Classification Des Cultures Et Champs Au Kirghizistan

Aperçu : À Propos De La Dynamique De La Production De Betteraves Sucrières Au Kirghizistan

La culture de la betterave à sucre est l’une des activités agricoles les plus importantes du Kirghizistan. Plusieurs régions utilisent grandes superficies de terres dans les vallées pour cette culture et construisent à proximité des usines sucrières. La quantité de sucre produite montre une croissance stable tandis que le gouvernement local prévoit de moderniser et de soutenir cette industrie dans les années à venir.

L’optimisation des capacités de production va dans le sens des objectifs mondiaux de développement durable et des pratiques d’agriculture de précision. Pour mettre en œuvre de nouvelles approches avant-gardistes, le client de l’EOSDA a choisi de commencer par la détection des limites des champs et classification des cultures à l’aide de l’imagerie spatiale et d’une architecture multi-niveaux d’apprentissage profond.

Défi : Analyser La Géoposition Du Champ, Ajuster La Logistique

La topographie unique des champs de betteraves sucrières au Kirghizistan pose de nombreux défis aux producteurs. Les champs sont situés principalement dans les vallées entourées de montagnes escarpées. En conséquence, la zone est bien hydratée. Cependant, la betterave sucrière est très exigeante pour l’état de l’horizon arable. Par conséquent, la cultivation de haute qualité et opportune du sol est extrêmement importante pour la formation d’un rendement élevé de ces plantes-racines. Une meilleure compréhension de la taille et de l’emplacement des champs aiderait les producteurs de sucre locaux à ajuster leur technologie de culture au fil des saisons et à planifier les activités nécessaires en conséquence.

En même temps, les considérations commerciales sont aussi importantes que la précision agricole en soi. Les recherches indiquent qu’un taux moyen d’extraction du sucre est de 14 % à 16 %, ce qui signifie qu’à partir d’une tonne de matière première on produit seulement de 140 à 160 kg de sucre ^{Agribusiness Handbook: Sugar Beets / White Sugar. (2009). Investment Centre Division. FAO.}. Par conséquent, il n’est pas économiquement justifiable de planifier des itinéraires logistiques longs et coûteux des champs aux sucreries. En visualisant les emplacements des champs fournis par l’imagerie satellite, le client a pu planifier la logistique de production de sucre la plus efficace.

Solution : Formation D’un Réseau Neuronal Basé Sur Des Caractéristiques Régionales Uniques

La détection des limites du champ et la classification des types de cultures ont été choisies comme des résultats de ce projet. La ZI (zone d’intérêt) a été découpée en un certain nombre de classes, selon les types de cultures et/ou les caractéristiques géospatiales (forêt, eau, terre nue, etc.), et présentée au client sous format vectorielle.

Un réseau neuronal personnalisé a été fourni avec des données de vérification au sol, un calendrier agricole et des données d’imagerie satellite spécifiques pour l’emplacement. Après cela, ce réseau a été formé sur la base d’un modèle LSTM convolutionnel supervisé (Conv-LSTM), qui a permis d’utiliser les avantages de :

• Réseaux neuronaux convolutifs (CNN) : efficacité prouvée dans la reconnaissance et le traitement d’images.
• Réseaux neuronaux de longue mémoire à court-terme (LSTM) : capables de travailler avec des dépendances à long terme eliminant les inconvénients du problème de disparition du gradient, ce qui est particulièrement pratique pour les longs cycles agricoles de végétation.

Les limites des champs peuvent être décrites comme des formes polygonales. Les scientifiques de l’EOSDA ont supervisé le modèle en fournissant des informations sur les modèles de champs attendus, tandis que le modèle lui-même était capable de définir automatiquement des champs avec un nombre arbitraire de points, identifiant ainsi une variété de formes polygonales qui correspondaient également à des types de cultures particuliers.

Aleksey Kryvobok

Directeur scientifique dans EOS Data Analytics

La réalisation du projet durait de la fin du printemps au milieu de l’été 2021, au stade de végétation le plus élevé de la saison, ce qui a permis d’obtenir des images satellites avec des modèles clairement identifiables.

Le processus de formation du modèle de réseau neuronal personnalisé dans EOSDA peut varier en fonction des entrées individuelles, des objectifs du projet et de l’emplacement géographique. Dans ce cas, le projet a été divisé en quelques grandes étapes.

Étape 1 : Prétraitement

Tout d’abord, l’équipe EOSDA a obtenu les données d’entrée, telles que :

1. Couche vectoriel du polygone du ZI
2. Données satellitaires de Sentinel-2 avec bandes raster pertinentes (résolution de 10 mètres)
3. Données de réalité de terrain en points (basées sur les coordonnées de géolocalisation)

Des données de haute qualité sont une condition préalable nécessaire à tout algorithme d’apprentissage automatique. L’équipe EOSDA a obtenu des données d’imagerie satellite appropriées du ZI, y compris des corrections radiométriques du bruit atmosphérique et des irrégularités du capteur, ainsi qu’une correction géométrique des distorsions résultant des positions variables des capteurs satellites par rapport à la Terre. Les données potentiellement bruyantes ont été filtrées avant de passer à l’étape suivante.

Étape 2 : Formation Du Modèle Du Réseau Neuronal

Le processus de formation comprenait deux grandes étapes :

• Formation du modèle de classification à la base des données fournies par le client – emplacements des champs avec certaines cultures. Ce modèle effectue une classification : le résultat c’est un raster où l’image est regroupée en classes en fonction des cultures cultivées ;
• Adaptation du modèle de détection de limite du champ. Le résultat est un masque vectoriel de haute précision (le meilleur résultat possible est généralement sélectionné individuellement ou compilé à partir des quelques meilleures variantes).

Une fois que l’équipe de l’EOSDA a obtenu les résultats de la classification des cultures et de la détection des limites du champ, elle était prête à attribuer les nouvelles valeurs à une carte géographique de la zone d’intérêt.

Étape 3 : Interpolation D’Image

A ce stade, le raster et les résultats vectoriels des deux modèles sont combinés pour obtenir une meilleure classification des cultures au format vectoriel.

Les données de sortie ont montré quatre classes de cultures qui ont été précédemment négociées avec le client :

1. Betterave sucrière
2. Maïs
3. Luzerne
4. Autres cultures

De plus, des zones non arables ont été détectées, telles que :

1. Eau
2. Terre nue
3. Forêt
4. Prairie
5. Jardin

La superficie de chaque zone calculée automatiquement a été fournie en format de tableur. Le rapport comprenait également des visualisations statistiques avec des explications des résultats et recommandations des scientifiques des données de l’EOSDA.

Résultat : Carte Détaillée Des Cultures, Limites Du Champ, Valeur Commerciale

La classification des cultures et la détection des limites du champ ont permis au client de faire des estimations réalistes sur les quantités de production de betteraves sucrières dans la région. À la base de ces informations, il pourrait :

• Distinguer à distance les terres arables et les terres non arables ;
• Identifier l’emplacement actuel des champs de betteraves sucrières et planifier la logistique agricole ;
• Calculer la superficie réelle de types de cultures particuliers et évaluer les rendements potentiels ;
• Réaliser des inventaires régionaux basés sur une géolocalisation précise ;
• Estimer la productivité du sol dans les zones données ;
• Améliorer la planification et l’évaluation du rendement, tout en ajustant les stratégies pour atteindre les objectifs d’importation et d’exportation.

Les données acquises sont devenues la première étape dans l’adoption d’un large éventail de possibilités pour l’agriculture de précision au Kirghizistan, contribuant ainsi à réalisation du potentiel de développement de la production de betteraves sucrières à l’avenir.