Clasificación De Cultivos Mediante Teledetección
La clasificación de los cultivos del campo es una parte esencial de la agricultura como negocio. La identificación de los cultivos mediante métodos tradicionales puede ser una tarea bastante complicada.
EOSDA ofrece una forma más rápida y mucho más fácil de resolver este problema basándose en años de experiencia en agricultura de precisión, así como en la experiencia en la aplicación de algoritmos potenciados mediante IA y en teledetección.
Combinando los datos del radar de apertura sintética (SAR) con imágenes ópticas, podemos asignar una clase a cada tipo de cultivo reconocido en cualquier área de interés gracias a una red neuronal entrenada y construir un mapa de tipos de cultivo adecuado a las necesidades del cliente.
Solución De Clasificación De Cultivos En Números
Mapas de tipos de cultivos con una precisión de hasta el 90%, en función de la integridad de los datos terrestres y la disponibilidad de imágenes de satélite de forma regular.
Obtenga máscaras de las tierras de cultivo con una resolución de 10 metros en formato *.geotiff o *.shp.
Cultivos identificados para cualquier área tan pequeña como 3 ha.
Nuestro algoritmo identifica los cultivos en casi cualquier lugar de la Tierra.
Si las condiciones son favorables, nuestro cualificado equipo de I+D sólo necesita varias semanas para completar la investigación y entregarle un mapa de clasificación de cultivos preciso.
Nuestras redes neuronales entrenadas realizan una identificación de más de 15 tipos de cultivos diferentes.
Vea el vídeo sobre nuestra solución de clasificación de cultivos
Es posible mejorar la seguridad alimentaria mundial modificando las prácticas de gestión de los alimentos y haciéndolas más sostenibles. Por ello, EOSDA ha desarrollado una solución de clasificación remota de cultivos mediante la fusión del análisis de datos satelitales con las últimas tecnologías de IA, que permite a los grandes productores agrícolas aumentar sus beneficios de una forma más respetuosa con el medioambiente.
Qué Se Consigue Con La Clasificación De Los Cultivos Agrícolas
- Realización de inventarios para grandes superficies y estimaciones de rendimiento.
- Mantenimiento de un amplio registro de rotación de cultivos para las áreas seleccionadas.
- Datos del tipo de cultivo más transparentes para la validación de las solicitudes de compensación.
- Gestión del uso de la tierra más sencilla con los datos del tipo de cultivo.
- Identificación de los cultivos para que los comerciantes fijen los precios en el mercado.
Ventajas De Nuestro Enfoque
Los datos obtenidos únicamente a partir de las imágenes ópticas de satélite pueden estar incompletos o ser inexistentes debido a la cobertura de nubes, la niebla, etc., lo que dificulta o impide la identificación de los cultivos.
El radar de apertura sintética (SAR) es un sensor activo que emite radiación de microondas. Por tanto, no necesita la luz solar reflejada para recoger datos de un área de interés. Al combinar los datos del SAR con las imágenes ópticas, resolvemos fácilmente el problema de la cobertura de nubes. De hecho, esto nos permite realizar una clasificación de los cultivos en una imagen tomada con poca visibilidad o incluso de noche.
El hecho de basarse en series temporales de imágenes multiespectrales de Sentinel-2 significa que hay una gran cantidad de datos que procesar, incluso para un campo diminuto.
Nuestro arsenal de modelos preentrenados puede manejar casi cualquier solicitud. Para cualquier nueva zona o tipo de cultivo, podemos ajustar fácilmente los modelos de redes neuronales existentes y obtener resultados rápidamente.
La clasificación de los cultivos en áreas extensas es complicada porque cada satélite solo puede capturar un área limitada a la vez.
Gracias a la segmentación basada en píxeles que realizan nuestros algoritmos de aprendizaje profundo, podemos obtener más datos en un periodo de tiempo más corto. La clasificación de los cultivos también puede llevarse a cabo mucho más rápidamente si recibimos datos completos y precisos del área de interés. En un futuro próximo, EOSDA tendrá su propia constelación de satélites (EOS SAT) en órbita, lo que reducirá significativamente el tiempo de entrega final de nuestras soluciones personalizadas.
Nuestras Historias De Éxito
Clasificación De Cultivos De Ucrania
Desafíos:
- Identificación de los tipos de cobertura del suelo (tierras de cultivo, bosques, etc.) para una superficie de 60 millones de hectáreas.
- Detección y definición de los límites de los campos agrícolas en el mapa.
- Clasificación de hasta 15 tipos de cultivos en una superficie de 41 millones de hectáreas.
Solución:
- Recogida de datos reales sobre el terreno.
- Preprocesamiento de los datos de entrada.
- Preparación de los conjuntos de datos.
- Etiquetado de los datos y uso del algoritmo de aprendizaje profundo (ML).
Resultado:
Clasificamos los siguientes tipos de cobertura del suelo:
- Bosque
- Objetos artificiales
- Agua
- Tierras de cultivo
- Tierra desnuda
- Zonas húmedas
Mapa catastral de Ucrania
- Campos clasificados (Mapa de cultivos), ha66.9 K
- Tierras registradas (Catastro), ha73 K
- Tierras no registradas (Catastro), ha17.5 K
- Campos clasificados dentro de las tierras no registradas, ha8.2 K
Precisión de la clasificación de cultivos en 2021
Detección De Molinos De Caña De Azúcar En Brasil
Desafíos:
- Utilización de un modelo LSTM convolucional (Conv-LSTM) para detectar la caña de azúcar dentro de las áreas especificadas.
- El método de clasificación se basa en un modelo LSTM convolucional (Conv-LSTM), que combina las ventajas de las redes convolucionales (CNN) y de memoria a corto plazo (LSTM) y permite el análisis de datos, tanto en el espacio como en el tiempo.
Solución:
- Utilización de un modelo LSTM convolucional (Conv-LSTM) para detectar la caña de azúcar dentro de las áreas especificadas.
- El método de clasificación se basa en un modelo LSTM convolucional (Conv-LSTM), que combina las ventajas de las redes convolucionales (CNN) y de memoria a corto plazo (LSTM) y permite el análisis de datos, tanto en el espacio como en el tiempo.
- El modelo se ha entrenado con un conjunto de datos de 10 países diferentes del mundo que fueron seleccionados por los especialistas de EOSDA.
Validación de la precisión
En el problema de clasificación de la caña de azúcar, los métodos de redes neuronales recurrentes bidireccionales basadas en LSTM y LSTM convolucional demostraron una precisión general casi idéntica (más del 94%).
Para evaluar la exactitud de los mapas de clasificación de la cobertura del suelo, por regla general, se utiliza una matriz de confusión, obtenida a partir de una muestra de prueba independiente, así como de las siguientes métricas: Precisión global (OA), índice Kappa, Precisión del productor (PA) y Precisión del usuario (UA).
Los valores UA y PA son formas de representar las precisiones de las clases individuales. El valor UA es la probabilidad de que la clase de píxel en el mapa de clasificación corresponda a la clase de muestra en los datos de prueba, mientras que PA indica la probabilidad de que un píxel de los datos de prueba sea reconocido correctamente en el mapa.
La precisión global (OA) es un indicador de la calidad general del mapa de la cubierta terrestre.
El coeficiente Kappa es una medida estadística de la coherencia entre las clases obtenidas en el mapa de la cubierta terrestre y las clases reales (datos de prueba).
Otra métrica para la evaluación de la calidad del clasificador es la puntuación F1. Reduce las otras dos métricas, UA y PA, a un solo número, y se define como un valor medio armónico ponderado entre ellas.
| Sin límites de campo | Con límites de campo | |||||
|---|---|---|---|---|---|---|
| UA | PA | F1 | UA | PA | F1 | |
| Caña de azúcar Sin límites de campo Con límites de campo UA PA F1 UA PA F1 | ||||||
| Caña de azúcar | 93.8% | 84.1% | 88.7% | 91.2% | 87.0% | 89.1% |
| Otros terrenos Sin límites de campo Con límites de campo UA PA F1 UA PA F1 | ||||||
| Otros terrenos | 93.5% | 97.6% | 95.5% | 95.1% | 96.7% | 95.9% |
| Precisión global Sin límites de campo Con límites de campo UA PA F1 UA PA F1 | ||||||
| Precisión global | 93.6% | 94.0% | ||||
| Kappa Sin límites de campo Con límites de campo UA PA F1 UA PA F1 | ||||||
| Kappa | 0.84% | 0.85% | ||||
La métrica UA está bien equilibrada, mientras que la diferencia PA indica la prevalencia de errores estadísticos del primer tipo, es decir, la prevalencia de falsos positivos sobre falsos negativos. Un análisis de los errores de clasificación para la caña de azúcar en relación con las subclases de Otras tierras indica que la clase de Otros cultivos representa la mayor parte de los falsos positivos. Otras clases de cultivos permitirían mejorar aún más la calidad de la clasificación.
