Automated detection and assessment of war-induced damage to agricultural fields using satellite imagery

Скорочена інформація про документ
dc.contributor.authorKussul, N.
dc.contributor.authorDrozd, S.
dc.contributor.authorYailymova, H.
dc.date.accessioned2025-01-02T10:36:40Z
dc.date.available2025-01-02T10:36:40Z
dc.date.issued2024
dc.description.abstractThis paper introduces a methodology based on machine learning and remote sensing for detecting military-induced damages to agricultural lands in Ukraine using free Sentinel-2 satellite data. The most informative spectral bands (B2, B3) and vegetation indices (NDVI, GCI) were experimentallyselected for recognizing damaged fields through the Random Forest classification algorithm. Additionally, an anomaly detection method based on the estimation of deviations of pixel values from the mean within each field was applied to determine local damage in the identified affected fields. The proposed methodology demonstrated high classification accuracy with an f1-score of 0.87%, producer’s accuracy of 0.89%, user’s accuracy of 0.85, and sensitivity for detecting local damage. The developed anomaly detection method allows to recognize damage visible on the 10-meter pixel of the Sentinel-2 satellite, but does not identify small craters.Cloudiness of satellite images can significantly impair the accuracy of damage detection, and the method of local damage detection can respondto non-military anomaliesand requires careful selection of threshold coefficients for each field. The study conducted a comprehensive assessment of damages inflicted on Ukrainian agricultural fields during the period 2022-2023, revealing that a total of 1,544,952 hectares, equivalent to 5.72% of the total agricultural area, experienced damage. This included 509,107 ha of wheat, 114,302 ha of sunflower, 68,830 ha of maize, 4,029 ha of rapeseed, and 16,561 ha of other crops. The most affected regions were Donetsk, Zaporizhia, and Kherson oblasts. The comprehensive findings of this research provide valuable insights for monitoring the state of agriculture and formulating strategic plans for the recovery of agricultural resources amidst the ongoing military conflict.
dc.description.abstractotherЦя стаття представляє методологію, засновану на машинному навчанні та дистанційному зондуванні для виявлення збитків, спричинених військовими діями, сільськогосподарським землям в Україні за допомогою безкоштовних супутникових даних Sentinel-2. Експериментально відібрано найбільш інформативні спектральні смуги (B2, B3) та індекси рослинності (NDVI, GCI) для розпізнавання пошкоджених полів за допомогою алгоритму класифікації Random Forest. Крім того, метод виявлення аномалій, заснований на оцінці відхилень значень пікселів від середнього в кожному полі, був застосований для визначення локального пошкодження в ідентифікованих уражених областях. Запропонована методологія продемонструвала високу точність класифікації з показником f1 0,87%, точністю виробника 0,89%, точністю користувача 0,85 і чутливістю для виявлення локальних пошкоджень. Розроблений метод виявлення аномалій дозволяє розпізнати пошкодження, видимі на 10-метровому пікселі супутника Sentinel-2, але не ідентифікує невеликі кратери. Помутніння супутникових знімків може значно погіршити точність виявлення пошкоджень, а метод виявлення локальних пошкоджень може реагувати на невійськові аномалії та вимагає ретельного підбору порогових коефіцієнтів для кожного поля. Дослідження провело комплексну оцінку збитків, завданих сільськогосподарським полям України протягом 2022-2023 років, виявивши, що загалом пошкоджено 1 544 952 га, що еквівалентно 5,72% від загальної сільськогосподарської площі. З них 509 107 га пшениці, 114 302 га соняшнику, 68 830 га кукурудзи, 4 029 га ріпаку та 16 561 га інших культур. Найбільше постраждали Донецька, Запорізька та Херсонська області. Комплексні результати цього дослідження дають цінну інформацію для моніторингу стану сільського господарства та формулювання стратегічних планів відновлення сільськогосподарських ресурсів в умовах триваючого військового конфлікту.
dc.format.pagerangeP. 63-74
dc.identifier.citationKussul, N. Automated detection and assessment of war-induced damage to agricultural fields using satellite imagery / Kussul N., Drozd S., Yailymova H. // Automation of Technological and Business Processes. - 2024. - Vol. 16. - Iss. 2. - P. 63-74.
dc.identifier.doihttps://doi.org/10.15673/atbp.v16i2.2841
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/71508
dc.language.isoen
dc.publisherОдеський національний технологічний університет
dc.publisher.placeОдеса
dc.relation.ispartofAutomation of Technological and Business Processes, Volume 16, Issue 2, 2024
dc.subjectmachine learning
dc.subjectclassification
dc.subjectanomaly detection
dc.subjectsatellite data
dc.subjectSentinel-2
dc.subjectwar damaged fields
dc.subjectspectral bands
dc.subjectvegetation indices
dc.subjectмашинне навчання
dc.subjectкласифікація
dc.subjectвиявлення аномалій
dc.subjectсупутникові дані
dc.subjectпошкоджені війною поля
dc.subjectспектральні смуги
dc.subjectіндекси рослинності
dc.subject.udc004:528
dc.titleAutomated detection and assessment of war-induced damage to agricultural fields using satellite imagery
dc.title.alternativeАвтоматизоване виявлення та оцінка спричинених війною пошкоджень сільськогосподарських полів за допомогою супутникових зображень
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Automated_detection.pdf
Розмір:
1.82 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (ММАД)