gemi value is determined, which is assigned as the Gemi index to the agricultural field.
[0014] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0014] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR), значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса зеленой растительности, стойкой к влиянию атмосферы (Gari); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on them on a basis for each pixel, the value of the green vegetation index resistant to atmospheric influences (Gari) is determined;
- на основе значений Gari пикселей определяют среднее значение Gari, которое назначается в качестве индекса Gari с/х полю. - based on the Gari values of the pixels, the average Gari value is determined, which is assigned as the Gari index to the agricultural field.
[0015] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0015] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение индекса зеленой разницы в растительности (GDVI); - на основе значений GDVI пикселей определяют среднее значение GDVI, которое назначается в качестве индекса GDVI с/х полю. - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis, the green difference vegetation index (GDVI) value is determined for each pixel ; - based on the GDVI values of the pixels, the average GDVI value is determined, which is assigned as the GDVI index to the agricultural field.
[0016] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0016] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса зелёности листьев (GLI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the leaf greenness index (GLI) is determined for each pixel );
- на основе значений GLI пикселей определяют среднее значение GLI, которое назначается в качестве индекса GLI с/х полю. - based on the GLI values of the pixels, the average GLI value is determined, which is assigned as the GLI index to the agricultural field.
[0017] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0017] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение оптимизированного индекса почвенной растительности (GOSAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the optimized soil vegetation index (GOSAVI) is determined for each pixel;
- а основе значений GOSAVI пикселей определяют среднее значение GOSAVI, которое назначается в качестве индекса GOSAVI с/х полю. - based on the GOSAVI values of the pixels, the average GOSAVI value is determined, which is assigned as the GOSAVI index to the agricultural field.
[0018] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0018] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение почвенного индекса зелености (GSAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the soil greenness index (GSAVI) is determined for each pixel;
- на основе значений GSAVI пикселей определяют среднее значение GSAVI, которое и назначается в качестве индекса GSAVI с/х полю. - based on the GSAVI values of the pixels, the average GSAVI value is determined, which is assigned as the GSAVI index to the agricultural field.
[0019] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0019] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение инфракрасного вегетационного индекса (IPVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red are extracted range and based on them, the value of the infrared vegetation index (IPVI) is determined for each pixel;
- на основе значений IPVI пикселей определяют среднее значение IPVI, которое и назначается в качестве индекса IPVI с/х полю. - based on the IPVI values of the pixels, the average IPVI value is determined, which is assigned as the IPVI index to the agricultural field.
[0020] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0020] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение модифицированного нелинейного вегетационного индекса (MNLI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the modified nonlinear vegetation index (MNLI) is determined for each pixel;
- на основе значений MNLI пикселей определяют среднее значение MNLI, которое назначается в качестве индекса MNLI с/х полю. - based on the MNLI values of the pixels, the average MNLI value is determined, which is assigned as the MNLI index to the agricultural field.
[0021] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0021] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение модифицированного индекса растительности с коррекцией по почве (MSAVI2); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the value of the pixel intensity in the near-infrared spectrum (NIR) and the value of the pixel intensity in the red range are extracted and on their basis for each pixel the value of the modified vegetation index with soil correction is determined ( MSAVI2);
- на основе значений MSAVI2 пикселей определяют среднее значение MSAVI2, которое назначается в качестве индекса MSAVI2 с/х полю. - based on the MSAVI2 pixel values, the average MSAVI2 value is determined, which is assigned as the MSAVI2 index to the agricultural field.
[0022] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0022] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нелинейного вегетационного индекса (NLI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the nonlinear vegetation index (NLI) is determined for each pixel;
- на основе значений NLI пикселей определяют среднее значение NLI, которое назначается в качестве индекса NLI с/х полю. - based on the NLI values of the pixels, the average NLI value is determined, which is assigned as the NLI index to the agricultural field.
[0023] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0023] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса растительности с оптимизированном учётом почвы (OSAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near field is extracted infrared spectrum (NIR) and pixel intensity value in the red range and on their basis for each pixel the value of the soil optimized vegetation index (OSAVI) is determined;
- на основе значений OSAVI пикселей определяют среднее значение OSAVI, которое назначается в качестве индекса OSAVI с/х полю. - based on the OSAVI values of the pixels, the average OSAVI value is determined, which is assigned as the OSAVI index to the agricultural field.
[0024] В другом частном примере осуществления способа определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0024] In another particular example of a method for determining a set of vegetation indices for an agricultural field, it contains the steps of:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение перенормированного разностного вегетационного индекса (RDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the renormalized difference vegetation index (RDVI) is determined for each pixel;
- на основе значений RDVI пикселей определяют среднее значение RDVI, которое назначается в качестве индекса RDVI с/х полю. - based on the RDVI values of the pixels, the average RDVI value is determined, which is assigned as the RDVI index to the agricultural field.
[0025] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0025] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение почвенного вегетационного индекса (SAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the soil vegetation index (SAVI) value is determined for each pixel;
- на основе значений SAVI пикселей определяют среднее значение SAVI, которое назначается в качестве индекса SAVI с/х полю. - based on the SAVI values of the pixels, the average SAVI value is determined, which is assigned as the SAVI index to the agricultural field.
[0026] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0026] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение трансформированного разностного вегетационного индекса (TDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the transformed difference vegetation index (TDVI) is determined for each pixel;
- на основе значений TDVI пикселей определяют среднее значение TDVI, которое и назначается в качестве индекса TDVI с/х полю. - based on the TDVI values of the pixels, the average TDVI value is determined, which is assigned as the TDVI index to the agricultural field.
[0027] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: - из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение триангулярного вегетационного индекса (TGI); [0027] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which: - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the triangular vegetation index (TGI) is determined for each pixel );
- на основе значений TGI пикселей определяют среднее значение TGI, которое назначается в качестве индекса TGI с/х полю. - based on the TGI values of the pixels, the average TGI value is determined, which is assigned as the TGI index to the agricultural field.
[0028] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0028] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение видимого атмосферостойкого вегетационного индекса (VARI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the visible weatherproof vegetation index is determined for each pixel ( VARI);
- на основе значений VARI пикселей определяют среднее значение VARI, которое назначается в качестве индекса VARI с/х полю. - based on the VARI pixel values, the average VARI value is determined, which is assigned as the VARI index to the agricultural field.
[0029] В другом частном примере осуществления способа этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: [0029] In another particular example of the method, the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нормализованного разностного вегетационного индекса (WDRVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized difference vegetation index (WDRVI) is determined for each pixel;
- на основе значений WDRVI пикселей определяют среднее значение WDRVI, которое назначается в качестве индекса WDRVI с/х полю. - based on the WDRVI values of the pixels, the average WDRVI value is determined, which is assigned as the WDRVI index to the agricultural field.
[0030] В другом частном примере осуществления способа дополнительно выполняют этапы, на которых: [0030] In another particular example of the method, the steps are additionally performed in which:
- извлекают из второго набора мультиспектральных снимков с/х поля значения облачности пикселей изображения; - cloud values of image pixels are extracted from the second set of multispectral images of the agricultural field;
- на основе количества облачных пикселей определяют индекс облачности с/х поля. - based on the number of cloudy pixels, the cloudiness index of the agricultural field is determined.
[0031] В другом частном примере осуществления способа дополнительно выполняют этап, на котором: - преобразуют полученные значения индексов вегетации, назначенные с/х полю, посредством модели-эн кодера в фиксированный вектор. [0031] In another particular example of the method, a step is additionally performed in which: - convert the obtained values of vegetation indices assigned to the agricultural field using the encoder model into a fixed vector.
[0032] В другом частном примере осуществления способа этап определения набор цветовых показателей для с/х поля содержит этапы, на которых: извлекают из полученных данных для каждого пикселя: [0032] In another particular example of the method, the stage of determining a set of color indicators for an agricultural field contains stages in which: the following is extracted from the received data for each pixel:
- значение интенсивности пикселя в ультра синем диапазоне, полученное при разрешении 60 метров с центральной длиной волны 443 нанометров; - pixel intensity value in the ultra blue range, obtained at a resolution of 60 meters with a central wavelength of 443 nanometers;
- значение интенсивности пикселя в синем диапазоне, полученное при разрешении 10 метров с центральной длиной волны 490 нанометров; - pixel intensity value in the blue range, obtained at a resolution of 10 meters with a central wavelength of 490 nanometers;
- значение интенсивности пикселя в зеленом диапазоне, полученное при разрешении 10 метров с центральной длиной волны 560 нанометров; - pixel intensity value in the green range obtained at a resolution of 10 meters with a central wavelength of 560 nanometers;
- значение интенсивности пикселя в красном диапазоне, полученное при разрешении 10 метров с центральной длиной волны 665 нанометров; - pixel intensity value in the red range, obtained at a resolution of 10 meters with a central wavelength of 665 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 705 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 705 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 740 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 740 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 783 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 783 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 10 метров с центральной длиной волны 842 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 10 meters with a central wavelength of 842 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 120 метров с центральной длиной волны 865 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 120 meters with a central wavelength of 865 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 940 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 940 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 1375 нанометров; - значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 1610 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 1375 nanometers; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 1610 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 2190 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 2190 nanometers;
- значения облачности пикселей изображения с/х поля; - cloudiness values of agricultural field image pixels;
- на основе извлеченных для каждого пикселя упомянутых значений цветовых показателей определяют средние значения цветовых показателей, которые назначаются в качестве набора цветовых показателей с/х полю для каждого мультиспектрального снимка с/х поля во втором наборе; - based on the above-mentioned color indicator values extracted for each pixel, the average color indicator values are determined, which are assigned as a set of color indicators to the agricultural field for each multispectral image of the agricultural field in the second set;
- преобразуют значения набора цветовых показателей, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values of a set of color indicators obtained at the previous stage using an encoder model into a fixed vector.
[0033] В другом частном примере осуществления способа этап определения погодных данных за заданный период времени для с/х поля содержит этапы, на которых: [0033] In another particular example of the method, the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
- получают координаты метеостанций, от которых были получены погодные данные; - receive the coordinates of weather stations from which weather data was received;
- определяют координаты с/х поля; - determine the coordinates of the agricultural field;
- назначают с/х полю погодные данные, полученные методом триангуляции на основе координат с/х поля и координат метеостанций; - assign weather data to the agricultural field, obtained by triangulation based on the coordinates of the agricultural field and the coordinates of weather stations;
- преобразуют значения, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values obtained at the previous stage using an encoder model into a fixed vector.
[0034] В другом частном примере осуществления способа этап определения погодных данных за заданный период времени для с/х поля содержит этапы, на которых: [0034] In another particular example of the method, the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
- получают координаты метеостанций, от которых были получены погодные данные; - receive the coordinates of weather stations from which weather data was received;
- определяют координаты с/х поля; - determine the coordinates of the agricultural field;
- сравнивают координаты с/х поля с координатами метеостанций и назначают с/х полю погодные данные ближайшей метеостанции. - compare the coordinates of the agricultural field with the coordinates of weather stations and assign the weather data of the nearest weather station to the agricultural field.
- преобразуют значения погодных данных за заданный период времени, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор [0035] В другом предпочтительном варианте осуществления заявленного решения представлено устройство определения вида с/х культуры, размещенной на поле, содержащее по меньшей мере одно вычислительное устройство и по меньшей мере одно устройство памяти, содержащее машиночитаемые инструкции, которые при их исполнении по меньшей мере одним вычислительным устройством выполняют вышеуказанный способ. - convert weather data values for a given period of time, obtained at the previous stage, using an encoder model into a fixed vector [0035] In another preferred embodiment of the claimed solution, a device for determining the type of agricultural crop placed on a field is presented, containing at least one computing device and at least one memory device containing machine-readable instructions, which, when executed by at least one the computing device performs the above method.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ BRIEF DESCRIPTION OF THE DRAWINGS
[0036] Признаки и преимущества настоящего технического решения станут очевидными из приводимого ниже подробного описания изобретения и прилагаемых чертежей, на которых: [0036] The features and advantages of the present technical solution will become apparent from the following detailed description of the invention and the accompanying drawings, in which:
[0037] На Фиг. 1 - представлен пример данных, характеризующих динамику изменения нормализированного индекса вегетации (NDVI) для заданного с/х поля, и схематично изображен процесс преобразования информации в вектор фиксированного размера. [0037] In FIG. 1 - an example of data characterizing the dynamics of changes in the normalized vegetation index (NDVI) for a given agricultural field is presented, and the process of converting information into a vector of a fixed size is schematically depicted.
[0038] На Фиг. 2 - представлен пример архитектуры нейронной сети модели энкодера. [0038] In FIG. 2 - an example of the architecture of a neural network of an encoder model is presented.
[0039] На Фиг. 3 - представлена схема процесса дообучения модели определения урожайности. [0039] In FIG. 3 - shows a diagram of the process of additional training of the yield determination model.
[0040] На Фиг. 4 - представлен пример диаграммы потоков данных. [0040] In FIG. 4 - an example of a data flow diagram is presented.
[0041] На Фиг. 5 - представлен пример общего вида системы обработки данных. [0042] На Фиг. 6 - представлен пример общего вида вычислительного устройства. [0041] In FIG. 5 shows an example of a general view of a data processing system. [0042] In FIG. 6 shows an example of a general view of a computing device.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ IMPLEMENTATION OF THE INVENTION
[0043] Ниже будут описаны понятия и термины, необходимые для понимания данного технического решения. [0043] The concepts and terms necessary to understand this technical solution will be described below.
[0044] В данном техническом решении под системой подразумевается, в том числе компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность операций (действий, инструкций). [0045] Под устройством обработки команд подразумевается электронный блок, вычислительное устройство, либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы). [0044] In this technical solution, a system means, including a computer system, a computer (electronic computer), CNC (computer numerical control), PLC (programmable logic controller), computerized control systems and any other devices capable of performing a given task. , a clearly defined sequence of operations (actions, instructions). [0045] By command processing device is meant an electronic unit, a computing device, or an integrated circuit (microprocessor) that executes machine instructions (programs).
[0046] Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройств хранения данных. В роли устройства хранения данных могут выступать, но не ограничиваясь, жесткие диски (HDD), флеш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические приводы. [0046] A command processing device reads and executes machine instructions (programs) from one or more storage devices. Storage devices can include, but are not limited to, hard drives (HDD), flash memory, ROM (read-only memory), solid-state drives (SSD), and optical drives.
[0047] Вычислительное устройство - счётно-решающее устройство, автоматически выполняющее одну какую-либо математическую операцию или последовательность их с целью решения одной задачи или класса однотипных задач (Большая советская энциклопедия. — М.: Советская энциклопедия. 1969 — 1978.). [0047] A computing device is a counting and solving device that automatically performs one mathematical operation or a sequence of them in order to solve one problem or a class of similar problems (Great Soviet Encyclopedia. - M.: Soviet Encyclopedia. 1969 - 1978.).
[0048] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд. [0048] Program - a sequence of instructions intended for execution by a computer control device or command processing device.
[0049] Программный модуль - программа или отдельная ее функциональная часть, рассматриваемая как единое целое в контекстах хранения, замены, трансляции, объединения с другими программными модулями и ее загрузки в оперативную память ЭВМ. [0049] Software module - a program or a separate functional part of it, considered as a whole in the contexts of storage, replacement, translation, association with other program modules and its loading into the computer's RAM.
[0050] База данных (БД) - совокупность данных, организованных в соответствии с концептуальной структурой, описывающей характеристики этих данных и взаимоотношения между ними, причем такое собрание данных, которое поддерживает одну или более областей применения (ISO/IEC 2382:2015, 2121423 «database»). [0050] Database (DB) - a collection of data organized according to a conceptual structure that describes the characteristics of that data and the relationships between them, a collection of data that supports one or more application areas (ISO/IEC 2382:2015, 2121423 " database").
[0051] Сигнал — материальное воплощение сообщения для использования при передаче, переработке и хранении информации. [0051] A signal is a material embodiment of a message for use in the transmission, processing and storage of information.
[0052] Интенсивность — скалярная физическая величина, количественно характеризующая мощность, переносимую волной в направлении распространения. [0052] Intensity is a scalar physical quantity that quantifies the power carried by a wave in the direction of propagation.
[0053] В соответствии со схемой, приведенной на Фиг. 5, система обработки данных содержит: [0053] According to the diagram shown in FIG. 5, The data processing system contains:
- систему 1 получения мультиспектральных снимков для определения на основе данных снимков значений поляризации света; - систему 2 получения мультиспектральных снимков для определения на основе данных снимков значений интенсивности пикселей в различных спектрах; - system 1 for obtaining multispectral images to determine light polarization values based on the image data; - system 2 for obtaining multispectral images for determining, based on image data, pixel intensity values in various spectra;
- систему 3 определения погодных данных; - system 3 for determining weather data;
- устройство 5 пользователя; - user device 5;
- модуль 10 подготовки данных; - data preparation module 10;
- модуль 20 управления данными; - data management module 20;
- модуль 30 определения индексов вегетации с/х поля; - module 30 for determining agricultural field vegetation indices;
- модуль 40 определения индексов поляризации; - module 40 for determining polarization indices;
- модуль 50 определения спектральных характеристик; - module 50 for determining spectral characteristics;
- модуль 60 определения погодных данных; - module 60 for determining weather data;
- модуль 70 построения численных представлений; - module 70 for constructing numerical representations;
- модуль 80 определения вида с/х культуры поля. - module 80 for determining the type of agricultural crop in the field.
[0054] Система 1 получения мультиспектральных снимков может быть реализована на базе по меньшей мере одного сервера, выполненного с возможностью получения мультиспектральных снимков с по меньшей мере одного спутника. Например, в качестве по меньшей мере одного спутника могут быть использованы спутники из группировки спутников Sentinel-1 (https://sentinel.esa.int/web/sentinel/missions/sentinel-1 ). Sentinel-1 - это серия спутников наблюдения Земли, разработанная Европейским космическим агентством. Система 1 не ограничена заданной группировкой спутников и может использовать данные аналогичных группировок в качестве альтернативы. [0054] The multispectral image acquisition system 1 may be implemented on the basis of at least one server configured to receive multispectral imagery from at least one satellite. For example, satellites from the Sentinel-1 satellite constellation (https://sentinel.esa.int/web/sentinel/missions/sentinel-1) can be used as at least one satellite. Sentinel-1 is a series of Earth observation satellites developed by the European Space Agency. System 1 is not limited to a given constellation of satellites and can use data from similar constellations as an alternative.
[0055] Система 2 получения мультиспектральных снимков может быть реализована на базе по меньшей мере одного сервера, выполненного с возможностью получения мультиспектральных снимков с по меньшей мере одного спутника. Например, в качестве по меньшей мере одного спутника могут быть использованы спутники из группировки спутников Sentinel-2 (https://sentinel.esa.int/web/sentinel/missions/sentinel-2). Sentinel-2 - это миссия по наблюдению за Землей от программы Copernicus, которая систематически получает оптические изображения с высоким пространственным разрешением (от 10 до 60 м) над сушей и прибрежными водами. Система 2 не ограничена заданной группировкой спутников и может использовать данные аналогичных группировок в качестве альтернативы. [0055] The system 2 for obtaining multispectral images can be implemented on the basis of at least one server configured to receive multispectral images from at least one satellite. For example, satellites from the Sentinel-2 satellite constellation (https://sentinel.esa.int/web/sentinel/missions/sentinel-2) can be used as at least one satellite. Sentinel-2 is an Earth observation mission from the Copernicus program that systematically acquires high spatial resolution (10 to 60 m) optical images over land and coastal waters. System 2 is not limited to a given constellation of satellites and can use data from similar constellations as an alternative.
[0056] Система 3 определения погодных данных может быть реализован на базе локальных метеорологических станций или спутников, предназначены для сбора данных о погоде. [0057] Модуль 20 управления данными может быть реализован на базе по меньшей мере одного вычислительного устройства, выполненного с возможностью обмена данными с устройством 5 пользователя и управления работой модулей системы обработки данных. [0056] The weather data determination system 3 can be implemented on the basis of local weather stations or satellites designed to collect weather data. [0057] The data control module 20 may be implemented on the basis of at least one computing device configured to communicate with the user device 5 and control the operation of the data processing system modules.
[0058] Модуль 30 определения индексов вегетации с/х поля может быть реализован на базе вычислительного устройства, выполненного с возможностью получения мультиспектральных снимков для определения индексов вегетации для каждого отдельного с/х поля. [0058] Module 30 for determining vegetation indices of an agricultural field can be implemented on the basis of a computing device capable of obtaining multispectral images to determine vegetation indices for each individual agricultural field.
[0059] Модуль 40 определения индексов поляризации может быть реализован на базе вычислительного устройства, выполненного с возможностью получения мультиспектральных снимков для определения индексов поляризации для каждого отдельного с/х поля. [0059] Module 40 for determining polarization indices can be implemented on the basis of a computing device capable of obtaining multispectral images to determine polarization indices for each individual agricultural field.
[0060] Модуль 50 определения спектральных характеристик может быть реализован на базе вычислительного устройства, выполненного с возможностью получения мультиспектральных снимков для определения спектральных характеристик для каждого отдельного с/х поля. [0060] The spectral characteristics determination module 50 may be implemented on the basis of a computing device capable of obtaining multispectral images to determine the spectral characteristics for each individual agricultural field.
[0061] Модуль 60 обработки погодных данных может быть реализован на базе вычислительного устройства, выполненного с возможностью определения погодных данных для каждого отдельного поля. [0061] The weather data processing module 60 may be implemented on a computing device configured to determine weather data for each individual field.
[0062] Модуль 70 построения численных представлений может быть реализован на базе вычислительного устройство и содержать модель-энкодер, заранее обученную на обучающем наборе данных для формирования фиксированных векторов заданной длины. Посредством данного модуля могут быть получены численные представления из наблюдаемого ряда данных. Численное представление — это математическое отображение ряда данных, набора характеристик или любой дискретной структуры в вектор заданного фиксированного размера. Считается, что такое сжатое представление содержит в себе всю необходимую информацию, описывающую и отличающую объект, по которому оно было построено. Примером такого отображения может быть представление наблюдаемой динамики нормализованного индекса вегетации (NDVI) в вектор, состоящий из 8 значений. Пример показан на Фиг. 1. [0062] Module 70 for constructing numerical representations can be implemented on a computing device and contain an encoder model pre-trained on a training data set to generate fixed vectors of a given length. Using this module, numerical representations can be obtained from the observed data series. A numerical representation is a mathematical mapping of a series of data, a set of characteristics, or any discrete structure into a vector of a given fixed size. It is believed that such a compressed representation contains all the necessary information that describes and distinguishes the object on which it was built. An example of such a mapping would be to represent the observed dynamics of the Normalized Vegetation Index (NDVI) into a vector consisting of 8 values. An example is shown in FIG. 1.
[0063] Нейронная сеть энкодер. [0063] Encoder neural network.
Для того чтобы преобразовать динамику индексов в вектор фиксированной длины, то есть получить численное представление, используется обученная модель- энкодер. Модель-энкодер - это нейронная сеть, обученная таким образом, что она способна воссоздавать первичную последовательность данных из вектора фиксированной длины. Архитектура нейронной сети представлена на Фиг. 2. In order to convert the dynamics of the indices into a vector of fixed length, that is, to obtain a numerical representation, a trained model is used - encoder An encoder model is a neural network trained in such a way that it is capable of recreating the primary data sequence from a fixed-length vector. The architecture of the neural network is shown in Fig. 2.
В качестве конкретной имплементации нейронная сеть энкодер может состоять из двух слоев LSTM (Long short-term memory), которые оперируют последовательностями данных, и слоя с фиксированным состоянием между ними. Параметры нейронной сети подобираются таким образом, что она способна восстановить входную последовательность из фиксированного состояния. При этом фиксированное состояние входной последовательности и является ее численным представлением. As a specific implementation of an encoder neural network, it can consist of two LSTM (Long short-term memory) layers that operate on data sequences, and a layer with a fixed state between them. The parameters of the neural network are selected in such a way that it is able to restore the input sequence from a fixed state. In this case, the fixed state of the input sequence is its numerical representation.
[0064] Построение численных представлений из индексов вегетации. [0064] Constructing numerical representations from vegetation indices.
В сельском хозяйстве широко применяются различные вегетационные индексы, отражающие состояние сельскохозяйственных насаждений. In agriculture, various vegetation indices are widely used, reflecting the state of agricultural plantings.
Численные представления из индексов вегетации возможно получить на основе информации, которая содержится, например, в снимках группы спутников Sentinel- 2. Спектральная характеристика может включать: VIR - представляет из себя видимый инфракрасный спектр, NIR - представляет собой ближний инфракрасный спектр, SWIR - коротковолновый инфракрасный спектр. Numerical representations from vegetation indices can be obtained based on information contained, for example, in images of the Sentinel-2 satellite group. The spectral characteristic may include: VIR - is the visible infrared spectrum, NIR - is the near-infrared spectrum, SWIR - short-wave infrared range.
В представленном решении используются следующие индексы: The presented solution uses the following indices:
1. Облачность - доля облачных пикселей внутри поля. Информация об облачном покрытии снимков хранится в метаданных снимка. 1. Cloudiness - the proportion of cloudy pixels inside the field. Information about the cloud coverage of images is stored in the image metadata.
2. Нормализованный вегетационный индекс NDVI - индекс для количественной оценки зеленой растительности. Диапазон значений NDVI составляет от -1 до 1. Отрицательные значения NDVI соответствуют воде. Значения, близкие к нулю, обычно соответствуют бесплодным участкам из камней, песка или снега. Низкие положительные значения соответствуют кустарникам и пастбищам (приблизительно от 0.2 до 0.4), а высокие значения относятся к влажным тропическим лесам умеренного климата.3. Разностный вегетационный индекс DVI - индекс, различающий почву и растительность. Не учитывает разницу между отражательной способностью и яркостью, вызванную атмосферными эффектами и тенями. 2. Normalized vegetation index NDVI - an index for quantitative assessment of green vegetation. The range of NDVI values is -1 to 1. Negative NDVI values correspond to water. Values close to zero usually correspond to barren areas of rock, sand or snow. Low positive values correspond to shrubland and grassland (approximately 0.2 to 0.4), and high values correspond to temperate tropical rainforests.3. Difference vegetation index DVI is an index that distinguishes between soil and vegetation. Does not account for differences between reflectance and brightness caused by atmospheric effects and shadows.
4. Усовершенствованный вегетационный индекс Evi - индекс, который использует синюю область отражения для корректировки фоновых сигналов почвы и уменьшения атмосферных воздействий. Диапазон значений EVI от -1 до 1 , при здоровой растительности обычно от 0,20 до 0,80. 4. Enhanced Vegetation Index Evi - an index that uses the blue reflectance region to correct background soil signals and reduction of atmospheric influences. EVI values range from -1 to 1, with healthy vegetation typically 0.20 to 0.80.
5. Индекс глобального мониторинга окружающей среды Gemi - этот нелинейный индекс растительности используется для глобального мониторинга окружающей среды по спутниковым снимкам. Направлен на исправление атмосферных эффектов. Похож на индекс NDVI, но менее чувствителен к атмосферным воздействиям. 5. Gemi Global Environmental Monitoring Index - This non-linear vegetation index is used for global environmental monitoring from satellite imagery. Aimed at correcting atmospheric effects. Similar to the NDVI index, but less sensitive to atmospheric influences.
6. Индекс зеленой растительности, стойкой к влиянию атмосферы Gari - этот индекс более чувствителен к широкому диапазону концентраций хлорофилла и менее чувствителен к атмосферным воздействиям в сравнении с NDVI. 6. Gari atmospheric green vegetation index - this index is more sensitive to a wide range of chlorophyll concentrations and less sensitive to atmospheric influences compared to NDVI.
7. Индекс зеленой разницы в растительности GDVI - индекс был изначально разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности в азоте для кукурузы. 7. Green Difference Vegetation Index GDVI - The index was originally developed using color infrared photography to predict nitrogen requirements for corn.
8. Индекс зелёности листьев GLI - значения GLI варьируются от -1 до 1. Отрицательные значения представляют собой почву и неживые свойства, в то время как положительные значения представляют зеленые листья и стебли. 8. GLI Leaf Greenness Index - GLI values range from -1 to 1. Negative values represent soil and non-living properties, while positive values represent green leaves and stems.
9. Оптимизированный индекс почвенной растительности GOSAVI - этот индекс был изначально разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности в азоте для кукурузы. Данный индекс похож на OSAVI, но заменяет зеленую полосу на красную. 9. GOSAVI Optimized Soil Vegetation Index - This index was originally developed using color infrared photography to predict nitrogen requirements for corn. This index is similar to OSAVI, but replaces the green stripe with a red one.
10. Почвенный индекс зелености GSAVI - этот индекс был изначально разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности в азоте для кукурузы. Данный индекс похож на SAVI, но заменяет зеленую полосу на красную. 10. GSAVI Soil Greenness Index - This index was originally developed using color infrared photography to predict nitrogen requirements for corn. This index is similar to SAVI, but replaces the green stripe with a red one.
11. Инфракрасный вегетационный индекс IPVI - данный индекс по функционалу такой же, как NDVI, но в вычислительном отношении быстрее. Значения варьируются от 0 до 1 . 11. Infrared vegetation index IPVI - this index is functionally the same as NDVI, but computationally faster. Values range from 0 to 1.
12. Индекс листовой поверхности LAI - этот индекс используется для оценки лиственного покрова, а также для прогнозирования роста и урожайности сельскохозяйственных культур. 12. Leaf Area Index LAI - This index is used to assess leaf cover and also to predict crop growth and yield.
13. Модифицированный нелинейный вегетационный индекс MNLI - этот индекс является усовершенствованием нелинейного индекса (NLI). Включает в себя индекс растительности, скорректированный на почву (SAVI), для учета почвенного фона. ENVI использует значение поправочного коэффициента фона (L), равное 0.5. 14. Модифицированный индекс растительности с коррекцией по почве MSAVI2 - этот индекс является более простой версией индекса MSAVL Улучшает индекс растительности, скорректированный на почву (SAVI). Это позволяет снизить шум почвы и увеличить динамический диапазон сигнала растительности. MSAVI2 основан на индуктивном методе, который не использует постоянное значение L для выделения здоровой растительности. 13. Modified non-linear vegetation index MNLI - this index is an improvement of the non-linear index (NLI). Includes Soil Adjusted Vegetation Index (SAVI) to account for soil background. ENVI uses a background correction factor (L) value of 0.5. 14. Modified Soil Adjusted Vegetation Index MSAVI2 - This index is a simpler version of the MSAVL Index Improves on the Soil Adjusted Vegetation Index (SAVI). This reduces soil noise and increases the dynamic range of the vegetation signal. MSAVI2 is based on an inductive method that does not use a constant L value to distinguish healthy vegetation.
15. Нелинейный вегетационный индекс NLI - данный индекс предполагает, что взаимосвязь между многими индексами растительности и биофизическими параметрами поверхности является нелинейной. Он линеаризует отношения с параметрами поверхности, которые имеют тенденцию быть нелинейными. 15. Nonlinear vegetation index NLI - this index assumes that the relationship between many vegetation indices and surface biophysical parameters is nonlinear. It linearizes relationships with surface parameters that tend to be nonlinear.
16. Индекс растительности с оптимизированном учётом почвы OSAVI - этот индекс основан на индексе растительности с поправкой на почву (SAVI). Он использует стандартное значение 0.16 для поправочного коэффициента фона навеса. Этот индекс лучше всего использовать на участках с относительно редкой растительностью, где почва видна сквозь полог. 16. Soil-Adjusted Vegetation Index OSAVI - This index is based on the Soil-Adjusted Vegetation Index (SAVI). It uses a standard value of 0.16 for the canopy background correction factor. This index is best used in areas with relatively sparse vegetation where the soil is visible through the canopy.
17. Перенормированный разностный вегетационный индекс RDVI - этот индекс использует разницу между длинами волн ближнего инфракрасного и красного, а также NDVI, чтобы выделить здоровую растительность. 17. Renormalized Difference Vegetation Index RDVI - This index uses the difference between near-infrared and red wavelengths, as well as NDVI, to highlight healthy vegetation.
18. Почвенный вегетационный индекс SAVI - индекс представляет собой метод преобразования, который сводит к минимуму влияние яркости почвы со стороны спектральных индексов растительности с использованием длин волн красного и ближнего инфракрасного (БИК) диапазона. 18. Soil Vegetation Index SAVI - The index is a conversion method that minimizes the influence of soil brightness from spectral vegetation indices using red and near-infrared (NIR) wavelengths.
19. Трансформированный разностный вегетационный индекс TDVI - этот индекс полезен для мониторинга растительного покрова в городской среде. 19. Transformed difference vegetation index TDVI - this index is useful for monitoring vegetation cover in an urban environment.
20. Триангулярный вегетационный индекс TGI - в данном индексе Л представляют собой центральные длины волн соответствующих полос, р представляют собой значения пикселей этих полос. Индекс TGI сильно коррелирует с содержанием хлорофилла в листьях. Значения TGI положительны, когда коэффициент отражения зеленого больше, чем линия между красной и синей вершинами. Это соответствует зеленой растительности. TGI отрицателен, когда коэффициент отражения зеленого меньше линии между красной и синей вершинами. Это соответствует таким особенностям, как красные почвы. 20. Triangular vegetation index TGI - in this index, L represents the central wavelengths of the corresponding bands, p represents the pixel values of these bands. The TGI index is highly correlated with the chlorophyll content of leaves. TGI values are positive when the green reflectance is greater than the line between the red and blue vertices. This corresponds to green vegetation. TGI is negative when the green reflectance is less than the line between the red and blue vertices. This corresponds to features such as red soils.
21. Видимый атмосферостойкий вегетационный индекс VARI - этот индекс основан на ARVI и используется для оценки доли растительности в сцене с низкой чувствительностью к атмосферным воздействиям. 22. Нормализованный разностный вегетационный индекс WDRVI - этот индекс аналогичен NDVI, однако в нем используется весовой коэффициент а, чтобы уменьшить несоответствие между вкладом сигналов ближнего инфракрасного и красного в NDVL WDRVI особенно эффективен в сценах с плотностью растительности от умеренной до высокой, когда NDVI превышает 0.6. 21. Apparent Weathering Vegetation Index VARI - This index is based on ARVI and is used to estimate the proportion of vegetation in a scene with low weather sensitivity. 22. Normalized Difference Vegetation Index WDRVI - This index is similar to NDVI, however it uses a weighting factor a to reduce the discrepancy between the contributions of near-infrared and red signals to NDVL WDRVI is especially effective in scenes with moderate to high vegetation density when NDVI exceeds 0.6 .
Для каждого поля в рамках Технологии считается каждый из вышеприведенных индексов с помощью Модуля 30. Индексы считаются для каждого пикселя отдельно, далее значения индексов усредняются внутри каждого поля. Таким образом, для каждого поля - для которого проводится предсказание - определяются заданные индексы для каждого из доступных мультиспектральных снимков. Набор индексов считается, начиная с 1 сентября, по момент, когда производится классификация. Например, для определения того, какая сельскохозяйственная культура растет на поле на момент 21 июля 2021 года, индексы считаются с 1 сентября 2020 года по 21 июля 2021 года. For each field within the Technology, each of the above indices is calculated using Module 30. The indices are calculated for each pixel separately, then the index values are averaged within each field. Thus, for each field - for which the prediction is carried out - specified indices are determined for each of the available multispectral images. The set of indices is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field as of July 21, 2021, indices are calculated from September 1, 2020 to July 21, 2021.
На вход Модулю 30 подаются снимки, например, с группы спутников Sentinel-2. Каждый снимок представляет из себя один из 12 спектральных каналов для выбранной области. Далее, используя необходимые спектральные каналы, становится возможным для каждого пикселя посчитать вегетационные индексы. [0065] Соответственно, последовательности из 22 индексов на каждый из доступных дней кодируются в рамках Технологии в фиксированный вектор длины 64. При этом используется модель-энкодер, которая обучена на данных вегетационных индексов за весь доступный период наблюдения. Таким образом, по результатам кодирования данных вегетационных индексов, для каждого сельскохозяйственного поля получается вектор размерности 64, отражающий динамику вегетации. The input to Module 30 is images, for example, from a group of Sentinel-2 satellites. Each image represents one of 12 spectral channels for the selected area. Next, using the necessary spectral channels, it becomes possible to calculate vegetation indices for each pixel. [0065] Accordingly, sequences of 22 indices for each of the available days are encoded within the Technology into a fixed vector of length 64. In this case, an encoder model is used that is trained on vegetation indices data for the entire available observation period. Thus, based on the results of encoding the data of vegetation indices, for each agricultural field a vector of dimension 64 is obtained, reflecting the dynamics of the growing season.
[0066] Построение численных представлений на основе SAR каналов. [0066] Construction of numerical representations based on SAR channels.
В качестве конкретной имплементации для получения каналов SAR (Synthetic Aperture Radar) использовалась группировка спутников Sentinel-1. Sentinel-1 может собирать несколько разных изображений из одной и той же серии импульсов, используя свою антенну для одновременного приема определенных поляризаций. Sentinel-1 - это система, построенная по принципу радиолокационного синтезирования апертуры с двойной поляризацией и сохранением фазы. Он может передавать сигнал либо с горизонтальной (Н), либо с вертикальной (V) поляризацией, а затем принимать сигнал как с Н, так и с V-поляризацией. Объекты на земле имеют отличительные сигнатуры поляризации, отражающие разные поляризации с разной интенсивностью и преобразующие одну поляризацию в другую. Например, объемные рассеиватели (например, полог леса) обладают другими поляризационными свойствами, нежели поверхностные рассеиватели (например, поверхность моря). As a specific implementation for obtaining SAR (Synthetic Aperture Radar) channels, the Sentinel-1 satellite constellation was used. Sentinel-1 can collect multiple different images from the same series of pulses by using its antenna to receive specific polarizations simultaneously. Sentinel-1 is a dual-polarization, phase-maintaining synthetic aperture radar system. It can transmit a signal with either horizontal (H) or vertical (V) polarization, and then receive a signal with both H and V polarization. Objects on earth have distinctive polarization signatures, reflecting different polarizations at different intensities and converting one polarization to another. For example, volumetric scatterers (eg, a forest canopy) have different polarization properties than surface scatterers (eg, the sea surface).
В рамках Технологии используются следующие индексы: The following indices are used within the Technology:
1. VH поляризация; 1. VH polarization;
2. Стандартное отклонение VH поляризации для пикселей внутри поля; 2. Standard deviation of VH polarization for pixels within the field;
3. W поляризация; 3. W polarization;
4. Стандартное отклонение W поляризации для пикселей внутри поля; 4. Standard deviation W of polarization for pixels inside the field;
5. Угол падения луча радиолокационного синтезирования апертуры 5. Angle of incidence of the synthetic aperture radar beam
6. Стандартное отклонение угла падения луча радиолокационного синтезирования апертуры для пикселей внутри поля. Для каждого поля в рамках Технологии считается каждый из вышеприведенных показателей. Показатели считаются для каждого пикселя отдельно, далее значения индексов усредняются внутри каждого поля. Таким образом, для каждого поля - для которого проводится классификация - определяются заданные параметры для каждого из доступных мультиспектральных снимков. Набор параметров считается, начиная с 1 сентября, по момент, когда производится классификация. Например, для определения того, какая сельскохозяйственная культура растет на поле на момент 21 июля 2021 года, параметры считаются с 1 сентября 2020 года по 21 июля 2021 года. 6. Standard deviation of the radar aperture synthesis beam incidence angle for pixels within the field. For each field within the Technology, each of the above indicators is calculated. The indicators are calculated for each pixel separately, then the index values are averaged within each field. Thus, for each field - for which classification is carried out - specified parameters are determined for each of the available multispectral images. The set of parameters is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field at the time of July 21, 2021, the parameters are calculated from September 1, 2020 to July 21, 2021.
На вход Модулю 40 подаются снимки группы спутников Sentinel-1 , в каждом из которых присутствует соответствующая информация по VH поляризации, W поляризации и по углу падения луча радиолокационного синтезирования апертуры. Далее с помощью формулы, представленной выше, Модуль 40 считает соответствующие стандартные отклонения. Данные показатели усредняются для каждого поля. В итоге получается соответствие численных показателей и соответствующих им полей. Images of a group of Sentinel-1 satellites are supplied to the input of Module 40, each of which contains relevant information on VH polarization, W polarization and the angle of incidence of the synthetic aperture radar beam. Next, using the formula presented above, Module 40 calculates the corresponding standard deviations. These indicators are averaged for each field. The result is a correspondence between the numerical indicators and the corresponding fields.
[0067] Последовательности из 6 параметров на каждый из доступных дней кодируются в рамках Технологии в фиксированный вектор длины 16. При этом используется модель-энкодер, которая обучена на этих параметрах за весь доступный период наблюдения. Таким образом, по результатам кодирования параметров, для каждого сельскохозяйственного поля получается вектор размерности 16, отражающий динамику вегетации. [0068] Построение численных представлений на основе оптических каналов. [0067] Sequences of 6 parameters for each of the available days are encoded within the Technology into a fixed vector of length 16. In this case, an encoder model is used that is trained on these parameters for the entire available observation period. Thus, based on the results of encoding the parameters, for each agricultural field a vector of dimension 16 is obtained, reflecting the dynamics of the growing season. [0068] Construction of numerical representations based on optical channels.
В качестве конкретной имплементации для получения оптических каналов использовалась группа спутников Sentinel-2. Sentinel-2 оснащен мультиспектральным тепловизором (MSI). Этот датчик обеспечивает 13 спектральных диапазонов с размером пикселя от 10 до 60 метров. Нет гарантий, что перечисленные выше индексы вегетации хранят в себе всю важную информацию из данных спутника Sentinel-2, поэтому в рамках Технологии используются еще и первичные каналы. В рамках Технологии используются следующие каналы: As a specific implementation, the Sentinel-2 satellite group was used to obtain optical channels. Sentinel-2 is equipped with a multispectral imager (MSI). This sensor provides 13 spectral bands with pixel sizes ranging from 10 to 60 meters. There is no guarantee that the vegetation indices listed above store all the important information from the Sentinel-2 satellite data, therefore, within the Technology, primary channels are also used. The following channels are used within the Technology:
1 . Ультра синий диапазон (VI R) , центральная длина волны - 443 нанометров. 1 . Ultra blue range (VI R), central wavelength - 443 nanometers.
2. Синий диапазон (VIR), центральная длина волны - 490 нанометров. 2. Blue range (VIR), central wavelength - 490 nanometers.
3. Зеленый диапазон (VIR), центральная длина волны - 560 нанометров. 3. Green range (VIR), central wavelength - 560 nanometers.
4. Красный диапазон (VIR), центральная длина волны - 665 нанометров. 4. Red range (VIR), central wavelength - 665 nanometers.
5. Видимый и ближний инфракрасный свет (NIR), центральная длина волны - 705 нанометров. 5. Visible and near infrared light (NIR), central wavelength - 705 nanometers.
6. Видимый и ближний инфракрасный свет (NIR), центральная длина волны - 740 нанометров. 6. Visible and near infrared light (NIR), central wavelength - 740 nanometers.
7. Видимый и ближний инфракрасный свет (NIR), центральная длина волны - 783 нанометра. 7. Visible and near infrared light (NIR), central wavelength - 783 nanometers.
8. Видимый и ближний инфракрасный свет (NIR), центральная длина волны - 842 нанометра. 8. Visible and near infrared light (NIR), central wavelength - 842 nanometers.
9. Видимый и ближний инфракрасный свет (NIR), центральная длина волны - 865 нанометров. 9. Visible and near infrared light (NIR), central wavelength - 865 nanometers.
10. Коротковолновый инфракрасный свет (SWIR), центральная длина волны - 940 нанометров. 10. Short-wave infrared light (SWIR), central wavelength - 940 nanometers.
11. Коротковолновый инфракрасный свет (SWIR), центральная длина волны - 1375 нанометров. 11. Short-wave infrared light (SWIR), central wavelength - 1375 nanometers.
12. Коротковолновый инфракрасный свет (SWIR), центральная длина волны - 1610 нанометров. 12. Short-wave infrared light (SWIR), central wavelength - 1610 nanometers.
13. Коротковолновый инфракрасный свет (SWIR), центральная длина волны - 2190 нанометров. 13. Short-wave infrared light (SWIR), central wavelength - 2190 nanometers.
14. Полоса битовой маски с информацией о маске облаков. 14. Bit mask strip with cloud mask information.
Для каждого поля в рамках Технологии считается каждый из вышеприведенных показателей. Показатели считаются для каждого пикселя отдельно, далее значения индексов усредняются внутри каждого поля. Таким образом, для каждого поля - для которого проводится классификация - определяются заданные параметры для каждого из доступных мультиспектральных снимков. Набор параметров считается, начиная с 1 сентября, по момент, когда производится классификация. Например, для определения того, какая сельскохозяйственная культура растет на поле на момент 21 июля 2021 года, параметры считаются с 1 сентября 2020 года по 21 июля 2021 года. For each field within the Technology, each of the above indicators is calculated. The indicators are calculated for each pixel separately, then the index values are averaged within each field. So for each field - for which classification is carried out - the specified parameters are determined for each of the available multispectral images. The set of parameters is considered starting from September 1, until the moment when the classification is made. For example, to determine what crop is growing in a field at the time of July 21, 2021, the parameters are calculated from September 1, 2020 to July 21, 2021.
На вход Модулю 50 подаются снимки в различном разрешении и в разных каналах. Всего на один и тот же участок Земли скачивается 14 различных каналов, то есть на один и тот же участок приходится 14 различных снимков с соответствующими каналами. Images in different resolutions and in different channels are supplied to the input of Module 50. In total, 14 different channels are downloaded to the same area of the Earth, that is, for the same area there are 14 different images with the corresponding channels.
Последовательности из 14 параметров на каждый из доступных дней кодируются в рамках Технологии в фиксированный вектор длины 64. При этом используется модель-энкодер, которая обучена на этих параметрах за весь доступный период наблюдения. Таким образом, по результатам кодирования параметров, для каждого сельскохозяйственного поля получается вектор размерности 64, отражающий динамику вегетации. Sequences of 14 parameters for each of the available days are encoded within the Technology into a fixed vector of length 64. In this case, an encoder model is used that is trained on these parameters for the entire available observation period. Thus, based on the results of encoding the parameters, for each agricultural field a vector of dimension 64 is obtained, reflecting the dynamics of the growing season.
[0069] Построение численных представлений из погодных данных. [0069] Constructing numerical representations from weather data.
В рамках Технологии используются данные с локальных метеорологических станций, однако могут использоваться и данные, полученные со спутников. В общем случае может применяться метод триангуляции для соотношения полей и погодных данных с метеостанций. В конкретном случае, ряд погодных данных для заданного сельскохозяйственного поля определяется выбором ближайшей точки с доступными метеоданными с помощью Модуля 60. После построения соответствия между рассматриваемыми полями и доступными метеостанциями с помощью функционала Модуля 60, происходит процесс получения погодных данных для каждого поля с соответствующей ему метеостанции. Пример, доступны данные с трех метеостанций: А, В и С. Для заданного сельскохозяйственно поля X географически ближайшей метеостанцией является метеостанция В. Таким образом, погодные данные для сельскохозяственного поля используются с метеостанции В. The Technology uses data from local weather stations, but data received from satellites can also be used. In general, the triangulation method can be used to correlate fields and weather data from weather stations. In a specific case, a series of weather data for a given agricultural field is determined by selecting the nearest point with available weather data using Module 60. After constructing a correspondence between the fields in question and available weather stations using the functionality of Module 60, the process of obtaining weather data for each field from its corresponding weather station occurs . Example, data is available from three weather stations: A, B and C. For a given agricultural field X, the geographically closest weather station is weather station B. Thus, the weather data for the agricultural field is used from weather station B.
В рамках Технологии используются следующие погодные данные: The following weather data are used within the Technology:
1 . атмосферное давление; 1 . Atmosphere pressure;
2. относительная влажность воздуха; 2. relative air humidity;
3. скорость ветра; 4. порывы ветра; 3. wind speed; 4. gusts of wind;
5. точка росы; 5. dew point;
6. минимальная температура почвы; 6. minimum soil temperature;
7. минимальная температура воздуха; 7. minimum air temperature;
8. средняя температура воздуха; 8. average air temperature;
9. максимальная температура воздуха; 9. maximum air temperature;
10. стандартное отклонение температуры воздуха; 10. standard deviation of air temperature;
11 .осадки; 11.precipitation;
12. высота снежного покрова. 12. snow depth.
Стандартное отклонение величины X считается по следующей формуле:
Figure imgf000024_0001
The standard deviation of the X value is calculated using the following formula:
Figure imgf000024_0001
Для подсчета стандартного отклонения температуры воздуха Xj представляет из себя одно измерение температуры воздуха за выбранный период времени, д же представляет из себя среднее значение всех измерений температур воздуха за данный период времени. N - количество таких измерений за данный период времени. To calculate the standard deviation of air temperature, Xj is one air temperature measurement for a selected period of time, while d is the average of all air temperature measurements for a given period of time. N is the number of such measurements over a given period of time.
Последовательности из 11 погодных параметров на каждый из доступных дней кодируются в рамках Технологии в фиксированный вектор длины 32. При этом используется модель-энкодер, которая обучена на погодных параметрах за весь доступный период наблюдения. На вход Модулю 70 поступают погодные данные, которые в дальнейшем преобразовываются Модулем 70 в вектор, характеризующий погодные данные для рассматриваемого поля. Таким образом, по результатам кодирования погодных параметров, для каждого сельскохозяйственного поля получается вектор размерности 32, отражающий динамику погоды. Sequences of 11 weather parameters for each of the available days are encoded within the Technology into a fixed vector of length 32. In this case, an encoder model is used, which is trained on weather parameters for the entire available observation period. Module 70 receives weather data as input, which is subsequently converted by Module 70 into a vector characterizing weather data for the field under consideration. Thus, based on the results of encoding weather parameters, for each agricultural field a vector of dimension 32 is obtained, reflecting the weather dynamics.
[0070] Модуль 80 определения вида с/х культуры поля может быть реализован на базе вычислительного устройство и содержать: [0070] Module 80 for determining the type of agricultural crop in a field can be implemented on the basis of a computing device and contain:
- модуль обучения модели предсказания вида сельскохозяйственных культур. Данный модуль включает набор программного обеспечения для обучения модели предсказания вида сельскохозяйственных культур. - module for training a model for predicting the type of crops. This module includes a set of software for training a crop type prediction model.
- модуль получения предсказаний. Данный модуль включает набор программного обеспечения для получения предсказаний по заданным полям. По результатам работы для каждого поля определяется вид сельскохозяйственной культуры на определенный год сбора урожая. - module for obtaining predictions. This module includes a set of software for obtaining predictions for specified fields. Based on the results of the work, the type of agricultural crop for a certain harvest year is determined for each field.
[0071] Модуль обучения модели предсказания вида с/х культур. [0071] Module for training a model for predicting the type of agricultural crops.
Отличительной чертой Технологии является то, что в рамках нее реализовано автоматическое дообучение модели определения вида сельскохозяйственных культур. При единократном обучении возникает проблема ее переносимости и деградации качества со временем. Пример - это невозможность точных прогнозов на регионах, по которым не было обучающих данных, которые существенно отличаются по условиям вегетации сельскохозяйственных культур, погоды и технологии возделывания почвы. A distinctive feature of the Technology is that it implements automatic additional training of a model for determining the type of crops. With one-time training, the problem of its portability and degradation of quality over time arises. An example is the impossibility of accurate forecasts in regions for which there was no training data, which differ significantly in crop growing conditions, weather and soil cultivation technology.
Процесс дообучения в Модуле 70 происходит посредством загрузки дополнительных данных в директорию, в которой изначально хранятся все данные для обучения. Далее при запуске повторного обучения модели Модуля 80 новые загруженные данные будут автоматически добавлены в новую конечную обучающую выборку Модуля 70. The process of additional training in Module 70 occurs by loading additional data into the directory in which all training data is initially stored. Then, when you start retraining the Module 80 model, the new loaded data will be automatically added to the new final Module 70 training set.
[0072] Решение, выдвинутое в рамках Технологии, заключается в постоянном дообучении моделей при появлении новых данных. С помощью программного обеспечения становится возможным эффективно проводить дообучение моделей и, таким образом поддерживать качество предсказаний. На Фиг. 3 показан схематично механизм дообучения модели определения вида с/х культур для определенных полей. При появлении новых доступных данных они добавляются в общий корпус обучающих данных и модель обучается заново. По итогам такого дообучения повышается способность модели к генерализации. [0072] The solution put forward within the Technology is to constantly retrain models when new data appears. Using the software, it becomes possible to effectively retrain models and thus maintain the quality of predictions. In FIG. Figure 3 schematically shows the mechanism for additional training of the model for determining the type of agricultural crops for certain fields. As new data becomes available, it is added to the overall training data corpus and the model is retrained. As a result of such additional training, the model’s ability to generalize increases.
[0073] Обучение моделей. [0073] Model training.
Обучение моделей производится с использованием следующих данных: Models are trained using the following data:
1. численные представления индексов вегетации; 1. numerical representations of vegetation indices;
2. численные представления данных, полученных от SAR каналов; 2. numerical representations of data received from SAR channels;
3. численные представления данных, полученных от оптических каналов;3. numerical representations of data received from optical channels;
4. численные представления погодных данных; 4. numerical representations of weather data;
Из всех данных формируется обучающий корпус, который используется для построения модели определения вида сельскохозяйственной культуры. Процесс обучения представляет из себя итеративную оптимизацию с целью получить минимальную ошибку на тренировочных данных. Обучение проводится таким образом, модель способна определять сельскохозяйственную культуру в любой момент времени по ходу посевного сезона. Это достигается включением в обучающий корпус так же примеров, которые урезаны по составу кодируемых значений. Пример, в корпус включаются данные в которых все последовательности посчитаны не по конец сезона, а по 1 мая, по 1 июня и так далее. From all the data, a training corpus is formed, which is used to build a model for determining the type of agricultural crop. The training process is an iterative optimization with the goal of obtaining a minimum error on the training data. Training is carried out like this Thus, the model is able to determine the crop at any time during the planting season. This is achieved by including in the training corpus examples that are trimmed in terms of the composition of the coded values. For example, the corpus includes data in which all sequences are calculated not at the end of the season, but at May 1, June 1, and so on.
[0074] Модуль получения предсказаний. [0074] Prediction acquisition module.
Модуль получения предсказаний представляет из себя набор программного обеспечения, который по подготовленным данным определяет вероятности размещения на определенном поле сельскохозяйственных видов культур. В дальнейшем, на основе этих вероятностей, выбирается культура с наибольшим значением, которая и ставиться в соответствие рассматриваемому полю. Модуль использует следующие данные: The prediction module is a set of software that, based on prepared data, determines the probabilities of placing agricultural crops on a certain field. Subsequently, based on these probabilities, the culture with the highest value is selected and assigned to the field under consideration. The module uses the following data:
1. численные представления индексов вегетации; 1. numerical representations of vegetation indices;
2. численные представления данных, полученных от каналов SAR; 2. numerical representations of data received from SAR channels;
3. численные представления данных, полученных от оптических каналов;3. numerical representations of data received from optical channels;
4. численные представления погодных данных; 4. numerical representations of weather data;
Предобработка и получение данных происходит в соответствии с модулями 30, 40, 50, и 60 соответственно. Все данные получаются для определенного набора полей, которые подаются на вход. Для каждого такого поля известны его координаты. Далее предобработанные данные соединяются в единый датафрейм по времени получения наблюдений. После предобработки Модуль 70 формирует готовый датафрейм с названием полей и соответствующими им данными. Этот датафрейм поступает на вход модели Модуля 80 для прогнозирования вида сельскохозяйственных культур для полей. Preprocessing and data acquisition occurs in accordance with modules 30, 40, 50, and 60, respectively. All data is obtained for a specific set of fields that are supplied as input. For each such field its coordinates are known. Next, the preprocessed data is combined into a single dataframe based on the time the observations were received. After preprocessing, Module 70 generates a ready-made dataframe with the names of the fields and the corresponding data. This dataframe is input to the Module 80 model to predict the type of crops for the fields.
На выходе формируются значения, с помощью которых определяется к какому виду культуры относится рассматриваемое поле, например, на основе максимального значения вероятности размещения на поле с/х культуры. The output generates values that help determine what type of crop the field in question belongs to, for example, based on the maximum value of the probability of placing an agricultural crop on the field.
[0075] Диаграмма потоков данных. [0075] Data flow diagram.
Диаграмма потоков данных с описанием формата и типа информации на каждом шаге приведена на Рисунке 4. Пошагово используются следующие форматы и типы данных: 1. Оператор передает всю информацию по сельскохозяйственным полям в формате csv файлов на вход модуля построения численных представлений. A data flow diagram describing the format and type of information at each step is shown in Figure 4. The following formats and data types are used step by step: 1. The operator transmits all information on agricultural fields in csv file format to the input of the module for constructing numerical representations.
2. По результатам кодирования формируются данные с численными представлениями индексов, погоды, каналов и пр. 2. Based on the encoding results, data is generated with numerical representations of indices, weather, channels, etc.
3. Модуль получения предсказаний, с помощью обученной модели, определяет вероятность размещения сельскохозяйственного вида культуры для каждого отдельного поля. В дальнейшем, полю присваивается культура с наибольшим значением вероятности. Результаты работы формируются для оператора в файле формата csv. 3. The prediction module, using a trained model, determines the probability of placing an agricultural type of crop for each individual field. Subsequently, the field is assigned the crop with the highest probability value. The results of the work are generated for the operator in a csv file.
[0076] Система обработки данных работает следующим образом. [0076] The data processing system operates as follows.
[0077] На первом этапе работы системы обработки данных модуль 20 управления данными получает запрос на определение вида сельскохозяйственной культуры. Упомянутый запрос может быть направлен, например, посредством устройства 5 пользователя, которое может представлять собой портативный или стационарный компьютер, телефон, смартфон, планшет или прочее вычислительное устройство, оснащенное проводными и/или беспроводными средствами связи, предназначенными для обмена данными с упомянутым модулем 20. [0077] In the first stage of operation of the data processing system, the data management module 20 receives a request to determine the type of crop. Said request may be sent, for example, through a user device 5, which may be a laptop or desktop computer, telephone, smartphone, tablet or other computing device equipped with wired and/or wireless communication means designed to exchange data with said module 20.
[0078] Для формирования запроса на определение вида сельскохозяйственной культуры для определенного поля модуль 20 управления данными, после обращения к нему устройства 5, может предоставить доступ к информации о наборе с/х полей, для которых может быть определен вид сельскохозяйственной культуры. Например, упомянутая информация о наборе с/х полей может быть представлена пользователю устройства 5 в графическом интерфейсе пользователя, в котором пользователь также может выбрать по меньшей мере одно интересующее пользователя с/х поле, для которого необходимо определить вид сельскохозяйственной культуры. [0078] To generate a request to determine the type of crop for a specific field, the data management module 20, after accessing it from the device 5, can provide access to information about a set of agricultural fields for which the type of crop can be determined. For example, said information about a set of agricultural fields can be presented to the user of the device 5 in a graphical user interface, in which the user can also select at least one agricultural field of interest to the user for which the crop type needs to be determined.
[0079] В альтернативном варианте реализации представленного решения пользователь устройства 5 может сформировать текстовый файл и указать в нем координаты по меньшей мере одного с/х поля, для которого следует определить вид сельскохозяйственной культуры, после чего устройством 5 будет сформирован запрос на определение вида с/х культуры поля, содержащий упомянутый текстовый файл. Дополнительно в запрос на определение урожайности с/х поля пользователем устройства 5 могут быть включены данные, характеризующие историю севооборота, содержащие информацию о видах культур, которые были засажены на данном поле. [0079] In an alternative embodiment of the presented solution, the user of device 5 can generate a text file and indicate in it the coordinates of at least one agricultural field for which the type of crop should be determined, after which device 5 will generate a request to determine the type of agricultural crop. x crop field containing the mentioned text file. Additionally, in the request to determine the yield of an agricultural field, the user of device 5 can include data characterizing history of crop rotation containing information about the types of crops that were planted in a given field.
[0080] Соответственно, запрос на определение вида сельскохозяйственной культуры для определенного поля, полученный модулем 20 управления данными, может содержать идентификатор (ID) с/х поля. Упомянутый модуль 20 извлекает из полученного запроса ID с/х поля и обращается к БД 10 для извлечения данных, относящихся к упомянутому ID с/х поля. В частности, упомянутый модуль 20 извлекает: [0080] Accordingly, a request to determine the type of crop for a certain field received by the data management module 20 may include an identifier (ID) of the agricultural field. Said module 20 retrieves the agricultural field ID from the received request and accesses the DB 10 to retrieve data related to said agricultural field ID. In particular, said module 20 retrieves:
- координаты с/х поля; - coordinates of the agricultural field;
- координаты центра с/х поля; - coordinates of the center of the agricultural field;
- первый набор мультиспектральных снимков за заданный разработчиком модуля 20 период времени, причем каждый мультиспектральный снимок с/х поля содержит значения поляризации света, в частности значения VH поляризации, W поляризации и угла падения луча радиолокационного синтезирования апертуры; - the first set of multispectral images for a period of time specified by the developer of the module 20, and each multispectral image of an agricultural field contains light polarization values, in particular the values of VH polarization, W polarization and the angle of incidence of the synthetic aperture radar beam;
- второй набор мультиспектральных снимков за заданный разработчиком модуля 20 период времени, причем каждый мультиспектральный снимок с/х поля содержит значения интенсивности пикселей в видимом инфракрасном спектре, ближнем инфракрасном спектре и коротковолновом инфракрасном спектре, а также значения облачности пикселей изображения, которые могут быть представлены, например, в виде бинарной маски, значения которой указывают, является ли пиксель с/х поля облачным или нет; - a second set of multispectral images for a period of time specified by the developer of the module 20, and each multispectral image of an agricultural field contains pixel intensity values in the visible infrared spectrum, near-infrared spectrum and short-wave infrared spectrum, as well as cloudiness values of image pixels that can be represented, for example, in the form of a binary mask, the values of which indicate whether a pixel in an agricultural field is cloudy or not;
- индексы влагосодержания почвы за заданный разработчиком модуля 20 период времени, привязанные к координатам, в которых проводилось измерение влагосодержания почвы, например, в слое 7 - 28 см; - indices of soil moisture content for a period of time specified by the developer of module 20, tied to the coordinates in which the soil moisture content was measured, for example, in a layer of 7 - 28 cm;
- погодные данные с метеостанций за заданный разработчиком модуля 20 период времени, привязанные к координатам метеостанций, включающие показатели: атмосферного давления; относительной влажности воздуха; скорости ветра; порывов ветра; точки росы; минимальной температуры почвы; минимальной температуры воздуха; средней температуры воздуха; максимальной температуры воздуха; стандартного отклонения температуры воздуха; осадков; высоты снежного покрова. - weather data from weather stations for a period of time specified by the developer of module 20, linked to the coordinates of weather stations, including indicators: atmospheric pressure; relative air humidity; wind speed; gusts of wind; dew point; minimum soil temperature; minimum air temperature; average air temperature; maximum air temperature; standard deviation of air temperature; precipitation; snow depth.
[0081] Далее второй набор мультиспектральных снимков с/х поля направляется упомянутым модулем 20 в модуль 30 определения индексов вегетации с/х поля, который на основе полученных данных мультиспектральных снимков определяет для каждого снимка набор индексов вегетации с/х поля. Количество индексов вегетации, входящих в упомянутый набор, может быть заранее задано разработчиком модуля 30. Набор индексов вегетации с/х поля для каждого мультиспектрального снимка с/х поля из второго набора определяется следующим образом. [0081] Next, the second set of multispectral images of the agricultural field is sent by the mentioned module 20 to the module 30 for determining agricultural field vegetation indices, which, based on the received multispectral image data, determines a set of agricultural field vegetation indices for each image. Number of indexes vegetation included in the mentioned set can be preset by the developer of module 30. The set of agricultural field vegetation indices for each multispectral image of an agricultural field from the second set is determined as follows.
[0082] Для определения индекса облачности с/х поля упомянутый модуль 30 извлекает из полученных данных мультиспектрального снимка значения облачности пикселей изображения, после чего на основе количества облачных пикселей определяет упомянутый индекс облачности с/х поля, например, как отношение количества облачных пикселей к общему к количеству пикселей с/х[0082] To determine the cloudiness index of an agricultural field, the mentioned module 30 extracts from the received multispectral image data the cloudiness values of the image pixels, and then, based on the number of cloudy pixels, determines the mentioned cloudiness index of the agricultural field, for example, as the ratio of the number of cloudy pixels to the total to the number of agricultural pixels
ПОЛЯ. FIELDS.
[0083] Для определения нормализованного вегетационного индекса (NDVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение NDVI.[0083] To determine the normalized vegetation index (NDVI), the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the NDVI value for each pixel .
Например, упомянутое значение может быть определено по формуле: For example, the mentioned value can be determined by the formula:
(NIR - Red) (NIR - Red)
NDVI = NDVI=
(NIR + Red) (NIR+Red)
Далее упомянутый модуль 30 на основе значений NDVI пикселей определяет среднее значение NDVI, которое и назначается в качестве индекса NDVI с/х полю. [0084] Также на основе значения интенсивности пикселя в NIR и значения интенсивности пикселя в красном диапазоне упомянутый модуль 30 определяет значения разностного вегетационного индекса (DVI) для каждого пикселя с/х поля. Например, значение DVI может быть определено по формуле: Next, the mentioned module 30, based on the NDVI values of the pixels, determines the average NDVI value, which is assigned as the NDVI index to the agricultural field. [0084] Also based on the NIR pixel intensity value and the red pixel intensity value, said module 30 determines difference vegetation index (DVI) values for each pixel of the agricultural field. For example, the DVI value can be determined by the formula:
DVI = NIR - Red DVI = NIR - Red
Далее упомянутый модуль 30 определяет на основе значений DVI пикселей среднее значение DVI, которое и назначается в качестве индекса DVI с/х полю. Next, said module 30 determines, based on the DVI values of the pixels, an average DVI value, which is assigned as a DVI index to the agricultural field.
[0085] Для определения усовершенствованного вегетационного индекса (EVI) упомянутый модуль 30, помимо значения интенсивности пикселя в NIR и значения интенсивности пикселя в красном диапазоне, также извлекает для каждого пикселя значение интенсивности пикселя в синем диапазоне, после чего на их основе упомянутый модуль 30 для каждого пикселя определяет значение EVL Например, значение EVI может быть определено по формуле: [0085] To determine the enhanced vegetation index (EVI), the mentioned module 30, in addition to the NIR pixel intensity value and the red pixel intensity value, also extracts the blue pixel intensity value for each pixel, after which, based on them, the mentioned module 30 for each pixel is determined by the EVL value. For example, the EVI value can be determined by the formula:
EVI = 2.5
Figure imgf000029_0001
EVI = 2.5
Figure imgf000029_0001
(NIR + 6 * Red - 7.5 * Blue + 1) Далее упомянутый модуль 30 определяет на основе значений EVI пикселей среднее значение EVI, которое и назначается в качестве индекса EVI с/х полю. (NIR + 6 * Red - 7.5 * Blue + 1) Next, said module 30 determines, based on the EVI values of the pixels, the average EVI value, which is assigned as the EVI index to the agricultural field.
[0086] Значение индекса глобального мониторинга окружающей среды (Gemi) для каждого пикселя изображения с/х поля упомянутым модулем 30 может быть также определено на основе значения интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне, например, по формуле: [0086] The global environmental monitoring index (Gemi) value for each pixel of the agricultural field image by said module 30 can also be determined based on the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the red range, for example, by formula:
Red - 0.125 Red - 0.125
GEMI = eta(l — 0.25 v
Figure imgf000030_0001
где: GEMI = eta(l - 0.25 v
Figure imgf000030_0001
Where:
> 2( /K2 - Red2) + 1.5 * NIR + 0.5 * Red eta ~ NIR + Red + 0.5 > 2( /K 2 - Red 2 ) + 1.5 * NIR + 0.5 * Red e ta ~ NIR + Red + 0.5
Далее упомянутый модуль 30 на основе значений Gemi пикселей определяет среднее значение Gemi, которое и назначается в качестве индекса Gemi с/х полю. [0087] Для определения индекса зеленой растительности, стойкой к влиянию атмосферы (Gari), упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR), значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение Gari. Например, упомянутое значение может быть определено по формуле:
Figure imgf000030_0002
Next, the mentioned module 30, based on the Gemi values of the pixels, determines the average Gemi value, which is assigned as the Gemi index to the agricultural field. [0087] To determine the green vegetation index resistant to atmospheric influences (Gari), the mentioned module 30 for each pixel extracts from the acquired multispectral image data a pixel intensity value in the near infrared spectrum (NIR), a pixel intensity value in the blue range, a pixel intensity value in the green range and the pixel intensity value in the red range and based on them, the Gari value is determined for each pixel. For example, the mentioned value can be determined by the formula:
Figure imgf000030_0002
Далее упомянутый модуль 30 на основе значений Gari пикселей определяет среднее значение Gari, которое и назначается в качестве индекса Gari с/х полю. Next, the mentioned module 30, based on the Gari values of the pixels, determines the average Gari value, which is assigned as the Gari index to the agricultural field.
[0088] Для определения индекса зеленой разницы в растительности (GDVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяет значение GDVI. Например, упомянутое значение может быть определено по формуле: [0088] To determine the green difference vegetation index (GDVI), the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines for each pixel GDVI value. For example, the mentioned value can be determined by the formula:
GDVI = NIR - Green GDVI = NIR - Green
Далее упомянутый модуль 30 на основе значений GDVI пикселей определяет среднее значение GDVI, которое и назначается в качестве индекса GDVI с/х полю. [0089] Для определения индекса зелёности листьев (GLI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение GLI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000031_0001
Next, the mentioned module 30, based on the GDVI values of the pixels, determines the average GDVI value, which is assigned as the GDVI index to the agricultural field. [0089] To determine the leaf greenness index (GLI), the module 30, for each pixel, extracts from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel determines the GLI value. For example, the mentioned value can be determined by the formula:
Figure imgf000031_0001
Далее упомянутый модуль 30 на основе значений GLI пикселей определяет среднее значение GLI, которое и назначается в качестве индекса GLI с/х полю. Next, the mentioned module 30, based on the GLI values of the pixels, determines the average GLI value, which is assigned as the GLI index to the agricultural field.
[0090] Для определения оптимизированного индекса почвенной растительности (GOSAVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяет значение GOSAVI. Например, упомянутое значение может быть определено по формуле: [0090] To determine the optimized soil vegetation index (GOSAVI), the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines the value for each pixel GOSAVI. For example, the mentioned value can be determined by the formula:
NIR — Green NIR - Green
GOSAVI = -GOSAVI = -
NIR + Green + 0.16 NIR + Green + 0.16
Далее упомянутый модуль 30 на основе значений GOSAVI пикселей определяет среднее значение GOSAVI, которое и назначается в качестве индекса GOSAVI с/хNext, the mentioned module 30, based on the GOSAVI values of the pixels, determines the average GOSAVI value, which is assigned as the agricultural GOSAVI index
ПОЛЮ. FIELD.
[0091] Для определения почвенного индекса зелености (GSAVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяет значение GSAVI. Например, упомянутое значение может быть определено по формуле: [0091] To determine the soil greenness index (GSAVI), the mentioned module 30 for each pixel extracts from the obtained multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the green range and based on them determines the GSAVI value for each pixel . For example, the mentioned value can be determined by the formula:
(NIR — Green) GSAVI = 1.5 * — - -(NIR - Green) GSAVI = 1.5 * - - -
(NIR + Green + 0.5) (NIR + Green + 0.5)
Далее упомянутый модуль 30 на основе значений GSAVI пикселей определяет среднее значение GSAVI, которое и назначается в качестве индекса GSAVI с/х полю. Next, the mentioned module 30, based on the GSAVI values of the pixels, determines the average GSAVI value, which is assigned as the GSAVI index to the agricultural field.
[0092] Для определения инфракрасного вегетационного индекса (IPVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение IPVI.[0092] To determine the infrared vegetation index (IPVI), the module 30, for each pixel, extracts from the acquired multispectral image data a pixel intensity value in the near infrared spectrum (NIR) and a pixel intensity value in the red spectrum range and, based on them, determines the IPVI value for each pixel.
Например, упомянутое значение может быть определено по формуле: For example, the mentioned value can be determined by the formula:
NIRNIR
IPVI = -IPVI = -
NIR + Red NIR+Red
Далее упомянутый модуль 30 на основе значений IPVI пикселей определяет среднее значение IPVI, которое и назначается в качестве индекса IPVI с/х полю. Next, the mentioned module 30, based on the IPVI values of the pixels, determines the average IPVI value, which is assigned as the IPVI index to the agricultural field.
[0093] Индекс листовой поверхности (LAI) с/х поля упомянутым модулем 30 может быть определен на основе значения индекса EVI с/х поля, например, по формуле: [0093] The leaf area index (LAI) of the agricultural field by said module 30 can be determined based on the EVI value of the agricultural field, for example, by the formula:
LAI = (3.618 * EV1 - 0.118) LAI = (3.618 * EV1 - 0.118)
[0094] Для определения модифицированного нелинейного вегетационного индекса (MNLI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение MNLI.[0094] To determine the modified nonlinear vegetation index (MNLI), the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel MNLI.
Например, упомянутое значение может быть определено по формуле:
Figure imgf000032_0001
где L - значение поправочного коэффициента фона, заданное разработчиком модуля 30, которое может ровняться, например, 0.5. For example, the mentioned value can be determined by the formula:
Figure imgf000032_0001
where L is the value of the background correction factor specified by the developer of module 30, which can be, for example, 0.5.
Далее упомянутый модуль 30 на основе значений MNLI пикселей определяет среднее значение MNLI, которое и назначается в качестве индекса MNLI с/х полю. [0095] Для определения модифицированного индекса растительности с коррекцией по почве (MSAVI2) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение MSAVI2. Например, упомянутое значение может быть определено по формуле:
Figure imgf000032_0002
Next, the mentioned module 30, based on the MNLI values of the pixels, determines the average MNLI value, which is assigned as the MNLI index to the agricultural field. [0095] To determine the Modified Soil Corrected Vegetation Index (MSAVI2), said module 30 extracts from the acquired multispectral image data, for each pixel, a near-infrared (NIR) pixel intensity value and a red pixel intensity value, and based thereon for each pixel is determined by the MSAVI2 value. For example, the mentioned value can be determined by the formula:
Figure imgf000032_0002
Далее упомянутый модуль 30 на основе значений MSAVI2 пикселей определяет среднее значение MSAVI2, которое и назначается в качестве индекса MSAVI2 с/х полю. Next, the mentioned module 30, based on the MSAVI2 pixel values, determines the average MSAVI2 value, which is assigned as the MSAVI2 index to the agricultural field.
[0096] Для определения нелинейного вегетационного индекса (NLI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение NLI. Например, упомянутое значение может быть определено по формуле: [0096] To determine the non-linear vegetation index (NLI), said module 30 for each pixel extracts from the received data of a multispectral image, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them, the NLI value is determined for each pixel. For example, the mentioned value can be determined by the formula:
_ NIR2 - Red NIR2 + Red _ NIR 2 - Red NIR 2 + Red
Далее упомянутый модуль 30 на основе значений NLI пикселей определяет среднее значение NLI, которое и назначается в качестве индекса NLI с/х полю. Next, the mentioned module 30, based on the NLI values of the pixels, determines the average NLI value, which is assigned as the NLI index to the agricultural field.
[0097] Для определения индекса растительности с оптимизированном учётом почвы (OSAVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение OSAVI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000033_0001
[0097] To determine the Optimized Soil Sensitive Vegetation Index (OSAVI), said module 30 extracts, from the acquired multispectral image data, a near-infrared (NIR) pixel intensity value and a red pixel intensity value for each pixel, and based thereon for each pixel. defines the OSAVI value. For example, the mentioned value can be determined by the formula:
Figure imgf000033_0001
Далее упомянутый модуль 30 на основе значений OSAVI пикселей определяет среднее значение OSAVI, которое и назначается в качестве индекса OSAVI с/х полю. Next, the mentioned module 30, based on the OSAVI values of the pixels, determines the average OSAVI value, which is assigned as the OSAVI index to the agricultural field.
[0098] Для определения перенормированного разностного вегетационного индекса (RDVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение RDVI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000033_0002
[0098] To determine the renormalized difference vegetation index (RDVI), the mentioned module 30 for each pixel extracts from the received multispectral image data the value of the pixel intensity in the near-infrared spectrum (NIR) and the value of the pixel intensity in the red range and, based on them, determines the value for each pixel RDVI. For example, the mentioned value can be determined by the formula:
Figure imgf000033_0002
Далее упомянутый модуль 30 на основе значений RDVI пикселей определяет среднее значение RDVI, которое и назначается в качестве индекса RDVI с/х полю. [0099] Для определения почвенного вегетационного индекса (SAVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение SAVL Например, упомянутое значение может быть определено по формуле: > 1.5 SAVI ~ (NI
Figure imgf000034_0001
Next, the mentioned module 30, based on the RDVI values of the pixels, determines the average RDVI value, which is assigned as the RDVI index to the agricultural field. [0099] To determine the soil vegetation index (SAVI), the mentioned module 30 for each pixel extracts from the obtained multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the SAVL value for each pixel For example, the mentioned value can be determined by the formula: > 1.5 S AVI ~ (NI
Figure imgf000034_0001
Далее упомянутый модуль 30 на основе значений SAVI пикселей определяет среднее значение SAVI, которое и назначается в качестве индекса SAVI с/х полю. [0100] Для определения трансформированного разностного вегетационного индекса (TDVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение TDVL Например, упомянутое значение может быть определено по формуле: Next, the mentioned module 30, based on the SAVI values of the pixels, determines the average SAVI value, which is assigned as the SAVI index to the agricultural field. [0100] To determine the transformed difference vegetation index (TDVI), the mentioned module 30 for each pixel extracts from the received multispectral image data the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel TDVL For example, the mentioned value can be determined by the formula:
TDVI = 1.5 Г 1
Figure imgf000034_0002
0.5 TDVI = 1.5 G 1
Figure imgf000034_0002
0.5
Далее упомянутый модуль 30 на основе значений TDVI пикселей определяет среднее значение TDVI, которое и назначается в качестве индекса TDVI с/х полю. [0101] Для определения триангулярного вегетационного индекса (TGI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение TGI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000034_0003
Next, the mentioned module 30, based on the TDVI values of the pixels, determines the average TDVI value, which is assigned as the TDVI index to the agricultural field. [0101] To determine the triangular vegetation index (TGI), the module 30 extracts for each pixel from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel determines the TGI value. For example, the mentioned value can be determined by the formula:
Figure imgf000034_0003
Упомянутые параметры, предназначенные для определения значения TGI, может быть получены известными из уровня техники методами, например, раскрытыми в статье Hunt, Е., С. Daughtry, J. Eitel, and D. Long, "Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index." Agronomy Journal 103, No. 4 (2011): 1090-1099. Далее упомянутый модуль 30 на основе значений TGI пикселей определяет среднее значение TGI, которое и назначается в качестве индекса TGI с/х полю. Said parameters for determining the TGI value can be obtained by methods known in the art, for example those disclosed in Hunt, E., S. Daughtry, J. Eitel, and D. Long, “Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index." Agronomy Journal 103, no. 4 (2011): 1090-1099. Next, the mentioned module 30, based on the TGI values of the pixels, determines the average TGI value, which is assigned as the TGI index to the agricultural field.
[0102] Для определения видимого атмосферостойкого вегетационного индекса (VARI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение VARI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000035_0001
[0102] To determine the visible weather-resistant vegetation index (VARI), the mentioned module 30 for each pixel extracts from the acquired multispectral image data a pixel intensity value in the blue range, a pixel intensity value in the green range and a pixel intensity value in the red range and based on them for each pixel defines the VARI value. For example, the mentioned value can be determined by the formula:
Figure imgf000035_0001
Далее упомянутый модуль 30 на основе значений VARI пикселей определяет среднее значение VARI, которое и назначается в качестве индекса VARI с/х полю. [0103] Для определения нормализованного разностного вегетационного индекса (WDRVI) упомянутый модуль 30 для каждого пикселя извлекает из полученных данных мультиспектрального снимка значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяет значение WDRVI. Например, упомянутое значение может быть определено по формуле:
Figure imgf000035_0002
Next, the mentioned module 30, based on the VARI values of the pixels, determines the average VARI value, which is assigned as the VARI index to the agricultural field. [0103] To determine the normalized difference vegetation index (WDRVI), the mentioned module 30 for each pixel extracts from the acquired multispectral image data the pixel intensity value in the near infrared spectrum (NIR) and the pixel intensity value in the red range and based on them determines the value for each pixel WDRVI. For example, the mentioned value can be determined by the formula:
Figure imgf000035_0002
Далее упомянутый модуль 30 на основе значений WDRVI пикселей определяет среднее значение WDRVI, которое и назначается в качестве индекса WDRVI с/хNext, the mentioned module 30, based on the WDRVI values of the pixels, determines the average WDRVI value, which is assigned as the agricultural WDRVI index
ПОЛЮ. FIELD.
[0104] Таким образом, модуль 30 определения индексов вегетации с/х поля для каждого полученного мультиспектрального снимка осуществляет определение и формирование набора индексов вегетации с/х поля, в который включаются все 22 индекса, определенные упомянутым модулем 30 выше. [0104] Thus, module 30 for determining agricultural field vegetation indices for each received multispectral image determines and generates a set of agricultural field vegetation indices, which includes all 22 indices defined by the aforementioned module 30 above.
[0105] Полученные наборы индексов вегетации направляются упомянутым модулем 30 в модуль 70 построения численных представлений. [0105] The resulting sets of vegetation indices are sent by the mentioned module 30 to the module 70 for constructing numerical representations.
[0106] Также второй набор мультиспектральных снимков с/х поля направляется упомянутым модулем 20 в модуль 50 определения спектральных характеристик, который на основе полученных данных мультиспектральных снимков определяет для каждого снимка набор цветовых параметров с/х поля. Количество цветовых параметров, входящих в упомянутый набор, может быть заранее задано разработчиком модуля 50. Набор цветовых параметров для каждого снимка из второго набора определяется следующим образом. [0106] Also, the second set of multispectral images of the agricultural field is sent by the mentioned module 20 to the module 50 for determining spectral characteristics, which, based on the received multispectral image data, determines a set of color parameters of the agricultural field for each image. The number of color parameters included in the said set can be predetermined by the developer of the module 50. The set of color parameters for each image from the second set is determined as follows.
[0107] Для определения набора цветовых показателей упомянутый модуль 50 извлекает из полученных данных для каждого пикселя: [0107] To determine a set of color indicators, said module 50 extracts from the received data for each pixel:
- значение интенсивности пикселя в ультра синем диапазоне, полученное при разрешении 60 метров с центральной длиной волны 443 нанометров; зз - значение интенсивности пикселя в синем диапазоне, полученное при разрешении 10 метров с центральной длиной волны 490 нанометров; - pixel intensity value in the ultra blue range, obtained at a resolution of 60 meters with a central wavelength of 443 nanometers; zz - pixel intensity value in the blue range, obtained at a resolution of 10 meters with a central wavelength of 490 nanometers;
- значение интенсивности пикселя в зеленом диапазоне, полученное при разрешении 10 метров с центральной длиной волны 560 нанометров; - pixel intensity value in the green range obtained at a resolution of 10 meters with a central wavelength of 560 nanometers;
- значение интенсивности пикселя в красном диапазоне, полученное при разрешении 10 метров с центральной длиной волны 665 нанометров; - pixel intensity value in the red range, obtained at a resolution of 10 meters with a central wavelength of 665 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 705 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 705 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 740 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 740 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 783 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 783 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 10 метров с центральной длиной волны 842 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 10 meters with a central wavelength of 842 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 120 метров с центральной длиной волны 865 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 120 meters with a central wavelength of 865 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 940 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 940 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 1375 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 1375 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 1610 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 1610 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 2190 нанометров; - полоса битовой маски с информацией о маске облаков, представляющей значения облачности пикселей изображения с/х поля, где 1 отвечает за наличие облаков и 0 за отсутствие. - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 2190 nanometers; - a bitmask strip with information about the cloud mask, representing the cloudiness values of the pixels of the agricultural field image, where 1 is responsible for the presence of clouds and 0 for the absence.
[0108] Далее упомянутый модуль 50 на основе извлеченных для каждого пикселя упомянутых значений цветовых показателей определяет средние значения цветовых показателей, которые назначаются в качестве набора цветовых показателей с/х полю. Соответственно, набор цветовых показателей определяется для каждого снимка из второго набора, после чего полученные наборы цветовых показателей направляются упомянутым модулем 50 в модуль 70 построения численных представлений. [0108] Next, the mentioned module 50, based on the mentioned color indicator values extracted for each pixel, determines the average color indicator values, which are assigned as a set of color indicators to the agricultural field. Accordingly, a set of color indicators is determined for each image from the second set, after which the resulting sets of color indicators are sent by the mentioned module 50 to the module 70 for constructing numerical representations.
[0109] Первый набор мультиспектральных снимков с/х поля направляется модулем 20 управления данными в модуль 40 определения индексов поляризации, который определяет для каждого мультиспектрального снимка в наборе набор индексов поляризации с/х поля. Количество индексов поляризации, входящих в упомянутый набор, может быть заранее задано разработчиком модуля 40. Набор индексов поляризации с/х поля для каждого снимка в наборе может быть определен следующим образом. В частности, упомянутый модуль 40 извлекает из полученных данных снимка для каждого пикселя с/х поля значения VH поляризации, W поляризации и угла падения луча радиолокационного синтезирования апертуры и на их основе для каждого пикселя определяет: [0109] The first set of multispectral images of the agricultural field is sent by the data management module 20 to the polarization indices determination module 40, which determines for each multispectral image in the set a set of polarization indices of the agricultural field. The number of polarization indices included in the said set can be predetermined by the developer of the module 40. The set of polarization indices of the agricultural field for each image in the set can be determined as follows. In particular, the mentioned module 40 extracts from the received image data for each pixel of the agricultural field the values of VH polarization, W polarization and the angle of incidence of the radar aperture synthesis beam and, on their basis, determines for each pixel:
- значение стандартного отклонения VH поляризации; - value of standard deviation VH polarization;
- значение стандартного отклонения W поляризации; - value of standard deviation W of polarization;
- значение стандартного отклонения угла падения луча радиолокационного синтезирования апертуры. - the value of the standard deviation of the angle of incidence of the radar aperture synthesis beam.
[0110] Например, для определения значения стандартного отклонения VH поляризации для каждого снимка упомянутый модуль 40 на основе значений VH поляризации каждого пикселя с/х определяет среднее значение VH поляризации. Также упомянутый модуль 40 определяет для каждого снимка на основе значений W поляризации каждого пикселя с/х - среднее значение W поляризации и на основе значений угла падения луча каждого пикселя с/х - среднее значение угла падения луча радиолокационного синтезирования апертуры [0110] For example, to determine the polarization standard deviation value VH for each picture, said module 40, based on the polarization VH values of each agricultural pixel, determines the average polarization value VH. Also, the mentioned module 40 determines for each image, based on the polarization values W of each agricultural pixel, the average value W of the polarization and, based on the values of the angle of incidence of the beam of each agricultural pixel, the average value of the angle of incidence of the synthetic aperture radar beam
[0111] Далее на основе среднего значения VH поляризации, значения VH поляризации каждого пикселя с/х поля и общего количества пикселей с/х поля упомянутый модуль 40 определяет значение стандартного отклонения VH поляризации. Например, значение стандартного отклонения VH поляризации может быть определено по формуле:
Figure imgf000038_0001
где д - среднее значение VH поляризации; xL - значение VH поляризации i-ro пикселя в рассматриваемом с/х поле; п - значение общего количества пикселей. [0111] Next, based on the average polarization value VH, the polarization value VH of each pixel of the agricultural field and the total number of pixels of the agricultural field, said module 40 determines the value of the standard deviation VH polarization. For example, the value of the standard deviation of VH polarization can be determined by the formula:
Figure imgf000038_0001
where d is the average value of VH polarization; x L is the value VH of the polarization of the i-ro pixel in the agricultural field under consideration; n is the value of the total number of pixels.
[0112] Аналогичным образом упомянутым модулем 40 могут быть определены: [0112] Similarly, the mentioned module 40 can be defined:
- значение стандартного отклонения W поляризации на основе среднего значения VH поляризации, значения VH поляризации каждого пикселя с/х поля и общего количества пикселей с/х поля; - the value of the standard deviation W of polarization based on the average value of VH polarization, the value of VH polarization of each pixel of the agricultural field and the total number of pixels of the agricultural field;
- значение стандартного отклонения угла падения луча радиолокационного синтезирования апертуры на основе среднего значения угла падения луча, значения угла падения луча каждого пикселя с/х поля и общего количества пикселей с/х поля. - the value of the standard deviation of the angle of incidence of the radar aperture synthesis beam based on the average value of the angle of incidence of the beam, the value of the angle of incidence of the beam of each pixel of the agricultural field and the total number of pixels of the agricultural field.
[0113] Далее упомянутый модуль 40 полученные средние значения VH поляризации, W поляризации, угла падения луча и определенные выше значения отклонений назначает в качестве индексов поляризации с/х полю. Таким образом, модуль 40 определения индексов поляризации для каждого мультиспектрального снимка в наборе осуществляет определение и формирование набора индексов поляризации с/х полю, который включает определенные выше индексы поляризации. Полученные наборы индексов поляризации направляются упомянутым модулем 40 в модуль 70 построения численных представлений. [0113] Next, the mentioned module 40 assigns the obtained average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values determined above as polarization indices to the agricultural field. Thus, module 40 for determining polarization indices for each multispectral image in the set determines and generates a set of polarization indices for the agricultural field, which includes the polarization indices defined above. The resulting sets of polarization indices are sent by the mentioned module 40 to the module 70 for constructing numerical representations.
[0114] Погодные данные с метеостанций за заданный период времени, привязанные к координатам метеостанций, а также координаты с/х поля модуль 20 управления данными передает в модуль 60 определения погодных данных, который сравнивает координаты с/х поля с координатами метеостанций и назначает с/х полю погодные данные ближайшей метеостанции. [0114] Weather data from weather stations for a given period of time, linked to the coordinates of the weather stations, as well as the coordinates of the agricultural field, the data control module 20 transmits to the weather data determination module 60, which compares the coordinates of the agricultural field with the coordinates of the weather stations and assigns x field weather data from the nearest weather station.
[0115] В альтернативном варианте реализации представленного решения упомянутые погодные данные могут быть назначены с/х полю упомянутым модулем 60 посредством обработки данных о координатах с/х поля и координатах метеостанций методом триангуляции. Метод триангуляции широко известен из уровня техники и более подробно не будет описан в настоящей заявке. Назначенные погодные данные за заданный период времени направляются упомянутым модулем 60 в модуль 70 построения численных представлений. [0116] Полученные модулем 70 построения численных представлений данные преобразуются известными методами в вектора фиксированной длинны, например: [0115] In an alternative embodiment of the presented solution, said weather data can be assigned to an agricultural field by said module 60 by processing data on the coordinates of the agricultural field and the coordinates of weather stations using the triangulation method. The triangulation method is widely known in the art and will not be described in more detail in this application. The assigned weather data for a given period of time is sent by said module 60 to the numerical representation module 70. [0116] The data obtained by the module 70 for constructing numerical representations is converted by known methods into vectors of a fixed length, for example:
- набор индексов вегетации может быть преобразован в фиксированный вектор размерности 64, отражающий динамику вегетации за заданный период времени; - a set of vegetation indices can be transformed into a fixed vector of dimension 64, reflecting the dynamics of vegetation for a given period of time;
- набор цветовых показателей может быть преобразован в фиксированный вектор размерности 64, отражающий динамику вегетации за заданный период времени; - a set of color indicators can be converted into a fixed vector of dimension 64, reflecting the dynamics of the growing season for a given period of time;
- набор индексов поляризации может быть преобразован в фиксированный вектор размерности 16, отражающий динамику вегетации за заданный период времени; - a set of polarization indices can be transformed into a fixed vector of dimension 16, reflecting the dynamics of the growing season for a given period of time;
- погодные данные могут быть преобразован в фиксированный вектор размерности 32, отражающий динамику погоды за заданный период времени. - weather data can be converted into a fixed vector of dimension 32, reflecting the weather dynamics for a given period of time.
[0117] Полученные векторы модулем 70 направляются в модуль 80 определения вида с/х культуры поля, который на их основе и на основе данных севооборота за предыдущие годы, содержащих информацию о культурах, которые были засажены на данном поле в предыдущие годы, полученных от модуля 20, осуществляет определение вида с/х культуры поля, например, определение вида сельскохозяйственной культуры за год для выбранного пользователем с/х поля. Упомянутые данные севооборота могут быть предоставлены как пользователем Устройства 5, так и извлечены модулем 80 из запроса на определение вида сельскохозяйственной культуры, либо загружены непосредственно разработчиком в модуль 80, либо предоставлены альтернативным известным методом. [0117] The received vectors by module 70 are sent to module 80 for determining the type of agricultural crop in the field, which, based on them and on the basis of crop rotation data for previous years, containing information about the crops that were planted on this field in previous years, received from the module 20, determines the type of agricultural crop of the field, for example, determines the type of agricultural crop for the year for the agricultural field selected by the user. Said crop rotation data can be provided either by the user of Device 5, or retrieved by module 80 from a request to identify a crop type, or loaded directly by the developer into module 80, or provided by an alternative known method.
[0118] Для определения вида с/х культуры поля упомянутый модуль 80 подает векторы фиксированной длинны, полученные от модуля 70, на вход модели. На выходе модели модуль 80 получает вид с/х культуры поля. Полученное название вида с/х культуры направляется модулем 80 в модуль 20 для его отображения пользователю устройства 5. [0118] To determine the type of agricultural crop in the field, said module 80 supplies fixed-length vectors received from module 70 to the model input. At the output of the model, module 80 receives the view of an agricultural field crop. The resulting name of the type of agricultural crop is sent by module 80 to module 20 for display to the user of device 5.
[0119] В общем виде (см. Фиг. 6) вычислительное устройство (200) содержит объединенные общей шиной информационного обмена один или несколько процессоров (201), средства памяти, такие как ОЗУ (202) и ПЗУ (203), интерфейсы ввода/вывода (204), устройства ввода/вывода (205), и устройство для сетевого взаимодействия (206). [0119] In general (see Fig. 6), a computing device (200) contains one or more processors (201), memory devices such as RAM (202) and ROM (203), and input/ output (204), input/output devices (205), and network communication device (206).
[0120] Процессор (201) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе (200) также необходимо учитывать графический процессор, например, GPU NVIDIA с программной моделью, совместимой с CUDA, или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах. [0120] The processor (201) (or multiple processors, multi-core processor, etc.) may be selected from a variety of devices commonly used in currently, for example, such manufacturers as: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™, etc. The processor or one of the processors used in the system (200) must also include a graphics processor, for example an NVIDIA GPU with a CUDA-compatible programming model or Graphcore, the type of which is also suitable for carrying out the method in whole or in part, and can also be used for training and application of machine learning models in various information systems.
[0121] ОЗУ (202) представляет собой оперативную память и предназначено для хранения исполняемых процессором (201) машиночитаемых инструкций для выполнения необходимых операций по логической обработке данных. ОЗУ (202), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ (202) может выступать доступный объем памяти графической карты или графического процессора. [0121] RAM (202) is a random access memory and is designed to store machine-readable instructions executable by the processor (201) to perform the necessary logical data processing operations. The RAM (202) typically contains executable operating system instructions and associated software components (applications, program modules, etc.). In this case, the available memory capacity of the graphics card or graphics processor can act as RAM (202).
[0122] ПЗУ (203) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др. [0122] The ROM (203) is one or more permanent storage devices, such as a hard disk drive (HDD), a solid state drive (SSD), flash memory (EEPROM, NAND, etc.), optical storage media ( CD-R/RW, DVD-R/RW, BlueRay Disc, MD), etc.
[0123] Для организации работы компонентов устройства (200) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (204). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п. [0123] To organize the operation of device components (200) and organize the operation of external connected devices, various types of I/O interfaces (204) are used. The choice of appropriate interfaces depends on the specific design of the computing device, which can be, but is not limited to: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232, etc.
[0124] Для обеспечения взаимодействия пользователя с вычислительным устройством (200) применяются различные средства (205) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п. [0125] Средство сетевого взаимодействия (206) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (206) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др. [0124] To ensure user interaction with the computing device (200), various means (205) of I/O information are used, for example, a keyboard, a display (monitor), a touch display, a touch pad, a joystick, a mouse, a light pen, a stylus, touch panel, trackball, speakers, microphone, augmented reality tools, optical sensors, tablet, light indicators, projector, camera, biometric identification tools (retina scanner, fingerprint scanner, voice recognition module), etc. [0125] The network communication means (206) provides data transmission via an internal or external computer network, for example, an Intranet, the Internet, a LAN, etc. One or more means (206) may be used, but not limited to: Ethernet card, GSM modem, GPRS modem, LTE modem, 5G modem, satellite communication module, NFC module, Bluetooth and/or BLE module, Wi-Fi module and etc.
[0126] Дополнительно могут применяться также средства спутниковой навигации в составе устройства (200), например, GPS, ГЛОНАСС, BeiDou, Galileo. [0126] Additionally, satellite navigation tools can also be used as part of the device (200), for example, GPS, GLONASS, BeiDou, Galileo.
[0127] Конкретный выбор элементов устройства (200) для реализации различных программно-аппаратных архитектурных решений может варьироваться с сохранением обеспечиваемого требуемого функционала. [0127] The specific selection of device elements (200) for implementing various software and hardware architectural solutions may vary while maintaining the required functionality provided.
[0128] Модификации и улучшения вышеописанных вариантов осуществления настоящего технического решения будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не несет никаких ограничений. Таким образом, объем настоящего технического решения ограничен только объемом прилагаемой формулы изобретения. [0128] Modifications and improvements to the above-described embodiments of the present technical solution will be apparent to those skilled in the art. The foregoing description is provided by way of example only and is not intended to be limiting in any way. Thus, the scope of the present technical solution is limited only by the scope of the attached claims.

Claims

Формула изобретения. Claim.
1. Способ определения вида сельскохозяйственной (с/х) культуры, размещенной на поле, выполняемый по меньшей мере одним вычислительным устройством, содержащий этапы, на которых: 1. A method for determining the type of agricultural crop placed on a field, performed by at least one computing device, containing the steps of:
- получают запрос на определение вида с/х культуры поля; - receive a request to determine the type of agricultural crop in the field;
- получают первый набор мультиспектральных снимков за заданный период времени, причем каждый мультиспектральный снимок с/х поля содержит значения поляризации света, в частности значения VH поляризации, W поляризации и угла падения луча радиолокационного синтезирования апертуры; - obtain the first set of multispectral images for a given period of time, and each multispectral image of an agricultural field contains values of light polarization, in particular the values of VH polarization, W polarization and the angle of incidence of the synthetic aperture radar beam;
- на основе упомянутого первого набора снимков определяют набор индексов поляризации для с/х поля; - based on the mentioned first set of images, a set of polarization indices for the agricultural field is determined;
- получают второй набор мультиспектральных снимков за заданный период времени, причем каждый мультиспектральный снимок с/х поля содержит значения интенсивностей пикселей в видимом инфракрасном спектре, ближнем инфракрасном спектре и коротковолновом инфракрасном спектре, а также значения облачности пикселей изображения; - obtain a second set of multispectral images for a given period of time, and each multispectral image of an agricultural field contains pixel intensity values in the visible infrared spectrum, near-infrared spectrum and short-wave infrared spectrum, as well as cloudiness values of image pixels;
- на основе упомянутого второго набора снимков определяют набор индексов вегетации для с/х поля и набор цветовых показателей; - based on the mentioned second set of images, a set of vegetation indices for an agricultural field and a set of color indicators are determined;
- определяют погодные данные за заданный период времени для с/х поля;- determine weather data for a given period of time for an agricultural field;
- на основе данных, характеризующих вид культуры, набора индексов поляризации, набор индексов вегетации, набора цветовых показателей и погодных данных осуществляют определение вида с/х культуры поля. - based on data characterizing the type of crop, a set of polarization indices, a set of vegetation indices, a set of color indicators and weather data, the type of agricultural crop in the field is determined.
2. Способ по п. 1 , характеризующийся тем, что определение вида с/х культуры поля осуществляется с учетом данных, характеризующих историю севооборота, содержащих информацию о видах культур, которые были засажены на данном поле. 2. The method according to claim 1, characterized in that the determination of the type of agricultural crop in the field is carried out taking into account data characterizing the history of crop rotation, containing information about the types of crops that were planted in this field.
3. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов поляризации для с/х поля содержит этапы, на которых: 3. The method according to claim 1, characterized in that the stage of determining a set of polarization indices for an agricultural field contains stages in which:
- извлекают из первого набора мультиспектральных снимков для каждого пикселя с/х поля значения VH поляризации, W поляризации и угла падения луча радиолокационного синтезирования апертуры; - extract from the first set of multispectral images for each pixel of the agricultural field the values of VH polarization, W polarization and angle of incidence of the radar aperture synthesis beam;
- определяют для каждого пикселя с/х поля на основе извлеченных значений: значение стандартного отклонения VH поляризации; значение стандартного отклонения W поляризации; значение стандартного отклонения угла падения луча радиолокационного синтезирования апертуры; - determined for each pixel of the agricultural field based on the extracted values: the value of the standard deviation of VH polarization; standard value W polarization deviations; the value of the standard deviation of the angle of incidence of the radar aperture synthesis beam;
- определяют средние значения VH поляризации, W поляризации, угла падения луча и определенных выше значений отклонений; - determine the average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values defined above;
- назначают средние значения VH поляризации, W поляризации, угла падения луча и определенных выше значений отклонений в качестве индексов поляризации с/х полю для каждого мультиспектрального снимка с/х поля в первом наборе; - assign average values of VH polarization, W polarization, angle of incidence of the beam and the deviation values defined above as polarization indices to the agricultural field for each multispectral image of the agricultural field in the first set;
- преобразуют значения набора индексов поляризации, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values of the set of polarization indices obtained at the previous stage using the encoder model into a fixed vector.
4. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 4. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нормализованного вегетационного индекса (NDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized vegetation index (NDVI) is determined for each pixel;
- на основе значений NDVI пикселей определяют среднее значение NDVI, которое назначается в качестве индекса NDVI с/х полю. - based on the NDVI values of the pixels, the average NDVI value is determined, which is assigned as the NDVI index to the agricultural field.
5. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 5. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе определяют значения разностного вегетационного индекса (DVI) для каждого пикселя с/х поля; - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the values of the difference vegetation index (DVI) are determined for each pixel x fields;
- на основе значений DVI пикселей определяют среднее значение DVI, которое назначается в качестве индекса DVI с/х полю. - based on the DVI values of the pixels, the average DVI value is determined, which is assigned as the DVI index to the agricultural field.
6. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 6. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR), значение интенсивности пикселя в красном диапазоне и значение интенсивности пикселя в синем диапазоне, после чего на их основе для каждого пикселя определяют значение усовершенствованного вегетационного индекса (EVI); - на основе значений EVI пикселей определяют среднее значение EVI, которое назначается в качестве индекса EVI с/х полю; - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the red range and the pixel intensity value in the blue range are extracted, after which, based on them, the pixel intensity value is determined for each pixel improved vegetation index (EVI) value; - based on the EVI values of the pixels, the average EVI value is determined, which is assigned as the EVI index to the agricultural field;
- определяют на основе значения индекса EVI индекс листовой поверхности (LAI). - determine the leaf surface index (LAI) based on the EVI index value.
7. Способ по п. 1, характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 7. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне, после чего на их основе для каждого пикселя определяют значение индекса глобального мониторинга окружающей среды (Gemi); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted, after which, on their basis, the value of the global environmental monitoring index is determined for each pixel ( Gemi);
- на основе значений Gemi пикселей определяют среднее значение Gemi, которое назначается в качестве индекса Gemi с/х полю. - based on the Gemi values of the pixels, the average Gemi value is determined, which is assigned as the Gemi index to the agricultural field.
8. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 8. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR), значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса зеленой растительности, стойкой к влиянию атмосферы (Gari); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR), the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on them on a basis for each pixel the value of the green vegetation index resistant to atmospheric influences (Gari) is determined;
- на основе значений Gari пикселей определяют среднее значение Gari, которое назначается в качестве индекса Gari с/х полю. - based on the Gari values of the pixels, the average Gari value is determined, which is assigned as the Gari index to the agricultural field.
9. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 9. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение индекса зеленой разницы в растительности (GDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis, the green difference vegetation index (GDVI) value is determined for each pixel ;
- на основе значений GDVI пикселей определяют среднее значение GDVI, которое назначается в качестве индекса GDVI с/х полю. - based on the GDVI values of the pixels, the average GDVI value is determined, which is assigned as the GDVI index to the agricultural field.
10. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: - из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса зелёности листьев (GLI); 10. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which: - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the leaf greenness index (GLI) is determined for each pixel );
- на основе значений GLI пикселей определяют среднее значение GLI, которое назначается в качестве индекса GLI с/х полю. - based on the GLI values of the pixels, the average GLI value is determined, which is assigned as the GLI index to the agricultural field.
11. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 11. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение оптимизированного индекса почвенной растительности (GOSAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the optimized soil vegetation index (GOSAVI) is determined for each pixel;
- а основе значений GOSAVI пикселей определяют среднее значение GOSAVI, которое назначается в качестве индекса GOSAVI с/х полю. - based on the GOSAVI values of the pixels, the average GOSAVI value is determined, which is assigned as the GOSAVI index to the agricultural field.
12. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 12. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в зеленом диапазоне и на их основе для каждого пикселя определяют значение почвенного индекса зелености (GSAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the green range are extracted and on their basis the value of the soil greenness index (GSAVI) is determined for each pixel;
- на основе значений GSAVI пикселей определяют среднее значение GSAVI, которое и назначается в качестве индекса GSAVI с/х полю. - based on the GSAVI values of the pixels, the average GSAVI value is determined, which is assigned as the GSAVI index to the agricultural field.
13. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 13. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение инфракрасного вегетационного индекса (IPVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the infrared vegetation index (IPVI) value is determined for each pixel;
- на основе значений IPVI пикселей определяют среднее значение IPVI, которое и назначается в качестве индекса IPVI с/х полю. - based on the IPVI values of the pixels, the average IPVI value is determined, which is assigned as the IPVI index to the agricultural field.
14. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 14. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение модифицированного нелинейного вегетационного индекса (MNLI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the modified nonlinear vegetation index (MNLI) is determined for each pixel;
- на основе значений MNLI пикселей определяют среднее значение MNLI, которое назначается в качестве индекса MNLI с/х полю. - based on the MNLI values of the pixels, the average MNLI value is determined, which is assigned as the MNLI index to the agricultural field.
15. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 15. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение модифицированного индекса растительности с коррекцией по почве (MSAVI2); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the value of the pixel intensity in the near-infrared spectrum (NIR) and the value of the pixel intensity in the red range are extracted and on their basis for each pixel the value of the modified vegetation index with soil correction is determined ( MSAVI2);
- на основе значений MSAVI2 пикселей определяют среднее значение MSAVI2, которое назначается в качестве индекса MSAVI2 с/х полю. - based on the MSAVI2 pixel values, the average MSAVI2 value is determined, which is assigned as the MSAVI2 index to the agricultural field.
16. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 16. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нелинейного вегетационного индекса (NLI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the nonlinear vegetation index (NLI) is determined for each pixel;
- на основе значений NLI пикселей определяют среднее значение NLI, которое назначается в качестве индекса NLI с/х полю. - based on the NLI values of the pixels, the average NLI value is determined, which is assigned as the NLI index to the agricultural field.
17. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 17. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение индекса растительности с оптимизированном учётом почвы (OSAVI); - на основе значений OSAVI пикселей определяют среднее значение OSAVI, которое назначается в качестве индекса OSAVI с/х полю. - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis for each pixel the value of the soil-optimized vegetation index (OSAVI) is determined ); - based on the OSAVI values of the pixels, the average OSAVI value is determined, which is assigned as the OSAVI index to the agricultural field.
18. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 18. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение перенормированного разностного вегетационного индекса (RDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the renormalized difference vegetation index (RDVI) is determined for each pixel;
- на основе значений RDVI пикселей определяют среднее значение RDVI, которое назначается в качестве индекса RDVI с/х полю. - based on the RDVI values of the pixels, the average RDVI value is determined, which is assigned as the RDVI index to the agricultural field.
19. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 19. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение почвенного вегетационного индекса (SAVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the soil vegetation index (SAVI) value is determined for each pixel;
- на основе значений SAVI пикселей определяют среднее значение SAVI, которое назначается в качестве индекса SAVI с/х полю. - based on the SAVI values of the pixels, the average SAVI value is determined, which is assigned as the SAVI index to the agricultural field.
20. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 20. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение трансформированного разностного вегетационного индекса (TDVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the transformed difference vegetation index (TDVI) is determined for each pixel;
- на основе значений TDVI пикселей определяют среднее значение TDVI, которое и назначается в качестве индекса TDVI с/х полю. - based on the TDVI values of the pixels, the average TDVI value is determined, which is assigned as the TDVI index to the agricultural field.
21. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 21. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение триангулярного вегетационного индекса (TGI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the value pixel intensities in the red range and based on them, the value of the triangular vegetation index (TGI) is determined for each pixel;
- на основе значений TGI пикселей определяют среднее значение TGI, которое назначается в качестве индекса TGI с/х полю. - based on the TGI values of the pixels, the average TGI value is determined, which is assigned as the TGI index to the agricultural field.
22. Способ по п. 1, характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 22. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в синем диапазоне, значение интенсивности пикселя в зеленом диапазоне и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение видимого атмосферостойкого вегетационного индекса (VARI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the blue range, the pixel intensity value in the green range and the pixel intensity value in the red range are extracted and on their basis the value of the visible weatherproof vegetation index is determined for each pixel ( VARI);
- на основе значений VARI пикселей определяют среднее значение VARI, которое назначается в качестве индекса VARI с/х полю. - based on the VARI pixel values, the average VARI value is determined, which is assigned as the VARI index to the agricultural field.
23. Способ по п. 1 , характеризующийся тем, что этап определения набора индексов вегетации для с/х поля содержит этапы, на которых: 23. The method according to claim 1, characterized in that the stage of determining a set of vegetation indices for an agricultural field contains stages in which:
- из полученных данных второго набора мультиспектральных снимков для каждого пикселя с/х поля извлекают значение интенсивности пикселя в ближнем инфракрасном спектре (NIR) и значение интенсивности пикселя в красном диапазоне и на их основе для каждого пикселя определяют значение нормализованного разностного вегетационного индекса (WDRVI); - from the obtained data of the second set of multispectral images for each pixel of the agricultural field, the pixel intensity value in the near-infrared spectrum (NIR) and the pixel intensity value in the red range are extracted and on their basis the value of the normalized difference vegetation index (WDRVI) is determined for each pixel;
- на основе значений WDRVI пикселей определяют среднее значение WDRVI, которое назначается в качестве индекса WDRVI с/х полю. - based on the WDRVI values of the pixels, the average WDRVI value is determined, which is assigned as the WDRVI index to the agricultural field.
24. Способ по п. 1 , характеризующийся тем, что дополнительно выполняют этапы, на которых: 24. The method according to claim 1, characterized in that additional steps are performed in which:
- извлекают из второго набора мультиспектральных снимков с/х поля значения облачности пикселей изображения; - cloud values of image pixels are extracted from the second set of multispectral images of the agricultural field;
- на основе количества облачных пикселей определяют индекс облачности с/х поля. - based on the number of cloudy pixels, the cloudiness index of the agricultural field is determined.
25. Способ по п. 1 , характеризующийся тем, что дополнительно выполняют этап, на котором: 25. The method according to claim 1, characterized in that an additional stage is performed in which:
- преобразуют полученные значения индексов вегетации, назначенные с/х полю, посредством модели-эн кодера в фиксированный вектор. - convert the obtained values of vegetation indices assigned to the agricultural field using the encoder model into a fixed vector.
26. Способ по п. 1 , характеризующийся тем, что этап определения набор цветовых показателей для с/х поля содержит этапы, на которых: извлекают из полученных данных для каждого пикселя: 26. The method according to claim 1, characterized in that the stage of determining a set of color indicators for an agricultural field contains stages in which: extracted from the received data for each pixel:
- значение интенсивности пикселя в ультра синем диапазоне, полученное при разрешении 60 метров с центральной длиной волны 443 нанометров; - pixel intensity value in the ultra blue range, obtained at a resolution of 60 meters with a central wavelength of 443 nanometers;
- значение интенсивности пикселя в синем диапазоне, полученное при разрешении 10 метров с центральной длиной волны 490 нанометров; - pixel intensity value in the blue range, obtained at a resolution of 10 meters with a central wavelength of 490 nanometers;
- значение интенсивности пикселя в зеленом диапазоне, полученное при разрешении 10 метров с центральной длиной волны 560 нанометров; - pixel intensity value in the green range obtained at a resolution of 10 meters with a central wavelength of 560 nanometers;
- значение интенсивности пикселя в красном диапазоне, полученное при разрешении 10 метров с центральной длиной волны 665 нанометров; - pixel intensity value in the red range, obtained at a resolution of 10 meters with a central wavelength of 665 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 705 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 705 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 740 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 740 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 20 метров с центральной длиной волны 783 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 20 meters with a central wavelength of 783 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 10 метров с центральной длиной волны 842 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 10 meters with a central wavelength of 842 nanometers;
- значение интенсивности пикселя в видимом и ближнем и инфракрасном свете (NIR), полученное при разрешении 120 метров с центральной длиной волны 865 нанометров; - pixel intensity value in visible and near-infrared (NIR) light obtained at a resolution of 120 meters with a central wavelength of 865 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 940 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 940 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 60 метров с центральной длиной волны 1375 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 60 meters with a central wavelength of 1375 nanometers;
- значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 1610 нанометров; - значение интенсивности пикселя в коротковолновом инфракрасном свете (SWIR), полученное при разрешении 20 метров с центральной длиной волны 2190 нанометров; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 1610 nanometers; - pixel intensity value in short-wave infrared light (SWIR), obtained at a resolution of 20 meters with a central wavelength of 2190 nanometers;
- значения облачности пикселей изображения с/х поля; - cloudiness values of agricultural field image pixels;
- на основе извлеченных для каждого пикселя упомянутых значений цветовых показателей определяют средние значения цветовых показателей, которые назначаются в качестве набора цветовых показателей с/х полю для каждого мультиспектрального снимка с/х поля во втором наборе; - based on the above-mentioned color indicator values extracted for each pixel, the average color indicator values are determined, which are assigned as a set of color indicators to the agricultural field for each multispectral image of the agricultural field in the second set;
- преобразуют значения набора цветовых показателей, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values of a set of color indicators obtained at the previous stage using an encoder model into a fixed vector.
27. Способ по п. 1 , характеризующийся тем, что этап определения погодных данных за заданный период времени для с/х поля содержит этапы, на которых: 27. The method according to claim 1, characterized in that the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
- получают координаты метеостанций, от которых были получены погодные данные; - receive the coordinates of weather stations from which weather data was received;
- определяют координаты с/х поля; - determine the coordinates of the agricultural field;
- назначают с/х полю погодные данные, полученные методом триангуляции на основе координат с/х поля и координат метеостанций; - assign weather data to the agricultural field, obtained by triangulation based on the coordinates of the agricultural field and the coordinates of weather stations;
- преобразуют значения, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert the values obtained at the previous stage using an encoder model into a fixed vector.
28. Способ по п. 1 , характеризующийся тем, что этап определения погодных данных за заданный период времени для с/х поля содержит этапы, на которых: 28. The method according to claim 1, characterized in that the stage of determining weather data for a given period of time for an agricultural field contains stages in which:
- получают координаты метеостанций, от которых были получены погодные данные; - receive the coordinates of weather stations from which weather data was received;
- определяют координаты с/х поля; - determine the coordinates of the agricultural field;
- сравнивают координаты с/х поля с координатами метеостанций и назначают с/х полю погодные данные ближайшей метеостанции. - compare the coordinates of the agricultural field with the coordinates of weather stations and assign the weather data of the nearest weather station to the agricultural field.
- преобразуют значения погодных данных за заданный период времени, полученные на предыдущем этапе, посредством модели-энкодера в фиксированный вектор. - convert weather data values for a given period of time, obtained at the previous stage, using an encoder model into a fixed vector.
29. Устройство определения вида с/х культуры, размещенной на поле, содержащее по меньшей мере одно вычислительное устройство и по меньшей мере одно устройство памяти, содержащее машиночитаемые инструкции, которые при их исполнении по меньшей мере одним вычислительным устройством выполняют способ по любому из пп. 1-29. 29. A device for determining the type of agricultural crop placed on a field, containing at least one computing device and at least one memory device containing machine-readable instructions, which, when executed by at least one computing device, perform the method according to any one of claims. 1-29.
PCT/RU2022/000313 2022-10-17 2022-10-17 Device and method for identifying crop types WO2024085780A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2022126929 2022-10-17
RU2022126929A RU2022126929A (en) 2022-10-17 DEVICE AND METHOD FOR DETERMINING TYPES OF AGRICULTURAL CROPS

Publications (1)

Publication Number Publication Date
WO2024085780A1 true WO2024085780A1 (en) 2024-04-25

Family

ID=90738012

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2022/000313 WO2024085780A1 (en) 2022-10-17 2022-10-17 Device and method for identifying crop types

Country Status (1)

Country Link
WO (1) WO2024085780A1 (en)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2663917A1 (en) * 2009-04-22 2010-10-22 Dynagra Corp. Variable zone crop-specific inputs prescription method and systems therefor
CN104360347A (en) * 2014-11-03 2015-02-18 北京农业信息技术研究中心 Method and device for monitoring crop harvesting progress
CN105825177A (en) * 2016-03-09 2016-08-03 西安科技大学 Remote-sensing crop disease identification method based on time phase and spectrum information and habitat condition
US20160363696A1 (en) * 2015-06-10 2016-12-15 Tung X. Dao Observer-based meteorology and image identification
CN108875210A (en) * 2018-06-05 2018-11-23 广西师范学院 A kind of method for building up of the late blight of potato plot diagnosis and forecasting model
CN109389049A (en) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 Crop Classification in Remote Sensing Image method based on multidate SAR data and multispectral data
US10586105B2 (en) * 2016-12-30 2020-03-10 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN110954650A (en) * 2019-12-31 2020-04-03 塔里木大学 Satellite remote sensing monitoring method for cotton canopy nitrogen
CN111241912A (en) * 2019-12-18 2020-06-05 安徽易刚信息技术有限公司 Multi-vegetation index rice yield estimation method based on machine learning algorithm
CN111798327A (en) * 2020-06-24 2020-10-20 安徽大学 Construction method and application of wheat yield calculation model based on hyperspectral image
CN112613338A (en) * 2020-11-19 2021-04-06 南京农业大学 Wheat leaf layer nitrogen content estimation method based on RGB image fusion characteristics
WO2022010372A1 (en) * 2020-07-10 2022-01-13 Institut Biosens-Istrazivacko Razvojni Institut Za Informacione Tehnologije Biosistema System and method for intelligent soil sampling
US20220156492A1 (en) * 2020-11-18 2022-05-19 Satsure Analytics India Private Limited System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2663917A1 (en) * 2009-04-22 2010-10-22 Dynagra Corp. Variable zone crop-specific inputs prescription method and systems therefor
CN104360347A (en) * 2014-11-03 2015-02-18 北京农业信息技术研究中心 Method and device for monitoring crop harvesting progress
US20160363696A1 (en) * 2015-06-10 2016-12-15 Tung X. Dao Observer-based meteorology and image identification
CN105825177A (en) * 2016-03-09 2016-08-03 西安科技大学 Remote-sensing crop disease identification method based on time phase and spectrum information and habitat condition
US10586105B2 (en) * 2016-12-30 2020-03-10 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN108875210A (en) * 2018-06-05 2018-11-23 广西师范学院 A kind of method for building up of the late blight of potato plot diagnosis and forecasting model
CN109389049A (en) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 Crop Classification in Remote Sensing Image method based on multidate SAR data and multispectral data
CN111241912A (en) * 2019-12-18 2020-06-05 安徽易刚信息技术有限公司 Multi-vegetation index rice yield estimation method based on machine learning algorithm
CN110954650A (en) * 2019-12-31 2020-04-03 塔里木大学 Satellite remote sensing monitoring method for cotton canopy nitrogen
CN111798327A (en) * 2020-06-24 2020-10-20 安徽大学 Construction method and application of wheat yield calculation model based on hyperspectral image
WO2022010372A1 (en) * 2020-07-10 2022-01-13 Institut Biosens-Istrazivacko Razvojni Institut Za Informacione Tehnologije Biosistema System and method for intelligent soil sampling
US20220156492A1 (en) * 2020-11-18 2022-05-19 Satsure Analytics India Private Limited System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation
CN112613338A (en) * 2020-11-19 2021-04-06 南京农业大学 Wheat leaf layer nitrogen content estimation method based on RGB image fusion characteristics

Similar Documents

Publication Publication Date Title
Houborg et al. A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data
Tian et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing
CN111242224B (en) Multi-source remote sensing data classification method based on unmanned aerial vehicle extraction classification sample points
US20210209803A1 (en) Computer-based method and system for geo-spatial analysis
Liang et al. Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery
Oldeland et al. New tools for old problems—comparing drone-and field-based assessments of a problematic plant species
CN109816542A (en) A kind of crop production reduction Claims Resolution method and system
CN112836725A (en) Weak supervision LSTM recurrent neural network rice field identification method based on time sequence remote sensing data
CN114219847A (en) Method and system for determining crop planting area based on phenological characteristics and storage medium
CN114778483A (en) Method for correcting terrain shadow of remote sensing image near-infrared wave band for monitoring mountainous region
US11010950B1 (en) Computer-based method and system for determining groundwater potential zones
Hama et al. Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring
CN113534083B (en) SAR-based corn stubble mode identification method, device and medium
CN117557897A (en) Lodging monitoring method and device for target crops, electronic equipment and storage medium
CN116883853B (en) Crop space-time information remote sensing classification method based on transfer learning
WO2024085780A1 (en) Device and method for identifying crop types
WO2024019632A1 (en) Device and method for determining crop productivity
Kustiyo et al. Annual Forest Monitoring as part of Indonesia's National Carbon Accounting System
Liao et al. Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay
Cunliffe et al. Drone-derived canopy height predicts biomass across non-forest ecosystems globally
Devrani Development of automated mapping methods for birch woodlands in the Norðurhraun lava field, Hekla
EP4250250A1 (en) Carbon soil backend
Tamiminia et al. A Comparative Analysis of Pixel-Based and Object-Based Approaches for Forest Above-Ground Biomass Estimation Using Random Forest Model
Izquierdo-Verdiguier et al. Global Upscaling of the MODIS Land Cover with Google Earth Engine and Landsat Data
Charoenjit Estimation of Biomass and Carbon Stock in Para rubber Plantation in East Thailand Using Object-based Classification from THAICHOTE Satellite Data