© Magdalena Mleczko, Przemysław Slesiński, Tomasz Milewski, Artur Łączyński, Dariusz Miziołek, Edyta Woźniak, Jędrzej Bojanowski. Artykuł udostępniony na licencji CC BY-SA 4.0
Jednym z ważnych obszarów zastosowania satelitarnych obserwacji Ziemi jest statystyka rolnictwa. Wykorzystanie nowych technologii cyfrowych i danych satelitarnych przyczyniło się do jej unowocześnienia i pomaga rozwiązywać problemy, z jakimi mierzy się ona obecnie oraz z jakimi borykają się odbiorcy danych statystycznych z zakresu rolnictwa. Głównym celem niniejszego artykułu jest zaprezentowanie innowacyjnego systemu satelitarnej identyfikacji i monitorowania upraw rolnych – SATMIROL. System ten został opracowany przez Główny Urząd Statystyczny, Instytut Geodezji i Kartografii oraz Centrum Badań Kosmicznych Polskiej Akademii Nauk na potrzeby statystyki rolnictwa z wykorzystaniem danych satelitarnych z programu Copernicus i danych administracyjnych. W opracowaniu omówiono wybrane moduły tego systemu, w których metody teledetekcji satelitarnej znalazły zastosowanie do rozpoznawania upraw. Przedstawiono też wyniki szacunku powierzchni upraw w skali kraju w trzech okresach pomiarowych w latach: 2019, 2020 i 2021. Wprowadzenie systemu SATMIROL umożliwiło prezentację danych w ujęciu przestrzennym, na co nie pozwalają tradycyjne metody stosowane w produkcji statystycznej. Dzięki nowej metodzie dane mogą być przedstawiane na wszystkich poziomach podziału administracyjnego kraju (województw, powiatów i gmin).
teledetekcja satelitarna, obserwacje Ziemi, statystyka rolnictwa, identyfikacja upraw, szacunek powierzchni upraw rolnych
O31, Q15, R52
Belgiu, M., Drăgu?, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.
Cloude, S. R. (2007, 22–26 stycznia). The Dual Polarisation Entropy/Alpha Decomposition: A PALSAR Case Study [referat]. POLinSAR 2007, the 3rd International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry, Frascati.
Cloude, S. R., Pottier, E. (1997). An entropy based classification scheme for land application of polarimetric SAR. IEEE Transactions on Geoscience and Remote Sensing, 35(1), 68–78. http://doi.org/10.1109/36.551935.
Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35–46. https://doi.org/10.1016/0034-4257(91)90048-B.
Congalton, R. G., Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data. Principles and Practices. CRC Press Taylor & Francis Group.
De Zan, F., Monti Guarnieri, A. (2006). TOPSAR: Terrain Observation by Progressive Scans. IEEE Transactions on Geoscience and Remote Sensing, 44(9), 2352–2360.
Dygaszewicz, J., Szafrański, B. (2018). Badania statystyczne – ujęcie modelowe. Wiadomości Statystyczne, 63(12), 5–22. https://doi.org./10.5604/01.3001.0014.0726.
European Space Agency. (2013). Sentinel-1 User Handbook. https://sedas.satapps.org/wp-content/uploads/2015/07/Sentinel-1_User_Handbook.pdf.
European Space Agency. (2015). Sentinel-2 User Handbook. https://sentinels.copernicus.eu/web/sentinel/user-guides/document-library/-/asset_publisher/xlslt4309D5h/content/sentinel-2-user-handbook.
Główny Urząd Statystyczny. (b.r.). Satelitarna identyfikacja i monitorowanie upraw na potrzeby statystyki rolnictwa – SATMIROL. https://stat.gov.pl/statystyki-eksperymentalne/gospostrateg/satmirol-satelitarna-identyfikacja-i-monitorowanie-upraw-na-potrzeby-statystyki-rolnictwa/.
Główny Urząd Statystyczny. (2019). Raport okresowy nr 1 z realizacji projektu w ramach Programu „Społeczny i gospodarczy rozwój Polski w warunkach globalizujących się rynków” GOSPOSTRATEG.
Główny Urząd Statystyczny. (2020). Raport okresowy nr 3 z realizacji projektu w ramach Programu „Społeczny i gospodarczy rozwój Polski w warunkach globalizujących się rynków” GOSPOSTRATEG.
Lang, F., Yang, J., Li, D. (2014). An adaptive enhanced Lee speckle filter for polarimetric SAR image. Cehui Xuebao / Acta Geodaetica et Cartographica Sinica, 43(7), 690–697. https://doi.org/10.13485/j.cnki.11-2089.2014.0112.
Ministerstwo Gospodarki. (2012). Program działań na rzecz rozwoju technologii kosmicznych i wykorzystywania systemów satelitarnych w Polsce. https://www.gov.pl/attachment/b4c8fb77-becc-4919-9796-d49cbf67ad0f.
Pelletier, C., Valero, S., Inglada, J., Champion, N., Dedieu, G. (2016). Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas. Remote Sensing of Environment, 187, 156–168. https://doi.org/10.1016/j.rse.2016.10.010.
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002.
Song, Q., Hu, Q., Zhou, Q., Hovis, C., Xiang, M., Tang, H., Wu, W. (2017). In-Season Crop Mapping with GF-1/WFV Data by Combining Object-Based Image Analysis and Random Forest. Remote Sensing, 9(11), 1–19. https://doi.org/10.3390/rs9111184.
Thanh Noi, P., Kappas, M. (2018). Comparison of Random Forest, k-nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification using Sentinel-2 Imagery. Sensors, 18(1), 1–20. https://doi.org/10.3390/s18010018.
Zhu, J., Wen, J., Zhang, Y. (2013). A new algorithm for SAR image despeckling using an enhanced Lee filter and median filter. 2013 6th International Congress on Image and Signal Processing (CISP), (s. 224–228). https://doi.org/10.1109/CISP.2013.6743991.
