| Popis: |
В статье рассмотрена возможность использования данных дистанционного зондирования Земли с космического аппарата Sentinel-2 и алгоритмов машинного обучения для классификации при создании карт пространственной неоднородности почвенного покрова по гранулометрическому составу земель сельскохозяйственного назначения, а также использования этих карт в точном земледелии. На основе полевых исследований был собран массив данных, включающий спутниковые снимки со значением NDVI менее 0,3 и дополнительно рассчитанные индексы, в том числе связанные со спектральной яркостью (чувствительные к гранулометрическому составу), для обучения и тестирования моделей бинарной классификации, основанных на деревьях решений. Были обучены четыре модели бинарной классификации, использующие алгоритм XGBoost. Подобраны оптимальные значения гиперпараметров для этих моделей и определены наиболее значимые переменные для классификации каждого типа почв. Предложена архитектура нейронной сети, которая в качестве входных данных использует значения спектральной отражаемости, расчётных индексов и результатов бинарной классификации. Точность методики на валидационной выборке составила 76 %. |
