Utilización de redes neuronales para extraer información de los datos de satélite
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.