Utilización de redes neuronales para extraer información de los datos de satélite
El 29 de marzo, EOS Data Analytics (EOSDA), reconocido proveedor mundial de análisis de imágenes de satélite impulsados mediante IA, organizó un seminario web sobre las capacidades de las redes neuronales para resolver tareas de clasificación y predicción para los usuarios de las industrias agrícola y forestal.
El seminario web fue presentado por Lina Yarysh, directora del departamento de éxito del cliente de EOS Data Analytics, que explicó cómo las redes neuronales y los algoritmos de aprendizaje profundo son excelentes para la detección de patrones, reconociendo lo que se representa en las imágenes.
La presentadora explicó las tareas relacionadas con la agricultura y la silvicultura que las redes neuronales pueden resolver: clasificación de la cubierta vegetal, tipos de cultivos y árboles, enmascaramiento de nubes y detección de zonas con deforestación. Los especialistas también compartieron dos casos prácticos de clasificación de cultivos.
Puede volver a ver el video del seminario web y repasar la presentación.
El evento estaba dirigido a directivos y especialistas en tecnología de empresas agrícolas (incluida la producción de alimentos) y forestales, así como a aquellos que tienen clientes de estas industrias. El seminario web reunió a participantes de más de 15 países de todo el mundo, como India, Alemania, Italia, Brasil, Bolivia, Filipinas, etc.
La Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) estima que para 2050 necesitaremos producir un 60% más de alimentos para alimentar a 9.300 millones de personas. Las empresas agrícolas que deben satisfacer la demanda de transparencia alimentaria ya están luchando por mantener su huella agrícola al mínimo. La FAO también señala que la ciencia y la tecnología son los principales impulsores de la productividad agrícola. Y es cierto. Las empresas de tecnología agrícola han desarrollado soluciones que permiten a los agricultores obtener información rápida y en tiempo casi real para optimizar sus estrategias de gestión agrícola. Con soluciones de vanguardia, los agricultores pueden mejorar el rendimiento, disminuir los desperdicios y la pérdida de rendimiento, reducir los costes de explotación y mantener la sostenibilidad.
EOSDA sigue invirtiendo y desarrollando software escalable para ayudar a los usuarios finales a alcanzar sus objetivos tomando decisiones basadas en datos a diario.
Soluciones Propietarias De EOS Data Analytics Y Un Resumen De Sus Capacidades
Las herramientas de análisis de imágenes de satélite de EOSDA contribuyen a la toma de decisiones de usuarios de 22 sectores, en particular agricultura y silvicultura (agricultores, comerciantes de alimentos, proveedores de insumos, seguros agrícolas y empresas financieras). EOSDA Crop Monitoring y EOSDA Forest Monitoring permiten evaluar el estado de los cultivos, los bosques y el suelo y hacer predicciones sobre las zonas observadas mediante el análisis de imágenes de satélite y actuar como fuentes de datos meteorológicos actuales e históricos.
Nuestras soluciones se construyen de forma interna: contamos con un equipo de investigadores, jefes de producto, analistas de datos, científicos de datos, especialistas en SIG, desarrolladores de software, evaluadores de control de calidad y otros profesionales que trabajan juntos. Esto nos hace independientes del resto de empresas y nos permite mantener un control total sobre el desarrollo del producto. Y desde el principio de nuestro trabajo, elegimos el aprendizaje automático como método de análisis de datos.
Aprendizaje Profundo Con Redes Neuronales Artificiales. Cómo Entrenamos Las Redes Neuronales Y Qué Tareas Resuelven Con Facilidad
El aprendizaje automático es una disciplina de la ciencia de datos que tiene como objetivo permitir que las máquinas aprendan de los datos y extraigan ideas sin ser programadas explícitamente. Estos algoritmos son excelentes para analizar e interpretar grandes cantidades de datos.
El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza algoritmos complejos (de aprendizaje profundo) con arquitecturas de redes neuronales: redes neuronales artificiales (RNA). Las RNA son muy potentes en el reconocimiento de imágenes (clasificación). Las redes neuronales convolucionales, uno de los algoritmos de aprendizaje profundo más populares, se utilizan en los productos de EOS Data Analytics.
Para que las redes neuronales puedan reconocer objetos específicos, los científicos de datos las entrenan con grandes conjuntos de datos de imágenes con ejemplos de estos objetos, donde cada imagen está etiquetada con la categoría a la que pertenece: un gato o un perro, agua o tierra, etc.
Gracias a la capacidad de las redes neuronales para identificar patrones, resuelven diversos problemas de clasificación y predicción para los clientes de EOSDA, como la clasificación de la cubierta vegetal y el tipo de cultivo, a partir de información sobre la salud de los cultivos y las condiciones del suelo extraída de las imágenes de satélite.
Durante la parte final del seminario web, la presentadora explicó cómo los profesionales de EOSDA resolvieron problemas de la vida real: clasificaron tipos de cultivos en Ucrania y caña de azúcar en Brasil y detectaron zonas deforestadas con la clasificación de tipos de árboles.
Clasificación De Los Tipos De Cultivos Dentro Del Programa Gubernamental De Transparencia De La Tierra En Ucrania
El proyecto plurianual de clasificación de tierras agrícolas en Ucrania con el Banco Mundial comenzó en 2016. El encargo a EOS Data Analytics fue clasificar las tierras agrarias de todo el país, digitalizar los límites de los campos y clasificar el tipo de cultivos (hasta 15) que crecen en cada campo. La superficie total de tierras cultivables para su transformación era de 41 millones de hectáreas.
Numerosas partes del sector agrícola se benefician de los datos de clasificación de cultivos:
- Los agricultores, gestionando las actividades diarias, estimando el rendimiento potencial, utilizando datos de rotación de cultivos o comparando los resultados de su trabajo año a año.
- Los comerciantes, fijando los puntos de precio y para consideraciones ecológicas como los aportes de nutrientes.
- Las compañías de seguros, apoyando con datos sus decisiones sobre reclamaciones y reembolsos.
- Las entidades gubernamentales, desarrollando y gestionando bases de datos agrícolas y negociando compensaciones con los agricultores.
Para la recogida de datos sobre el terreno, los especialistas realizaban viajes al campo dos veces al año, durante el verano y el invierno, para cartografiar los cultivos que crecen durante estas estaciones. Cada año, los agrónomos recopilaban miles de puntos de datos para mantener la relevancia de los mapas de cultivos. Los científicos de datos, por su parte, han estado entrenando algoritmos de aprendizaje profundo con imágenes nuevas para aumentar gradualmente la precisión de la clasificación de los cultivos. Así, se logró la mayor precisión (más del 90%) para reconocer cultivos como el maíz, el girasol y la soja.
En consecuencia, los especialistas de la EOSDA digitalizaron todas las tierras cultivadas, habiendo clasificado no sólo más de 15 cultivos (por ejemplo, trigo, girasol, maíz, alfalfa, remolacha azucarera, cebada) , sino también otras clases de cobertura del suelo (por ejemplo, bosques, praderas, tierras acuáticas). También prepararon mapas anuales de cultivos a escala de campo durante seis años, de 2016 a 2021.
Clasificación De La Caña De Azúcar En Brasil: Detección De Molinos De Caña De Azúcar Y Estimación Del Área
Dentro del proyecto, los especialistas debían resolver dos problemas: detectar los molinos de caña de azúcar y las pilas de caña de azúcar cosechada (este cultivo se cosecha varias veces al año) en una fecha determinada.
Clasificación de los molinos de caña de azúcar. El equipo de EOS Data Analytics ha recopilado datos reales que cubren 1.000.000 de hectáreas. Las imágenes fueron tomadas con los satélites Sentinel-1, Sentinel-2, and MODIS-Terra en 10 países y se etiquetaron para el posterior entrenamiento del modelo.
Los especialistas compararon la eficacia de dos modelos y lograron obtener el mayor porcentaje de precisión (más del 94%) con un modelo Conv-LSTM, que combina las ventajas de las redes convolucionales (CNN) y de memoria a corto plazo (LSTM) y permite analizar datos de series temporales espaciales.
Detección del índice de campo cosechado (estado). Esta tarea consistía en definir una relación entre la superficie cosechada y la superficie total del campo.
El equipo de EOSDA ha detectado con éxito el estado de cosecha de 6.500 campos con una superficie total de 47.000 ha. Los científicos de datos proporcionaron informes sobre el estado de la cosecha cada 10 días.
El último caso del que habló la presentadora fue la detección de zonas cubiertas de bosque y zonas deforestadas en Tasmania. Los especialistas resolvieron el problema utilizando una RNA para comparar dos imágenes sin nubes tomadas en determinados meses, trimestres o años.
Estoy contenta de haber colaborado con especialistas de empresas agrícolas y forestales. EOS Data Analytics se esfuerza por seguir contribuyendo al crecimiento de ambos sectores mediante la popularización de los métodos de agricultura de precisión a través de sus plataformas de análisis de imágenes por satélite basadas en IA y sus soluciones personalizadas.