BEGIN:VCALENDAR VERSION:2.0 PRODID:-//pretalx//conf.esoil.ru//pgb2026//talk//LSXLPY BEGIN:VTIMEZONE TZID:MSK BEGIN:STANDARD DTSTART:20001029T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10;UNTIL=20111030T000000Z TZNAME:MSK TZOFFSETFROM:+0400 TZOFFSETTO:+0300 END:STANDARD BEGIN:STANDARD DTSTART:20120101T000000 RRULE:FREQ=YEARLY;BYMONTH=1;UNTIL=20131231T200000Z TZNAME:MSK TZOFFSETFROM:+0400 TZOFFSETTO:+0400 END:STANDARD BEGIN:STANDARD DTSTART:20150101T000000 RRULE:FREQ=YEARLY;BYMONTH=1 TZNAME:MSK TZOFFSETFROM:+0300 TZOFFSETTO:+0300 END:STANDARD BEGIN:DAYLIGHT DTSTART:20000326T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3;UNTIL=20100328T000000Z TZNAME:MSD TZOFFSETFROM:+0300 TZOFFSETTO:+0400 END:DAYLIGHT END:VTIMEZONE BEGIN:VEVENT UID:pretalx-pgb2026-LSXLPY@conf.esoil.ru DTSTART;TZID=MSK:20260916T172800 DTEND;TZID=MSK:20260916T173000 DESCRIPTION:Формирование достоверных карт раз мещения сельскохозяйственных культур я вляется важным инструментом цифрового м ониторинга сельского хозяйства и почвен ных ресурсов. Такие карты позволяют оцен ивать структуру посевных площадей\, анал изировать пространственные риски\, осущ ествлять мониторинг землепользования\, а также повышать эффективность государс твенного управления сельскохозяйственн ыми ресурсами и оценки влияния климатич еских изменений. При этом получение акту альной информации о размещении культур затруднено из-за отсутствия единой сист емы регулярного сбора и актуализации со ответствующих данных\, что делает актуал ьной разработку автоматизированных мет одов картографирования.\n\nЦелью настоящ ей работы являлось создание модели расп ознавания сельскохозяйственных культур для мониторинга сельского хозяйства.\n\n В качестве обучающих данных использовал ась открытая картографическая информац ия различных стран\, включающая растровы е и векторные данные о фактической струк туре посевов\, а также карты\, полученные с использованием алгоритмов машинного о бучения (случайный лес\, деревья решений) . Прогнозные карты проходили этап постоб работки\, включавший отбор репрезентати вных данных и фильтрацию картографическ их артефактов.\n\nОбработка больших масси вов пространственных данных выполнялас ь на языке Python с использованием библиоте к rioxarray\, rasterio и fiona. Для получения спутник овых данных применялась платформа Google Ear th Engine. В качестве алгоритма классификаци и использовался градиентный бустинг CatBoo st.\n\nПризнаковое пространство включало м едианные значения спектральных каналов Landsat (Red\, Green\, Blue\, NIR\, SWIR1\, SWIR2) за период с а преля по октябрь. Дополнительно использ овались фенологические характеристики\, рассчитанные по параметрам двойной лог истической функции индексов WRDVI и NDMI\, а т акже статистические показатели индекса NDYI\, отобранные на основе максимальных р азличий между культурами. Для повышения качества прогнозных карт применялся фил ьтр Хампеля\, позволивший удалять выброс ы и картографические артефакты.\n\nДля уч ета пространственной неоднородности ус ловий выращивания культур\, обусловленн ой расположением обучающих данных в раз личных климатических зонах\, в модель бы ли включены климатические характеристи ки реанализа ERA5: сумма активных температ ур и количество осадков.\nПервоначально модель использовала 134 признака\, однако для снижения вычислительной сложности и х количество было сокращено до 24 с помощ ью встроенного метода отбора признаков R ecursive Feature Elimination без существенной потери качества классификации.\n\nВ результате б ыли сформированы пространственно распр еделенные карты двенадцати сельскохозя йственных культур. Полученная модель об еспечила классификацию основных культу р Российской Федерации с общим значение м F1-меры 0\,74. Оценка качества проводилась на независимых данных селекционных цен тров Российской Федерации: Северо-Кавка зского ФНАЦ\, ОПХ «Рассвет» и ВНИИМЗ.\n\nПо скольку обучающая и валидационная выбор ки существенно различались по своим хар актеристикам (в частности\, для ряда реги онов России\, таких как Тверская и Москов ская области\, отсутствуют зарубежные ан алоги обучающих данных)\, было выполнено дополнительное дообучение модели на вал идационной выборке. После дообучения зн ачения F1-меры составили 0\,81 для Северо-Ка вказского ФНАЦ\, 0\,82 для ОПХ «Рассвет» и 0\ ,53 для ВНИИМЗ.\n\nРабота выполнена в рамка х государственного задания на научно-ис следовательскую работу по теме: FGUR-2025-0010 "Цифровой скрининг почвенного покрова а гроландшафтов как инструмент решения за дач научно-технологического развития аг ропромышленного комплекса Российской Ф едерации" (рег. № 125042105374-2) DTSTAMP:20260923T013815Z LOCATION:Стенд-холл 1 (коридор 3 этажа) SUMMARY:Детектирование сельскохозяйственны х культур по данным дистанционного зонд ирования Земли - Богдан Евдокия Викторов на URL:https://conf.esoil.ru/pgb2026/talk/LSXLPY/ END:VEVENT END:VCALENDAR