Classification des cultures par télédétection

Classification des cultures est une partie essentielle de l'agriculture en tant qu'entreprise. L'identification des cultures à l'aide de méthodes traditionnelles peut être une tâche assez ardue.

EOSDA offre un moyen plus rapide et beaucoup plus simple de résoudre ce problème en s'appuyant sur des années d'expérience dans l'agriculture de précision, ainsi que sur une expertise dans l'application d'algorithmes alimentés par l'IA et la télédétection.

En combinant les données du radar à synthèse d'ouverture (SAR) avec l'imagerie optique, nous pouvons attribuer une classe à chaque type de culture reconnu par un réseau de neurones entraîné dans n'importe quelle zone d'intérêt et créer une carte de type de culture adaptée aux besoins du client.

carte de classification des cultures à distance
CARACTÉRISTIQUES

Classification des cultures: solution en chiffres

Précision
jusqu'à 90%

Cartes des types de cultures avec précision allant jusqu'à 90 %, en fonction de l'exhaustivité des données au sol et de la disponibilité du sol pour l'observation régulière par satellites.

Résolution
10 mètres

Obtenez des masques de terres cultivées à la résolution de 10 m aux formats .geotiff ou .shp.

Taille du champ
à partir de 3 ha

Cultures identifiées pour n'importe quelle zone, même aussi petite que 3 ha.

Couverture
AOIs dans 195 pays

Notre algorithme identifie les cultures presque partout sur la Terre.

Tarif de livraison
à partir de 1 mois

Si les conditions sont favorables, notre équipe RnD qualifiée n'a besoin que de quelques semaines pour effectuer des recherches et vous fournir une carte précise de classification des cultures.

Types de cultures
plus de 15

Nos réseaux de neurones formés peuvent classer plus de 15 types de cultures différents.

Regardez la vidéo sur notre solution de classification des cultures

Il est possible d’améliorer la sécurité alimentaire mondiale en modifiant les pratiques de gestion alimentaire et en les rendant plus durables. C'est pourquoi l'EOSDA a développé la solution de classification des cultures à distance en combinant l'analyse des données satellitaires et de dernières technologies d'intelligence artificielle, ce qui permet aux grands producteurs agricoles d'augmenter leurs profits en utilisant les pratiques respectueuses de l'environnement.

À PROPOS DE LA SOLUTION

Ce que la classification des cultures permet d'accomplir

  • Faire des inventaires pour de grandes surfaces et estimer les rendements.
  • Tenir des registres détaillés de la rotation des cultures pour les zones sélectionnées.
  • Données plus transparentes sur les types de cultures pour la validation des demandes de compensation.
  • Gestion de l'utilisation des terres est beaucoup plus facile s'il y a des données sur les types de cultures.
  • Identification des cultures permet aux négociants de fixer des niveaux de prix sur le marché.
informations sur le type de culture données par satellite crop type data informations sur le type de culture données
PROBLÈMES QUE NOUS SURMONTONS

Avantages de notre approche

Données obtenues uniquement à partir de l'imagerie satellitaire optique peuvent être incomplètes ou inexistantes en raison de la couverture nuageuse, du brouillard etc., rendant l'identification des cultures difficile ou impossible.

Radar à synthèse d'ouverture (SAR) est un capteur actif émettant un rayonnement micro-onde. En conséquence, il n'a pas besoin de la lumière solaire réfléchie pour collecter des données à partir d'une zone d'intérêt. En combinant les données SAR avec l'imagerie optique, nous résolvons facilement le problème de la couverture nuageuse. En effet, cela nous permet de faire une classification des cultures dans une image prise par mauvaise visibilité ou même la nuit.

combiner les données SAR avec imagerie optique,

Utilisation de la série temporelle d'images multispectrales Sentinel-2 signifie qu'il y a beaucoup de données à traiter, même pour un champ minuscule.

Notre arsenal de modèles pré-formés peut répondre à presque toutes les demandes. Pour toute nouvelle zone ou type de culture, nous pouvons facilement ajuster les modèles de réseaux de neurones existants et obtenir rapidement des résultats.

Modèles pré-formés EOSDA

Classification des cultures sur de vastes zones est plus problématique car chaque satellite ne peut capturer qu'une zone limitée à la fois.

Grâce à la segmentation basée sur les pixels effectuée par nos algorithmes d'apprentissage en profondeur, nous pouvons obtenir plus de données en moins de temps. La classification des cultures peut également être effectuée beaucoup plus rapidement si nous recevons des données de terrain complètes et précises pour la région d'intérêt. Dans un avenir proche, EOSDA disposera de sa propre constellation de satellites (EOS SAT) en orbite, ce qui réduira considérablement le taux de livraison final de nos solutions sur mesure.

carte des types de cultures dans l'application 2021
carte des types de cultures dans l'application 2022
NOS ÉTUDES

Nos réussites

Classification des cultures en Ukraine

Défis:

  • Identifier les types de couverture terrestre (terres cultivées, forêts etc.) pour la superficie de 60 millions d'hectares.
  • Détecter et définir les limites des champs agricoles sur la carte.
  • Classer jusqu'à 15 types de cultures sur 41 millions d'hectares de terres cultivées.

Solutions:

  • Collecte de données factuelles.
  • Prétraitement des données d'entrée.
  • Ensembles de données prétraitées.
  • Étiquetage des données et lancement de l'algorithme ML..

Résultats:

Classification complète de la couverture terrestre en Ukraine

Nous avons classé les types suivants de couverture terrestre:

  • Forêts
  • Objets artificiels
  • Bassin d'eau
  • Terres cultivées
  • Terrain nu
  • Marécages
Classification complète de la couverture terrestre en Ukraine
Numérisation de tous les champs arables en Ukraine

Carte cadastrale de l'Ukraine

  • Champs classés (carte de classification des cultures), ha
    66.9 K
  • Terrains enregistrés (Cadastre), ha
    73 K
  • Terrains non enregistrés (Cadastre), ha
    17.5 K
  • Champs classés au sein des terrains non enregistrés, ha
    8.2 K
  • Meilleures cultures
    Superficie totale des champs, ha
  • Céréale
    27.9 K
  • Maïs
    11.3 K
  • Soja
    8.5 K
  • Tournesol
    8.1 K
  • Colza
    5.8 K
Carte cadastrale de l'Ukraine
Cropmap annuel (cartographie des cultures: classification annuelle ) de l'Ukraine à l'échelle du champ entre 2016 et 2021

Classification des cultures exacte pour l'an 2021

Classification des cultures exacte pour l'an 2021
Cropmap annuel (cartographie des cultures: classification annuelle) de l'Ukraine à l'échelle du champ entre

Détection des cultures de la canne à sucre au Brésil.

Défis:

  • Détection des champs de la canne à sucre au Brésil (estimation de la superficie).
  • Méthodes simples de segmentation des données satellitaires ne fournissent pas une réponse précise au problème d'identification des cultures de la canne à sucre pour le Brésil.

Solutions:

  • Utilisation d'un modèle convolutif LSTM (Conv-LSTM) pour détecter les champs de la canne à sucre dans des zones spécifiées.
  • Méthode de classification basée sur le modèle convolutif LSTM (Conv-LSTM) qui combine les avantages des réseaux convolutifs (CNN) et à mémoire à long terme et à court terme (LSTM) et permet d'analyser les données en temps réel.
  • Modèle a été formé sur la base de l'ensemble de données de 10 pays du monde qui ont été marqués par les spécialistes de l'EOSDA.

Résultats:

Validation de précision
Modèle Conv-LSTM
Carte de classification basée sur l'architecture du modèle Conv-LSTM.
LSTM
Masque de la canne à sucre basée sur des réseaux de neurones récurrents bidirectionnels basés sur LSTM.

En ce qui concerne le problème de classification des cultures de la canne à sucre, les méthodes de réseaux de neurones récurrents bidirectionnels basées sur LSTM et Convolutional LSTM ont démontré des précisions globales presque identiques (plus de 94%).

Pour évaluer l'exactitude des cartes des types de culture de la couverture terrestre, il est utilisé, en règle générale, la matrice de confusion obtenue à partir de l'échantillon de test indépendant, ainsi que les paramètres suivants: Précision Globale (OA), indice Kappa, Précision du producteur (PA) et Précision de l'utilisateur (UA).

Valeurs UA et PA sont des moyens de représenter la précision des classes individuelles. La valeur UA est la probabilité que la classe de pixels sur la carte de classification corresponde à la classe d'échantillon dans les données de test, tandis que PA indique la probabilité qu'un pixel des données de test soit reconnu correctement sur la carte.

Précision Globale (OA) est un indicateur de la qualité globale de la couverture terrestre.

Indice Kappa est une mesure statistique de la cohérence entre les classes obtenues sur la carte d'occupation du sol et les classes réelles (données de test).

Score F1 est l'autre mesure d'évaluation de la qualité de la classification. Il réduit les deux autres mesures, UA et PA, à un seul chiffre, il est défini comme valeur moyenne harmonique moyenne pondérée entre eux.

Sans limites de champ Avec limites de champ
UA PA F1 UA PA F1
Canne à sucre


Sans limites de champ
Avec limites de champ

UA
PA
F1
UA
PA
F1
Canne à sucre 93.8% 84.1% 88.7% 91.2% 87.0% 89.1%
Autres Terres


Sans limites de champ
Avec limites de champ

UA
PA
F1
UA
PA
F1
Autres Terres 93.5% 97.6% 95.5% 95.1% 96.7% 95.9%
Overall Accuracy


Sans limites de champ
Avec limites de champ

UA
PA
F1
UA
PA
F1
Overall Accuracy 93.6% 94.0%
Kappa


Sans limites de champ
Avec limites de champ

UA
PA
F1
UA
PA
F1
Kappa 0.84% 0.85%

Métrique UA est bien équilibrée, tandis que la différence PA indique la prévalence des erreurs statistiques du premier type, en d'autres termes, la prévalence des prédictions faussement positives par rapport aux fausses négatives. L'analyse des erreurs de classification des cultures de la canne à sucre par rapport aux sous-classes "Autres Terres" indique que la classe "Autres Cultures" représente la plus grande part de faux positifs. Les classes de cultures supplémentaires permettraient d'améliorer la qualité de la classification.