Landgebruik/landbedekking definiëren met de Deep Learning Engine van Cropin

Vooruitgang in geospatiale technologie en het steeds baanbrekende gebruik van kunstmatige intelligentie en deep learning maken een wetenschappelijke, gegevensgestuurde benadering van effectieve milieumonitoring mogelijk. Met behulp van teledetectietechnologieën kunnen veranderingen in de landbedekking van de aarde worden bestudeerd, waaronder vegetatie, wateroppervlakken en door de mens gemaakte kenmerken, evenals verschillende patronen van landgebruik.

Menselijke activiteiten in de afgelopen eeuwen hebben de transformatie van het aardoppervlak versneld en geïntensiveerd. In dit licht zijn de classificatie en evaluatie van patronen van landgebruik en landbedekking (LULC) van cruciaal belang voor wereldwijde monitoringstudies, milieubehoud, ruimtelijke ordening, hulpbronnenbeheer en duurzame ontwikkeling over de hele wereld.

Het land is de primaire en meest essentiële input voor de landbouw, en het is onnodig om te zeggen dat het onmogelijk zou zijn om voldoende voedsel, voer en vezels voor de wereldbevolking te produceren als er niet genoeg land is voor landbouwdoeleinden. Om deze reden wordt de analyse van de verdeling van bouwland noodzakelijk om de beschikbaarheid van land voor landbouwdoeleinden in verschillende regio's te bepalen, en bijgevolg de landbouwproductie over de hele wereld te stimuleren. Door satellietgegevens van teledetectie te vergelijken die op verschillende tijdstippen zijn vastgelegd, kunnen ook LULC-veranderingen worden gevolgd om de krimp van landbouwgrond als gevolg van weersomstandigheden of menselijke activiteiten te identificeren.

Hoe definieert Cropin landgebruik en landbedekking met AI en Deep Learning?

De AI-aangedreven engine van Cropin classificeert landgebruik op basis van het classificatiesysteem voor landgebruik dat is ontwikkeld door de United State Geological Survey (USGS). Dit systeem classificeert landgebruik en landbedekking in meerdere niveaus, waarbij de categorieën in elk een geneste hiërarchie van subcategorieën vormen. Landbouw, een van de brede categorieën in niveau I, omvat bijvoorbeeld gedetailleerde categorieën zoals 'Gewas en weiland ’, ‘ Boomgaarden, boomgaarden, wijngaarden en kwekerijen ’ en ‘Beperkte voerbewerkingen ’. Terwijl categorieën van niveau I gegevens van het type LANDSAT zijn, zijn categorieën van niveau II gegevens op grote hoogte (12400 m of hoger) met betere ruimtelijke, spectrale en temporele resoluties.

De LULC-mapping van Cropin is gebaseerd op Level I van het USGS-systeem dat relevant is voor regionale en diverse grootschalige toepassingen. De engine van Cropin neemt vijf van de negen subcategorieën in Level I over, nl landbouwgrond, onvruchtbaar land, bebouwd of stedelijk land, bos en waterlichamen.

Als eerste stap van de LULC-classificatie worden gegevens van onbewerkte satellietbeelden geëxtraheerd en getraind met behulp van de eigen algoritmen van Cropin om de grenzen op staats- en districtsniveau in India te geotagseren. De gegevens worden vervolgens opgeschoond om onregelmatige perceelgrenzen te verwijderen en de nauwkeurigheid van gegevenspunten te verbeteren en vervolgens opnieuw getraind om het landgebruik voor het huidige seizoen (Rabi/Kharif) in kaart te brengen.

Om elk van de vijf categorieën met duidelijke en precieze grenzen in kaart te brengen, ondergaan de getrainde modellen verder een verwijdering van uitschieters in twee stappen. Het herhaaldelijk opschonen van datapunten resulteert in pure pixels waar 'Built-up/Urban' geen waterlichaam bevat, of waar 'Barren Land' niet aanwezig is in 'Agriculture Land'. Deze modellen worden vervolgens op precisie getest en met verschillende methoden opnieuw getraind tot een nauwkeurigheid van niet minder dan 90% is bereikt.

De landgebruikskaart die door het systeem van Cropin voor het Rabi-seizoen wordt gegenereerd, is gebaseerd op een optisch model. Voor het Kharif-seizoen worden echter modellen gebouwd op basis van Synthetic Aperture Radar (SAR)-beeldgegevens, rekening houdend met de toegenomen bewolking gedurende de periode.

Figuur 1:LULC-kaart van een regio in het noordwesten van Madhya Pradesh

Zodra LULC is geclassificeerd en op nauwkeurigheid is gecontroleerd, worden landgebruikskaarten voor landbouw geëxtraheerd door SmartRisk en weergegeven op het interactieve, op kaarten gebaseerde dashboard, op basis van welke gewassen in de gegeven regio worden geïdentificeerd volgens de gebruikersvereisten.

Hoe vertaalt dit zich in waarde voor agrarische belanghebbenden?

LULC-informatie die zowel up-to-date als betrouwbaar is, heeft zijn vele voordelen in het agrarische domein, met name wanneer het wordt gebruikt door overheidsinstanties en agrarische kredietinstellingen, om effectief agrarisch beleid te ontwikkelen.

SmartRisk faciliteert belangrijke belanghebbenden in overheidsinstanties om de beschikbaarheid van landbouwgrond in een bepaalde regio (op boerderij/postcode/staat/landniveau) voor dat specifieke seizoen te bepalen. Het intelligente platform stelt ook de historische prestaties van de regio vast, waardoor gebruikers huidige gegevens kunnen vergelijken met eerdere records om LULC-veranderingen te onderzoeken als gevolg van verstedelijking, aantasting of zware weersomstandigheden in de regio. Andere activiteiten, zoals het plannen van watervoorziening voor irrigatiebehoeften, worden ook effectief met het gebruik van de LULC-mogelijkheden van dit geavanceerde platform.

Afbeelding 2:SmartRisk-dashboard met LULC-classificatie voor Bareli, Madhya Pradesh

Banken, verzekeringen en andere financiële instellingen kunnen het netto ingezaaide areaal op regionaal niveau analyseren om te beslissen over hun leenbeleid en uitbreiding van activiteiten naar nieuwe regio's. Op perceelniveau kan de instelling vaststellen of een landbouwperceel wordt gecultiveerd en gebruikmaken van gegevens over de historische prestaties van het perceel voor snellere kredietverlening en risicobeoordeling, ondersteund door alternatieve landbouwgegevens. Lees alles over hoe AI de uitbetaling van verzekeringen optimaliseert voor een van 's werelds grootste gewasverzekeringsprogramma's.

Zaadfabrikanten en andere agro-input bedrijven kunnen hun verkoopstrategieën optimaliseren op basis van het netto ingezaaide areaal en gewasclassificatiegegevens die beschikbaar worden gesteld op het dashboard van SmartRisk. De kennis van welk gewas waar groeit en hoe het gewasstadium en de gezondheid eruit zien, stelt inputbedrijven in staat om hun producten beschikbaar te stellen op de dichtstbijzijnde distributiepunten.

Aan de andere kant, sourcing- en inkoopondernemingen , evenals grondstoffenhandelaren, kunnen deze agro-intelligentie gebruiken om gewassen te identificeren die over een regio zijn verspreid en slimmere aankoopbeslissingen te nemen op basis van de beschikbaarheid van het gewas.