Automatic Identification of Non-Operational Cultivated Land from Aerial Images

Abstract

Å finne jordbruksareal som ikkje er i bruk er viktig i forvaltninga av subsidiar i jordbruket og vedlikehaldet av det nasjonale arealressurskartet i Noreg. Denne masteroppgåva presenterer eit datasett som er laga frå flybilete av fulldyrka mark i Trondheim kommune og ein maskinlæringsmodell som er trent og testa på datasettet. Modellen klassifiserer bilete i to klassa: Jordbruksareal i bruk og jordbruksareal ikkje i bruk. Datasettet spenner over seks år og inneheld bilete av jordbruksareal ved ulike stadia av vekst.

Modellen er samansett av tre konvolusjonelle nevrale nettverk som er trent på bileta, og prediksjonane deira er mata inn i ein random forest-klassifikator som gjer den endelege klassifiseringa. Modellen oppnådde ein F1-skår på 0.9228 på testsettet og viste seg å vere eit godt utgangspunkt for vidare utvikling av modellar som kan klassifisere flybilete av dyrka mark.

Finding agricultural land that is non-operational is important in the management of agricultural subsidies and the maintenance of the national land cover map in Norway. This thesis presents a dataset made from aerial images of fully cultivated agricultural land in Trondheim municipality and a machine learning model that is trained and tested on this dataset. The model classifies images into one of two classes: Operational agricultural land and non-operational agricultural land. The dataset spans over six years and contains images agricultural land at different stages of growth.

The model consists of three convolutional neural networks that are trained on the image, and their predictions are fed into a random forest classifier that makes the final classification. It achieved an F1-score of 0.9228 on the test set and showed to be a good starting point for further development of models that can classify aerial images of cultivated land.