Валідація карт деградації земель на основі геопросторових даних

Abstract

На сьогоднішній день у відкритому доступі є велика кількість супутникових даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами ґрунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обробки геопросторових даних, маємо можливість створювати карти деградації землі. Оскільки при створенні карти деградації основними інтелектуальними складовими є карти класифікації, карти продуктивності та карти вирубки лісів, то саме ці три продукти впливають на загальну достовірність результатів. Для їх валідації у роботі визначено необхідні метрики якості, а також проведено відповідні розрахунки. При оцінці карти земного покриву використано тестові незалежні дані для побудови матриці невідповідності, а також виконано порівняння отриманих площ основних сільськогосподарських культур зі статистичними даними. Продуктивність сільськогосподарських земель оцінено за допомогою часового ряду карт класифікації земного покриву, біофізичного моделювання розвитку рослин Crop Growth Modeling System (CGMS), а також біофізичних параметрів росту рослин із використанням супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності карт LAI (CGMS) ґрунтується на порівнянні значень індексу Leaf area index (LAI), змодельованих за допомогою програмного фреймворку CGMS, з даними наземних вимірів LAI, зібраними шляхом проведення наземних досліджень. Проведено чисельні експерименти для оцінки якості моделей та результатів карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на етапі навчання нейронної мережі. Також проаналізовано карти деградації за декілька років та проведено їх валідацію відносно врожайності, зокрема для регіону, що зазнав значних змін, на території України.Nowadays, there is a large amount of satellite data and products based on them available in the public domain. By integrating these with diverse socio-economic information, soil maps, model-based biophysical data, and applying modern machine learning techniques and approaches to geospatial data processing, we are able to create land degradation maps.