Welkom bij
Moderne landbouw
!
De nauwkeurige afbakening van landgrenzen is een cruciale stap bij het identificeren van landgebruik en het plannen van het beheer ervan. Met name voor akkerland stelt deze afbakening boeren en landbouwbedrijven in staat om het landoppervlak beter in te schatten voor een efficiënt gebruik van agro-inputs, zoals zaden, pesticiden, meststoffen en andere hulpbronnen, en om de productie en postproductie-activiteiten te optimaliseren.
Handmatige processen voor het identificeren van landgrenzen zijn tijdrovend en arbeidsintensief gebleken. Geavanceerde technologie in de landbouw, zoals teledetectiebeelden, biedt echter in realtime diepgaande en ruimtelijk expliciete informatie over het gebruik van landbouwgrond die anders moeilijk te verkrijgen zou zijn.
Satellietbeeldvorming, machinaal leren en AI in de landbouw rusten actoren in het agro-ecosysteem uit met een historisch record van de distributie van gecultiveerde gewassen over regio's. Overheidsinstanties kunnen deze informatie gebruiken om de import en export van voedselproducten adequaat te plannen. Financiële instellingen kunnen deze alternatieve landbouwgegevens gebruiken om het gewas dat een boer verbouwt, de gezondheid ervan en de prestaties van het perceel te bepalen om leningvoorstellen te beoordelen. Agrarische bedrijven kunnen hun boerderijen op afstand monitoren en beheren in elke fase van de gewasproductie zonder de velden vaak te hoeven bezoeken, vooral in het licht van de huidige hachelijke situatie die wordt veroorzaakt door de pandemie.
Om nauwkeurige gegevens voor elk van deze beoordelingen te verkrijgen en tot sluitende inzichten te komen, speelt de exacte begrenzing van het boerenperceel een cruciale rol. In de afgelopen jaren worden satellietbeeldgegevens, met name die van Landsat-8 (optisch), Sentinel-1 (RADAR) en Sentinel-2 (optisch), gebruikt om de locatie, grootte en ruimtelijke omvang van de landbouwgrond te identificeren . Deze gegevens worden vervolgens gecombineerd met weersinformatie om de classificatie van gewastypes te verbeteren en in realtime te volgen.
Geavanceerde technologie in de landbouw die ook andere informatie integreert, zoals gewastype, bodemtype en waterstress in de regio, wordt van vitaal belang voor het opstellen van een effectief landbouwplan en voor het ontwikkelen en controleren van landbouwbeleid en -regelingen voor boeren. Ze bieden producenten andere mogelijkheden, zoals opbrengstvoorspelling, voorspelling van het gewasstadium, schatting van de gewasgezondheid, identificatie van plant- en oogstdatums, schatting van waterstress, schatting van bodemvocht en irrigatieplanning.
Terwijl de grenzen van landbouwgronden gemakkelijker af te bakenen en te digitaliseren zijn voor grote grondbezit, wordt het steeds moeilijker voor kleine grondbezit, vooral in bepaalde opkomende landen en regio's. Het ontbreken van goed gedefinieerde grenzen maakt andere taken, zoals classificatie van landgebruik, digitalisering van landtitels of gewasclassificatie, omslachtiger en foutgevoeliger.
Landgrenzen vormen daarom de basis voor het afleiden van kritieke informatie over landbedekking, met name voor de landbouw. Gegevenswetenschappers gebruiken aardobservatiegegevens om landgrenzen te detecteren, wat hen verder in staat stelt om patronen voor landgebruik/landbedekking (LULC) te classificeren en te evalueren om vegetatie van andere vormen van landbedekking te detecteren. De satellietgegevens en toepassingen van geavanceerde technologie in de landbouw, zoals machine learning, gaan nog een stap verder en stellen hen ook in staat gewassen te identificeren en te classificeren. Het stelt producenten verder in staat om de gezondheid, stress en opbrengst van het gewas periodiek op afstand te monitoren en een hoge productiviteit te garanderen gedurende de gehele gewascyclus.
Het handmatige proces van het afbakenen van perceelgrenzen is gevoelig voor menselijke fouten en vereist diepgaande annotatievaardigheden. Nadat de percelen zijn afgebakend, moeten ze ook regelmatig worden bijgewerkt om de wijzigingen in realtime te volgen.
Automatische detectie van landgrenzen vergemakkelijkt de digitalisering van alle individuele percelen in het hele land met minimale menselijke correctie. Dit zou met name gunstig zijn in landen als India, waar digitale gegevens van landgrenzen niet op grote schaal beschikbaar zijn. Hoewel sommige staten het initiatief hebben genomen om de records op enquêtenummerniveau te digitaliseren, omvatten de enquêtenummers vaak meerdere kleinere percelen, waarvan de grenzen handmatig en informeel zijn afgebakend.
Het extra voordeel van dit digitale proces is dat alle informatie over een bepaald bedrijf kan worden geconsolideerd op basis van de percelen die zijn gedetecteerd door het landgrensdetectiemodel. De exacte afbakening van percelen helpt bij het verkrijgen van nauwkeurigere informatie over het gewastype of de opbrengstschatting. Bovendien zal dit algoritme helpen bij het detecteren van de verandering in de oppervlakte van een boerenperceel door de jaren heen. Bij een aardbeving, droogte, overstromingen of andere natuurrampen kan het algoritme de betrokken partijen helpen om de schade aan het perceel of de gewassen op te sporen. Evenzo zullen zakelijke ondernemingen en bouwers die governance en toezicht uitoefenen, in aanzienlijke mate profiteren met betrekking tot gebiedsplanning en -beheer en de beoordeling van de grondwaarde.
Geavanceerde technologie in de landbouw is de afgelopen decennia enorm geëvolueerd en heeft ook ruimte geboden voor verdere vooruitgang. Niettemin hebben remote sensing-beelden hun eigen beperkingen. Ze hebben meestal een zeer lage beeldresolutie, ruisniveau en een enorm volume dat veel digitale opslagruimte in beslag neemt. De eigenschappen van deze afbeeldingen veranderen drastisch van de ene regio naar de andere, afhankelijk van de eigenschappen van het landgebied.
Het opsporen van landgrenzen voor grondbezit dat uiteenvalt en niet-uniform is, is in feite een zware taak omdat hun grenzen geen gedefinieerde vorm of grootte hebben, vooral in landen als India waar grondbezit klein en ook dicht is. Beeldverwerkingstechnieken zoals segmentatie en randdetectie, die goed werken op algemene afbeeldingen, leveren mogelijk geen nauwkeurige resultaten op voor afbeeldingen met teledetectie. Twee aangrenzende percelen met vegetatie kunnen voor ons een goede mogelijkheid bieden om de landgrenzen te vinden op basis van het verschil in kleur en textuur, maar deze eigenschappen zijn mogelijk niet altijd prominent wanneer beide percelen hetzelfde gewas hebben. Deze zorg geldt ook voor die percelen met meerdere gewassen. Vanwege deze factoren is landgrensdetectie met behulp van teledetectiebeelden nog steeds een open onderzoeksprobleem. Er is momenteel niet zo'n robuuste oplossing die perfect werkt in de verschillende geografische regio's.
CropIn heeft een eigen state-of-the-art algoritme voor het detecteren van landgrenzen ontwikkeld door deep learning te combineren met klassieke beeldverwerkingstechnieken. Het algoritme bestaat hoofdzakelijk uit drie modules:a) algoritme voor extractie van grenslijnen, b) algoritme voor nabewerking en c) polygonisatie voor extractie van landbouwpercelen. Het deep learning-model is getraind met behulp van Google-satellietafbeeldingen als invoer, dit zijn RGB-rasterafbeeldingen met een ruimtelijke resolutie van wel 0,5 m op sommige plaatsen (afhankelijk van de gegevensbronnen), samen met geannoteerde landgrenzen als labels.
CropIn heeft dit deep-learning model ingezet voor grensdetectie in de Indiase deelstaat Maharashtra. We hebben landrecordkaarten met geografische referenties van dorpen in de staat verkregen van Maharashtra Remote Sensing Application Center (MRSAC), dat ons voorziet van handmatig gedefinieerde landgrenzen voor de verschillende onderzoeksnummers. Deze landrecords dienen als de eerste laag van grondwaarheid en de basis voor het bouwen en trainen van de deep learning-modellen. Vervolgens gebruiken we de satellietbeelden met hoge resolutie van Google Earth Engine om de grenzen te verfijnen via het bovengenoemde proces.
We hebben ons algoritme geschaald door parallelle verwerking te introduceren die is gebouwd op AWS Batch, die parallelle virtuele machines laat draaien om de voorspelling tegelijkertijd op een groot gebied uit te voeren. Een 'r5.xlarge' AWS EC2 Spot-instantie werd gebruikt om de voorspelling te doen. Momenteel kan ons systeem de landgrens detecteren voor bijna 300.000 vierkante kilometer gebied in 6-7 uur. Een voorbeeld van de landgrenzen die door ons gepatenteerde algoritme zijn gedetecteerd, wordt weergegeven in de onderstaande afbeelding.
Een representatief beeld van de landgrenzen gedetecteerd door CropIn
Het stelt overheidsinstanties, financiële instellingen en andere belanghebbenden in staat om datagestuurde beslissingen te nemen op basis van tijdige en nauwkeurigere informatie, wat bijdraagt aan een hogere productiviteit, efficiëntie en winstgevendheid.
