Формирование достоверных карт размещения сельскохозяйственных культур является важным инструментом цифрового мониторинга сельского хозяйства и почвенных ресурсов. Такие карты позволяют оценивать структуру посевных площадей, анализировать пространственные риски, осуществлять мониторинг землепользования, а также повышать эффективность государственного управления сельскохозяйственными ресурсами и оценки влияния климатических изменений. При этом получение актуальной информации о размещении культур затруднено из-за отсутствия единой системы регулярного сбора и актуализации соответствующих данных, что делает актуальной разработку автоматизированных методов картографирования.

Целью настоящей работы являлось создание модели распознавания сельскохозяйственных культур для мониторинга сельского хозяйства.

В качестве обучающих данных использовалась открытая картографическая информация различных стран, включающая растровые и векторные данные о фактической структуре посевов, а также карты, полученные с использованием алгоритмов машинного обучения (случайный лес, деревья решений). Прогнозные карты проходили этап постобработки, включавший отбор репрезентативных данных и фильтрацию картографических артефактов.

Обработка больших массивов пространственных данных выполнялась на языке Python с использованием библиотек rioxarray, rasterio и fiona. Для получения спутниковых данных применялась платформа Google Earth Engine. В качестве алгоритма классификации использовался градиентный бустинг CatBoost.

Признаковое пространство включало медианные значения спектральных каналов Landsat (Red, Green, Blue, NIR, SWIR1, SWIR2) за период с апреля по октябрь. Дополнительно использовались фенологические характеристики, рассчитанные по параметрам двойной логистической функции индексов WRDVI и NDMI, а также статистические показатели индекса NDYI, отобранные на основе максимальных различий между культурами. Для повышения качества прогнозных карт применялся фильтр Хампеля, позволивший удалять выбросы и картографические артефакты.

Для учета пространственной неоднородности условий выращивания культур, обусловленной расположением обучающих данных в различных климатических зонах, в модель были включены климатические характеристики реанализа ERA5: сумма активных температур и количество осадков.
Первоначально модель использовала 134 признака, однако для снижения вычислительной сложности их количество было сокращено до 24 с помощью встроенного метода отбора признаков Recursive Feature Elimination без существенной потери качества классификации.

В результате были сформированы пространственно распределенные карты двенадцати сельскохозяйственных культур. Полученная модель обеспечила классификацию основных культур Российской Федерации с общим значением F1-меры 0,74. Оценка качества проводилась на независимых данных селекционных центров Российской Федерации: Северо-Кавказского ФНАЦ, ОПХ «Рассвет» и ВНИИМЗ.

Поскольку обучающая и валидационная выборки существенно различались по своим характеристикам (в частности, для ряда регионов России, таких как Тверская и Московская области, отсутствуют зарубежные аналоги обучающих данных), было выполнено дополнительное дообучение модели на валидационной выборке. После дообучения значения F1-меры составили 0,81 для Северо-Кавказского ФНАЦ, 0,82 для ОПХ «Рассвет» и 0,53 для ВНИИМЗ.

Работа выполнена в рамках государственного задания на научно-исследовательскую работу по теме: FGUR-2025-0010 "Цифровой скрининг почвенного покрова агроландшафтов как инструмент решения задач научно-технологического развития агропромышленного комплекса Российской Федерации" (рег. № 125042105374-2)