Crop classification and mapping using remote sensing and machine learning | Классификация и картографирование сельскохозяйственных культур с использованием дистанционного зондирования и машинного обучения

anglais. Research results on crop classification and mapping using machine learning (ML) with remotely sensed data are presented. Studies were conducted in 2022, 2023 on the land use of the farms located in the Novosibirsk region. Sentinel-2 and Landsat 8-9 images were used. The features for training the ML models were six spectral bands and five vegetation indices for different dates of the growing seasons. XGBoost, KNN, RF and SVM supervised learning ML algorithms and deep-FNN neural network were applied. The XGBoost, KNN and RF models showed high classification accuracies of 93–97% at 30 m/pixel resolution and 80-90% at 90 m/pixel resolution. The deep-FNN model showed the lowest results with an accuracy of 78 to 92% at 30 m/pixel resolution. The overall 8–12% reduction in accuracy at 90 m/pixel resolution compared to 30 m/pixel resolution emphasizes the importance of scale for effective crop recognition. Also, training the models on the combined Sentinel-2 and Landsat 8-9 satellite data at 30 m/pixel resolution yielded higher values of the F1-score metric than on the data separately for each of these satellites. Various evaluation metrics (F1-score and ROC-AUC-score) confirmed that the XGBoost model was the best performing and most accurate. The best overall classification was achieved for corn, barley, annual and perennial grasses, and fallow, with some decrease in accuracy for oats, peas, vetch and soft winter wheat. The lowest accuracy was observed in the classification of potatoes, spring rape, soft spring wheat and fallow. The results of the research emphasize the importance of ML model selection and satellite imagery resolution scale for successful crop classification.

russe. Представлены результаты исследований по классификации и картографированию сельскохозяйственных культур с помощью машинного обучения (МО) с использованием данных дистанционного зондирования. Исследования проведены в 2022, 2023 гг. на территории землепользования хозяйств, расположенных в Новосибирской области. Использованы изображения, полученные с Sentinel-2 и Landsat 8-9. Признаками для обучения моделей МО выступали шесть спектральных полос и пять вегетационных индексов за разные даты вегетационных периодов. Применяли алгоритмы МО с контролируемым обучением: XGBoost, KNN, RF и SVM, а также нейронную сеть deep-FNN. Модели XGBoost, KNN и RF показали высокую точность классификации – 93–97% при разрешении 30 м/пиксель и 80–90% при разрешении 90 м/пиксель. Модель deep-FNN показала наименьшие результаты с точностью от 78 до 92% при разрешении 30 м/ пиксель. Общее снижение точности на 8–12% при разрешении 90 м/пиксель в сравнении с разрешением 30 м/пиксель подчеркивает важность масштаба для эффективного распознавания культур. Также обучение моделей на объединенных данных спутников Sentinel-2 и Landsat 8-9 при разрешении 30 м/пиксель дало более высокие значения метрики F1-score, чем на данных отдельно по каждому из этих спутников. Различные метрики оценки (F1-score и ROC-AUC-score) подтвердили, что модель XGBoost была наиболее производительной и точной. Лучшая общая классификация достигнута для кукурузы, ячменя, однолетних и многолетних трав, а также залежи, с некоторым снижением точности для овса, гороха, вики и пшеницы мягкой озимой. Наименьшая точность отмечена при классификации картофеля, ярового рапса, пшеницы мягкой яровой и пара. Результаты исследований подчеркивают значимость выбора модели МО и масштаба разрешения спутниковых снимков для успешной классификации сельскохозяйственных культур.