Crop identification with Sentinel-2 satellite imagery in Finland

Abstract

European Union member countries are obligated to control the validity of Common Agricultural Policy subsidy applications. Each member country performs manual inspection for at least 5% of these subsidy applications. This is both expensive and a considerable administrative burden. According to European Union, the crop type identifcation process in Common Agricultural Policy could be carried out using remote sensing or orthophoto imagery for an alternative to physical inspections by competent authorities. Automated crop type identifcation would reduce the costs signifcantly.

This master’s thesis addressed the crop identifcation with optical Sentinel-2 satellite imagery in Finland. The aim was to investigate whether it was possible to reliably identify the crop growing in land parcels by using machine learning classifcation methods. This thesis presented an automated approach of identifying crops. Multiple different machine learning classifcation algorithms were trained and tested to find out the most suitable processing method, time period and classifcation algorithm by utilizing the land parcels obtained from the Finnish Agency for Rural Affairs.

The developed processing method and most of the tested classifcation algorithms were able to perform relatively well in crop identifcation in cloudy growth period 2017 of Finland. Therefore, the developed method could be applied to different use cases and cloudy weather conditions. The further development and training of the classifcation algorithms could make it possible to utilize this approach in Finland as well as in other EU countries for the Common Agricultural Policy control and possibly in numerous other tasks.

Euroopan Unionin jäsenmaiden on noudatettava yhteisen maatalouspolitiikan tarjoamien maataloustukihakemusten valvomista. Jokainen jäsenmaa suorittaa manuaalisen valvonnan vähintään 5% tukihakemuksista. Tämä on sekä kallista, että huomattava hallinnollinen taakka. Euroopan Unionin mukaan viljelykasvin tunnistamisprosessin voisi suorittaa kaukokartoitus- tai ortokuvien avulla paikan päällä tehtävien tarkastuksien sijaan. Automaattinen viljelykasvin tunnistaminen vähentäisi valvonnan kustannuksia huomattavasti.

Tämä diplomityö käsitteli viljelykasvien tunnistamista optisten Sentinel-2 satelliittikuvien avulla Suomessa. Tarkoitus oli tutkia, pystyttäisiinkö koneoppimista hyödyntävien luokittelualgortimien avulla tunnistamaan pelloilla kasvavia maatalouskasveja. Tämä diplomityö esitteli automaattisen lähestymistavan viljelykasvin tunnistamiselle. Useaa erilaisia luokittelualgrotimia opetettiin ja testattiin kaikkein sopivimman prosessointimenetelmän, ajankohdan ja luokittelualgoritmin löytämiseksi Suomen oloihin Maaseutuviraston tarjoamien peltolohkojen avulla.

Kehitetty prosessointimenetelmä ja suurin osa testatuista luokittelualgoritmeistä suoriutuivat suhteellisen hyvin viljelykasvin tunnistamisesta Suomen vuoden 2017 pilvisellä kasvukaudella. Tämän vuoksi on mahdollista, että kehitetty prosessointimenetelmää voisi hyödyntää myös erilaisissa ilmastoissa ja eri käyttötapauksissa. Jatkokehityksen ja lisäopetuksen avulla luokittelumenetelmät voisivat mahdollistaa tämän lähestymistavan hyödyntämistä yleisen maatalouspolitiikan maataloustukihakemusten valvontaan Suomessa ja myös muissa EU-maissa muiden käyttötapausten lisäksi.