RS20210504A1 - Sistem i metod za estimaciju dinamičkih parametara zemljišta na bazi multisprektralnih ili hiperspektralnih slika - Google Patents

Abstract

Sistem i metod za estimaciju dinamičkih parametara zemljišta na bazi multisprektralnih ili hiperspektralnih slika ima za novost dvostepenu arhitekturu sistema (105) za estimaciju i potpuno povezan sloj (108) koji povezuje ova dva estimatora. Takođe pronalazak uključuje i višestepenu arhitekturu estimacije. Sistem estimira dinamičke parametre poput organskog ugljenika u zemljištu na bazi multisprektralnih ili hiperspektralnih slika (102) i takođe kao ulaz se koriste geokoordinate (100) i elevacija zemljišta (101). Multispektralne ili hiperspektralne slike (102) se dodatno obrade u modulu (103) za predobradu i predaju se podaci (104) na trening neuronskoj mreži (107) modula za estimaciju (106) 1. stepena. On ih dalje obrađuje u podmodulu (108) za ekstrakciju latentnih obeležja, estimira niskodinamične parametre zemljišta i prosleđuje ih na izlaz. Takođe izlazni podaci podmodula (108) su ulazni podaci modula (110) za estimaciju 2. stepena koji estimira visokodinamične parametre. Niskodinamični parametri (112) su npr. tekstura zemljišta, a visokodinamični parametri (113) su npr. koncentracija organskog ugljenika u zemljištu. Podmodul (108) povezuje navedene module (106) i (110).

Description

Систем и метод за естимацију динамичких параметара земљишта на бази мултиспректралних или хиперспектралних слика

Област технике на коју се проналазак односи

Проналазак представља систем и метод за детекцију параметара земљишта, посебно органских материја попут угљеника, на основу мултиспектралних или хиперспектралних слика снимљених сателитским камерама или камерама које се налазе на летелицама, било да су беспилотне или не.

Проналазак покрива поље регенеративне пољопривреде, шумарства и екосистема уопште. Ознака према међународној класификацији патената (МКП) је: G06T5, G06K9, G06T7 и A01C21/359.

Технички проблем

Проналазак доприноси решењу проблема обраде слике у регенеративној пољопривреди. Регенеративна пољопривреда је део пољопривреде који се бави утицајем угљеника, тј. таложењем угљеника у земљишту, на хлађење атмосфере, такође и повећавањем плодности земљишта, одржавањем разноликости екосистема, одржавањем циклуса кружења материје у природи, одржавањем климатске стабилности и сл.

Проналазак доприноси већој тачности обраде слике баш у регенеративној пољопривреди на начин да уводи нову двостепену архитектуру система за естимацију параметара земљишта. Двостепена архитектура система је неопходна за ефективно комбиновање разнородних савремених метода машинског учења и коришћење тренутно доступних података о параметрима земљишта, који су потребни како би се естиматори система обучили. To није могуће учинити са једностепеном архитектуром, јер се такав систем нужно ослања само на једну врсту машинског учења.

Да би се решио проблем ефикасне спреге на нивоу двостепене архитектуре система између првог и другог степена естимације, проналазак уводи нову компоненту, модул за редукцију и екстракцију латентих обележја који повезује естиматор 1. степена са естиматором 2. степена.

Предложени проналазак решава проблем ефикасног комбиновања историјских података о параметрима земљишта (нпр. подаци из 1991. године) са новијим подацима који се добијају од сателита (нпр. из 2016. године). Мултиспектрални подаци везани за земљиште из нпр. 2016. године нису сами по себи довољни да би се адекватно обучио систем те се морају користити и историјски подаци из нпр. 1991., а са друге стране подаци из 1991. не садрже мултиспектралну слику јер сателити нису ни били тада лансирани (из 2016.).

Да би било мало јасније, историјски подаци везани за земљиште се пуно не мењају током времена, а са друге стране постоје подаци који су везани баш за тај тренутак који посматрамо и њих добијамо сателитским путем или путем камера са летелица и они се мењају веома брзо. Проналазак покушава да управо двостепеном архитектуром и потпуно повезаним новим слојем неуронске мреже реши проблем комбинације свих ових података јер прво омогућава естимацију нискодинамичних података код којих временска коресподенција није тако битна (нпр. текстура земљишта која се мења на скалама мањим од неколико деценија само на локацијама клизишта, плавним подручјима и слично, али је за већи део земљишта статична) па на следећем нивоу обрађује и естимира високодинамичне податке (влажности земљишта, садржаја нутритијената и садржаја органског угљеника, који се значајно мењају на временској скали од дневног до годишњег нивоа), за које се морају користити слике снимљене у оквиру временског интервала око тренутка у коме је узет узорак земљишта и лабораторијски одређена вредност параметра.

Стање технике

Постојеће стање технике представљају научни радови: "Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province, China", Importance and strength of environmental controllers of soil organic carbon changes with scale", "Soil organic carbon and texture retrieving and mapping using proximal, airborne and Sentinel-2 spectral imaging", "Evaluating the capability of the Sentinel 2 data for soil organic carbon prediction in croplands", "Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon" и "Using deep learning to predict soil properties from regional spectral data." који сви дотичу тематику архитектура неуронских мрежа и естимације података, али не на начин предложен проналаском.

Такође и следећа заштићена решења: патент CN102495919B под насловом „Extraction method for influence factors of carbon exchange of ecosystem and system", објављен 13. јуна 2013., патентна пријава US20190050948A1 под насловом "Machine learning in agricultural planting, growing, and harvesting contexts" објављена 14. фебруара 2019., патент US9652840B1 под насловом "System and method for remote nitrogen monitoring and prescription" објављен 16. маја 2017., патентна пријава CN106960216A под насловом "A kind of recognition methods of agricultural machinery working equipment type and device" објављена 18. јула 2017. и патентна пријава EP3614308A1 под насловом "Joint deep learning for land cover and land use classification" објављена 26. фебруара 2020.

Наведени радови и заштићена решења се разликују у односу на систем и метод проналаска јер не спомињу двостепену архитектуру система за естимацију и такође што је најважнија разлика не наводе начин повезивања естиматора 1. степена и естиматора 2. степена ове двостепене архитектуре. Такође не спомињу тематику проблема комбинације обраде података, историјских и савремених (сателитских).

Излагање суштине проналаска

Регенеративна пољопривреда се бави између осталог и расподелом органске материје на некој територији, нарочито органског угљеника у земљишту, мапи просторне расподеле, складиштењем и утицајем таквог поступка на климу и екосистем уопште.

Да би се адекватно обавиле анализе неопходне за процену органске материје, раније су се сагледавали фактори попут терена и климе, затим историјски подаци везани за земљиште, док се данас укључују и надгледања територија обрадивог земљишта и шума, мочвара, пашњака, предела поред река и сл. помоћу сателита, дронова и управо такво једно извођење прибављања и специфичне обраде података предлаже метод и систем софтверских компоненти проналаска. Подаци се поред познатих координата и елевације земљишта, прибављају као мултиспектралне или хиперспектралне сателитске, укључујући али не ограничавајући се на Ландсат 8 и Сентинел-2 слике, и крајњи циљ њихове специфичне и нове обраде јесте мапирање високо и нискодинамичних параметара земљишта, нарочито органског угљеника у земљишту.

Проналазак предлаже систем и метод за детекцију параметара земљишта на основу мултиспектралних или хиперспектралних слика, снимљених сателитским камерама или камерама које се налазе на летелицама, било да су беспилотне или не.

Органска материја је битна јер представља начин да се ускладишти вишак угљеника који би се иначе нашао у атмосфери и доводио до глобалног загревања.

Органски угљеник као такав је високодинамични параметар док су параметри попут текстуре земљишта: садржај песка, глине и муља, нискодинамични параметри. Проналазак на излазу даје и једне и друге. Као што смо већ рекли на улазу су подаци везани за геокоординате локације, елевацију локације и мултиспектралне или хиперспектралне слике.

Систем за естимацију, када их прими, улазне податке прослеђује до естиматора првог и другог степена који су засновани на машинском учењу. Управо ови естиматори су та двостепена архитектура система и методе за естимацију коју проналазак предлаже. Двостепена архитектура система за естимацију је неопходна за ефективно комбиновање разнородних савремених метода машинског учења и коришћење тренутно доступних података о параметрима земљишта, који су потребни како би се естиматори обучили. To није могуће учинити са једностепеном архитектуром, јер се такав систем нужно ослања само на једну врсту машинског учења.

Естиматор 1. степена је неуронска мрежа високе комплексности, са великим бројем параметара (дубока неуронска мрежа), за чији тренинг је потребна релативно велика количина података. Естиматор 2. степена може бити било који "класичан алгоритам машинског учења" (проналазак користи екстремно случајна стабла - енг. Extremely Randomized Trees, мада могу да се укључе и неки други алгоритми м.учења), за чији тренинг је потребна релативно мала количина података.

Поред двостепене архитектуре, проналазак да би ефикасно повезао за рад естиматор 1. степена и естиматор 2. степена, уводи нову софтверску компоненту (фазу, корак метода), модул за редукцију и екстракцију латентих обележја (потпуно повезан слој). 0н се налази у естиматору 1. степена и добија податке као излаз из rope наведене неуронске мреже која је такође део естиматора 1. степена. Део тих података који излазе из модула за редукцију и екстракцију латентних обележја преузима модул за естимацију нискодинамичких параметара и даје као излаз естиматора 1. степена, а део се уз податке о геокоординатама и елевацији тла, даје као улаз естиматору 2. степена и на крају се након обраде у естиматору 2. степена добијајају као излаз високодинамички подаци, као што је садржај органског угљеника у земљишту. Сам естиматор латентних обележја је претпоследњи слој неуронске мреже који редукује димензионалност података омогућавајући естиматору 2. степена обучавање и рад са подацима представљеним у нижедимензионалоном простору (представљеним са мање бројевних вредности), а већом количином информација од значаја за рад система.

Кратак опис слика проналаска

Слика 1a представља блок дијаграм система проналаска

Слика 1б представља архитектуру естиматора 1. степена

Слика 2 представља приказ фаза метода проналаска

Слика 3 представља естимацију органског угљеника са системом проналаска на некој територији

Детаљан опис проналаска

Регенеративна пољопривреда се бави тзв. узгајањем угљеника који као појам представља скуп пољопривредних пракси које резултирају повећаним складиштењем атмосферског угљеника у земљишту. Управо то складиштење угљеника је кључна мера у ублажавању климатских промена. Законодавци ЕУ позитивно гледају на потенцијал тзв. узгајања угљеника јер ЕУ тежи да буде климатски неутрална до 2050. године. Да би то учинила, ЕУ Комисија је предложила повећање циља за 2030. годину за смањење емисија угљен диоксида са 40% на 55%.

Усеви су природни сливници угљеника, уклањајући еквивалент од око 51 милијарду тона угљен диоксида из атмосфере сваке године и складиштећи их у површинском слоју земље.

Пољопривредна тла у ЕУ садрже око 14 милијарди тона угљеника у површинском слоју земље, што је знатно више од 4,4 милијарде тона гасова са ефектом стаклене баште које годишње емитује свих 27 земаља ЕУ.

Истовремено, то складиштење угљеника има за последицу обнављање органске материје у земљиштима ратарских површина, регенеративни дар који може биолошки да повећа плодност тла.

И као регенеративна пракса, „узгајање угљеника" је укључено међу главне параметре екошеме, пољопривредне политике ЕУ након 2020. године.

Такође статистика каже да 45% земљишта Европе има низак или веома низак садржај органског угљеника, 74% земљишта у Јужној Европи у површинском слоју има мање од 2% садржаја органског угљеника, а у Републици Србији највећи број узорака (53,14%) у оквиру контроле плодности има низак садржај органског угљеника.

Поред глобалног утицаја за климатске промене, органска материја тј. анализе везане за њу се посматрају са становишта да се семе боље прими ако постоји органска материја, затим већи је принос, треба мање ђубрења, јавља се мање болести биљака итд.

Ако се гледа цео екосистем у земљишту угљеника има 4,2 пута више него у атмосфери. Због тога су прорачуни промена садржаја угљеника у земљишту значајни због емисије гасова са ефектом стаклене баште. Шумски екосистеми садрже више угљеника по јединици површине од осталих типова земљишта, око 40% укупног угљеника, тако да имају велики значај у целом екосистему. Шуме и емитују и акумулирају угљеник, а флуксеви угљеника су изложени специфичној дневној, сезонској и годишњој динамици. Међутим, оно што се такође прати јесу дугорочне промене угљеника на некој територији, региону.

Поред шума, пољопривреда има велики потенцијал да редукује садржај угљеника у атмосфери, уколико имамо јефтин и брз начин да одредимо садржај органског угљеника у земљишту за велики број обрадивих површина. To је у ствари примарни проблем који овим проналаском хоћемо да решимо.

На основу свега изложеног јасна је потреба и тенденција да се ради на стварању иновативних солуција на пољу регенеративне пољопривреде. Проналазак у регенеративној пољопривреди треба да укључи разна предвиђања и помоћи у виду софтверских, нових система које се нуде пољопривреднику, научницима и општој популацији да би се ефикасније пратио садржај органског угљеника у земљишту, глобална загревања и стање екосистема уопште.

Проналазак се бави обрадом информација које настају у датом тренутку везаних за наведени органски угљеник конкретно, слике, и историјских података везаних за то земљиште. Слике се добијају помоћу сателита и беспилотних летелица и затим се на основу великог броја алгоритама обрађују и извлаче вредности и закључци да би се на најбољи начин те информације употребиле. Наравно прате их увек наведени историјски подаци који се убацују у софтвер и покушава се створити један микс свега да се дође до опције у софтверу нпр. да се кликне за дату регију и добије концентрација органских материја на тој територији, нпр. угљеника. Решење проналаска нуди систем и метод који је универзалан, што значи да се може применити на разним регијама и екосистемима, обрадиве површине, шуме, речна подручја, пашњаци; затим да се може условно речено нахранити подацима који су познати нпр. геокоордината и елевација тла, па да се онда укључе још и подаци који су слике са сателита или дрона и онда да се укључе неуронске мреже и машинско учење и да се на крају за дату регију на условно речено клик опцију у софтверу добију параметри који требају пољопривреднику, стручњацима који се баве екосистемима, климатским променама, атмосфером и слично,

За сам проналазак улаз су мултиспектралне и хиперспектралне слике које се добијају са дрона или од сателита. Хиперспектралне слике су слике добијене укључујући шири спектар електромагнетног зрачења и тада ако људско око види само боју, са хиперспектралним приступом ће видети и различите нијансе боје. Хиперспектрално снимање, осим видљивог дела спектра, региструје и ултраљубичасто и инфрацрвено подручје електромагнетског зрачења.

Када се описује разлика између хиперспектралног и мултиспектралног снимања тада се каже да је та разлика у броју спектралних канала. Мултиспектрални подаци садрже десетине до стотине канала, док хиперспектрални подаци садрже стотине и хиљаде канала. Ипак, постоји још једна разлика, хиперспектрални подаци се добијају као гранични канали од једног сензора док мултирспектрални подаци су скуп оптимално одабраних спектралних канала, који обично нису гранични, и могу потицати од већег броја сензора.

Мултиспектралне или хиперспектралне слике након фазе предобраде, преузима неуронска

мрежа. Она се користи када се паралелно обрађују подаци, а нису позната егзактна правила према

којима би било могуће довести у везу улазне и излазне податке из жељеног система што је овде случај. Генерално неуронске мреже су облик имплементације система вештачке интелигенције и као такве представљају један софтверски систем где су јединице за обраду података од којих се оне састоје уствари аналогија са неуронима у мозгу и те јединице обрађују нумеричке податке и јединице су повезане. Повезаност јединица одсликава тежински фактор. Начин повезивања ових јединица чини архитектуру, број слојева структуру н. мреже. Број слојева варира, први је улазни, последњи излазни, а остало између је зависно од примене, врсте података и сл.. Једна таква мрежа ради у систему проналаска и у склопу је софтверског модула по имену естиматор 1. степена (у аналогији са методом овај модул је подфаза естимације). Он ће предати податке естиматору 2. степена, а заједно ће дати податке који су високо и ниско динамични подаци везани за земљиште које се анализира. Та два степена архитектуре и повезаност та два модула су основна иновативност

и предмет рада проналаска.

За неуронске мреже је карактеристично да се тренирају. У даљем тексту, доле, биће описан

иновативан тренинг неуронске мреже на Слици 1б.

Тренинг мреже се састоји у усклађености улаза и излаза, тј. дајемо нешто на улазу и покушавамо да добијемо тај излаз који нам треба, а ако греши мрежа онда јој се мењају тежински коефицијенти и за то треба време да се тренингом постигне жељени излаз.

Како проналазак користи и алгоритме машинског учења, он такође припада подобласти вештачке интелигенције чији је циљ конструисање алгоритама и рачунарских система који су способни да се адаптирају на аналогне нове ситуације и уче на бази искуства. To нам треба у пољопривреди и анализи земљишта екосистема јер код проналаска имамо тај искуствени део везан за неко поднебље и како се понашају биљке, а имамо и нове ситуације, сорте, затим промену климе, па промену састава земљишта у зависности од низа фактора и на крају свега Оно<ШТО>je битно за систем и метод проналаска јесте да се на излазу посматра садржај органске материје у земљишту током времена, који ће онда помоћи пољопривредницима и научницима да прате будуће промене у функцијама земљишта и екосистему уопште.

Слика 1a одсликава ниско и високодинамичне излазне параметре земљишта, али са посебним акцентом на високодинамичан параметар, садржај органског угљеника у земљишту. Оно што се код земљишта гледа као индикатор квалитета јесте тај садржај угљеника у површинском слоју. Он је део органске материје и количина му варира зависно од типа земљишта, дубине и сл. Проналазак ту гледа дубину површинског слоја до 30cm.

Слике 1a и 1б приказују систем софтверских компоненти проналаска за детекцију параметара земљишта на основу мултиспектралних или хиперспектралних слика, снимљених сателитским камерама или камерама које се налазе на летелицама, било да су беспилотне или не.

Проналазак предлаже систем 105 за естимацију који се састоји од двостепене архитектуре модула естиматора 1061. степена који је софтверска компонента (модул) и модула естиматора 110 2. степена који је такође софтверска компонента (модул). Такође проналазак укључује по аналогији са естиматором 2. степена и модул естиматор 111 n-тог степена архитектуре и за случај кад је n=3 управо тај модул естиматор 3. степена би радио бољу, додатну и прецизнију, процену текстуре земљишта од модула естиматора 1061. степена. У том случају проналазак предлаже вишестепену архитектуру система.

Естиматори 106 и 110, 1. и 2. степена, су засновани на машинском учењу. Предложена двостепена или вишестепена архитектура система 105 за естимацију је погодна јер се комбинују алгоритми машинског учења са тренутно доступним подацима о земљишту који су неопходни да би се обучили наведени естиматори. To није могуће учинити са једностепеном архитектуром, јер се такав систем нужно ослања само на једну врсту машинског учења.

На улазу модул естиматор 106 1. Степена добија податке у виду мултиспектралне или хиперспектралне слике 102 која пролази модул 103 за предобраду слике да би се добили подаци 104 припремљени за неуронску мрежу 107 модула естиматора 1061. степена.

Мултиспектралне сателитске слике 102 су слике са Ландсат 8 и Сентинел 2 сателита. Сентинел 2 слике имају 13 канала. Ландсат 8 има 12 канала. Оно што проналазак ради кад су Ландсат 8 слике у питању, над њима уради линеарну трансформацију да се Ландсат канали сведу на Сентинел 2 канале, дода им се један константан канал и онда даље те слике се третирају као Сентинел 2 слике у моделима проналаска. Наравно, са Сентинел 2 сателита, ова врста предобраде није потребна.

Проналазак наведене слике 102 преузима са web сервера, затим оне пролазе предобраду 103 и формира се база података.

У оквиру предобраде 103 слика врши се селекција сателитских слика 102 где се селектују сцене у слици у зависности од неког параметра нпр. датума и прага за облачност нпр. да буде мањи од 10%. Даље се дефинише регион од интереса из сцене, део око неке тачке, нпр. гледа се део 64x64 пиксела и то је регион од интереса. Након тога се одвија нормализација вредности пиксела због прилагођавања улазних података за неуронску мрежу 107 модула естиматора 1061. степена.

Естиматор 106 1. степена се састоји од неуронске мреже 107 високе комплексности, са великим бројем параметара (дубока неуронска мрежа), за чији тренинг је потребна релативно велика количина података.

Поред дубоке неуронске мреже 107, естиматор 1061. степена садржи и иновативну компоненту проналаска, подмодул 108 за редукцију и екстракцију латентих обележја (потпуно повезан слој) и подмодул 109 за естимацију нискодинамичних параметара, како је то приказано на Слици 1б. Подмодул 108 се уводи да би се обезбедила ефикасна спрега између естиматора 106 и 110,1. и 2. степена и представља поред двостепене архитектуре главну иновативну особину проналаска. Подмодул 108 је уствари претпоследњи слој наведене мреже 107 који има особину да редукује димензије мреже, нпр. ако на улазу у мрежу је слика 64x64 пиксела и као излаз из мреже би се добило 1920 вредности мултиспектралне слике, подмодул 108 тј. претпоследњи слој ће редуковати димензионалност мреже да се добије 128 вредности (распон 32 до 520) битних мултиспектралних параметара слике 102 које прослеђује подмодулу 109 да естимира нискодинамичне параметре 112 земљишта и да их на излазу естиматора 1. степена и такође на излазу их проследи као латентна обележја на улаз модула естиматора 1102. степена. Естиматор 106 1. степена види слику 102 на улазу, док естиматор 110 2. степена не види слику, већ њене вредности, нпр. тих 128 мултиспектралних вредности које му је омогућио подмодул 108.

Естиматор 2. степена 110 може бити било који "класичан алгоритам машинског учења" (нпр. екстремно случајна стабла - енг. Extremely Randomized Trees), за чији тренинг је потребна релативно мала количина података, управо тих наведених нпр. 128 вредности. Естиматор 1102. степена добија још и податке 100 и 101, везане за геокоординате локације и елевације терена, респективно, и комбинује их са латентним обележјима које добија од подмодула 108 (тих 128 вредности мултиспектралне слике) да би естимирао на излазу високодинамичне параметре земљишта 112 (органски угљеник).

Историјски подаци о параметрима земљишта, добијени узорковањем земљишта и лабораторијском анализом постоје, али будући да су мултиспектрални снимци 102 широко доступни тек од момента лансирања сателита Ландсат 8 и Сентинел 2 (дакле од 2013. и 2015. године респективно), за највећи део историјских података није могуће добити комбинације података о измереној вредности параметра земљишта и мултиспектралног снимка који одсликавају стање у истом тренутку.

Доступни мултиспектрални снимци 102 и историјски подаци се стога у великој мери могу искористити искључиво за естимацију параметара 112 који су релативно статични (имају ниску динамику у времену), јер временска коресподенција у том случају није битна. Такав параметар 112 је нпр. текстура земљишта која се мења на скалама мањим од неколико деценија само на локацијама клизишта, плавним подручјима и слично, али је за већи део земљлишта статична.

За високодинамичне параметре 113 попут влажности земљишта, садржаја нутритијената и садржаја органског угљеника, који се значајно мењају на временској скали од дневног до годишњег нивоа, морају се користити слике снимљене у оквиру временског интервала око тренутка у коме је узет узорак земљишта и лабораторијски одређена вредност параметра. Података о експериментално одређеним вредностима параметара земљишта, који су настали у периоду за који су широко доступне и мултиспектралне слике има релативно мало и то је управо тематика проблема проналаска.

Предложени приступ је дизајниран како би се оптимално искористили доступни подаци о параметрима земљишта. Естиматор 1061. степена користи комплексан алгоритам који омогућава моделовање комплексних односа у великом скупу података и естимира нискодинамични параметар 112 (текстуру земљишта нпр.). Естиматор 1102. степена користи алгоритам примерен мањем броју података и користи се за естимацију високодинамичног параметра 113 (нпр. садржај угљеника у земљишту), што је и крајни циљ проналаска.

Стандардна дубока неуронска мрежа 107 се обично пре-тренира доступним подацима о класама објеката које се налазе на земљи (класа покривача). Класа покривача води рачуна само о објектима који се налазе на земљи, не и испод. Типично су подаци о текстури и органском угљенику које користимо до 30cm дубине.

Када се тренирају модели, обично се користи модел за одређивање класе покривача како бисмо креирали естиматоре 106 и 110 за појединачне класе од интереса. За сада се ограничава проналазак на естиматор за шуме и естиматор за скуп травнатих подручја и усева, али је у плану да се у будућности за сваки тип усева креира посебан естиматор.

Слика 2 описује метод проналаска по аналогији са системом софтверских компоненти проналаска. Наведени метод се састоји од фазе 200 учитавања улазних података са кораком 201 учитавања мултиспектралних или хиперспектралних слика 102 и кораком 202 учитавања геокоордината 100 локације и елевације 101 земљишта; затим следи фаза 203 предобраде мултиспектралне или хиперспектралне слике, па фаза 204 естимације и на крају фазе 211 и 212 добијања излазних података.

У фази 211 су на излазу естимирани нискодинамични параметри 112, док су у фази 212 естимирани високодинамични параметри 113 земљишта.

Фаза 204 естимације садржи подфазу 205 естимације 1. степена где се одвија корак 207 тренинга дубоке неуронске мреже са подацима из фазе 203 предобраде и након корака 207 подаци на излазу из неуронске мреже се прослеђују у наредни корак 208 где се одвија екстракција латентних обележја (наведених гope 128 вредности улазне мултиспектралне слике) и даље следи корак 209 естимације латентних обележја (текстуре земљишта) и фаза излаза 211, а такође из корака 208 екстракције латентних обележја (опет 128 вредности као вектор), одвија се подфаза 206 естимације 2. степена и на крају фаза излаза 213 високодинамичних параметара земљишта (органског угљеника). Ако постоји више од 2 степена естимације у фази 204, онда имамо вишестепену архитектуру коју проналазак подржава и n-ту фазу 211 естимације. Као што је гope наведено за n=3, естиматор 3. степена ради тачнију естимацију параметара структуре земљишта у односу на фазу 205 и естимацију 1. степена.

Основна иновативност метода проналаска јесте реализација фазе 204 естимације која је реализована из две подфазе 205 и 206, естимације 1. и 2. степена, које су због гope поменуте проблематике повезане подфазом 208 екстракције латентних обележја. Такође и вишестепена реализација фаза естимације је иновативна особина проналаска.

Подфаза 208 је реализована као претпоследњи слој у наведеној неуронској мрежи 107 и има улогу да редукује димензионалност мреже 107 дајући на излазу векторску величину која укључује распон од од 32 до 512 вредности за улазну мултиспектралну слику 102. Конкретна текућа имплементација каже да наведени вектор има 128 вредности, али неке даље изведбе проналаска могу да укључе модификације из овог распона броја вредности.

Слика 3 приказује резултате метода и система проналаска где је приказано да је одступање од познатих вредности угљеника неке територије мање од 0.05, што је одличан резултат. На х оси је представљено земљиште, тј. нека територија, а на у оси је дата грешка у процени односно одступање од познате статистичке вредности за дату територију.

Начин индустријске или друге примене проналаска

Проналазак налази примену на пољу регенеративне пољопривреде и екосистема уопште.

Claims (23)

Патентни захтеви:

1. Систем за естимацију динамичких параметара земљишта на бази мултиспректралних или хиперспектралних слика, при чему наведени систем добија улазне податке 100, 101 и 102 из базе података, затим систем ради предобраду података 102 у модулу 103 за предобраду и предаје податке 100,101,102 на улаз система 105 за естимацију који их обрађује и прослеђује на излаз, назначен тиме да наведени систем (105) за естимацију садржи модул естиматор 1. степена и модул естиматор (110) 2. степена, при чему модул естиматор (106) 1. степена садржи неуронску мрежу (107), подмодул (108) за редукцију и екстракцију латентих обележја и подмодул (109) за естимацију нискодинамичних параметара (111), и наведена мрежа (107) се тренира са подацима (104) које прима од модула (103) за предобраду и у претпоследњем слоју неуронске мреже (107) подмодул (108) редукује димензионалност мреже (107) и издваја латентна обележја која предаје подмодулу (109) за естимацију нискодинамичних параметара који их прослеђује на излаз, а латентна обележја се исто предају и модулу естиматору (110) 2. степена који се даље тренира са наведеним латентним обележјима и улазним подацима (100, 101) и на крају естимиране високодинамичне параметре (113) прослеђује на излаз, при чему је наведени подмодул (108) за редукцију и екстракцију латентих обележја потпуно повезан слој који повезује модул естиматор (106) 1. степена и модул естиматор (110) 2. степена.

2. Систем на основу захтева 1, назначен тиме да су улазни подаци (100) подаци о геокоординатама, улазни подаци (101) су подаци о елевацији земљишта и улазни подаци (102) су мултиспектралне или хиперспектралне слике које се добијају од сателита или летелица.

3. Систем на основу захтева 1, назначен тиме да наведени систем (105) има вишестепену архитектуру јер комбинује алгоритме машинског учења са тренутно доступним улазним подацима слике (102) који су неопходни да би се обучили наведени естиматори (106, 110).

4. Систем на основу захтева 1, назначен тиме да наведени систем (105) има вишестепену архитектуру која садржи модул естиматор (106) 1. степена и модул естиматор (111) n-тог степена, при чему ако је n=3, модул естиматор 3. степена обрађује нискодинамичне параметре (112) текстуре земљишта са већом тачношћу у односу на модул естиматор (106) 1. степена.

5. Систем на основу захтева 1, назначен тиме да модул (103) предобраде слике (102), селектује наведене слике (102), филтрира их због облачности, дефинише регион од интереса, и ради нормализацију вредности пиксела због прилагођавања улазних података за неуронску мрежу (107)модула естиматора (106) 1. степена.

6. Систем на основу захтева 1, назначен тиме да је неуронска мрежа (107) коју садржи модул естиматор (106) 1. Степена, дубока неуронска мрежа која је комплексна и тренира се са великом количином података слике (102).

7. Систем на основу захтева 1, назначен тиме да је модул естиматор (110) 2. степена класичан алгоритам машинског учења који се тренира са малом количином података подмодула (108).

8. Систем на основу захтева 1, назначен тиме да модул естиматор (110) 2. степена на улазу добија улазне податке (100) геокоордината локације и улазне податке (101) елевације терена, и излазне податке од подмодула (108) за редукцију и екстракцију латентих обележја.

9. Систем на основу захтева 1, назначен тиме да је нискостатични параметар (112) текстура земљишта: садржај песка, глине и муља; која је временски статична и мења се на скалама мањим од неколико деценија само на локацијама клизишта и плавним подручјима,

10. Систем на основу захтева 1, назначен тиме да су су високодинамични параметри (113) влажност земљишта, садржај нутритијената и садржај органског угљеника у земљишту.

11. Систем на основу захтева 1, назначен тиме да се тренинг модула естиматора (106) 1. степена и модул естиматора (110) 2. степена одвија независно при чему се дубока неуронска мрежа (107) тренира доступним подацима о класама објеката које се налазе на земљи.

12. Систем на основу захтева 1 и 11, назначен тиме да се тренинг модула естиматора (106) 1.

степена и модул естиматора (110) 2. степена тренира за класе покривача шума и травнатих подручја и усева.

13. Метод за естимацију динамичких параметара земљишта на бази мултиспректралних или хиперспектралних слика који се састоји од фазе 200 учитавања улазних података са кораком 201 учитавања мултиспектралне или хиперспектралне слике 102 и кораком 202 учитавања геокоордината 100 и елевације терена 101, затим фазе 203 предобраде слике 102, фазе 204 естимације параметара земљишта и на крају фаза 210 и 212 добијања излазних података земљишта назначен тиме да се фаза естимације (204) састоји од подфазе (205) естимације 1. степена и подфазе (206) естимације 2. степена при чему подфаза (205) садржи корак (207) тренинга неуронске мреже (107) која се тренира са подацима из фазе (203) предобраде, и након корака (207) следи корак (208) екстракције латентних обележја у претпоследњем слоју наведене неуронске мреже (107) где се редукује димензионалност мреже (107) и издвајају латентна обележја слике (102), након чега се у кораку (209) одвија естимација нискодинамичних параметара земљишта (112) који се у фази (210) прослеђују на излаз, и након екстракције латентних обележја у наведеном кораку (208) се латентна обележја прослеђују за даљи тренинг у подфази (206) естимације 2. степена и на крају се естимирани високодинамични параметри (113) прослеђују на излаз у излазној фази (212).

14. Метод на основу захтева 13, назначен тиме да је у наведена фаза (204) естимације вишестепена да би се комбиновали алгоритми машинског учења са тренутно доступним улазним подацима (102) о земљишту који су неопходни за обучавање у подфазама (205 и 206).

15. Метод на основу захтева 13, назначен тиме да наведена фаза естимације (201) има n подфаза (211) естимације, при чему ако је n=3 естимација 3. степена обрађује нискодинамичне параметре (111) текстуре земљишта са већим процентом тачности од естимације 1. степена у подфази (205).

16. Метод на основу захтева 13, назначен тиме да фаза (203) предобраде слика (103), селектује слике, филтрира их због облачности, дефинише регион од интереса, и ради нормализацију вредности пиксела због прилагођавања улазних података за неуронску мрежу (107) у подфази (205).

17. Метод на основу захтева 13, назначен тиме да је неуронска мрежа (107) у кораку (207) дубока неуронска мрежа која је комплексна и тренира се са великом количином података слике (102).

18. Метод на основу захтева 13, назначен тиме да се у подфази естимације (206) 2. степена користи класичан алгоритам машинског учења који се тренира са малом количином података који су излазни корака (208) за редукцију и екстракцију латентних обележја.

19. Метод на основу захтева 13, назначен тиме да подфаза естимације (206) 2. степена на улазу добија улазне податке (100) геокоордината локације и улазне податке (101) елевације терена, и излазне податке из корака (208) редукције и екстракције латентних обележја.

20. Метод на основу захтева 13, назначен тиме да је нискостатични параметар (112) у излазној фази (210) текстура земљишта: садржај песка, глине и муља; која је временски статична и мења се на скалама мањим од неколико деценија само на локацијама клизишта и плавним подручјима.

21. Метод на основу захтева 13, назначен тиме да су су високодинамични параметри (113) у излазној фази (212): влажност земљишта, садржај нутритијената и садржај органског угљеника у земљишту.

22. Метод на основу захтева 13, назначен тиме да се тренинг у фази естимације (205) и фази естимације (206) одвија независно при чему се дубока неуронска мрежа (107) тренира доступним подацима о класама објеката које се налазе на земљи.

23. Метод на основу захтева 13 и 22, назначен тиме да се тренинг у фазама (205, 206) одвија за класе покривача шума, травнатих подручја и усева.