Analyse von Sentinel-2-Zeitreihen mit 3D-Feature-Pyramiden-Netzwerk und Zeitbereichs-Klassifizierungs-Aktivierungs-Intervallen für die Kulturpflanzenkartierung

In diesem Artikel leisten wir einen innovativen Beitrag im Forschungsbereich der Kulturkartierung, indem wir Zeitreihen von Sentinel-2-Satellitenbildern nutzen, um gezielt Informationen über „Wo und Wann“ Kulturen angebaut werden zu gewinnen. Das endgültige Ziel ist die Entwicklung eines Workflows, der in der Lage ist, die verschiedenen in einem bestimmten Gebiet angebauten Kulturen zuverlässig zu identifizieren (zu klassifizieren), indem ein end-to-end-(3+2)D-Faltungsneuronales Netzwerk (CNN) für semantische Segmentierung eingesetzt wird. Darüber hinaus strebt das Verfahren an, auf Pixel-Ebene Informationen über den Zeitraum bereitzustellen, in dem eine bestimmte Kultur während der Vegetationsperiode angebaut wird. Dazu schlagen wir eine Lösung namens Class Activation Interval (CAI) vor, die es ermöglicht, für jeden Pixel die Entscheidungslogik des CNN zu interpretieren und zu bestimmen, in welchem Zeitintervall der Eingabedatenzeitreihe eine bestimmte Klasse wahrscheinlich vorhanden ist oder nicht. Unsere Experimente mit einem öffentlich verfügbaren Datensatz zeigen, dass der Ansatz in der Lage ist, Kulturklassen mit einer Gesamtgenauigkeit von etwa 93 % präzise zu detektieren und dass das Netzwerk diskriminierende Zeitintervalle identifizieren kann, in denen eine Kultur angebaut wird. Diese Ergebnisse haben eine zweifache Bedeutung: (i) Sie belegen die Fähigkeit des Netzwerks, den untersuchten physikalischen Prozess korrekt zu interpretieren (d. h. Bodenfreiheit, Pflanzenwachstum, Altern und Ernte entsprechend der jeweiligen Kulturart) und (ii) sie liefern zusätzliche, für den Anwender relevante Informationen (z. B. Anwesenheit von Kulturen und deren zeitliche Dynamik).