Machineleren in landbouwtechnologieën:een inzicht in gewasdetectie

Remote sensing is momenteel een cruciaal onderdeel van landbouwtechnologieën die in toenemende mate worden gebruikt door landbouwbedrijven, overheden en andere niet-gouvernementele organisaties om landgebruik op schaal in kaart te brengen en te controleren. Remote-sensing data maakt het volgen en optimaliseren van landbouwactiviteiten door verschillende actoren in het agro-ecosysteem mogelijk en is een essentiële input voor datagestuurde slimme landbouw. In combinatie met grondwaarheid en andere informatiebronnen bieden teledetectiegegevens een uitgebreide analyse van gewasproductieactiviteiten.

Gewasdetectie met behulp van de machine learning-algoritmen van CropIn

Elke diepgaande analyse van de gewasproductie met behulp van landbouwtechnologieën begint met de detectie van gewassen met behulp van teledetectiebeelden die zijn afgeleid van aardobservatiesatellieten. Deze satellieten bevinden zich enkele honderden kilometers van het oppervlak en zijn uitgerust met multispectrale sensoren om beelden van de aarde uit te voeren om grondbeelden met een hoge resolutie vast te leggen in de zichtbare spectrale zones nabij-infrarood (VNIR) en kortegolf-infrarood (SWIR). Sommige aardobservatiesatellieten hebben tot 13 spectrale kanalen die helpen bij het analyseren van de biofysische kenmerken van planten met behulp van vegetatie-indexen, die worden berekend als verschillen tussen twee of meer banden in het zichtbare licht (VIS), nabij-infrarood (NIR) en SWIR-golflengten.

Van ten minste honderd verschillende spectrale indices is de NDVI (Normalized Difference Vegetation Index) een vegetatie-index waaraan wetenschappers de meeste voorkeur geven om de toestand, groeistadia, biomassa en de opbrengstschatting van gewassen te bepalen. De index kwantificeert de aanwezigheid van chlorofyl op het landoppervlak en helpt te beoordelen of het waargenomen gebied levende groene vegetatie bevat door de verschillende kleuren of golflengten van VIS- en NIR-zonlicht te evalueren die de planten reflecteren.

Bij het in kaart brengen van landgebruik maakt CropIn gebruik van de NDVI-tijdreeksen van Sentinel-1 (RADAR) en Sentinel-2 (optische) satellietbeelden om akkerland en gewastype te onderscheiden van andere vormen van landbedekking. De reeds bestaande kennis van fenologische cycli van de verschillende gewassen vergemakkelijkt hun identificatie, die vervolgens wordt gevalideerd door CropIn's bestaande rijke pool van gewasdatasets. Historische informatie van het perceel, ook afgeleid van satellietbeelden, stelt ons in staat om een ​​dieper inzicht te krijgen in wat de boer in het verleden heeft verbouwd, en deze intelligentie zorgt verder voor de gegevensvalidatie wanneer we het gewasdetectiemodel inzetten voor een nieuw perceel van landbouwgrond. CropIn heeft een state-of-the-art, real-time gewasidentificatiesysteem ontwikkeld met behulp van een reeks deep learning-modellen. Het systeem maakt gebruik van 3D CNN- en LSTM-architectuur om individuele modellen te bouwen. Bij het bouwen van de modellen wordt zowel een pixel- als een beeldgebaseerde benadering overwogen om een ​​meer algemeen systeem te maken. Hoewel de optische gegevens van Sentinel 2 een schat aan informatie bieden die gewasdetectie op een heldere, zonnige dag mogelijk maakt, schakelt het systeem automatisch over naar de modellen als het satellietbeeld wordt verduisterd door de aanwezigheid van wolken, met name tijdens het regenseizoen (Kharif-seizoen). die RADAR-gegevens gebruiken (Sentinel-1).

Om de nauwkeurigheid van het gewasdetectiemodel te verbeteren en het resultaat te valideren, trainen we ze herhaaldelijk door ze in te zetten op zowel kleine territoria als over een aanzienlijk groter gebied, zoals een pincode of district. Om de prestaties uniform te maken over verschillende geografische locaties, worden transfer learning-technieken gebruikt om meer regiospecifieke individuele modellen te bouwen. Voor het grotere gebied wordt het gewas dat de deep-learning-engine detecteert, geverifieerd met overheidsgegevens, indien beschikbaar, of met gegevens die zijn verzameld met behulp van CropIn's SmartFarm ^® voor een bepaald seizoen of gewas. Een ander voordeel van het gebruik van het gewasdetectiemodel, samen met landgrensdetectie, is dat het ook helpt bij het identificeren van het verschil tussen de boerenbeoordeling van hun landoppervlak en de bijbehorende opbrengst en wat het algoritme detecteert. De nieuwigheid van het systeem van CropIn is dat het op elk moment gewassen kan voorspellen, van planten tot oogsten, en dat het niet nodig is om te wachten op informatie over de volledige tijdreeks.

CropIn heeft het systeem in de hele Indiase deelstaat Maharashtra ingezet voor het voorspellen van de gewassen met Sentinel-1- en Sentinel-2-gegevens in de jaren 2018, 2019 en 2020. De algehele prestaties voor de deep-learningmodellen op basis van overheidsstatistieken en bodemvalidatie ligt tussen 60% en 80%, afhankelijk van de regio's, seizoenen en de jaren waarin de gewassen werden gedetecteerd.

Figuur:CropIn gebruikt de NDVI-tijdreeksen van Sentinel-1 (RADAR) en Sentinel-2 (optische) satellietbeelden om akkerland en gewastype te onderscheiden van andere vormen van landbedekking.

Precisielandbouw - het geschenk van landbouwtechnologie

Efficiënte landbouwsystemen die worden geleid door wetenschappelijke en nauwkeurige gegevens worden mogelijk gemaakt door verschillende verbeteringen in landbouwtechnologieën. Gewasdetectiemogelijkheden, mogelijk gemaakt door remote sensing, stellen producenten en faciliteerders van de landbouw in staat om de gewasproductie te optimaliseren met minimale menselijke tussenkomst.

Land- en zaadbedrijven :Gewasidentificatie op basis van geo-tagged landbouwpercelen en gedefinieerde landgrenzen stelt producenten in staat de opbrengst nauwkeuriger en in realtime in te schatten. Het helpt producenten ook om tekenen van een slechte gezondheid van gewassen, veroorzaakt door een ziekte of plaag, te herkennen en er snel op te reageren om oogstverlies effectief te minimaliseren.

Agrarische bedrijven: Door de gewassen die worden verbouwd te detecteren, kunnen agro-inputbedrijven de regio's of boerderijen bepalen die het beste van hun inputs zouden profiteren. Organisaties die gewasbeschermingsmiddelen produceren, kunnen hun verkoop optimaliseren die specifiek is voor het doelgewas en hun groeifase, terwijl landbouwmachinebedrijven de betrokkenheid van boeren kunnen verbeteren door contact met hen op te nemen in de juiste teeltstadia.

Overheidsinstanties: Experimenten met het snijden van gewassen worden nu tijd- en kostenefficiënt gemaakt met behulp van gewasdetectie en identificatie van gewasstadia op regionaal niveau. Realtime inzichten verbeteren de zichtbaarheid gedurende de teeltperiode en stellen overheidsinstanties ook in staat om vrij nauwkeurige schattingen van de oogstopbrengsten te verkrijgen om ambtenaren te helpen de voedselvoorziening beter te plannen en verzekeringsclaims te versnellen.

Verzekeringsmaatschappijen: Satellietbeeldverwerking, in combinatie met deep learning, stelt agrarische verzekeringen in staat om oogstverliezen als gevolg van natuurrampen nauwkeuriger in te schatten, helpt de vele tekortkomingen van de handmatige procedures te verhelpen en vermindert de middelen die ze nodig hebben voor het hele proces.

Uitlenende instellingen: Het ‘agri-worthiness report’ van SmartRisk geeft banken een gedetailleerd overzicht van de oogst over de afgelopen vijf seizoenen voor een specifiek perceel. Het rapport maakt het voor de instellingen mogelijk om leningaanvragen te beoordelen en NPA preventief te beoordelen op basis van het gewas of de gewassen die eerder door de boer zijn verbouwd, de geschatte opbrengst en de relatieve groei-index. Ambtenaren kunnen ook de gewasgroei in realtime analyseren door gebruik te maken van deze alternatieve landbouwgegevens.

NGO's en ontwikkelingsbureaus: Organisaties die landbouw mogelijk maken, met name in ontwikkelingslanden of onderontwikkelde landen, kunnen gewasdetectiemogelijkheden gebruiken om de teelt van gewassen in verschillende regio's in kaart te brengen, hun gezondheid in realtime te bewaken en boeren advies te geven om de productiviteit te verbeteren of uitgebreide schade aan gewassen te voorkomen als gevolg van ziekten, plagen of onverwachte weersomstandigheden.