Optymalizacja procedur kontrolnych w systemie dopłat bezpośrednich do rolnictwa IACS

Abstract

Rozprawa doktorska omawia optymalizację procedur kontrolnych w systemie dopłat bezpośrednich do rolnictwa IACS. Składa się z dwóch części. Pierwsza dotyczy walidacji metody pomiaru działek rolnych. Przedstawiono rekomendacje Wspólnotowego Ośrodka Badawczego w Isprze, wskazując m. in. na niereprezentatywne warunki walidacji oraz nieuzasadnioną jednakową dokładność pomiarów wykonywanych przez rolników i kontrolerów. Kwestionowano także różne tolerancje pomiaru w obrębie jednego kraju. Drugi aspekt dotyczy teledetekcyjnego określania typów upraw. Metody bazujące na długich seriach czasowych obrazów teledetekcyjnych bywają ograniczone przez brak wystarczającej liczby dni bezchmurnych. Zaproponowano podejście oparto o pojedyncze obrazy, uzyskując dokładność klasyfikacji upraw na poziomie 79-91%. Dyskutowano też nad różnymi metrykami dokładności klasyfikacji. Ostatnia część dotyczy głębokiego uczenia w celu rozpoznawania podstawowych typów pokrycia terenu w obszarach rolnych (gleba odkryta, trwałe użytki zielone, uprawy dojrzałe lub na wiosnę przed wykonaniem zbiegów agrotechnicznych i uprawy w fazie intensywnej wegetacji) bez pól treningowych. Sieć trenowana na przykładowych danych pozwoliła na osiągniecie dokładności takiej klasyfikacji wstępnej równej 91%. Rozprawa wskazuje na możliwość uproszczenia zarówno metody walidacji jak i klasyfikacji upraw. The PhD thesis discusses the optimization of controls in direct subsidies to agriculture (IACS system). It consists of two parts. The first concerns the validation of the agricultural parcel measurement method. The UE recommendations were presented, indicating unrepresentative validation conditions and unjustified equal accuracy of farmers’ and controllers’ measurements. Different measurement tolerances within one country were also questioned. The second aspect concerns crop recognition. Methods based on long time series images are sometimes limited by the lack of a sufficient number of cloudless days. The proposed approach was based on single images, obtaining the accuracy of crop classification at the level of 79-91%. Different classification accuracy metrics were also discussed. The last part deals with deep learning to recognize the basic types of land cover in agricultural areas (bare soil, permanent grassland, mature crops or in the spring before making agrotechnical works and crops in the intensive vegetation phase) without training fields. The network trained on the sample data allowed to achieve the accuracy of such a preliminary classification equal to 91%. The dissertation indicates the possibility of simplifying both the validation method and the classification of crops.