Natančno spremljanje stanja poljskih pridelkov je ključno za uspešno rast, vendar je nadzorovanje obsežnih površin zgolj s prostim očesom precej časovno zamudno in zahtevno. Učinkovitejšo rešitev predstavlja doc. dr. Luka Čehovin Zajc s sodelavci v raziskovalnem članku Multi-Year Time Series Transfer Learning: Application of Early Crop Classification, objavljenim v reviji Remote Sensing. V raziskavi so se ukvarjali z zgodnjo klasifikacijo poljščin in možnostjo uporabe strojnega učenja na satelitskih podatkih.

Napovedni modeli za zgodnjo klasifikacijo poljščin lahko hitro in zanesljivo napovejo tipe poljščin ter zmanjšajo potrebo po preverjanju na terenu. Posledično se olajša spremljanje pridelka, odkrivanje bolezni in škodljivcev ter nudi informacije, pomembne za preskrbo s hrano.

Problem uporabe strojnega učenja v kontekstu daljinskega zaznavanja pa je, da se podatki ustvarjajo sproti, vsako leto pa poteka drugače. Napovedni modeli, naučeni na preteklih letih, zato na novih podatkih ne delujejo najbolje. Gre za problem, ki je v literaturi zaradi pomanjkanja primernih urejenih podatkovnih zbirk redko obravnavan.

V raziskavi so preverili možnost uporabe prenosa naučenih modelov za klasifikacijo poljščin med posameznimi leti. Obenem pa so preverili tudi možnost dodatnega učenja modela z majhno količino novih podatkov, ki se jih pridobi med tekočim letom. Rezultati eksperimentov kažejo, da napovedni modeli niso neposredno uporabni med leti, lahko pa jih uspešno prilagodimo z dokaj malo novimi učnimi primeri.

Grafični prikaz raziskave

Članek lahko v celoti preberete na povezavi:

• Remote Sensing: Multi-Year Time Series Transfer Learning: Application of Early Crop Classification (10. januar 2024)