Формирование достоверных карт размещения культур способствует эффективному управлению сельскохозяйственными ресурсами. Такие тематические карты используются для оценки объёмов выращивания культур, моделирования урожайности, анализа пространственных рисков и комплексного мониторинга землепользования, а также способствуют повышению эффективности государственного контроля и адаптации к климатическим изменениям. Целью настоящей работы стало создание карты посевных площадей для картографического мониторинга сельского хозяйства. Входными данными выступили открытые отраслевые картографические ресурсы разных стран — растровые и векторные материалы, включающие информацию как о фактической структуре посевных полей, так и результаты картографирования с использованием алгоритмов машинного обучения (случайный лес, деревья решений). Прогнозные карты, построенные алгоритмами машинного обучения, подвергались постобработке для отбора данных с репрезентативными характеристиками и фильтрации картографических артефактов, что важно для повышения достоверности получаемой карты.
Обработка больших массивов картографических данных производилась на Python с помощью библиотек (rioxarray, rasterio, fiona). Для выгрузки спутниковых снимков использовалась платформа Google Earth Engine применялся. Алгоритм, который использовался для построения карт - градиентный бустинг (CatBoost). В качестве признаков использовались спектральные характеристики Landsat, а именно медианные значения каналов RED, NIR, SWIR1, SWIR2 за апрель–октябрь. Также были добавлены фенологические параметры, полученные по параметрам двойной логистической функции индексов WRDVI, NDMI, а также статистические характеристики индекса NDYI, отобранных на основе максимальных различий между культурами. Для повышения корректности итоговых карт использовался фильтр Хампеля — удалялись выбросы и артефакты прогнозных карт. Для учета пространственной вариабельности, так как данные для тренировочной выборки расположены в разных климатических зонах, тренировочная выборка была дополнена суммой активных температур и осадков по данным климатического реанализа ERA5. В результате была сформирована пространственно-распределенная карта по двенадцати культурам. Полученная модель классифицировала основные культуры РФ с общим F1 = 0,76. Оценка качества была проведена на данных селекционных центров РФ – Северо-Кавказский ФНАЦ, ОПХ Рассвет, ФИЦ Немчиновка, ВНИИМЗ, датасет РусАгро. Поскольку тренировочная и валидационная выборки сильно отличались между собой (это объяснимо тем, что на некоторые данные нет аналогов среди зарубежных датасетов, например, Тверская и Московская области) было выполнено дообучение модели на валидационных данных. Общий F1 на дообученной модели на выборках составил: Северо-Кавказский ФНАЦ – 0,81, ОПХ Рассвет – 0,68, ФИЦ Немчиновка – 0,32, ВНИИМЗ – 0,40, датасет РусАгро – 0,72.