Djordje Batić

Istraživač-pripravnik, Institut Biosens

Preduslov za robustno praćenje poljoprivrednih sistema na nivou polja su tačne i ažurne informacije o poljoprivrednim jedinicama i njihovim karakteristikama. Precizno definisane granice polja omogućavaju pouzdano određivanje i kolekciju podataka vezanih za lokaciju, površinu i oblik parcela. Najčešće korišćen izvor za dobavljanje podataka o poljoprivrednim granicama je katastar. Međutim, proces ekstrakcije katastarskih podataka je i dalje značajno manuelan proces, što neizbežno dovodi do povećane verovatnoće da će doći do greške u merenju i povećanih troškova. Štaviše, neretko je da prostorne informacije dobijene iz katastra ne predstavljaju stvarno stanje parcela, što je posledica komplikovanog procesa ažuriranja podataka.

Znanje o granicama, lokaciji i površini polja može doprineti efikasnosti upravljanja poljoprivrednim parcelama kroz optimizaciju procesa sađenja, đubrenja i žetve poljoprivrednih dobara. Pored toga, tačne informacije o opsegu polja se mogu iskoristiti za unapređenje procesa automatske klasifikacije useva i predikcije prinosa, što značajno doprinosi praćenju rasta i performansi useva i omogućava bolje razumevanje uslova i nutritivnih potreba zemljišta. Tradicionalni pristupi za klasifikaciju useva se oslanjaju na klasifikaciju na nivou piksela (engl. per-pixel classification). Ovo podrazumeva da se spektralne informacije posmatraju nezavisno od prostornih informacija i zanemaruje grupisanje regiona piksela u semantički slične grupe koje možemo smatrati objektima, što dovodi do loših rezultata. Način na koji možemo da prevaziđemo probleme vezane za per-pixel klasifikaciju poljoprivrednih polja je detekcija granica (delineacija) i segmentacija parcela, pristupi koji omogućavaju da grupišemo homogene i semantički srodne piksele u odvojene regione i na taj način omogućimo preciznu klasifikaciju baziranu na objektima (engl. object-based classification) nad visokim prostornim rezolucijama koje su prisutne kod većine satelitskih slika.

Jedan od mogućih načina unapređenja procesa kreiranja i ažuriranja katastarskih podataka je automatizacija procesa delineacije granica parcela korišćenjem metoda dubokog učenja i satelitskih slika visoke rezolucije. Istraživanje koje predstavljamo u ovom blogu se oslanja na tehnike dubokog učenja za ekstrakciju poljoprivrednih parcela i njihovih granica uz pomoć multispektralnih Sentinel-2 satelitskih snimaka. Razvijena je multi-task konvolutivna neuronska mreža koja za ulazne podatke koristi Sentinel-2 snimke prikupljene na području Flevoland regije u Holandiji. Ideja multi-task mašinskog učenja je zajedničko učenje semantički sličnih zadataka, sa ciljem da znanje sadržano u jednom zadatku prenesemo i na druge. U slučaju ovog istraživanja, jedan zadatak se odnosi na delineaciju granica parcela, dok drugi zadatak izvršava semantičku segmentaciju parcela. Oba zadatka sadrže deljenu reprezentaciju (znanje) koje je sadržano u plićim slojevima mreže, dok se u daljem delu arhitektura račva na dve grane koje obavljaju zasebne zadatke i generišu dva izlaza mreže. U poslednjem koraku rešenja, izvršeno je post-procesiranje povezivanjem nepotpunih granica parcela, kombinovanjem obrađenih izlaza mreže i kreiranjem završne mape koja prikazuje detektovane pojedinačne instance poljoprivrednih parcela. Prikaz predloženog rešenja možete videti na slici 1. Rešenje je evaluirano korišćenjem F-skor mere i ostvaruje srednji skor od 0.66 prilikom detekcije granica, dok je zadatak segmentacije parcela evaluiram IoU merom i ostvaruje rezultat od 0.89.