Use of Deep Learning and Cloud Services for Mapping Agricultural Fields on the Example on the Base of Remote Sensing Data of the Earth

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

In recent years, research has been conducted in scientific institutions of the Ministry of Agriculture of the Russian Federation and the Russian Academy of Sciences on the introduction into practice of new technologies for the use of aerospace information in agriculture. The article, using the example of the Stavropol Territory, considers the possibility of using cloud services such as google earth engine (GEE) and Kaggle machine learning systems for mapping agricultural (agricultural) fields using deep learning methods based on remote sensing data. Median images of the Sentinel 2 space system for the 2022 growing season were used as data for the selection of training and validation samples. The total volume of the prepared training and training samples was 3998 images. One of the problems for researchers and manufacturers in the field of agricultural is the lack of centralized and verified sources of geospatial data. Deep learning methods are able to solve this problem by automating the task of digitizing the geometries of agricultural fields based on remote sensing data. One of the limitations in the widespread use of deep learning is its high demand for computing resources, which are not yet always available to a researcher or manufacturer in the field of agricultural. The paper describes the process of preparing the necessary data for working with a neural network, including correction and obtaining satellite images using the Google earth engine platform, their further standardization for training a neural network in the Kaggle service, and its further use locally. As part of the study, a neural network of the U-net architecture was used. The final classification quality was 97%. The threshold of division into classes according to the classification results was established empirically and amounted to 0.62. The proposed approach made it possible to significantly reduce the requirements for the local use of PC computing power. All the most resource-intensive processes related to the processing of satellite images were performed in the GEE system, and the learning process was transferred to the resources of the Kaggle system. The proposed combination of cloud services and deep learning methods can contribute to a wider spread of the use of modern technologies in agricultural production and scientific research.

About the authors

N. R. Ermolaev

V.V. Dokuchaev Soil Science Institute

Author for correspondence.
Email: n.r.ermolaev94@gmail.com
Russia, Moscow

S. A. Yudin

V.V. Dokuchaev Soil Science Institute

Email: shapoval_ecology@mail.ru
Russia, Moscow

V. P. Belobrov

V.V. Dokuchaev Soil Science Institute

Email: shapoval_ecology@mail.ru
Russia, Moscow

L. A. Vedeshin

Space Research Institute RAS

Author for correspondence.
Email: vedeshin40@mail.ru
Russia, Moscow

D. A Shapovalov

State University of Land Use Planning

Author for correspondence.
Email: shapoval_ecology@mail.ru
Russia, Moscow

References

  1. Ведешин Л.А., Шаповалов Д.А. Первые научно-технические эксперименты по космическому землеведению (к 60-лнтию начала работ по космической съемке Земли с пилотируемых космических кораблей) // Исслед. Земли из космоса. 2022. № 5. С. 99–102.
  2. Ермолаев Н.Р., Юдин С.А., Белобров В.П., Дридигер В.К., Гаджиумаров Р.Г. Идентификация прямого посева (no-till) по растительным остаткам на поверхности почв при использовании мультивременного интегрального индекса minNDTI minNDTI // АгроЭкоИнфо. 2021. Т. 4. № 46. С. 1–14.
  3. Кулинцев В. Система земледелия нового поколения Ставропольского края. Ставрополь: АГРУС Ставропольского гос. аграрного ун-та, 2013. 520 с.
  4. Куприченков М.Т., Антонова Т.Н., Симбирев Н.Ф., Цыганков А.С. Земельные ресурсы Ставрополья и их плодородие. 2002. 320 с.
  5. Куссуль Н.Н., Лупян Е.А., Шелестов А.Ю., Скакун С.В., Саворский В.П., Тищенко Ю.Г. Нейросетевой метод мониторинга затопленных территорий с использованием радиолокационных спутниковых данных // Исслед. Земли из космоса. 2008. С. 29–35.
  6. Линков С.А., Акинчин А.В., Мелентьев А.А., Чупрынина Н.С., Кузнецова А.Е. Применение гис-технологий в сельскохозяйственном производстве // Инновации в АПК проблемы и перспективы. 2018. Т. 1. № 17.
  7. Павлов В.А., Хрящев В.В., Островская А.А., Кокуйцева Т. Сравнительный анализ использования нейросетевых алгоритмов для сегментации объектов на спутниковых снимках // Сборник материалов конференции – Цифровая обработка сигналов и ее применение. 2019. С. 399–403.
  8. Скворцов Е.А., Набоков В.И., Некрасов К.В., Скворцова Е.Г., Кротов М.И. Применение технологий искусственного интеллекта в сельском хозяйстве // Аграрный вестник урала. 2019. Т. 08. № 08. С. 91–98.
  9. Токарев К.Е., Руденко А.Ю., Кузьмин В.А., Чернявский А.Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей // Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей. 2021. Т. 4. № 64. С. 421–440.
  10. Шокин Ю.И., Потапов В.П. ГИС сегодня: состояние, перспективы, решения // Вычислительные технологии. 2015. С. 175–213.
  11. Bagaev S.M., Medvedeva E.V. Experimental assessment of the accuracy of multiclass segmentation of objects from satellite images based on a modified convolutional neural network U-net // Sovrem. Probl. distantsionnogo Zo. Zemli iz kosmosa. 2021. T. 18. № 6. C. 35–45.
  12. Ronnenberg O., Fisher P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // IEEE Access. 2021. T. 9. C. 16591–16603.
  13. Sengupta S., Basak S., Saikia P., Paul S., Tsalavoutis V., Atiah F., Ravi V., Peters A. A review of deep learning with special emphasis on architectures, applications and recent trends // Knowledge-Based Syst. 2020. T. 194.
  14. Taravat A., Wagner M. P., Bonifacio R., Petit D. Advanced fully convolutional networks for agricultural field boundary detection // Remote Sens. 2021. T. 13. № 4. C. 1–12.
  15. Upreti A. Machine learning application in GIS and remote sensing: An overview // Int. J. Multidiscip. Res. Growth Eval. 2022. № July. C. 546–553.
  16. Zhang H., Liu M., Wang Y., Shang J., Liu X., Li B., Song A., Li Q. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net // Int. J. Appl. Earth Obs. Geoinf. 2021. T. 105. № January. C. 102557.

Supplementary files

Supplementary Files
Action
1. JATS XML
2.

Download (467KB)
3.

Download (1MB)
4.

Download (926KB)
5.

Download (1MB)

Copyright (c) 2023 Н.Р. Ермолаев, С.А. Юдин, В.П. Белобров, Л.А. Ведешин, Д.А. Шаповалов

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».