Алгоритм K-Means классифицирует данные изображений European Copernicus Sentinel III для определения областей, устойчивых к низкой влажности.

Автор: Фернандо Роке Facebook: https://www.facebook.com/tutorialespowerbi

Контакт: [email protected]
Введение В сезон дождей 2019 года на Панамском канале случилась сильная засуха (ссылка). Он обязывает сократить движение транспорта, пересекающего канал. В этом исследовании мы применили алгоритм машинного обучения K-Means к изображениям European Copernicus Sentinel III, чтобы классифицировать устойчивые и наиболее пострадавшие регионы в дождливые месяцы 2019 года с мая по октябрь. Это исследование показывает полезность сегментации для определения различных стратегий для событий периода засухинизкой влажности.

Сезон дождей в Панаме длится с мая по октябрь. Мы взяли по одному изображению активности овощей для каждого из этих месяцев у Коперника. На рисунке 1 показан индикатор активности с мая по октябрь за 2019 год для района озера Гатун в красном квадрате карты. Индикатор имеет диапазон значений от 0 до 0,96.

Рисунок 1. Озеро Гатун, Панамский канал, активность овощей с мая по декабрь

Посмотрите, у индикатора сильное падение с августа по ноябрь. Это означает, что сильное поражение вызвано низкой влажностью почвы. На этой диаграмме не показаны устойчивые и наиболее пострадавшие области. Он представляет собой среднюю активность овощей для всего региона озера Гатун. Трудно выделить участки с разной активностью растительности в течение нескольких месяцев. Просмотрите рисунок 2, на котором представлены показатели за июль и август.

Рисунок 2. Овощная активность разного уровня за несколько месяцев 2019 года. Источник Copernicus.

Невозможно классифицировать области высокой и низкой активности овощей на изображении простым взглядом. Нам нужен процесс машинного обучения для классификации активности региона. На рис. 3 представлены четыре сегмента или группы, возвращенные алгоритмом K-Means на основе значений активности фотосинтеза.

Рисунок 3. Сегментация активности овощей в группе, полученная с помощью анализа машинного обучения. Источник Коперник.

См. рис. 3 и обратите внимание на то, что группы четыре (от 0,75 до 0,85) и первая (от 0,5 до 0,8) имеют самый высокий показатель значения. Наименьшее значение показателя имеют вторая (от 0 до 0,4) и третья (от 0,4 до 0,6) группы. На рисунке 4 мы поместили числовые значения активности овощей в координаты карты. Представляя группу растительной активности с наивысшим значением на карте на рисунке 4A за ноябрь 2019 года (конец сезона дождей), мы можем сделать вывод, что эти районы обладают устойчивостью к засухе.

Рисунок 4А. Район устойчивости четвертой группы с высокой активностью овощей в ноябре 2019 г. Рисунок 4B. Наиболее пострадавшие регионы второй группы, ноябрь 2019 г.

Посмотрите на рисунок 4B, где показан регион с самым низким показателем за ноябрь 2019 года. Он представляет собой районы, наиболее пострадавшие от малого количества осадков. Нарисовав число точек каждой группы растительной активности на рисунке 5, мы можем увидеть эволюцию кризиса и потери фотосинтетической жизни.

Рисунок 5. Оранжевая линия: Количество точек группы 4 (самая высокая активность овощей). Синяя линия, второе место по индикатору активности овощей. Источник Коперник.

На рис. 5 видно падение числа индикаторов наивысшего значения группы 4 с диапазоном от 0,75 до 0,85, начиная с августа. Обратите внимание, что количество баллов с диапазоном 0,5 и 0,8 первой группы растет в результате потери растительной жизнедеятельности четвертой группы.

ЗаключениеОхраняемые регионы, такие как заповедник озера Гатун в Панамском канале, ведут себя неравномерно во время кризиса засухи. Чрезвычайные действия по сохранению почвенной влаги требуют различных подходов в зависимости от уровня устойчивости каждого сегментированного региона. Алгоритм группировки машинного обучения K-Means может помочь классифицировать изображения регионов с использованием European Copernicus Sentinel III или дронов для определения различных вариантов действий в периоды низкой влажности.