Разработка нейросетевой модели для анализа спутниковых данных для оценки урожайности сельскохозяйственных культур в районах РФ.

​

Сычков Александр Александровчи � Научный консультанта на курсе MSU.AI - Ганичев Антон Александрович �Научный руководитель - Трошко Ксения Анатольевна

Курс: «Нейронные сети и их применение в научных исследованиях»

Введение в тему

Задача состоит в том, чтобы имея в распоряжении спутниковые снимки и данные о погоде иметь возможность оценить текущее состояние посевов, выраженное через расчетную урожайность, в любое время сезона. С помощью спутниковых снимков расчитывают т.н. Normalized Difference Vegetation Index. Это спектральный индекс, коррелирующий с густотой растительности и с содержанием хлорофила. Традиционно используется для оценки состояния растений по мультиспектральным снимкам.

С помощью метеорологических спутников и системы реанализа, можно получать сведения о погодных условиях в любой точке мира. Задача состоит в том, чтобы научиться анализировать эти данные и давать заблаговременный прогноз.

​

Разработка нейросетевой модели для прогнозирования урожайности

Разработка нейросетевой модели для прогнозирования урожайности

Данные, которые необходимо научиться обрабатывать, представляют собой временные ряды спектрального индекса NDVI и набора погодных параметров, доступных в системе реанализа National Centers for Environmental Prediction. Целевые значения - значения урожайности озимой пшеницы в районах России, полученные из Базы Данных Муниципальных Образований. Удалось получить информацию для 797 административных районов в период с 2007 по 2022 год.

Источник временных рядов NDVI – ВЕГА-Science. Временные ряды формируются на конкретных территориях, детектированных как маски земель, занятых озимыми культурами, на основе еженедельных композитов спектрометра MODIS. (Спутники Terra и Aqua)

Важным нюансом является то, что временные ряды имеют разную дискретность и требуют приведение к единому стандарту размерности путем усреднения или интерполяции.

​

Данные

Разработка нейросетевой модели для прогнозирования урожайности

Примеры временных рядов имеющихся данных

​

​

Данные

Разработка нейросетевой модели для прогнозирования урожайности

• ●Главным образом рассматривается модель с рекурентным энкодером с модулем внимания, который будет создавать эмбединг и передавать его в полносвязную сеть для анализа. Однако в дальнейшем был сделан выбор в пользу применения сверточных слоев.
• ●В первом приближении предпринимались попытки обучить полносвязную сеть на загрубленных даных и использовать сверточные слои вместо энкодера.
• ●На данный момент получено несколько моделей: Случайный лес, полносвязная сеть, сеть со сверточными слоями в качестве энкодера.
• ●Так как речь идет об обычной задаче регрессии, в качестве loss функции использовалось среднеквадратичное отклонение MSE. В качестве дополнительных метрик качества использовались MAE, RMSE и R^2

Модели

Разработка нейросетевой модели для прогнозирования урожайности

Обзор существующих решений

Разработка нейросетевой модели для прогнозирования урожайности

Предварительные опыты по использованию классических методов машинного обучения для озимой пшеницы .

​

Модели классического ml и их метрики для озимой пшеницы.

Разработка нейросетевой модели для прогнозирования урожайности

Датасет v1

Разработка нейросетевой модели для прогнозирования урожайности

В первом датасете одним из входных параметров была средняя урожайность в районе в прошлые годы. Она была заменена на скользящую среднюю урожайность за 5 последних лет. Кроме того, в список входных данных был добавлен скользящий тренд изменения урожайности.

В дальнейшем была написана единая библиотека, которая используется для подготовки данных для обучения и для непосредственных расчетов будущей урожайности. Это важный момент, так как использование одной библиотеки позволяет снизить риск отличий в процедуре подготовки данных. Данные для предсказания и данные для обучения должны быть подготовлены идентичным образом.

​

Изменения в датасете

Разработка нейросетевой модели для прогнозирования урожайности

Корреляция при традиционном методе

Разработка нейросетевой модели для прогнозирования урожайности

MSE при традиционном методе

Разработка нейросетевой модели для прогнозирования урожайности

Результаты нового опыта

Разработка нейросетевой модели для прогнозирования урожайности

Модели классического ml и их метрики для озимой пшеницы

Предварительные опыты по использованию классических методов машинного обучения после изменений в датасете

Разработка нейросетевой модели для прогнозирования урожайности

Разработка нейросетевой модели для прогнозирования урожайности

Информативность параметров для сои согласно случайному лесу

Разработка нейросетевой модели для прогнозирования урожайности

Возможности заблаговременного прогноза для озимой пшеницы

Разработка нейросетевой модели для прогнозирования урожайности

Модели классического ml и их метрики для сои

Предварительные опыты по использованию классических методов машинного обучения для сои

Разработка нейросетевой модели для прогнозирования урожайности

Метрики нейронных сетей для сои

Разработка нейросетевой модели для прогнозирования урожайности

Оценка значимости параметров для сои

Разработка нейросетевой модели для прогнозирования урожайности

Возможности заблаговременного прогноза для сои

Разработка нейросетевой модели для прогнозирования урожайности

Модели классического ml и их метрики для яровой пшеницы

Разработка нейросетевой модели для прогнозирования урожайности

Метрики нейронных сетей для яровой пшеницы

Разработка нейросетевой модели для прогнозирования урожайности

Оценка значимости параметров для яровой пшеницы

Разработка нейросетевой модели для прогнозирования урожайности

Возможности заблаговременного прогноза для яровой пшеницы

Разработка нейросетевой модели для прогнозирования урожайности

Резюме опытов

Разработка нейросетевой модели для прогнозирования урожайности

Сравнение с другой результатом другой статьи

Разработка нейросетевой модели для прогнозирования урожайности

1. Внедрить модель. Написать программу для сбора данных и составления отчетов. ✓
2. Применить ✓
3. По результатам опубликовать статью
4. Произвести опыты с прогнозированием других культур ✓
5. Исследовать точность модели за пределами районов обучения

​

План

Разработка нейросетевой модели для прогнозирования урожайности

1. СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА - ISSN 2411-0280

Журналы

Разработка нейросетевой модели для прогнозирования урожайности

• Произведено 2 попытки улучшить данные для обучения.
• Исследована территориальное распределение качества работы моделей
• Полученные модели превосходят существующий способ прогнозирования и имеют возможность давать прогноз в любое время сезона.
• Модели, анализирующие весь временной ряд превосходят существующий способ прогнозирования и имеют возможность давать прогноз в любое время сезона.
• Получена возможность создавать нейронные сети для множества разных культур, для которых имеется статистика в БД ПМО.
• Журнал на примете только один.

​

​

Заключение