Při práci s daty z družice Sentinel-2 a případně s daty pořízenými z jednoho časového období je obtížné dosáhnout vysoké přesnosti klasifikace. Existují dva hlavní problémy:

• Je obtížné rozlišit některé plodiny na základě jejich spektrální klasifikace.
• Sentinel 2 je ovlivněn mraky a v některých obdobích je obtížné/nemožné mít k dispozici data

Proto jsme se rozhodli zahrnout také data Sentinel 1 (radarová data), která nejsou ovlivněna mraky.  Inovační experiment jako takový bude založen na fenologii. Fenologie je vědní obor, který studuje periodické události biologických životních cyklů, které jsou závislé na mnoha vnějších vlivech prostředí, jako jsou klima, změny počasí a další ekologické faktory. V průběhu času se rostlinné druhy vyvíjely v reakci na své prostředí a přizpůsobovaly se specificky biotickým a abiotickým faktorům. Vzhledem k těmto vzájemným souvislostem je studium fenologie užitečné v mnoha ohledech. Například studium rostliny může poskytnout informace o prostředí, ve kterém se vyvíjí, a naopak studium biotických a abiotických faktorů může pomoci pochopit jak rostlina reaguje na faktory prostředí. Různé plodiny mají různé fenologické cykly a to pomáhá rozlišovat jednotlivé plodiny.

Přístup, který se začal testovat během INSPIRE hackathonů, je založen na klasifikaci vybraných indexů ve všech ročních obdobích počínaje zimou a konče sezónou. Použití multitemporálních dat zvyšuje přesnost klasifikace.

Dalším způsobem, jak zvýšit přesnost klasifikace, je použití neřízené klasifikace pro předběžné zpracování obrazu. Výhodou neřízené klasifikace je, že rozdělení objektů se neprovádí na základě trénovacích vzorků, ale pouze na základě fenologické fáze a spektrálních charakteristik. Během hackathonů jsme začali připravovat metodu založenou na neřízené klasifikaci. Nevýhodou je, že takový snímek vyžaduje dodatečnou interpretaci tříd. Metody neřízené klasifikace lze vylepšit pomocí segmentačních algoritmů.

Pro interpretaci by bylo možné data kombinovat s existujícími daty LPIS, což může rovněž zvýšit přesnost klasifikace. V předchozím testu kombinujícím data LPIS s interpretovanými snímky jsme dosáhli přesnosti vyšší než 85 %.