РАЗРАБОТКА РЕКОМЕНДАЦИЙ ПО АДАПТАЦИИ ЛУЧШИХ МИРОВЫХ ПРАКТИК ПРИМЕНЕНИЯ РЕЗУЛЬТАТОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ В СЕЛЬСКОМ ХОЗЯЙСТВЕ РОССИИ

Анализ современных научно-технических источников показывает, что для мониторинга состояний полей, контроля показателей урожайности, а также для улучшения бизнес-процессов агрокомпаний все чаще применяется анализ изображений сельскохозяйственных угодий. Важнейшим этапом такого анализа является автоматическое выделение полей на спутниковых снимках высокого разрешения. Обработка таких снимков может осуществляться с помощью алгоритмов глубокого машинного обучения. В данной работе приводятся результаты исследования работы трех различных архитектур сверточных нейронных сетей для выделения полей. Для анализа работы нейросетевых алгоритмов, детектированные регионы были сопоставлены с областями, ранее размеченными экспертами. Разработанные алгоритмы машинного обучения были обучены и протестированы на изображениях со спутника Landsat и данных из базы PlanetScope. Запуск сетей осуществлялся на графическом процессоре суперкомпьютера NVIDIA DGX-1, процесс обучения длился около 1 ч. Наибольшее значение коэффициента Серенсена, равное 0,75, удалось получить с помощью нейронной сети U-Net. Были также сформулированы рекомендации по использованию нейросетевых методов обработки данных дистанционного зондирования для цифровой трансформации сельскохозяйственной отрасли.

DEVELOPMENT OF RECOMMENDATIONS ON ADAPTATION OF THE BEST INTERNATIONAL PRACTICES IN APPLICATION OF ERS DATAFOR SOLVING PROBLEMS IN RUSSIAN AGRICULTURE

The study of modern scientific and technical writings shows that the analysis of the images of agricultural lands is more and more frequently used for monitoring of the state of fields and yield indices, as well as improvement of business processes in agricultural companies. The most important stage of this analysis is the automatic identification of fields in high-resolution satellite images. Processing of such images can be performed using the deep machine learning algorithms. The article describes the results of studying the operation of three different architectures of convolutional neural networks for identification of fields. To analyze the operation of neural network algorithms, the detected regions were compared with the areas marked earlier by the experts. The developed machine learning algorithms were learnt and tested using the Landsat images and PlanetScope data. The networks were run on the graphics processor of the NVIDIA DGX-1 supercomputer, and the learning process lasted for 1 hour. The greatest value of the Sorensen coefficient equal to 0,75 was obtained using the U-Net neural network. The recommendations on using the neural network methods of processing ERS data for digital transformation of the agricultural industry were also formulated.