Валідація карт деградації земель на основі геопросторових даних
На сьогоднішній день у відкритому доступі є велика кількість супутникових даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами ґрунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обр...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2022 |
| Main Authors: | , , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2022
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/210866 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Валідація карт деградації земель на основі геопросторових даних / Б.Я. Яйлимов, А.Y. Шелестов, М.О. Ємельянов, О.М. Пархомчук // Проблеми керування та інформатики. — 2022. — № 1. — С. 112-125. — Бібліогр.: 31 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859551923814793216 |
|---|---|
| author | Яйлимов ,Б.Я. Шелестов, А.Ю. Ємельянов, М.О. Пархомчук, О.М. |
| author_facet | Яйлимов ,Б.Я. Шелестов, А.Ю. Ємельянов, М.О. Пархомчук, О.М. |
| citation_txt | Валідація карт деградації земель на основі геопросторових даних / Б.Я. Яйлимов, А.Y. Шелестов, М.О. Ємельянов, О.М. Пархомчук // Проблеми керування та інформатики. — 2022. — № 1. — С. 112-125. — Бібліогр.: 31 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | На сьогоднішній день у відкритому доступі є велика кількість супутникових даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами ґрунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обробки геопросторових даних, маємо можливість створювати карти деградації землі. Оскільки при створенні карти деградації основними інтелектуальними складовими є карти класифікації, карти продуктивності та карти вирубки лісів, то саме ці три продукти впливають на загальну достовірність результатів. Для їх валідації у роботі визначено необхідні метрики якості, а також проведено відповідні розрахунки. При оцінці карти земного покриву використано тестові незалежні дані для побудови матриці невідповідності, а також виконано порівняння отриманих площ основних сільськогосподарських культур зі статистичними даними. Продуктивність сільськогосподарських земель оцінено за допомогою часового ряду карт класифікації земного покриву, біофізичного моделювання розвитку рослин Crop Growth Modeling System (CGMS), а також біофізичних параметрів росту рослин із використанням супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності карт LAI (CGMS) ґрунтується на порівнянні значень індексу Leaf area index (LAI), змодельованих за допомогою програмного фреймворку CGMS, з даними наземних вимірів LAI, зібраними шляхом проведення наземних досліджень. Проведено чисельні експерименти для оцінки якості моделей та результатів карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на етапі навчання нейронної мережі. Також проаналізовано карти деградації за декілька років та проведено їх валідацію відносно врожайності, зокрема для регіону, що зазнав значних змін, на території України.
Nowadays, there is a large amount of satellite data and products based on them available in the public domain. By integrating these with diverse socio-economic information, soil maps, model-based biophysical data, and applying modern machine learning techniques and approaches to geospatial data processing, we are able to create land degradation maps.
|
| first_indexed | 2026-03-13T13:01:49Z |
| format | Article |
| fulltext |
© Б.Я. ЯЙЛИМОВ, А.Ю. ШЕЛЕСТОВ, М.О. ЄМЕЛЬЯНОВ, О.М. ПАРХОМЧУК, 2022
112 ISSN 1028-0979
КОСМІЧНІ ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ТА СИСТЕМИ
УДК 528.8.04:004.021
Б.Я. Яйлимов, А.Ю. Шелестов, М.О. Ємельянов, О.М. Пархомчук
ВАЛІДАЦІЯ КАРТ ДЕГРАДАЦІЇ ЗЕМЕЛЬ
НА ОСНОВІ ГЕОПРОСТОРОВИХ ДАНИХ
Ключові слова: супутникові дані, машинне навчання, валідація, карти дегра-
дації землі, продуктивність землі, карти вирубок лісів, карти класифікації землі,
Leaf area index.
Keywords: satellite data, machine learning, validation, land degradation maps, land
productivity, deforestation maps, land classification maps, Leaf area index.
Вступ
«Сталий розвиток неможливий без адекватної інформації про земну по-
верхню» — проголошує резолюція саміту зі сталого розвитку в Йоганнесбурзі
у 2002 році. Реалізацією цього став початок створення у 2003 році всесвітньої
«системи систем», покликаної оптимізувати спостереження за земною поверхнею
(GEOSS) [1].
Україна бере активну участь у багатьох міжнародних проєктах з космічного
моніторингу, а також займається впровадженням програм, направлених на подаль-
ший розвиток дистанційних спостережень за земною поверхнею. Серед пріоритет-
них напрямів подальшої співпраці є застосування в Україні інноваційних супутни-
кових технологій відстеження показників сталого розвитку, моніторингу агроре-
сурсів, стану довкілля в контексті формування глобальної системи систем GEOSS
та її європейського сегменту EuroGEO, що також було зазначено в меті Круглого
столу «Нові можливості космічних спостережень: глобальна система систем
GEOSS та Україна» 11.12.2019 р. У вересні 2021 року Кабінет Міністрів прийняв
рішення затвердити законопроєкт «Про затвердження Загальнодержавної цільової
науково-технічної космічної програми України на 2021–2025 роки», в задачі якої
також входить створення космічних систем спостереження за Землею та їхніх
складових. В Україні поки що не існує сервісу, який поєднував би в собі інфор-
мацію про деградацію земель, ерозію, дегуміфікацію, забруднення ґрунтів тощо.
Відомо, що серед деградаційних процесів протягом останніх років на землях
України домінує ерозія (44 %), дегуміфікація (23 %) та забруднення (15 %) [2].
Серед глобальних цілей сталого розвитку вказані такі, як подолання голоду,
досягнення продовольчої безпеки, поліпшення харчування і сприяння сталому ро-
звитку сільського господарства [3]. Вказані цілі важливі для України як для дер-
жави із значним аграрним потенціалом. В умовах зростання кількості населення
Землі та зменшення площ, придатних до вирощування сільськогосподарських
культур, важливо раціонально і ефективно використовувати земельно-ресурсний
потенціал. Українські землі здатні забезпечити продуктами харчування не тільки
власне населення, а й численних споживачів за її межами. Важливе значення у
формуванні продовольчих систем відіграють ґрунти, їх якість, родючість, продук-
тивність. Серед методів, які застосовуються для оцінювання деградації земель та
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 113
індикаторів сталого розвитку 2.4.1, 15.3.1 та 15.1.1, використовують: методи ма-
шинного навчання, методи системного аналізу, методи геопросторового аналізу,
засоби обробки часових рядів супутникових даних, використання хмарних об-
числювальних середовищ, методи інтелектуального аналізу даних тощо. До-
сліджено зв’язок деградації земель з вкладом регіону у ВВП країни [4]. Продо-
вольча безпека України в перспективі залежатиме від того, наскільки ефективно
адаптується сільське господарство до кліматичних змін та нових агрокліматичних
умов вирощування сільськогосподарських культур.
Основою сталого сільського господарства є ґрунтові ресурси, якість земель
сільськогосподарського призначення. Згідно з даними Держгеокадастру загальна
площа земель в Україні становить 60,4 млн. гектарів, із яких 70 % — це землі
сільськогосподарського призначення. Понад половину території країни розорано
(орні землі — 54 %), а 13 % використовується як сіножаті та пасовища. Значні те-
риторії зазнають впливу антропогенної діяльності. Понад 57 % території України
визначені як еродовані [2]. Інтенсивне використання земельних ресурсів, вирубка
лісів призводять до зниження продуктивності ґрунтів та їх деградації [5].
Деградація земель визначається як погіршення стану, складу, функцій, про-
дуктивності земель, що проявляється в зниженні родючості ґрунту [6]. Це є одним
з найбільш серйозних викликів для сталого розвитку країни і сільського господар-
ства, що спричиняє проблеми екологічного і соціально-економічного характеру.
Деградація земель характеризується зменшенням її родючості та зниженням про-
дуктивності для всіх типів земного покриву. Крім того, це призводить до змен-
шення або втрати біологічної чи економічної продуктивності орних земельних
ділянок, зрошуваних орних земель або пасовищ, лісів та лісових масивів в резуль-
таті використання земель або через процеси, що виникають внаслідок діяльності
людини [7].
З метою оцінки якості ґрунтів України і раціонального їх використання створено
карту деградації земель. Основою побудови карт деградації землі є вегетаційні індек-
си, які отримуються на основі комбінацій мультиспектральних каналів супутни-
кових знімків та біофізичного моделювання стану рослин [8]. Такими індексами є
нормалізований диференційний вегетаційний індекс (NDVI, Normalized difference
vegetation index), чиста первинна продуктивність (NPP, Net Primary Production),
площа листяної поверхні (LAI, Leaf area index) та інші характеристики біома-
си [9]. Сучасні карти деградації створюють із використанням нової методології
оцінки деградації землі, що враховує продуктивність сільськогосподарських зе-
мель та ознаки деградації лісів, отримані за допомогою супутникових даних та
біофізичного моделювання. Алгоритм отримання комплексної карти деградації землі
з використанням трьох груп землекористування (сільськогосподарські території, ліси
та необроблювані землі) детально описано в остаточному звіті проєкту Національ-
ного фонду досліджень України 2020.01/0273 «Інтелектуальні моделі і методи визна-
чення індикаторів деградації земель на основі супутникових даних», в межах якого
проводилось дослідження у 2020–2021 роках, а також у роботах [5, 6, 10].
Однак є необхідність у проведенні валідації отриманої карти, тобто підтвер-
дженні відповідності, перевірці об’єктивності даних, отриманих за допомогою су-
путникових даних. Валідація карти деградації сприятиме підвищенню продуктив-
ності використання земель регіону. Під терміном валідація (validation) розуміють
процес, у результаті якого визначається точність карт, наприклад карт земного по-
криву, та здійснюється кількісна оцінка відповідних невизначеностей [11].
Валідація вкрай важлива, оскільки дозволяє оцінити достовірність отриманих ре-
зультатів і надає потенційним користувачам оцінку якості, яка зазвичай виражена
через поняття точності [5].
114 ISSN 1028-0979
1. Постановка задачі
У роботах [5, 6] запропоновано новий підхід до побудови карти деградації земель
для території України, проте є необхідність її валідації. Важливою складовою для цієї
методології є карта класифікації земного покриву, яка містить три основні класи, що в
цілому покривають 90 % площі України, — сільськогосподарські культури, необроб-
лювані землі, ліси, а також і інші класи (штучні об’єкти, відкритий грунт, водні
об’єкти, болота) [12, 13]. Карта повинна містити не лише коректну класифікацію на
сільськогосподарські та несільськогосподарські класи, а також включати й основні
класи сільськогосподарських культур (соняшник, кукурудза, зернові, ріпак, соя) для
досліджуваної території. Продуктивність сільськогосподарських земель залежить від
метеорологічних умов, клімату, типу та стану ґрунтів, агроменеджменту та дотриман-
ня аграрних норм. Кожний із цих показників так чи інакше має відображення в даних
дистанційного зондування Землі. Зокрема, індекс LAI може бути використаний як
індикатор фактичного стану рослинності на території, що представляє інтерес. Тому
виникає необхідність провести оцінку точності біофізичних параметрів, що використо-
вувалися під час створення карти деградації, аналіз точності трьох окремих складових
на незалежних наборах даних для розуміння точності карт деградації земель. Для цього
визначимо необхідні метрики для основних компонент карти деградації.
2. Визначення метрик оцінювання основних компонент карт деградації
Методологія побудови комплексної карти деградації полягає у застосуванні окре-
мого методу оцінки якості землі для трьох основних груп земного покриву — сільсь-
когосподарські землі (які містять в собі основні мажоритарні культури — зернові, со-
няшник, кукурудза, ріпак та соя), необроблювані землі (луки та пасовища) та ліси. Для
кожної сільськогосподарської культури будується карта продуктивності на основі різ-
ниці між реальними картами індексу LAI за допомогою даних MODIS (Moderate
Resolution Imaging Spectroradiometer), а також «ідеальні» модельні карти LAI, які отри-
мано за моделлю з відкритим кодом WOFOST (World Food Studies Simulation Model).
Для необроблюваних територій карта продуктивності будується з використанням
тренду вегетаційного індексу NDVI на основі часових рядів супутникових даних
Sentinel–2. Використання порогової сегментації до карт продуктивності сільськогоспо-
дарських та необроблюваних земель дає можливість отримати карти деградації для
цих типів земного покриву. Як показник деградації лісової території розглядатимемо
наявність вирубок на цій території.
Враховуючи описану методологію побудови комплексної карти деградації
для території України, в даній роботі запропоновано провести валідацію основних
компонент, на яких базується отримання карти деградації. Зокрема це карти кла-
сифікації земного покриву, продуктивності та вирубок. Нижче розглянемо ос-
новні метрики та результати.
2.1. Метрики оцінювання якості карт класифікації. Інформація щодо
типів вирощуваних культур надається в карті класифікації та використовується
для побудови растрової карти біофізичних показників. Тому від точності карти
земного покриву залежить якість розрахунку подальших продуктів. Один із ме-
тодів оцінки точності карти класифікації — порівняння статистичних даних з от-
риманими площами посівів за супутниковими даними, що може здійснюватися з
використанням метрики статистичного аналізу коефіцієнта кореляції r [14]:
1
2 2
1 1
( )( )
,
( ) ( )
n
i i
i
n n
i i
i i
s s p p
r
s s p p
=
= =
− −
=
− −
де si — площа сільськогосподарських культур за супутниковими даними, pi —
площа за статистичними даними, s і p — середнє арифметичне за статистичними
та супутниковими даними відповідно, n — кількість регіонів.
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 115
Для оцінки точності також використовують коефіцієнт детермінації R
2
між
статистичною площею основних культур і площею за супутниковими даними:
2
2 1
2
1
ˆ( )
.
( )
n
i i
i
n
i
i
p s
R
p p
=
=
−
=
−
Крім того, стандартними характеристиками якості методів класифікації є
матриця невідповідності
{ | , 1, ..., }ijC n i j N= = ,
де N — кількість класів, nij — кількість елементів i-го класу валідаційної вибірки,
класифікованих як j, а також точність користувача (UA, User accuracy), точність
виробника (PA, Producer accuracy), загальна точність (ОА, Overall accuracy), які
можуть бути обчислені на основі матриці невідповідності:
jj
j
j
n
PA
n+
= ,
ii
i
i
n
UA
n +
= , 1
N
kk
k
n
OA
M
==
,
де
1
N
j ij
i
n n+
=
= ,
1
N
i ij
j
n n+
=
= , M — кількість елементів у валідаційній вибірці [15].
2.2. Метрики оцінювання якості карт продуктивності. Для оцінки дегра-
дації землі необхідно оцінити продуктивність землі та проаналізувати її зміни в
часі. Оскільки продуктивність землі оцінюється в результаті обчислення різниць
інтегралів графіків зміни LAI від дня посадки культури до дня зрілості із застосу-
ванням біофізичних моделей CGMS (Coordination Group for Meteorological
Satellites) і WOFOST [16] та карти, отриманої на основі супутникових даних, то
варто оцінити модельні значення LAI. Для цього застосуємо коефіцієнт кореляції
r між значеннями індексу LAI, отриманими за допомогою моделювання з викори-
станням програмного фреймворку CGMS, та результатами прямих наземних
вимірів індексу LAI, зібраними безпосередньо на сільськогосподарських полях. При
цьому тестові поля для здійснення вимірів LAI обрано на території тестових
полігонів JECAM (Joint Experiment of Crop Assessment and Monitoring —
Міжнародна мережа полігонів сільськогосподарського призначення) [14, 17]. Мере-
жа полігонів JECAM [18] наведена на рис. 1; розташування тестового полігону
JECAM в Україні — на рис. 2. Це зумовлено тим, що Україна протягом останніх де-
сяти років бере активну участь у міжнародних експериментах по крос-валідації да-
них наземних вимірів та геопросторових продуктів, які отримуються на їх основі.
Для здійснення наземних вимірів індексу LAI використано наступний
підхід:
• обрано мажоритарні сільськогосподарські культури, які представляють
інтерес;
• для кожної культури сформовано перелік полів, на яких проводився збір
(in-situ);
• на кожному з полігонів у декількох точках (12–13 штук) проведено фото-
графування у позиції «зверху вниз вертикально» для невисоких культур (пше-
ниця, соя) або «знизу вгору вертикально» для високих культур (кукурудза, со-
няшник) з використанням цифрового фотоапарату з об’єктивом типу fish-eye з ку-
том огляду 180°;
116 ISSN 1028-0979
• для кожного знімка обчислено значення індексу LAI за допомогою про-
грамного продукту CAN-EYE [14, 19];
• систематизовано отримані наземні виміри (GPS-координати тестової точки,
тип культури, дата, обчислений індекс LAI) шляхом їх запису в таблицю (xls) та в
.shp-файл з додаванням відповідних колонок.
Рис. 1
Рис. 2
Для підтвердження достовірності LAI проведемо порівняння їх даних на ос-
нові супутникових даних, модельних із використанням WOFOST та даних на основі
наземних досліджень.
2.3. Метрики оцінювання якості карт вирубок лісів. Одним із показників
деградації лісової території є вирубки лісів. Для оцінювання якості отриманої
маски вирубок необхідно оцінити точність моделі (зокрема, нейронної мережі
U-Net), що використовувалася, а також ті характеристики, що і для карти кла-
сифікації земного покриву [20].
Усі зазначені показники розраховані лише для класу «вирубка лісу». Слід
зауважити, що в процесі оцінювання точності результатів класифікації, отри-
маних на основі використання нейронної мережі U-Net, є те, що для її нав-
чання використано результати фотоінтерпретації супутникових даних високої
роздільної здатності. При такому підході форма і площа розрахункових
полігонів не повністю співпадають з реальними прикладами вирубок. Тому
для підвищення точності вхідних даних, які використано для навчання ме-
режі, застосовані збільшені крайові межі полігонів. Інша проблема, яка приз-
водить до зниження точності, — це кут сонця, різний за різні роки. Цей кут
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 117
створює ефект затінення для тих територій, які не вкриті високою рослин-
ністю. Найнижча точність зазвичай має місце взимку, коли кут сонця є най-
меншим, а метеорологічні умови призводять до відсутності оптичних зобра-
жень. В свою чергу карти на основі радарних зображень SAR мають ще одну
проблему, так звану «тінь» SAR [21]. Зазвичай це можна побачити на нерів-
нинних територіях суші, коли пагорби або гори затіняють окремі ділянки
суші, що знижує точність виявлення вирубок на них.
Часто для задач сегментації більш ефективним є навчання нейронної мережі з
підвищенням коефіцієнта точності, в ролі якого можна використовувати функцію
втрат Жаккарда (Jaccard loss) [22, 23]:
1
1
1
C
c c
cc c c
Y P
Jaccard
N Y P=
= −
.
Іншим варіантом для задач сегментації з незбалансованим розподілом
зразків у навчальній вибірці є функція втрат Dl (Dice loss), яку можна обчис-
лити двома способами:
1
| |2
1
| | | |
C
c c
cc c c
Y P
Dice
N Y P=
= −
+
або
1
| |2
1
(| | | |)
C
c c c
cc c c c
Y P
Dice
N Y P=
= −
+
,
де c — коефіцієнт, що характеризує ступінь впливу класу (як правило, задають
1c = або c
c
N
N
= ).
3. Оцінювання основних компонент карт деградації
3.1. Оцінювання якості карт класифікації. На основі наведених вище метрик
оцінено точність карт класифікації земного покриву, які використано при побудові
карти деградації земель. На рис. 3 наведено карти класифікації для території України
за 2016–2021 рр., отримані за допомогою авторського методу [24–26] (легенда до них
наведена на рис. 4).
Після побудови карти класифікації її точність потрібно перевірити на неза-
лежних тестових даних шляхом побудови матриці невідповідності. Оцінку точ-
ності карт класифікації за 2016–2021 рр. наведено в табл. 1.
Рис. 3
2018
2019 2020
2016 2017
2021
118 ISSN 1028-0979
Рис. 4
Таблиця 1
OА карт класифікації для України
2016 2017 2018 2019 2020 2021
Штучні об’єкти 84,7 79,4 78,3 78,7 79,1 80.8
Зернові культури 97,9 98,8 98,8
Пшениця 89,3 93,3 97,9
Ячмінь 52,6 84,2 92,8
Гречка 83,5 58,1 87,8
Ріпак 88,9 96,2 99,1 98,1 95,6 99,2
Кукурудза 91,6 95,7 96,9 98 96,1 98,2
Буряк 89,9 97,9 95,5 97,9 85,4 91
Горох 47,6 92,9 92,9 74,3 85,8 86
Соняшник 94,9 98,2 98 98,7 96,9 98,9
Соя 77,4 87,3 92,3 93,3 85,8 93,9
Ліс 98,7 99,7 99,8 90,6 92,1 93.4
Вода 98 99 99 99,1 99 99
Луг 74,5 88,1 94,7 83,6 87,5 88
Відкритий ґрунт 92,1 89,6 77,4 64,1 70,4 80
Болото 53,9 71,6 73,3 84,9 86,3 77
Люцерна 72,3 71,8 72
Інші культури 66,8 50,2 45,4 66,8
Загальна точність (Overall
accuracy — OA)
87,1 96,7 97,3 96,2 91,6 98.3
Як видно з табл. 1, точність класифікації сільськогосподарських культур в
середньому вища за 90 %. Меншу точність отримано для лугів та боліт, що тра-
диційно складно класифікувати, оскільки ці класи, які часто плутають з іншими
класами сільськогосподарських культур, мають схожі з ними біофізичні характе-
ристики.
Проведено також порівняння отриманих площ основних сільськогосподарсь-
ких культур, а саме пшениці, кукурудзи, соняшника, зі статистичними даними та
підраховано відповідні коефіцієнти кореляції r та детермінації R2. Так, коефіцієнт
кореляції для досліджуваних культур склав 0,8–0,9, а регресійний показник R2 —
0,7–0,8 [27]. Аналізуючи ці показники, можна зробити висновок, що карти кла-
сифікації на рівні країни несуть достовірну інформацію та можуть бути викори-
стані державними органами влади разом з офіційними статистичними даними
щодо посівних площ [28].
3.2. Валідація карт продуктивності сільськогосподарських земель на ос-
нові наземних вимірів. На продуктивність сільськогосподарських земель впливають
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 119
аграрні норми, метеорологічні умови, агроменеджмент та ін. Кожний із цих по-
казників оцінюється за допомогою даних дистанційного зондування Землі. Зазна-
чимо, що індекс LAI може використовуватися як індикатор фактичного стану
рослинності на окремій території.
Оцінка точності карт LAI (CGMS) ґрунтується на порівнянні значень ін-
дексу LAI, змодельованих за допомогою програмного фреймворку CGMS, з
даними наземних вимірів LAI, зібраними шляхом проведення наземних
вимірів. Для порівняння біофізичного індексу LAI використано дані з декіль-
кох джерел (наземні (in-situ), MODIS [29], WOFOST). Як культури обрано
озиму пшеницю, сою та кукурудзу. Оскільки наземні виміри LAI проводили-
ся з 2016 р. по території Київської області, саме ці полігони й обрані для по-
дальшої роботи. Результати проведених порівнянь представлені на рис. 5–7.
Як видно із представлених гістограм, характери часової залежності ін-
дексів LAI схожі та відповідають розвитку культур, проте діапазони значень
не завжди однакові. Підвищення значення LAI на початку сезону за даними
MODIS (соя та кукурудза) можна пояснити низьким просторовим розрізнен-
ням (500 м).
Рис. 5
Рис. 6
120 ISSN 1028-0979
Рис. 7
Для модельних даних WOFOST, що мають правильну тенденцію, необхідна
точна інформація про дату посіву культури, цвітіння та повної стиглості, а дані
MODIS можуть бути використані як орієнтир для будь-якої зони інтересу. До-
стовірність результатів також підтверджується отриманими коефіцієнтами коре-
ляції та детермінації наземних даних із супутниковими та модельними (табл. 2).
Таблиця 2
Культура
Коефіцієнт кореляції r Коефіцієнт детермінації R2
In-situ дані
із MODIS
In-situ дані
із WOFOST
In-situ дані
із MODIS
In-situ дані
із WOFOST
Озима пшениця 0,77 0,82 0,60 0,67
Соя 0,73 0,77 0,53 0,59
Кукурудза 0,92 0,97 0,84 0,94
3.3. Оцінювання якості карт вирубок лісів. Як зазначено вище, для
нейронної мережі U-Net, яку використано для виявлення вирубок, крім оцінки
точності саме нейронної мережі, необхідно оцінити різні функції втрат (loss
functions).
Результати експериментів з різними комбінаціями вхідних даних та
функціями втрат наведені в табл. 3. Використані умовні позначення наведено
нижче.
• S1 — дані тільки з Sentinel–1,
• S2 — дані тільки з Sentinel–2,
• S1+S2 — об’єднання даних з Sentinel–1 та Sentinel–2,
• CE — крос-ентропія,
• Jaccard — функція втрат Жаккарда,
• Dice — функція втрат Dice loss,
• FL — функція втрат Focal loss.
Результати апробації підтверджують загальноприйняті рекомендації про те,
що оптичні дані більше підходять для моніторингу лісових господарств та задач
виявлення вирубок лісів (F1-score та IoU (Intersection-Over-Union) вищі для літнього
зображення S2 порівняно з літнім зображенням S1). У той же час об’єднання да-
них S1+S2 дало найбільш точні результати: F1 = 70,2, IoU = 0,54, хоча перевага
S1+S2 перед S2 незначна [30].
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 121
Таблиця 3
Літо
S1
CE
Літо
S2
CE
Літо
S1+S2
CE
Зима
S1
CE
Зима
S1
Jaccard
Зима
S1
DL
Зима
S1
FL
UA 64,8 64,5 66,4 69,8 64,0 47,6 29,2
PA 40,3 73,0 74,3 45,5 10,7 44,4 59,6
F1-score 49,7 68,5 70,2 55,1 18,3 45,9 39,2
IoU 0,33 0,52 0,54 0,38 0,10 0,30 0,24
Порівняння різних функцій втрат для задачі сегментації, що розглядалася,
показує, що, незважаючи на той факт, що функція втрат Жаккарда (Jaccard
loss) дає близькі до CE (Cross-Entropy) результати за метрикою UA, всі інші
метрики для неї є гіршими. У той же час функція втрат DL (Dice loss) забезпе-
чує кращі результати порівняно із функцією втрат Жаккарда. Крім того, всі
показники збалансовані.
F1 показує гірші результати порівняно з Dice loss (F1-score = 39,2, IoU = 0,24), до
того ж метрики не збалансовані між собою, на відміну від Dice loss.
Використання наведеного вище підходу дозволяє виявляти нові вирубки
лісів з високою точністю. Цей підхід має низький рівень хибно позитивних
спрацювань, що дає підстави вважати його надійним та практично застосовним.
У табл. 4 наведено метрики точності (F1-score та IoU) виявлення вирубок за супутни-
ковими знімками при використанні стандартної моделі U-Net, модифікації U-Net та
ансамблю цих двох моделей. Точність оцінювалась на тестовій вибірці з 4000 те-
стових регіонів, які не використовувались для навчання нейронної мережі.
Таблиця 4
Метрика U-Net U-Net з Efficientnet B3 Ансамбль
IoU 0,679 0,714 0,760
F1-score 0,601 0,630 0,673
Оскільки навчальна та тестова вибірки створені вручну на основі даних з ви-
соким просторовим розрізненням, ці вибірки містять неточності. Крім того, необ-
хідно враховувати також той факт, що територія вирубки лісу сама по собі не є
однорідним об’єктом і її межі змінюються дуже швидко через природне віднов-
лення лісів або, навпаки, розширення площі вирубки. З урахуванням вищенаведе-
ного точність запропонованих моделей є досить високою.
4. Валідація карт деградації землі для України
На рис. 8 наведено карти деградації для України за 2016–2020 рр., побу-
довані на основі запропонованої методології.
З аналізу отриманих карт можна зробити наступні висновки:
• на території Полісся в 2016 р. наявна деградація території (вирубки), яка
зникає в 2017–2019 рр. і повторно з’являється у 2020 р.,
• на території Дніпропетровської області у 2018 р. спостерігається суттєва
кількість деградованих територій. Відповідно до карт класифікації основною
культурою на зазначеній території є пшениця. В табл. 5 наведено дані Державної
служби статистики України [28] щодо врожайності зернових культур на території
Дніпропетровської області за 2017–2019 рр. [28].
122 ISSN 1028-0979
Рис. 8
Таблиця 5
Врожайність зернових, ц/га Відношення
врожайностей
Дніпропетровська обл. Вся Україна
2017 31,9 42,5 75,06 %
2018 31,1 47,4 65,61 %
2019 38,1 49,1 77,60 %
З табл. 5 видно, що у 2018 р. в Дніпропетровській області дійсно спо-
стерігалось зниження врожайності зернових культур, що підтверджує коректність
отриманих карт деградації.
Висновок
В даній роботі запропоновано комплексний метод оцінки карт деградації зе-
мель на основі аналізу змін земного покриву, деградації лісів та зменшення про-
дуктивності сільськогосподарських земель.
Для оцінки достовірності результатів виконано валідацію трьох основних
складових, що використовуються при побудові карти деградації, — карта кла-
сифікації земного покриву, карта продуктивності землі, карта вирубок лісів. Карта
класифікації включає п’ять основних класів сільськогосподарських культур для
України з просторовим розрізненням 10 м, має значення коефіцієнт Каппа К = 0,9
та точність користувача 91,5 % на незалежному наборі валідаційних даних. Для
перевірки моделі WOFOST розраховано кореляцію між фактичною врожайністю
та отриманими значеннями біомаси з урахуванням обмеження по кількості води
(water limited biomass) для всіх регіонів України за 2017 рік на стадії зрілості
сільськогосподарських культур. Середнє значення коефіцієнта кореляції стано-
вить 0,72, при цьому для сої воно є максимальним (0,88), а для озимої пшениці —
мінімальним (0,58).
2018
2019 2020
2016 2017
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 123
Результати валідації карти деградації демонструють застосовність розробле
Результати валідації карти деградації демонструють застосовність розробленого
методу [5, 6], що дозволяє будувати карти деградації з просторовим розрізненням
10 м, які можуть бути корисними, зокрема, для планування заходів щодо досяг-
нення нейтрального рівня деградації земель відповідно до міжнародних зо-
бов’язань України. З огляду на те, що для отримання геопросторових продуктів
запропоновано дані з просторовим розрізненням 10 м, у подальшому будe також
досліджено питання оптимізації часового ряду на основі, зокрема, методів оціню-
вання, наведених в [31].
Б.Я. Яйлимов, А.Ю. Шелестов, М.О. Ємельянов, О.М. Пархомчук
ВАЛІДАЦІЯ КАРТ ДЕГРАДАЦІЇ ЗЕМЕЛЬ
НА ОСНОВІ ГЕОПРОСТОРОВИХ ДАНИХ
На сьогоднішній день у відкритому доступі є велика кількість супутникових
даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-
економічною інформацією та картами ґрунтів, модельними біофізичними да-
ними із застосуванням сучасних методів машинного навчання та сучасних під-
ходів до обробки геопросторових даних, маємо можливість створювати карти
деградації землі. Оскільки при створенні карти деградації основними інтелек-
туальними складовими є карти класифікації, карти продуктивності та карти ви-
рубки лісів, то саме ці три продукти впливають на загальну достовірність ре-
зультатів. Для їх валідації у роботі визначено необхідні метрики якості, а також
проведено відповідні розрахунки. При оцінці карти земного покриву викори-
стано тестові незалежні дані для побудови матриці невідповідності, а також
виконано порівняння отриманих площ основних сільськогосподарських куль-
тур зі статистичними даними. Продуктивність сільськогосподарських земель
оцінено за допомогою часового ряду карт класифікації земного покриву,
біофізичного моделювання розвитку рослин Crop Growth Modeling System
(CGMS), а також біофізичних параметрів росту рослин із використанням
супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності
карт LAI (CGMS) ґрунтується на порівнянні значень індексу Leaf area index
(LAI), змодельованих за допомогою програмного фреймворку CGMS, з даними
наземних вимірів LAI, зібраними шляхом проведення наземних досліджень.
Проведено чисельні експерименти для оцінки якості моделей та результатів
карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на
етапі навчання нейронної мережі. Також проаналізовано карти деградації за
декілька років та проведено їх валідацію відносно врожайності, зокрема для
регіону, що зазнав значних змін, на території України.
B.Ya. Yailymov, А.Yu. Shelestov, M.O. Yemelyanov, O.M. Parkhomchuk
VALIDATION OF LAND DEGRADATION CARDS
ON THE BASIS OF GEOSPATIAL DATA
Today there is a lot of satellite data and products based on it in the public domain. By
integrating them with heterogeneous socio-economic information and soil maps,
model biophysical data using modern machine learning methods and modern ap-
proaches to geospatial data processing, it becomes possible to create maps of land
degradation. Considering that classification maps, productivity maps and deforesta-
tion maps are the main intellectual components to create a degradation map, it is
these products that affect the overall reliability of the results. For their validation, the
necessary quality metrics are determined in the work, and the corresponding calcula-
tions are made. To evaluate the land cover map, independent test data were used to
build a confusion matrix, and the obtained areas of the main crops were compared
124 ISSN 1028-0979
with statistical data. Agricultural land productivity was estimated using time series
land cover classification maps and Crop Growth Modeling System (CGMS) biophys-
ical plant development, as well as biophysical plant growth parameters using satellite
data and biophysical plant development models. The LAI Map Accuracy Assessment
(based on CGMS) is based on the comparison of Leaf Area Index (LAI) values mod-
eled using the CGMS software framework with LAI ground measurement data col-
lected through ground surveys. Numerous experiments were carried out to assess the
quality of models and the results of deforestation maps on an independent test sam-
ple, which was not used at the neural network training stage. Degradation maps for
several years were also analyzed and their validation was carried out with respect to
productivity, in particular for the region that has undergone significant changes for
the territory of Ukraine.
REFERENCES
1. Global Earth Observation System of Systems (GEOSS). URL: https:// earthobservations.
org/geoss.php.
2. State Service of Ukraine for Geodesy, Cartography and Cadastre. URL: https://land.gov.ua/.
3. UNEP. GEO–4: Global environmental outlook. Environment for development. United Nations
Environ. Programme, Nairobi. 2007. URL: https://wedocs.unep.org/handle/20.500.11822/7646;
jsessionid=8B2BA9576DF7011BA5CBAB64CD88B1BD.
4. Satellite data reveal cropland losses in South-Eastern Ukraine under military conflict. S. Skakun,
C.O. Justice, N. Kussul, A. Shelestov, M. Lavreniuk. Front. Earth Sci. 2019. 7, Art. 305. DOI:
10.3389/feart.2019.00305 2019.
5. Kussul N., Shumilo L., Garanis L. Relationships between land degradation and climate change
vulnerability of agricultural water resources. 2021 IEEE International Geoscience and Remote
Sensing Symposium (IGARSS). Brussels (virtual format). 2021. P. 747–750. DOI: 10.1109/
IGARSS47720.2021.9553489.
6. Land degradation estimation from global and national satellite based datasets within UN program.
N. Kussul, A. Kolotii, A. Shelestov, B. Yailymov, M. Lavreniuk. In 9th IEEE International Con-
ference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Ap-
plications (IDAACS). 2017. 1. P. 383–386. DOI: 10.1109/IDAACS.2017.8095109.
7. Metadata of SDG 15.3.1. URL: https://unstats.un.org/sdgs/metadata/files/Metadata-15-03-01.pdf.
8. Mediterranean desertification and land degradation: mapping related land use change syn-
dromes based on satellite observations. J. Hill, M. Stellmes, T. Udelhoven, A. Röder, S. Som-
mer Global and Planetary Change. 2008. 64, N 3–4. P. 146–157. DOI: 10.1016/ j.
gloplacha.2008.10.005.
9. Leaf area index. URL: http://www.fao.org/3/i0197e/i0197e15.pdf.
10. Land cover changes analysis based on deep machine learning technique. N. Kussul, N. Lavreniuk,
A. Shelestov, B. Yailymov, I. Butko. Journal of Automation and Information Sciences. 2016. 48,
N 5. P. 42–54. DOI: 10.1615/JAutomatInfScien.v48.i5.40.
11. Developments in theʼvalidation'of satellite sensor products for the study of the land surface.
C. Justice, A. Belward, J. Morisette, P. Lewis, J. Privette, F. Baret. International Journal of Re-
mote Sensing. 2000. 21, N 17. P. 3383–3390. DOI: 10.1080/014311600750020000.
12. Kussul N., Lavreniuk M., Shumilo L. Deep recurrent neural network for crop classification
task based on Sentinel–1 and Sentinel–2 imagery. IGARSS 2020–2020 IEEE International Ge-
oscience and Remote Sensing Symposium. Waikoloa, HI, USA. P. 6914–6917. DOI: 10.1109/
IGARSS39084.2020.9324699.
13. Shumilo L., Kussul N., Lavreniuk M. U-net model for logging detection based on the Sen-
tinel–1 and Sentinel–2 data. 2021 IEEE International Geoscience and Remote Sensing
Symposium (IGARSS). 2021. Brussels (virtual format). P. 4680–4683. DOI: 10.1109/
IGARSS47720.2021.9554885.
14. Biophysical parameters mapping within the SPOT–5 take 5 initiative. A. Shelestov, A. Kolotii,
S. Skakun, B. Baruth, R. Lopez Lozano, B. Yailymov. European Journal of Remote Sensing.
2017. 50, N 1. P. 300–309. DOI: 10.1080/22797254.2017.1324743.
15. Impact of SAR data filtering on crop classification accuracy. M. Lavreniuk, N. Kussul, M. Me-
retsky, V. Lukin, S. Abramov, O. Rubel. IEEE First Ukraine Conference on Electrical and Com-
puter Engineering (UKRCON). 2017. P. 912–917. DOI: 10.1109/UKRCON.2017.810038.
https://earthobservations.org/geoss.php
https://earthobservations.org/geoss.php
https://land.gov.ua/
https://wedocs.unep.org/handle/20.500.11822/7646;jsessionid=8B2BA9576DF7011BA5CBAB64CD88B1BD
https://wedocs.unep.org/handle/20.500.11822/7646;jsessionid=8B2BA9576DF7011BA5CBAB64CD88B1BD
https://unstats.un.org/sdgs/metadata/files/Metadata-15-03-01.pdf
http://www.fao.org/3/i0197e/i0197e15.pdf
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 125
16. A regional implementation of WOFOST for calculating yield gaps of autumn-sown wheat across
the European Union. H. Boogaard, J. Wolf, I. Supit, S. Niemeyer, M. van Ittersum. Field Crops
Research. 2013. 143. P. 130–142. DOI: doi.org/10.1016/j.fcr.2012.11.005.
17. A comparison between support vector machine and water cloud model for estimating crop Leaf
Area Index. M. Hosseini, H. McNairn, S. Mitchell, L.D. Robertson, A. Davidson, N. Ahmadian,
... I. Becker-Reshef. Remote Sensing. 2021. 13, N 7. P. 1–20. DOI: 10.3390/ rs13071348.
18. JECAM (Joint Experiment for Crop Assessment and Monitoring). URL: http://jecam.org/map/.
19. CAN-EYE. URL: https://www6.paca.inrae.fr/can-eye/.
20. Shumilo L., Lavreniuk M., Bilokonska Yu., Yailymov B. Remote sensing approaches for defor-
estation identification in Ukraine. IEEE 5th International Symposium on Smart and Wireless Sys-
tems within the Conferences on Intelligent Data Acquisition and Advanced Computing Systems
(IDAACS-SWS). 2020. P. 1–4. DOI: 10.1109/IDAACS-SWS50031.2020.9297054.
21. Li H., Yu X., Tang Y., Wang X. Shadow detection in SAR images based on greyscale distribu-
tion, a saliency model, and geometrical matching. International Journal of Remote Sensing. 2020.
41, N 19. P. 7446–7471. DOI: 10.1080/01431161.2020.1760394.
22. Jadon S. A survey of loss functions for semantic segmentation. In 2020 IEEE Conference on
Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). 2020. P. 1–7.
DOI: 10.1109/CIBCB48159.2020.9277638.
23. Optimizing the dice score and jaccard index for medical image segmentation: Theory and
practice. J. Bertels, T. Eelbode, M. Berman, D. Vandermeulen, F. Maes, R. Bisschops,
M.B. Blaschko. In International Conference on Medical Image Computing and Computer-
Assisted Intervention. Cham : Springer. 2019. P. 92–100. DOI: 10.1007/978-3-030-32245-8_11.
24. Exploring google earth engine platform for big data processing: classification of multi-temporal
satellite imagery for crop mapping. A. Shelestov, M. Lavreniuk, N. Kussul, A. Novikov,
S. Skakun. Frontiers in Earth Science. 2017. 5. DOI:10.3389/feart.2017.00017.
25. Cloud approach to automated crop classification using Sentinel–1 imagery. A. Shelestov,
M. Lavreniuk, V. Vasiliev, L. Shumilo, A. Kolotii, B. Yailymov, N. Kussul, H. Yailymova.
IEEE Transactions on Big Data. 2020. 6, N 3. P. 572–582. DOI: 10.1109/ TBDATA.
2019.2940237.
26. Deep learning approach for large scale land cover mapping based on remote sensing data fusion.
N. Kussul, A. Shelestov, M. Lavreniuk, I. Butko, S. Skakun. 2016 IEEE International Geoscience
and Remote Sensing Symposium (IGARSS) . 2016. P. 198–201. DOI: 10.1109/IGARSS.
2016.7729043.
27. Emelyanov M., Yailymova H., Shelestov A., Yailymov B. Intellectual analysis of major crops ar-
ea due to climate changes in Ukraine. In IEEE EUROCON 2021. Lviv, 6–8 July 2021. P. 192–196.
DOI: 10.1109/EUROCON52738.2021.9535607.
28. State statistics service of Ukraine. URL: http://www.ukrstat.gov.ua/
29. Evaluation of MODIS LAI/FPAR product collection 6. Part 1: Consistency and improvements.
K. Yan, T. Park, G. Yan, C. Chen, B. Yang, Z. Liu, ... R.B. Myneni. Remote Sensing. 2016. 8,
N 5. 359 p. DOI: doi.org/10.3390/rs8050359.
30. Shumilo L., Kussul N., Lavreniuk M. 2021 IEEE International Geoscience and Remote
Sensing Symposium (IGARSS). Brussels (virtual format). 2021. P. 4680–4683. DOI: 10.1109/
IGARSS47720.2021.9554885.
31. Азарсков В.Н., Блохин Л.Н., Житецкий Л.С., Куссуль Н.Н. Робастные методы оценивания,
идентификации и адаптивного управления. Київ : Вид-во Національного авіаційного ун-ту
МОН України, 2004. 498 с.
Отримано 09.02.2022
http://jecam.org/map/
https://www6.paca.inrae.fr/can-eye/
https://ieeexplore.ieee.org/document/9535607
http://www.ukrstat.gov.ua/
|
| id | nasplib_isofts_kiev_ua-123456789-210866 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-03-13T13:01:49Z |
| publishDate | 2022 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Яйлимов ,Б.Я. Шелестов, А.Ю. Ємельянов, М.О. Пархомчук, О.М. 2025-12-19T15:03:23Z 2022 Валідація карт деградації земель на основі геопросторових даних / Б.Я. Яйлимов, А.Y. Шелестов, М.О. Ємельянов, О.М. Пархомчук // Проблеми керування та інформатики. — 2022. — № 1. — С. 112-125. — Бібліогр.: 31 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210866 528.8.04:004.021 10.34229/1028-0979-2022-1-8 На сьогоднішній день у відкритому доступі є велика кількість супутникових даних та продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами ґрунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обробки геопросторових даних, маємо можливість створювати карти деградації землі. Оскільки при створенні карти деградації основними інтелектуальними складовими є карти класифікації, карти продуктивності та карти вирубки лісів, то саме ці три продукти впливають на загальну достовірність результатів. Для їх валідації у роботі визначено необхідні метрики якості, а також проведено відповідні розрахунки. При оцінці карти земного покриву використано тестові незалежні дані для побудови матриці невідповідності, а також виконано порівняння отриманих площ основних сільськогосподарських культур зі статистичними даними. Продуктивність сільськогосподарських земель оцінено за допомогою часового ряду карт класифікації земного покриву, біофізичного моделювання розвитку рослин Crop Growth Modeling System (CGMS), а також біофізичних параметрів росту рослин із використанням супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності карт LAI (CGMS) ґрунтується на порівнянні значень індексу Leaf area index (LAI), змодельованих за допомогою програмного фреймворку CGMS, з даними наземних вимірів LAI, зібраними шляхом проведення наземних досліджень. Проведено чисельні експерименти для оцінки якості моделей та результатів карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на етапі навчання нейронної мережі. Також проаналізовано карти деградації за декілька років та проведено їх валідацію відносно врожайності, зокрема для регіону, що зазнав значних змін, на території України. Nowadays, there is a large amount of satellite data and products based on them available in the public domain. By integrating these with diverse socio-economic information, soil maps, model-based biophysical data, and applying modern machine learning techniques and approaches to geospatial data processing, we are able to create land degradation maps. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Космічні інформаційні технології та системи Валідація карт деградації земель на основі геопросторових даних Validation of land degradation maps based on geospatial data Article published earlier |
| spellingShingle | Валідація карт деградації земель на основі геопросторових даних Яйлимов ,Б.Я. Шелестов, А.Ю. Ємельянов, М.О. Пархомчук, О.М. Космічні інформаційні технології та системи |
| title | Валідація карт деградації земель на основі геопросторових даних |
| title_alt | Validation of land degradation maps based on geospatial data |
| title_full | Валідація карт деградації земель на основі геопросторових даних |
| title_fullStr | Валідація карт деградації земель на основі геопросторових даних |
| title_full_unstemmed | Валідація карт деградації земель на основі геопросторових даних |
| title_short | Валідація карт деградації земель на основі геопросторових даних |
| title_sort | валідація карт деградації земель на основі геопросторових даних |
| topic | Космічні інформаційні технології та системи |
| topic_facet | Космічні інформаційні технології та системи |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/210866 |
| work_keys_str_mv | AT âilimovbâ valídacíâkartdegradacíízemelʹnaosnovígeoprostorovihdanih AT šelestovaû valídacíâkartdegradacíízemelʹnaosnovígeoprostorovihdanih AT êmelʹânovmo valídacíâkartdegradacíízemelʹnaosnovígeoprostorovihdanih AT parhomčukom valídacíâkartdegradacíízemelʹnaosnovígeoprostorovihdanih AT âilimovbâ validationoflanddegradationmapsbasedongeospatialdata AT šelestovaû validationoflanddegradationmapsbasedongeospatialdata AT êmelʹânovmo validationoflanddegradationmapsbasedongeospatialdata AT parhomčukom validationoflanddegradationmapsbasedongeospatialdata |