Краткий план подхода и набор инструментов — по этапам.
1) Цели и данные
- Чётко определить задачи: картирование культур, мониторинг фенологии, оценка урожайности, обнаружение аномалий, влажность почвы и т.п. От этого зависит набор признаков и разрешения (пространственное/временное).
- Источники: оптика (Sentinel‑2, Landsat, Planet, MODIS), радар (Sentinel‑1, TerraSAR‑X, RADARSAT), валидация — полевые замеры, ФАО/статистика, фенологические камеры.
2) Предобработка
- Оптика: атмосферная коррекция до surface reflectance (Sen2Cor, MAJA, LEDAPS), геопривязка, BRDF/освещённость при необходимости, облако/тень — s2cloudless, Fmask.
- Радар: радиометрическая калибровка, конверсия в sigma0, мультилук (if needed), топографическая коррекция (RTC), спекл-фильтрация (Lee, Refined Lee), ко-регистрация отечественных апроcов. Инструменты: ESA SNAP (Sentinel‑1 Toolbox), ISCE, GAMMA, PySAR, RSP.
- Ко-регистрация и унификация пространственно‑временного ряда (reproject, resample): GDAL, Orfeo Toolbox, Rasterio, xarray.
3) Генерация признаков (feature extraction)
- Спектральные индексы (оптика): NDVI, EVI, NDWI, NDSI, PRI и т.п.
Пример: $\mathrm{NDVI}=\frac{NIR-RED}{NIR+RED}$.
- Радаровские признаки: backscatter VV/VH, отношение VH/VV, поляризационные индексы, интерферометрия/кохерентность для структурных изменений. Конверсия в дБ: ${\sigma }_{dB}^0=10{\log }_{10}({\sigma }^0)$.
- Биофизические переменные: LAI, fAPAR через регрессии или инверсию RTM (PROSAIL).
- Пространственно‑временные агрегаты: скользящие средние, интегралы, даты фенофаз (SOS, POS, EOS).
Пример суммарной активности: $\mathrm{CumNDVI}={\sum }_t{\mathrm{NDVI}}_t\Delta t$.
4) Обработка временных рядов
- Очистка: фильтрация выбросов, заменa пропусков (линейная интерполяция, медиана, gap-filling по соседям).
- Сглаживание/декомпозиция: Savitzky‑Golay, Whittaker (penalized least squares), SSA, EWMA: $S_t=\alpha x_t+(1-\alpha )S_{t-1}$.
- Выявление разрывов/трендов: BFAST, CUSUM, Breaks For Additive Seasonal and Trend (BFAST) для детекции изменений и фенологии.
- Инструменты: TIMESAT, pyts, statsmodels, scipy.signal.
5) Слияние оптика+радар (fusion)
- Уровни слияния: пиксельный (stack признаков), временной (заполнение пропусков оптики радарной информацией), модельный (data assimilation), суперразрешение (STARFM/ESTARFM для смешивания MODIS+Landsat), DL‑архитектуры (CNN/LSTM/Transformer) для мультисенсорного входа.
- Примеры методов: feature‑level fusion (concatenate time series), Bayesian fusion, обучаемые модели, hybrid physics+ML.
- Библиотеки/статьи: STARFM implementations; использовать PyTorch/TF для нейросетей.
6) Моделирование и приложения
- Классификация культур/поля: Random Forest, XGBoost, CatBoost, SVM; временные сети — LSTM, Temporal CNN, Transformer для учёта последовательности.
- Регрессия урожайности/LAI: градиентные бустеры, нейросети, модели на базе RTM.
- Мониторинг стрессов/орошения/аномалий: пороговые правила + ML-анализ аномалий.
- Инструменты: scikit‑learn, xgboost, lightgbm, PyTorch, TensorFlow, EO‑Learn (на базе Sentinel), tslearn.
7) Операционализация и инфраструктура
- Платформы: Google Earth Engine (быстрое прототипирование, масштабные ряды), AWS/Google Cloud с S3, Sentinel/Open Data (DIAS), Dask/xarray для многопоточности, Kubernetes/Docker для production.
- ПО для пайплайнов: EO‑Learn, rasterio, rioxarray, geopandas, PostGIS для границ полей, QGIS для визуализации.
- CI/CD, автоматическая подкачка данных (Sentinel API), мониторинг качества.
8) Валидация и оценка
- Метрики: точность классификации, RMSE/MAE для регрессии, точность дат фенофазы.
- Источники валидации: полевые замеры, агрономические отчёты, камеры PhenoCam, дроны.
- Кросс‑валидация по времени и пространству (чтобы избежать утечки).
9) Рекомендации по приоритетам
- Наладить стабильную предобработку (SR + cloud mask + геокоррекция).
- Собрать богатый набор признаков (индексы + SAR параметры).
- Сглаживать и детектировать фенологические точки, затем строить модели на полевом уровне (агрегировать по полю).
- Использовать GEE для быстрых прототипов, переносить в облачную инфраструктуру для production.
Короткий список конкретных инструментов
- Предобработка: Sen2Cor, MAJA, SNAP (Sentinel‑1), Orfeo Toolbox, GDAL.
- Cloud mask/gap filling: s2cloudless, Fmask, TIMESAT.
- Анализ и ML: Google Earth Engine, EO‑Learn, rasterio, xarray, scikit‑learn, xgboost, PyTorch, TensorFlow.
- SAR‑специфично: SNAP, ISCE, PySAR, GAMMA (коммерч.), RSP.
- Инфраструктура: AWS/Google Cloud, Dask, PostGIS, Docker/Kubernetes.
Если нужно, могу предложить конкретный пример пайплайна для Sentinel‑1 + Sentinel‑2 с наборами команд/скриптов.