Παρακολούθηση των Γεωργικών Επιδοτήσεων στην Ουγγαρία

'''Αντικείμενο εφαρμογής:''' Έλεγχος επιδοτήσεων γεωργικής γης 

'''Πρωτότυπος τίτλος:''' “Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary”  

'''Συγγραφείς:''' László Henits, Ákos Szerletics, Dávid Szokol, Gergely Szlovák, Emese Gojdár, András Zlinszky 

'''Πηγή:''' Henits, L.; Szerletics, Á.; Szokol, D.; Szlovák, G.; Gojdár, E.; Zlinszky, A. Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary. Remote Sens. 2022, 14, 3917. https://doi.org/10.3390/rs14163917 [https://www.mdpi.com/2072-4292/14/16/3917]

'''Περίληψη:''' Η παρούσα μελέτη ασχολείται με την επαλήθευση και παρακολούθηση αιτήσεων για γεωργικές επιδοτήσεις. Η διαδικασία που ακολουθήθηκε, αφορά τη συνδυαστική αξιολόγηση πολλών κριτηρίων για περισσότερες από ένα εκατομμύριο καλλιέργειες. Συγκεκριμένα, παρουσιάζεται το αποτέλεσμα της πιλοτικής παρακολούθησης γεωργικών επιδοτήσεων στην Ουγγαρία, όπου στόχος ήταν να προταθεί μία λύση που να βασίζεται σε στοιχεία ανοιχτού κώδικα αξιολογώντας τα κύρια πλεονεκτήματα και τις αδυναμίες των εικόνων Sentinel-2.  

Η επεξεργασία των δορυφορικών δεδομένων πραγματοποιήθηκε με βάση την ταξινόμηση της Random Forest και η ανίχνευση των γεγονότων καλλιέργειας διεξήχθη με βάση τον NDVI (Δείκτης Βλάστησης Κανονικοποιημένης Διαφοράς) με ανάλυση χρονοσειρών. Προέκυψε ότι η ταξινόμηση των καλλιεργειών παρείχε καλή απόδοση (συνολική ακρίβεια 88%) για 22 κατηγορίες βλάστησης και η ανίχνευση του είδους των καλλιεργειών ήταν επίσης αξιόπιστη σε σύγκριση με την οπτική ερμηνεία επί της οθόνης. Ο κύριος περιορισμός ήταν το μέγεθος των χωραφιών, ορισμένα από τα οποία ήταν μικρά, σε σύγκριση με τη χωρική ανάλυση των εικόνων, αφού πάνω από 4% των αγροτεμαχίων εξαιρέθηκαν, τα οποία, ωστόσο, αντιπροσωπεύουν λιγότερο από το 3% της συνολικής καλλιεργούμενης έκτασης της Ουγγαρίας. 

'''Λέξεις κλειδιά:''' Παρακολούθηση της γεωργίας, κοινή αγροτική πολιτική, μηχανική μάθηση, τυχαίο δάσος, ταξινόμηση των καλλιεργειών, ανίχνευση συγκομιδής, εικόνες Sentinel-2 εθνικής κλίμακας 

'''Εισαγωγή:''' Οι γεωργικές επιδοτήσεις που καταβάλλονται στους αγρότες αποτελούν σημαντικό μέρος του προϋπολογισμού της Ευρωπαϊκής Ένωσης και παράγοντα διαμόρφωσης των προς των ζην και της οικονομικής κατάστασης των αγροτών των Κρατών Μελών της. Το 2020, τα κεφάλαια που χρησιμοποιήθηκαν για να χρηματοδοτήσουν την Ευρωπαϊκή Κοινή Αγροτική Πολιτική (ΚΑΠ) ανήλθαν στο 35% περίπου του συνολικού προϋπολογισμού της ΕΕ και πραγματοποιήθηκαν συνολικά 41,57 δισ. ευρώ άμεσες πληρωμές σε 6,38 εκατ. αγρότες.

'''Περιοχή Μελέτης:''' Η περιοχή μελέτης ήταν ολόκληρη η επικράτεια της Ουγγαρίας, μαζί με όλες τις αξιώσεις για γεωργικές επιδοτήσεις για το 2020 και όλες τις διαθέσιμες εικόνες Sentinel-2 μεταξύ 1ης Ιανουαρίου και 31ης Δεκεμβρίου 2020. Η Ουγγαρία χωρίστηκε σε 34 αγροοικολογικές ζώνες με κριτήρια το έδαφος, την τοπογραφία και το κλίμα της (Εικόνα 1), και καθεμία από αυτές τις ζώνες υποβλήθηκε σε επεξεργασία ξεχωριστά, με διαφορετικά σύνολα δεδομένων εκπαίδευσης και επικύρωσης. Ο αριθμός των αγροτεμαχίων σε κάθε ζώνη διέφερε σημαντικά ανάλογα με το μέγεθος και την κυρίαρχη καλλιέργεια και τελικά κυμάνθηκε από 4.500 έως 107.000 αγροτεμάχια.

[[Εικόνα: NT2_e1.png |thumb|right| '''Εικόνα 1:'''Οι αγροοικολογικές ζώνες της Ουγγαρίας. Στην (a) εικόνα απεικονίζεται ένας χάρτης εδάφους όπου τα διαφορετικά χρώματα αντιπροσωπεύουν διαφορετικούς τύπους εδάφους και στη (b) εικόνα απεικονίζεται ένα ψηφιακό μοντέλο εδάφους.]]

Η Ουγγαρία καλύπτεται από τέσσερις ζώνες εικόνων Sentinel-2, που συνεπάγεται αλληλεπικάλυψη μεταξύ τους. Γενικά, με τους Sentinel-2A και Sentinel-2Β προέκυψαν κατά μέσο όρο, 22 με 60 διαθέσιμες Sentinel-2 εικόνες χωρίς νεφοκάλυψη για κάθε αγροτεμάχιο το 2020.

'''Μεθοδολογία:''' Το πρώτο βήμα αφορούσε τον επαναπροσδιορισμό των κανόνων κάθε επιμέρους κατηγορίας επιδότησης με κριτήρια που μπορούν να ελεγχθούν με τηλεπισκόπηση. 
Η εργασία 1 αναφερόταν στα βασικά κριτήρια που ορίζουν τη γεωργική καλλιέργεια στο πλαίσιο του SAPS. Με την επίγεια παρακολούθηση επαληθεύεται η ύπαρξη των γεωργικών καλλιεργειών, ή η προσωρινή τους αγρανάπαυση, ενώ υδάτινες επιφάνειες, κατοικημένες περιοχές, δάση και άλλες μη γεωργικές χρήσεις γης, ζιζάνια και μη ξηλώδης βλάστηση δεν μπορούν να υφίστανται εντός του αγροτεμαχίου. Σε περίπτωση χορτολιβαδικής περιοχής, ο κανόνας αναφέρει ότι πρέπει να γίνει κοπή και άλλος κανόνας εγκυρότητας λέει, ότι η περιοχή πρέπει να είναι ομοιογενής μονάδα με την ίδια καλλιέργεια σε όλη την έκτασή της. Από την πλευρά της τηλεπισκόπησης, αυτοί οι κανόνες μπορούν να ελεγχθούν με χρησιμοποίηση της ταξινόμησης βλάστησης, όπου η αγρανάπαυση, τα ζιζάνια και η μη γεωργική ξυλώδης βλάστηση έχουν τη δική τους κατηγορία. Ο κανόνας της ομοιογένειας μπορεί να ελεγχθεί σχετικά εύκολα εάν γίνει διερεύνηση με βάση τα Pixel.

Η εργασία 2 αναφερόταν στα ελάχιστα κριτήρια διαχείρισης των βοσκοτόπων στο πλαίσιο του SAPS. Η υπερβόσκηση και η υπερανάπτυξη ειδών που δεν είναι βοσκοτόπια αποτελούν αρνητικούς κανόνες επιτόπιας παρακολούθησης. Στην ταξινόμηση συμπεριλήφθηκαν καλάμια και σχοινιά, ενώ η υπερβόσκηση έπρεπε να παρακολουθείται με ειδικό βήμα ανάλυσης.

Η εργασία 3 αναφερόταν στη διαφοροποίηση των καλλιεργειών εντός των ορίων κάθε καλλιεργούμενης έκτασης. Σ’ αυτή την περίπτωση, η εξέταση γινόταν σε βάση δεδομένων από τις υποβληθείσες αξιώσεις, ενώ οι επιτόπιοι έλεγχοι είχαν ως στόχο να επιβεβαιώσουν ότι η καλλιέργεια είναι η ίδια με αυτή που έχει δηλωθεί. Επομένως, η τηλεπισκόπηση εδώ ερευνά αν οι καλλιέργειες που εξετάζονται είναι παρούσες στο αγροτεμάχιο, συγκρίνοντας τα αποτελέσματα της ταξινόμησης με την κατηγορία καλλιέργειας που αξιώνεται.

Η εργασία 4 ασχολούταν με τη διατήρηση της καλλιέργειας των λιβαδιών σε περιβαλλοντικά ευαίσθητες περιοχές, με την αξίωση να θεωρείται άκυρη εάν το αγροτεμάχιο είναι οργωμένο, διαθέτει κτίσμα, είναι δασωμένο, ή η καλλιέργεια αλλάζει με οποιονδήποτε τρόπο που δεν είναι συμβατός με τη διαχείρισή της ως μόνιμο λιβάδι. Με την τηλεπισκόπηση, αυτή η εργασία μπορεί και πάλι να επιλυθεί με μία διαδικασία ταξινόμησης, όπου πρώτα συγκεντρώνονται τα αγροτεμάχια που έχουν καταχωρηθεί ως ευαίσθητα λιβάδια και από αυτά όσα δεν αναγνωρίζονται ως λιβάδια, θεωρούνται μη συμβατά.

Η εργασία 5 αναφερόταν στην αγρανάπαυση οικολογικών περιοχών, στις οποίες δεν μπορούν να υπάρχουν εντατικές καλλιέργειες από την 1η Ιανουαρίου μέχρι την 31η Αυγούστου, ενώ δεν επιτρέπεται η συγκομιδή πριν τις 31 Αυγούστου, με εξαίρεση τη συγκομιδή που γίνεται με σκοπό την καταστολή της ανάπτυξης των ζιζανίων. Η ταξινόμηση των δορυφορικών εικόνων ορίζει την κατηγορία της αγρανάπαυσης και, επιπλέον, μπορεί να αξιολογήσει εάν έχει συμβεί κάποιο γεγονός μεταβολής της καλλιέργειας πριν τις 31 Αυγούστου.
Η εργασία 6 σχετιζόταν με καλλιέργειες που δεσμεύουν το άζωτο σε περιοχές οικολογικής εστίασης. Οι κανόνες επιδότησης αναφέρουν ότι η εξεταζόμενη καλλιέργεια πρέπει να είναι μία από τις 40 αζωτοδεσμευτικές καλλιέργειες και ότι η κάθε καλλιέργεια πρέπει να καλλιεργείται σε ένα χωράφι για μία δεδομένη χρονική περίοδο. Από την τηλεπισκόπηση ελέγχεται εάν η ισχυριζόμενη καλλιέργεια είναι πραγματικά παρούσα και ανιχνεύεται ο χρόνος μεταξύ της σποράς και της συγκομιδής.
Τέλος, η εργασία 7 ήταν η χαρτογράφηση των ενδιάμεσων καλλιεργειών των περιοχών οικολογικής εστίασης. Αν περάσουν τουλάχιστον 60 ημέρες μεταξύ της σποράς και της συγκομιδής πρέπει να γίνεται έλεγχος. Η τηλεπισκόπηση επιτρέπει τον ακριβή προσδιορισμό της ημερομηνίας συγκομιδής, αλλά η ημερομηνία της σποράς αποδίδεται προσεγγιστικά. 
Οι τύποι καλλιέργειας επιλέχθηκαν από έναν κατάλογο καταχωρημένων καλλιεργειών, με πρόσθετες λειτουργίες για την επιλογή καλλιέργειας που σχετίζεται με τις οικολογικές περιοχές εστίασης (Εικόνα 2). Κατά τη διάρκεια των αιτήσεων, οι ιδιοκτήτες σχεδίασαν τα όρια των αγροτεμαχίων τους σε ένα σύστημα με φόντο μία γεωαναφερμένη αεροφωτογραφία. Συνολικά, υποβλήθηκαν περίπου 1.200.000 αξιώσεις και αυτές αποτέλεσαν την πηγή των περιοχών εκπαίδευσης και επικύρωσης. Το αναμενόμενο σφάλμα του 2-3% στους ισχυρισμούς των αγροτών, ανήλθε σε 25.000-35.000 ψευδείς αξιώσεις. 

[[Εικόνα: NT2_e2.png |thumb|right| '''Εικόνα 2:'''Διάγραμμα ροής των εργασιών ανάλυσης των δεδομένων για την παρακολούθηση της CAP.]]

Πραγματοποιήθηκε λήψη όλων των διαθέσιμων εικόνων Sentinel-2 (Επίπεδο-1C) από την περιοχή της Ουγγαρίας μεταξύ της 1ης Ιανουαρίου και της 31ης Δεκεμβρίου 2020, από το Copernicus Open Access Hub του Ευρωπαϊκού Οργανισμού Διαστήματος (ESA). Οι εικόνες Sentinel-2 υποβλήθηκαν σε προεπεξεργασία σε επίπεδο επεξεργασίας Level-2B, με χρήση του λογισμικού FORCE (Πλαίσιο για Λειτουργική Ραδιομετρική Διόρθωση για Περιβαλλοντική Παρακολούθηση) και ARD (Analysis Ready Data). Το FORCE δημιουργεί ένα εναρμονισμένο σύνολο εικόνων με κοινά ραδιομετρικά χαρακτηριστικά και κοινή χωρική αναφορά και στην παρούσα μελέτη πραγματοποίησε γεωμετρική, ατμοσφαιρική και ραδιομετρική διόρθωση.

Στην προεπεξεργασία, η λογική ήταν ότι για ένα θεωρητικά ορθογώνιο αγροτεμάχιο, αποφεύχθηκαν τα Pixel στις άκρες και επιλέχθηκαν τουλάχιστον δύο καθαρά Pixel μέσα στο αγροτεμάχιο. Για μικρότερα ή στενότερα, ερευνήθηκαν τα γειτονικά τους. Συνολικά, το 58% όλων των αγροτεμαχίων ήταν επαρκούς μεγέθους για να αναλυθούν μόνα τους, ένα 25% συμπεριλήφθηκε μετά τη συγχώνευση και ένα 17% θεωρήθηκαν πολύ μικρά για να γίνει ανάλυση. Στη συνέχεια, χρησιμοποιήθηκε η rasterstats Python, για να εκχωρηθούν σε κάθε αγροτεμάχιο οι μέσες τιμές των Pixel που ορίζουν κάθε ζώνη και κάθε φασματικό δείκτη. Με βάση τα αποτελέσματα των μελετών των φασματικών ζωνών και δεικτών, διατηρήθηκαν τέσσερα κανάλια του Sentinel-2 (Κανάλι 5: Red Edge 1, Κανάλι 6: Red Edge 2, Κανάλι 11: Shortwave Infrared 1 και Κανάλι 12: Shortwave Infrared 2) και πέντε φασματικοί δείκτες, NDVI (Δείκτης Βλάστησης), BSI (Δείκτης Γυμνού Εδάφους), EVI (Βελτιωμένος Δείκτης Βλάστησης), SIPI (Δείκτης  Δομημένου Περιβάλλοντος) και YCI (Δείκτης Ασθενικών Καλλιεργειών). Ως μέθοδος ταξινόμησης επιλέχθηκε η Random Forest (RF) λόγω της ανθεκτικότητάς της σε σφάλματα στα δεδομένα εκπαίδευσης. Οι ασαφείς ταξινομητές δημιούργησαν για κάθε ταξινομημένη μονάδα, ένα διάνυσμα με τις πιθανότητες αντιστοιχίας σε κάθε κατηγορία ταξινόμησης. Στην RF ενσωματώθηκε η βιβλιοθήκη Scikit-learn Python, ορίστηκε ο αριθμός των δέντρων απόφασης σε 200 και ο αριθμός των μεταβλητών που θα επιλεγούν για τον καλύτερο διαχωρισμό στην τετραγωνική ρίζα του αριθμού των μεταβλητών εισόδου. Τα φασματικά δεδομένα για κάθε αγροτεμάχιο με τους δείκτες αποθηκεύτηκαν σε πίνακες PostgreSQL. 

Οι τάξεις των καλλιεργειών βελτιώθηκαν με τις επαναλήψεις και αξιολογήθηκαν χρησιμοποιώντας προφίλ κυριαρχίας και μήτρες σύγχυσης, εκτός από πληροφορίες για τα χαρακτηριστικά ανάπτυξης και τις καλλιεργητικές πρακτικές. Το τελικό σύστημα τάξεων περιελάβανε: αραβόσιτο (συμπεριλαμβανομένου του κανονικού και του υβριδικού καλαμποκιού), χειμερινά δημητριακά (σιτάρι, κριθάρι και τριτικάλε), λιβάδια (προσωρινά και μόνιμα, θερισμένα και λιβάδια βόσκησης, χλωρές κοπριές αν περιλαμβάνουν χόρτα και παραδοσιακούς οπωρώνες), ηλίανθο (υβριδικό και κανονικό), μηδική βλάστηση (νεοφυτεμένα και τακτικά καλλιεργημένα χωράφια αλλά και μηδική που καλλιεργείται σε συνδυασμό με λιβάδια), γη σε αγρανάπαυση (γη που μένει προσωρινά ακαλλιέργητη πριν από τις 31 Αυγούστου), σταφύλια (κρασί και επιτραπέζια σταφύλια), κραμβέλαιο (κυρίως τo φθινόπωρο και σπάνια την άνοιξη), δενδροφυτείες (περιβόλια, τεχνητά δέντρα για ενέργεια ή ξυλεία, μηλιές, κερασιές, λεύκες), ανοιξιάτικα δημητριακά (βρώμη, κριθάρι και σόργο), λαχανικά και φράουλες, σόγια, ζιζάνια (μη καλλιεργούμενη βλάστηση), λαχανικά σε χωράφια (ποώδη φυτά που καλλιεργούνται για τους σπόρους, τους καρπούς ή τους κονδύλους τους), κτηνοτροφικά φυτά (πρόκειται για ποώδη μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους), δάση (δέντρα που αναπτύσσονται με ημι-φυσικό, μη συστηματικό μοτίβο), βότανα και μπαχαρικά (ποώδη φυτά όπως καλλωπιστικά φυτά, παπαρουνόσπορος, λεβάντα και μάραθος), ζαχαρότευτλα, ρύζι (κανονικό και άγριο ρύζι), θαμνώδεις καλλιέργειες (ξυλώδης μίσχος, σαμπούκοι ή βατόμουρα), καλάμι (καλλιεργημένο και ακαλλιέργητο καλάμι, μαζί με υγρότοπους), φυτά ινών (κάνναβη, λινάρι, σόργο), ενεργειακά φυτά (ποώδη, ψηλής ανάπτυξης μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους αλλά συγκομίζονται μετά την ξήρανσή τους) και άλλα (κάλυψη γης που δεν είναι φυτική, όπως νερό, γυμνό έδαφος, κλειστές επιφάνειες).

Οι ακρίβειες ταξινόμησης αξιολογήθηκαν χρησιμοποιώντας δείκτες μήτρας σύγχυσης. Επιπλέον υπολογίστηκε ο συντελεστής συσχέτισης του Matthews (MCC) ο οποίος χρησιμοποιείται όλο και περισσότερο στη μηχανική μάθηση. Η ανίχνευση των ημερομηνιών έγινε με βάση τον αλγόριθμο των Kolecka et al.. Για ένα αγροτεμάχιο καταχωρήθηκε ότι έχει πραγματοποιηθεί συγκομιδή σε μία ορισμένη περίοδο, εάν ο μέσος NDVI του, μειώθηκε περισσότερο από 0,2 μεταξύ δύο διαδοχικών παρατηρήσεων χωρίς νεφοκάλυψη, ή της πρώτης και της τελευταίας από τρεις διαδοχικές παρατηρήσεις χωρίς νεφοκάλυψη. Η ανίχνευση της συγκομιδής έγινε για αγροτεμάχια, όταν η προβλεπόμενη κατηγορία αφορούσε λιβάδια, αγρανάπαυση, μηδική ή κτηνοτροφική καλλιέργεια. 
Μόνο 8 αγροτεμάχια ταξινομήθηκαν ως υπερβόσκηση. Μετά από οπτική επιθεώρηση των διαπιστωθεισών εκτάσεων υπερβόσκησης και τα δεδομένα χρονοσειρών του NDVI, ορίστηκε ότι ένα λιβάδι  έχει υποστεί υπερβόσκηση, εάν το μέγιστο της μέσης τιμής του NDVI είναι κάτω από 0,5. Οι καλλιέργειες που δεσμεύουν το άζωτο έχουν καθορισμένες περιόδους παρουσίας από τη σπορά έως τη συγκομιδή. Αυτά τα διαστήματα ελέγχθηκαν και πάλι με τις χρονοσειρές NDVI κάθε αγροτεμαχίου. Οι NDVI τιμές που ελήφθησαν πάνω από το επιλεγμένο ελάχιστο όριο (0,075), αντιστοιχίστηκαν σε γυμνό έδαφος. 

Οι πληροφορίες για τις περιόδους καλλιέργειας επικυρώθηκαν με ένα plugin του QGIS, που επέτρεψε την οπτικοποίηση δορυφορικών εικόνων μαζί με τις γεωμετρίες και τα χαρακτηριστικά της βάσης δεδομένων Geospatial Aid Application (GSAA). Η ακρίβεια ανίχνευσης της συγκομιδής αξιολογήθηκε σε συνολικά 160 αγροτεμάχια, με τουλάχιστον 30 αγροτεμάχια να ανήκουν στην κάθε κατηγορία καλλιέργειας. Τα αρνητικά δείγματα ελέγχου επιλέχθηκαν για τις κατηγορίες των λιβαδιών και της αγρανάπαυσης, με σκοπό τον εντοπισμό ψευδώς θετικών σφαλμάτων. Τέλος, για κάθε εργασία παρακολούθησης, αναπτύχθηκε ένα σύνολο κανόνων με τη μορφή δέντρου αποφάσεων και πιο συγκεκριμένα:
Για την εργασία 1 (ανίχνευση της βασικής καλλιέργειας), έγινε η υπόθεση ότι όλα τα αγροτεμάχια είναι επιλέξιμα, όταν μπορεί να αποδειχθεί η ύπαρξη μίας καλλιέργειας σ’ αυτά. Τα λιβάδια είναι επιλέξιμα μόνο εάν πραγματοποιείται σ’ αυτά βόσκηση, θερίζονται, ή δεν υπάρχουν ζιζάνια. Αν η απόδοση της ταξινόμησης δεν ήταν λιβάδια, αγρανάπαυση, ζιζάνια ή υγρότοπος καλαμιών (που μπορεί να καλλιεργηθεί, αλλά δεν είναι επιλέξιμος από το CAP), τότε το αγροτεμάχιο αξιολογήθηκε ως σωστό (πράσινο). Αν διαπιστώθηκε ότι η κατηγορία των ζιζανίων κυριαρχεί, καταχωρήθηκε ως μη επιλέξιμο (κόκκινο). Για αγροτεμάχια που δεν είναι λιβάδια, ανεξάρτητα από την αξίωση, εάν η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από ένα ορισμένο όριο (20%), το αγροτεμάχιο καταχωρήθηκε ως αβέβαιο (κίτρινο) και παρατέθηκε για περαιτέρω έλεγχο.

Για την εργασία 2 (ελάχιστα κριτήρια για λιβάδια), ελέγχθηκαν όλα τα αγροτεμάχια που θεωρούνταν λιβάδια. Εάν στο αγροτεμάχιο προσδιορίζονταν καλάμια ή ζιζάνια, γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν αναγνωριζόταν ως λιβάδι και διαπιστωνόταν υπερβόσκηση, τότε επίσης γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν τα καλάμια ή η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από 30%, τότε ταξινομούταν στην αβέβαιη κατηγορία (κίτρινη). Αν το αγροτεμάχιο ταξινομήθηκε σε οποιαδήποτε άλλη κατηγορία, τότε για την εργασία 2, δε γινόταν διερεύνηση περαιτέρω. 

Για την εργασία 3 (διαφοροποίηση καλλιεργειών), έπρεπε να διερευνηθεί εάν η καλλιέργεια που δηλώθηκε από τον αγρότη αντιστοιχεί στην κατηγορία καλλιέργειας που προσδιορίστηκε στη διαδικασία της ταξινόμησης και αν γινόταν επιβεβαίωση της αξίωσης, τότε το αγροτεμάχιο έπαιρνε πράσινη καταχώρηση.
Η εργασία 4 (συντήρηση ευαίσθητων λιβαδιών), συνδύαζε ένα σύνολο δεδομένων του οργανισμού πληρωμών, που περιέχει όλα τα αγροτεμάχια που αναφέρονται ως ευαίσθητα λιβάδια, μαζί με το αποτέλεσμα της ταξινόμησης. Αν ένα αγροτεμάχιο βοσκοτόπων ανήκε στην κατηγορία γρασίδι, τότε καταχωρούταν ως επιλέξιμο (πράσινο), ενώ εάν ανήκε στην κατηγορία αγρανάπαυση, ως αβέβαιο (κίτρινο). Εάν γινόταν εντοπισμός άλλης τάξης, αυτό σήμαινε ότι το λιβάδι μετατράπηκε σε διαφορετική καλλιέργεια και το αγροτεμάχιο έπαιρνε επισήμανση ως μη επιλέξιμο (κόκκινο). 

Η εργασία 5 (οικολογικές περιοχές σε αγρανάπαυση), βασίστηκε επίσης στο αποτέλεσμα ταξινόμησης της βλάστησης και ανίχνευσης της κοπής. Λόγω των δυσκολιών διαχωρισμού της αγρανάπαυσης και των λιβαδιών στην ταξινόμηση, οι δύο τάξεις θεωρούνταν επιλέξιμες (πράσινες), εάν δεν ανιχνευόταν συγκομιδή πριν από τις 31 Αυγούστου. Αν η συγκομιδή εντοπιζόταν πριν αυτή την ημερομηνία, στο αγροτεμάχιο γινόταν καταχώρηση ως αβέβαιο (κίτρινο). Αν εντοπιζόταν διαφορετική κατηγορία βλάστησης (όχι λιβάδια ή αγρανάπαυση), τότε στο αγροτεμάχιο γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο).

Η εργασία 6 (καλλιέργειες που δεσμεύουν το άζωτο), επιλύθηκε με βάση το αποτέλεσμα της ταξινόμησης και ανίχνευσης της χρονικής περιόδου της βλάστησης. Ωστόσο, οι καλλιέργειες που δεσμεύουν το άζωτο εμπίπτουν σε αρκετές κατηγορίες (μηδική, κτηνοτροφικές καλλιέργειες κ.λπ.) και έτσι, δεν ήταν δυνατή η χρήση μόνο των αποτελεσμάτων της ταξινόμησης. Εάν η αξιωμένη καλλιέργεια ήταν στη λίστα καλλιεργειών που δεσμεύουν άζωτο και η προβλεπόμενη κατηγορία αντιστοιχούσε με την κατηγορία βλάστησης της διεκδικούμενης καλλιέργειας, το αγροτεμάχιο ήταν επιλέξιμο (πράσινο)· διαφορετικά ήταν μη επιλέξιμο (κόκκινο), αν η τιμή του NDVI έπεφτε κάτω από 0,3 ή 0,25.

Τέλος, για την εργασία 7 (ενδιάμεσες καλλιέργειες), χρησιμοποιήθηκε μόνο ο αλγόριθμος ανίχνευσης του χρόνου καλλιέργειας. Το αποτέλεσμα καθοριζόταν από δύο χρονικές σημάνσεις, μία στην έναρξη και μία στο τέλος (Εικόνα 3). Συγκεκριμένα, εάν η διαφορά μεταξύ τους ήταν μεγαλύτερη από 60 ημέρες, το αγροτεμάχιο κρινόταν επιλέξιμο (πράσινο), αν ήταν μεταξύ 56 και 59 ημερών, θεωρούταν αβέβαιο (κίτρινο) και αν ήταν λιγότερη από 55 ημέρες, τότε ήταν ακατάλληλο (κόκκινο). Αν δεν υπήρχαν επαρκείς μετρήσεις χωρίς νεφοκάλυψη για τον προσδιορισμό της διάρκειας της καλλιέργειας, τότε ταξινομούταν ως αβέβαιο (κίτρινο).

[[Εικόνα: NT2_e3.png |thumb|left| '''Εικόνα 3:'''Παράδειγμα ενδιάμεσης καλλιέργειας σε χρονοσειρά NDVI και υποσύνολα εικόνων Sentinel-2, με ημερομηνία έναρξης στις (a) 22 Απριλίου 2020, ενδιάμεσες στις (b) 6 Ιουνίου 2020, (c) 1 Ιουλίου 2020, (d) 31 Ιουλίου 2020, (e) 20 Αυγούστου 2020 και ημερομηνία λήξης στις (f) 9 Σεπτεμβρίου 2020.]]

'''Αποτελέσματα:''' Με την ανίχνευση αγροτεμαχίων και τη δημιουργία πολυγώνων με καθορισμένο μέγεθος, προέκυψε ότι το 83,5% των αγροτεμαχίων ήταν κατάλληλα για παρακολούθηση και τα υπόλοιπα ήταν πολύ μικρά. Αυτό είχε ως αποτέλεσμα περίπου 1.000.000 αγροτεμάχια να αποτελέσουν αντικείμενο περαιτέρω ανάλυσης και περίπου 200.000 να αποκλειστούν, ενώ μετά τη συγχώνευση γειτονικών αγροτεμαχίων συμπεριλήφθηκαν επιπλέον περισσότερα από 300.000 που ήταν κάτω από το ελάχιστο όριο μεγέθους και τελικά το 97% της αγροτικής γης στην Ουγγαρία παρακολουθήθηκε με επιτυχία.

Οι τυπικές αποκλίσεις των χαρακτηριστικών μεταξύ των ζωνών ήταν συνήθως κοντά στο 10%. Το κανάλι 6 (Red Edge 2) είχε τη μεγαλύτερη συμβολή στην ακρίβεια ταξινόμησης, ακολουθούμενο από το δείκτη NDVI και το κανάλι 5 (Red Edge 1), έπειτα το κανάλι 11 (Shortwave Infrared 1) και τέλος οι δείκτες SIPI, BSI, EVI, YCI και το κανάλι 12 (Shortwave Infrared 2). Η ανάλυση των εικόνων ανά ημερομηνία ανέδειξε δύο κορυφές, μία την άνοιξη (τέλη Απριλίου-αρχές Μαΐου) και άλλη μία το καλοκαίρι (τέλη Ιουλίου). 
Η συνολική ακρίβεια της ταξινόμησης RF ήταν 88,07%, (η MCC ήταν 0,87), με την ακρίβεια ταξινόμησης του ρυζιού, του αραβόσιτου και της ελαιοκράμβης να είναι πάνω από 95% και των  περιοχών με ζιζάνια, λιβάδια, σόγια και σταφύλια 85%, ενώ στα ζαχαρότευτλα, στις μη καλλιεργητικές εκτάσεις και στα καλάμια ήταν άνω του 75%. Οι χαμηλότερες ακρίβειες παρατηρήθηκαν για τους θάμνους (11%, κυρίως ταξινομήθηκαν εσφαλμένα ως δέντρα, λιβάδια ή σταφύλια), τις ενεργειακές καλλιέργειες (23%, συχνά χαρτογραφήθηκαν ως λιβάδια), τα βότανα και τα μπαχαρικά (19%, εσφαλμένα ταξινομημένα ως αγρανάπαυση ή λαχανικά) και τις φυτικές ίνες (24%, εσφαλμένα ταξινομημένες ως καλαμπόκι, ηλίανθο ή σόγια). Για τα εσφαλμένα ταξινομημένα αγροτεμάχια, τα πιο πολλά σφάλματα αφορούσαν τη χαρτογράφηση της αγρανάπαυσης ως λιβαδιού, του λιβαδιού ως μηδικής και της μηδικής ως χόρτου, ειδικά από τη στιγμή που τα μείγματα μηδικής-χόρτου καλλιεργούνται ευρέως και ποικίλλουν έντονα ως προς την κυρίαρχη βλάστηση, ακόμη και μέσα στο ίδιο αγροτεμάχιο. Τα λιβάδια και η αγρανάπαυση προκάλεσαν επίσης εσφαλμένη ταξινόμηση σε άλλες κατηγορίες, που παρατηρήθηκε σε 3.500 περιπτώσεις.

Η αναγνώριση της συγκομιδής ή της έλλειψης συγκομιδής ήταν σε ποσοστό 86,0% και 86,7% αντίστοιχα (MCC 0,71). Οι κύριες πηγές σφαλμάτων ήταν η συγκέντρωση των αγροτεμαχίων με διαφορετικές ημερομηνίες κοπής σε ένα μόνο πολύγωνο. Συνολικά βρέθηκαν 151 αγροτεμάχια υπερβόσκησης χρησιμοποιώντας το όριο χρονοσειράς του NDVI. Η ακρίβεια ανίχνευσης της υπερβόσκησης αξιολογήθηκε ελέγχοντας οπτικά και τα 151, με δορυφορικές εικόνες Sentinel-2 και το Google Earth. Αυτός ο έλεγχος βρήκε το 63,7% αυτών, να είναι σωστά. 
Για καλλιέργειες που δεσμεύουν το άζωτο, ο χρόνος καλλιέργειας αξιολογήθηκε ξεχωριστά για τη μηδική που είναι η πιο συνηθισμένη κατηγορία, και για τις άλλες αζωτοδεσμευτικές καλλιέργειες. Για τις δύο τάξεις, επιλέχθηκαν τυχαία 25 περιπτώσεις, για τις οποίες ο χρόνος καλλιέργειας βρέθηκε σύμφωνος με τους κανονισμούς και 25 όπου ο χρόνος καλλιέργειας διαπιστώθηκε πιο σύντομος. Συνολικά, 100 αγροτεμάχια ερευνήθηκαν σε αυτή την περίπτωση. Για τη μηδική η συνολική ακρίβεια ήταν 84%, ενώ για τις άλλες καλλιέργειες ήταν 77%. Η μέθοδος ανίχνευσης του χρόνου των ενδιάμεσων καλλιεργειών, αξιολογήθηκε για 100 αγροτεμάχια που ερμηνεύτηκαν χειροκίνητα και προέκυψε ότι το 50% πέρασε και το 50% απέτυχε. Η συνολική ακρίβεια ανίχνευσης της σωστής ή της λανθασμένης διαχείρισης ήταν 88,7% (MCC 0,77).

Για την εργασία 1, που αναφερόταν στις αιτήσεις για επιδότηση (εκτός από καλάμι), ερευνήθηκαν περισσότερα από 1.200.000 αγροτεμάχια. Η συντριπτική πλειοψηφία των αγροτεμαχίων βρέθηκε ότι είναι σύμφωνη (99,55%) (πράσινο), το 0,13% αβέβαιη (κίτρινο), και το 0,32% μη επιλέξιμη (κόκκινο). Η εργασία 2 (ελάχιστη καλλιέργεια βοσκοτόπων), επηρέασε όλα τα αγροτεμάχια που αξιώθηκαν ως θερισμένα ή βοσκήσιμα λιβάδια, δηλαδή 160.663 συνολικά και από αυτά, το 99,5% επιβεβαιώθηκε ότι ήταν σωστά (πράσινο), μόνο 4 ήταν αβέβαια (κίτρινο) και 0,5% ακατάλληλα (κόκκινο). Η εργασία 3, αφορούσε όλους τους αγρότες που διεκδίκησαν έκταση μεγαλύτερη από 15 εκτάρια, ερευνήθηκαν 734.460 αγροτεμάχια από τα οποία το 10,4% θεωρήθηκαν ως αβέβαια και το 89,6% θεωρήθηκαν σωστά. Η εργασία 4, αφορούσε μόνο τα ευαίσθητα λιβάδια τα οποία ήταν 50.650 και το 97,2% αυτών των αξιώσεων επιβεβαιώθηκαν (πράσινο), το 2,5% των δεμάτων βρέθηκαν μη συμμορφούμενα (κόκκινο) και το 0,3% ήταν αβέβαιο. Η εργασία 5, αναφερόταν σε 37.002 ακαλλιέργητα αγροτεμάχια, εδώ ο προσδιορισμός των χρήσεων των λιβαδιών ή της αγρανάπαυσης αποδείχθηκε προβληματικός, ενώ η συγκομιδή εντοπίστηκε επίσης νωρίτερα από την επιτρεπόμενη ημερομηνία, τελικά το 30,6% των αγροτεμαχίων καταγράφηκε ως σωστό, το 41,3% αβέβαιο (κίτρινο) και το 28,1% θεωρήθηκε λανθασμένο (κόκκινο). Η εργασία 6, η αναγνώριση των καλλιεργειών που δεσμεύουν το άζωτο, αφορούσε 28.054 αγροτεμάχια και βρέθηκε ότι το 71,4% ήταν σωστό, το 21,7% λανθασμένο και το 6,9% προσδιορίστηκε ως αβέβαιο. Η ακρίβεια της ταξινόμησης του τύπου καλλιέργειας είχε επιρροή στο αποτέλεσμα, καθώς το 18,9% των αγροτεμαχίων καταχωρήθηκε ως μη επιλέξιμο λόγω της εσφαλμένης ταξινόμησης μεταξύ διαφορετικών τάξεων βλάστησης. Η εργασία 7 που ήταν ο έλεγχος των αγροτεμαχίων και των ενδιάμεσων καλλιεργειών για 25.503 αξιώσεις και τα αποτέλεσμα ήταν 81,9% σωστό, 5,3% αβέβαιο και 12,8% μη επιλέξιμο. 

Συνολικά, ολοκληρώθηκαν περισσότερες από 2 εκατομμύρια λειτουργίες παρακολούθησης, με τις περισσότερες να σχετίζονται με την εργασία 1 και την εργασία 3. Το 94% αυτών των πράξεων κατέληξαν επιλέξιμες, το 1,5% λανθασμένες, και το 4,5% αβέβαιες. Τα περισσότερα από τα ασαφή αποτελέσματα παρήχθησαν από διαφωνία μεταξύ της αξιούμενης καλλιέργειας και της χαρτογραφημένης κατηγορίας βλάστησης για την εργασία 3 και τα σφάλματα ταξινόμησης επηρέασαν την εργασία 5. Σε επίπεδο αγροτεμαχίων, το 90% ανακηρύχθηκαν επιλέξιμα (πράσινα), το 7,9% θεωρήθηκε αβέβαια (κίτρινο) για τουλάχιστον μία εργασία και το 2,1% καταγράφηκαν με λάθος (κόκκινο) τουλάχιστον μία φορά. Το όριο μεγέθους που εφαρμόστηκε για τα αγροτεμάχια, είχε ως αποτέλεσμα τον αποκλεισμό περίπου 200.000, που αναλογεί σε 5%. Η ακρίβεια ταξινόμησης των καλλιεργειών με την RF αυξήθηκε σημαντικά καθ' όλη τη διάρκεια του έτους καθώς γινόταν προσθήκη νέων εικόνων. Η τελική συνολική ακρίβεια του 88,07%, είναι συγκρίσιμη με παρόμοιες μελέτες.

Συνολικά, αυτή η μελέτη έδειξε ότι η ανάλυση εικόνων που βασίζεται στο Sentinel-2 μπορεί να συμβάλει ουσιαστικά στην παρακολούθηση της CAP στην Ουγγαρία, μειώνοντας πιθανώς το φόρτο εργασίας που σχετίζεται με επιτόπιους ελέγχους. Μέσα από τη δορυφορική παρακολούθηση όλων των αγροτεμαχίων, και κατευθύνοντας επιτόπιους ελέγχους για αβέβαιες ή μη συμμορφούμενες περιπτώσεις, μπορεί επίσης να αυξηθεί η χρησιμότητα της επιτόπιας παρακολούθησης. Μέσα από την ενημέρωση των αγροτών ότι όλα τα αγροτεμάχια πρέπει να διερευνηθούν για συμμόρφωση με τους κανόνες, θα υπάρξει μεγαλύτερη εμπιστοσύνη προς το σύστημα τόσο από αυτούς, όσο και για τους οργανισμούς πληρωμών. Τέλος, η επικοινώνηση της χρησιμότητας της δορυφορικής παρακολούθησης στους αγρότες και η υιοθέτηση της τηλεπισκόπησης στη γεωργία ακριβείας, διευκολύνουν τις εργασίες χαρτογραφικής απόδοσης, ακρίβειας υπολογισμού της παραγωγής και της διαχείρισης του νερού.

Οι μελλοντικές μελέτες θα πρέπει να ασχοληθούν με την ενσωμάτωση των δεδομένων ραντάρ του Sentinel-1 στη ροή εργασιών παρακολούθησης, καθώς αυτά παρέχουν δεδομένα ανεξάρτητα από τη νεφοκάλυψη. Ο κύριος περιορισμός που αφορούσε το μέγεθος των αγροτεμαχίων μπορεί να βελτιωθεί με τη συνένωση, αλλά ο γενικός στόχος της συμπερίληψης όλων των αγροτεμαχίων επιτυγχάνεται μόνο με τη χρήση εικόνων υψηλότερης ανάλυσης από εμπορικούς δορυφόρους. Έχουν δοκιμαστεί εναλλακτικές προσεγγίσεις ταξινόμησης, με τη λειτουργική χρήση που βασίζεται στη βαθιά εκμάθηση να φαίνεται ιδιαίτερα ελπιδοφόρα για επίτευξη καλύτερης ακρίβειας. Ωστόσο, τέτοιες τεχνικές απαιτούν σημαντικά μεγαλύτερη ικανότητα επεξεργασίας και τελικά, η RF μπορεί να εξακολουθεί να θεωρείται η βέλτιστη λύση. 

'''Συμπεράσματα:''' Η χρησιμότητα της παρακολούθησης των γεωργικών επιδοτήσεων με βάση το Sentinel-2 δοκιμάστηκε για το 2020 σε εθνική κλίμακα στην Ουγγαρία. Τα κριτήρια που διερευνήθηκαν περιλαμβάνουν στρατηγικές ενιαίας ενίσχυσης (βασική καλλιέργεια, διαχείριση λιβαδιών) και οικολογικές πρακτικές (διαφοροποίηση καλλιεργειών, μόνιμα λιβάδια, αγρανάπαυση, καλλιέργειες αζωτοδέσμευσης και ενδιάμεσες καλλιέργειες). Η ανάλυση βασίστηκε στις μέσες τιμές των φασματικών δεικτών στο όριο κάθε αγροτεμαχίου, υπολογισμένο από χρονοσειρές εικόνων Sentinel-2. Η ταξινόμηση Random Forest χρησιμοποιήθηκε για τον προσδιορισμό των καλλιεργειών σε 20 τάξεις, συμπληρωμένες με χρονοσειρές ανάλυσης του δείκτη NDVI, για την ανίχνευση γεγονότων κοπής, σποράς και συγκομιδής. 

Ελήφθησαν αποτελέσματα για όλες τις εργασίες παρακολούθησης, με ακρίβεια ταξινόμησης πάνω από 85% για τις περισσότερες κατηγορίες και ακρίβειες ανίχνευσης καλλιέργειας μεταξύ 63-86%. Με βάση αυτά τα αποτελέσματα, το 95,1% των εργασιών επιλύθηκαν επιτυχώς και μόνο το 4,9% χρειαζόταν παρακολούθηση στο πεδίο. Το 16,5% των αγροτεμαχίων αποκλείστηκαν από τη μελέτη επειδή το μικρό τους μέγεθος ή το στενό τους σχήμα αναμενόταν να έχει κακή ανάλυση από τον Sentinel-2,  αριθμός που περιλαμβάνει μόνο το 3% της επιτηρούμενης περιοχής. Το κύριο πλεονέκτημα της παρακολούθησης που βασίζεται σε Sentinel-2 είναι η ακριβής κατηγοριοποίηση των καλλιεργειών για ένα μεγάλο σύνολο τάξεων και η αξιόπιστη αναγνώριση καλλιεργητικών γεγονότων. Συνολικά, η παρακολούθηση που βασίζεται στον Sentinel-2 μπορεί να είναι αποτελεσματική σε εθνική κλίμακα και αναμένονται περαιτέρω βελτιώσεις μελλοντικά στην ακρίβεια, μέσα από τη συμπερίληψη δεδομένων Sentinel-1 και την ταξινόμηση βαθιάς μάθησης.



 [[category:Γεωργία]]