EOSDA Ajuda As Agricultores Com Mapas De Produtividade

Por Que Os Agricultores Precisariam De Ferramentas Baseadas Em IA Para Avaliar A Produtividade Das Culturas?

Oleksandr Dzhevaga: Estamos vendo uma demanda crescente por análises simplificadas na agricultura por vários motivos. Por um lado, devido à EU’s Farm to Fork Strategy,a perda de nutrientes deve ser reduzida em 50% até 2030, e a utilização de fertilizantes deve ser reduzida em 20%, preservando simultaneamente a fertilidade do solo ^{European Commission. (2022). Farm to Fork Strategy. Language selection | Food Safety.}. Esta estratégia resulta numa série de directivas que são aplicáveis a todas as empresas agrícolas na UE. Além disso, diferentes factores, desde as alterações climáticas até ao equilíbrio entre importações e exportações, exigem que os produtores procurem instrumentos que os ajudem a preservar a produtividade de uma forma saudável e económica.

Alguns dos objetivos das ferramentas alimentadas por IA para a agricultura são:

1. Fazer previsões sobre o estado da colheita.
2. Permitir a analisar rapidamente os dados e fazer recomendações práticas.
3. Otimizar os cronogramas de irrigação, aplicação de fertilizantes e outras operações agrícolas críticas que impactam a produtividade das culturas.
4. Detectar e prever pragas e infestações nas culturas.
5. Mitigar os riscos climáticos e ter uma compreensão da umidade do solo, temperatura, umidade, precipitação, etc., para tomar decisões informadas.

Como você pode ver, o uso de ferramentas alimentadas por IA oferece recursos avançados para avaliar a produtividade e a saúde das culturas com maior precisão e eficiência. O uso de análises avançadas facilita a otimização do rendimento, a mitigação de riscos e decisões baseadas em dados para melhorar as práticas agrícolas.

Quais São Os Mapas De Produtividade Baseados No Índice De Produtividade Combinado Como Solução Customizada Na EOSDA?

Aleksey Kryvobok: Productivity Maps baseados no Combined Productivity Index (mais adiante – PMs) são gerados usando dados de entrada combinados de fontes de diferentes naturezas, como imagens de satélite e modelos biofísicos. As PM permitem-nos descobrir em que partes do campo a produtividade (vegetação) foi consistentemente alta e em quais partes foi consistentemente baixa.

O resultado é um mapa, enriquecido com visualização baseada no NDVI (Índice de Vegetação por Diferença Normalizada) juntamente com os resultados da modelagem biofísica. Estes últimos consideram vários factores adicionais (tipo de cultura, condições meteorológicas, tipo de solo, topografia, etc.). Isto permite uma análise mais precisa, uma vez que mais variáveis são levadas em consideração para derivar o valor de saída. Além disso, o Combined Productivity Index pode ser utilizado para avaliar as especificidades de cada cultura separadamente, ou seja, o usuário pode ter diferentes mapas de produtividade para diferentes culturas.

Oleksandr Dzhevaga: Justo, nossos clientes têm manifestado interesse no desenvolvimento de análises tão diversificadas. É muito importante porque cada tipo de cultura requer um conjunto específico de condições para produzir uma boa colheita.

Os Dados De Satélite Vêm Em Números/Pixels E As Colheitas São Medidas Em Unidades De Peso. Quais Unidades De Medida Você Usa Para Avaliar A Produtividade?

Aleksey Kryvobok: O índice de produtividade é um valor sem unidades de medida. Isto está relacionado com o facto de a nossa metodologia combinar duas fontes de dados diferentes com unidades de medida diferentes:

• O índice de produtividade é calculado com base em imagens de satélite (nomeadamente com base em índices de vegetação) que assumem um valor entre 0 e 1.
• Produtividade modelada por culturas, com base nos resultados da modelagem biofísica em unidades como kg/ha.

O índice final (combinado) é o valor obtido na modelagem biofísica, multiplicado pelo índice de produtividade calculado a partir de dados de satélite.

Portanto, esse índice de produtividade não possui unidades de medida específicas. Podemos de alguma forma comparar o valor do índice de produtividade com kg/ha, mas isso não será totalmente correto. A melhor maneira de usar o índice é comparar a produtividade de diferentes áreas de interesse (ÁI) em uma escala unificada, que é chamada de clustering. Então, estimando os resultados obtidos, pode-se entender qual zona é mais produtiva e qual é menos produtiva (dados vários parâmetros mencionados acima).

Para entender isso melhor, vejamos um exemplo (milho):

• Índice de produtividade baseado em dados de satélite para pixel/zona = 0.8
• Resultado da modelagem biofísica = 10,000 (supostamente kg/ha)
• Índice de produtividade final ponderado (combinado) pixel/zona = 8,000 (sem unidades de medida)

O Que É Clustering Em Mapas De Produtividade E Como Ele Pode Ser Usado?

Oleksandr Dzhevaga: Na versão cru (sem pós-processamento adicional), os Productivity Maps são imagens georreferenciadas, compostas por conjuntos de pixels, cada pixel contendo o valor do Combined Productivity Index. Este nem sempre é um formato conveniente para usar esses dados, especialmente quando precisam ser usados para máquinas ou análises de alto nível de uma grande área.

Para tornar o uso de mapas de produtividade mais conveniente para os fins mencionados acima, geralmente é realizado agrupamento (ou zoneamento). Clustering é dividir o mapa de produtividade em diferentes zonas homogêneas, dependendo dos valores do índice de pixels. Isso significa que pixels com valores de índice semelhantes são combinados em uma zona, ou seja, cluster.

Aleksey Kryvobok: Podemos escolher um número diferente de clusters para diferentes casos. Por exemplo, você pode selecionar 5 clusters (produtividade muito alta, produtividade alta, produtividade média, produtividade moderada e produtividade baixa). Então, para cada cluster, escolha um intervalo de valores de índice. E se o valor do índice em algum pixel estiver dentro do intervalo selecionado, então o pixel será atribuído a um cluster, como na imagem abaixo.

Aleksey Kryvobok: Além disso, esses aglomerados podem ser usados de forma mais conveniente, por exemplo, para fertilização diferenciada. O mapa de produtividade agrupado é carregado na máquina e a taxa de fertilizante é definida para cada classe (por exemplo, a taxa de fertilização mais alta é definida para o grupo de baixa produtividade e a taxa mais baixa para o grupo de produtividade muito alta). A máquina utiliza navegação e georreferências de um mapa de produtividade, assim quando a máquina entrar, digamos, em uma zona de baixa produtividade, a quantidade de fertilizante descartado aumentará, e assim sucessivamente, dependendo da zona em que a máquina estiver localizada.

Os Modelos De IA São Conhecidos Por Serem Frágeis. Se Um Modelo For Treinado Em Uma ÁI, Pode Estar Errado Em Outra. Como Você Garante A Precisão Em Diferentes ÁI?

Aleksey Kryvobok: O Combined Productivity Index é baseado em dois componentes: os resultados dos cálculos do índice de vegetação (NDVI) e os resultados da modelagem biofísica. Para treinar um modelo customizado para um PM, precisamos treinar modelos separados para cada um desses dois componentes e então combinar os resultados.

Quanto ao primeiro componente, tudo é bastante simples aqui. O índice é calculado com base em imagens multiespectrais de satélite, que capturam um reflexo de comprimento de onda específico da superfície da Terra. Com uma mudança nas características da superfície terrestre (por exemplo, em outra região), essas características reflexivas espectrais mudam e o valor dos índices também muda. Equações e abordagens para cálculo de índices foram desenvolvidas há muito tempo e validadas de acordo com vários critérios por muitas comunidades de cientistas.

Oleksandr Dzhevaga: No entanto, a situação é um pouco diferente com o segundo componente (modelagem biofísica). Utiliza um método bem conhecido, o modelo WOFOST, que foi adaptado pelos cientistas da EOSDA para calcular mapas de produtividade com base no Combined Productivity Index. Com a ajuda da nossa variação deste modelo dinâmico, podemos estimar o potencial inexplorado da cultura, enriquecido pelo conhecimento das condições ambientais e climáticas.

Aleksey Kryvobok: Isto é possível porque os parâmetros de entrada do modelo são dados locais sobre tipos de solo, clima e características de desenvolvimento das culturas (dados fenológicos) numa determinada região. Isso significa que o modelo receberá como entrada parâmetros específicos inerentes a um determinado local. Por exemplo, os dados fenológicos são estudados separadamente para cada região agroclimática pela equipa de R&D da EOSDA. Isso nos permite refinar o algoritmo para que leve em consideração as especificidades da região para a qual a análise é realizada.

O modelo também pode ser validado e calibrado ainda mais se dados terrestres confiáveis estiverem disponíveis em regiões selecionadas, como dados meteorológicos de estações meteorológicas terrestres, dados reais de rendimento agrícola, mapas de solos de alta resolução espacial, etc.

Como Solicitar Mapas De Produtividade Da Equipe Eosda?

Aleksey Kryvobok: Precisamos obter alguns dados para começar a treinar o modelo de IA. No caso dos Mapas de Produtividade baseados no Combined Productivity Index, seria:

1. Área de interesse: verificar a qualidade e aceitabilidade da simulação, propõe-se fornecer ÁI de pelo menos duas regiões com características climáticas e de solo diferentes.
2. Principais culturas de interesse e dados fenológicos sobre culturas alvo para ÁI (se disponíveis)
3. Dados de tipo de solo para ÁI (se disponível)
4. Dados de terreno para ÁI (se disponível)
5. Dados históricos meteorológicos (se disponível)

Oleksandr Dzhevaga: Esses Productivity maps são projetos personalizados e cada projeto personalizado é único. Normalmente, os agrários que manifestam interesse em treinar um modelo, entram em contato conosco e juntos discutimos como podemos implementar seu projeto de acordo com as exigências. Todos os nossos desenvolvimentos de soluções personalizadas são realizados por nossa equipe de cientistas que inclui médicos e professores em um total de 60 cientistas de dados internos e especialistas em GIS. Após a discussão inicial, uma proposta detalhada é compartilhada com o cliente para fornecer as estimativas, duração e resultados esperados do projeto.

Que Tipos De Trabalho Esses Projetos Personalizados Podem Incluir?

Oleksandr Dzhevaga: Deixe-me destacar algumas das tarefas potenciais que podemos cobrir em um projeto personalizado de Productivity Mapping.

• Refinando os pipelines automatizados (modelagem biofísica, dados meteorológicos, etc.)
• Analisando a vegetação e as características climáticas da área de interesse exclusiva do cliente
• Lançamento e monitoramento da operação de dutos, por ex. pesquisar, baixar e combinar imagens de satélite, calculando o índice de produtividade com base em dados de satélite
• Modelagem biofísica para culturas alvo para a área pedida e período histórico
• Combinando os resultados dos cálculos e obtendo um índice de produtividade combinado
• Pós-processamento do resultado, pesquisa e correção de anomalias (se houver), rasterização de dados, agrupamento de dados e visualização
• Gerando relatórios sobre os resultados do treinamento do modelo.

Estes são apenas alguns dos exemplos do que fazemos e que surgem frequentemente nos nossos projetos. No entanto, o potencial de um PM personalizado pode ser ampliado ainda mais.

Você Pode Citar Alguns Dos Recentes Casos De Uso Bem-Sucedidos Para Os Clientes? Quais Eram Os Objetivos Dos Clientes E Como Os Alcançamos?

Oleksandr Dzhevaga: Recentemente, conseguimos entregar com sucesso um PoC para mapas de produtividade para uma grande empresa agrícola internacional de ciência e tecnologia nos EUA. Tivemos a oportunidade de interagir diretamente com sua equipe de P&D e desenvolver os Productivity Maps com base nos requisitos declarados.

Aleksey Kryvobok: O principal objetivo do projeto era confirmar a alta qualidade e precisão das soluções EOSDA em relação às PMs gerados usando uma abordagem combinada baseada em dados de satélite e dados de modelos biofísicos. O resultado final passou com sucesso no processo de validação interna conduzido pelo cliente, o que é especialmente valioso dada a escala do seu negócio.

Então, Quando O Modelo De IA Para Productivity Maps Personalizados For Treinado, O Que Vem A Seguir? Como Um Cliente Pode Implementá-Lo Em Seus Próprios Processos De Trabalho E Software?

Aleksey Kryvobok: Depende do formato do resultado. Os PMs podem ser fornecidos para a área de interesse selecionada em dois formatos principais:

• Máscara vetorial, que dividirá a ÁI em zonas de produtividade de acordo com os valores do índice de produtividade. Para dados mais precisos, a área provavelmente será dividida em divisões menores (campos/seções) dentro das quais as zonas serão exibidas.
• Máscara de rastreamento, com exibição por pixel do valor do índice de produtividade. Esses índices para cada pixel podem ser extraídos para análise posterior, se necessário.

Oleksandr Dzhevaga: O cliente pode escolher o formato de dados desejado e exibir os resultados com seu software (e, por exemplo, consultar seus clientes) ou usar esses dados para experimentos e desenvolvimentos adicionais (uma vez que fornecemos dados por pixel muito detalhados e instruções detalhadas para interpretar corretamente os dados).

Qual É A Vantagem Competitiva Desses Productivity Maps Da EOSDA?

Oleksandr Dzhevaga: A vantagem competitiva a nível empresarial pode ser compreendida com as principais áreas de aplicação dos Productivity Maps:

1. PM podem ser usados para semeadura diferencial. Por exemplo, mais sementes podem ser semeadas numa zona mais produtiva, e menos sementes – numa zona menos produtiva, para obter o rendimento máximo;
2. Além disso, com sua ajuda, os agricultores podem definir áreas para amostragem de solo. A amostragem do solo é necessária para otimizar o crescimento das plantas e pode ser feita de diferentes maneiras. Ter um PM personalizado permite coletar um número menor de amostras, extraindo-as não ao longo da grade, mas de zonas com produtividade diferente. Este método é mais preciso e econômico.
3. Such maps are used to apply potash and phosphorus fertilizers. Esses mapas são usados ​​para aplicação de fertilizantes à base de potássio e fósforo. Estes fertilizantes precisam de ser aplicados com menos frequência do que os fertilizantes azotados (dependendo da composição do solo, clima, etc.), porque demoram mais tempo a serem removidos do solo, pelo que a análise de campo é compilada ao longo de iterações mais longas.
4. Os PM permitem-nos realizar análises sobre o potencial de determinados territórios em termos de produtividade para diferentes tipos de culturas. Esta é uma ferramenta importante para empresas agrícolas que analisam a viabilidade de investimentos e entrada em diferentes territórios para ampliar as operações comerciais.

Aleksey Kryvobok: Quando se trata da parte algorítmica do nosso modelo, nossa vantagem é que treinamos o modelo em dois ou mais conjuntos de dados de validação cruzada, o que permite chegar a conclusões analíticas mais precisas.

Além disso, a maturidade da nossa tecnologia é definitivamente algo que nos permite superar a concorrência. Nossos cientistas de dados são criadores experientes de redes neurais que podem moldar modelos matemáticos além das abordagens convencionais conhecidas no mercado. Esses modelos também são enriquecidos com a experiência de cientistas GIS, cientistas do solo e especialistas em fenologia.

A propósito, as nossas mais recentes descobertas de investigação estão registadas no Escritório de Marcas e Patentes dos Estados Unidos, o que é uma prova sólida do desempenho excecional da nossa equipa científica. Nomeadamente, uma das nossas descobertas registadas, que cria automaticamente mapas de vegetação, é utilizada no EOSDA Crop Monitoring.

O fato de podermos adaptar redes neurais de acordo com as necessidades de nossos clientes é o motivo pelo qual chamamos de projetos personalizados de PM. Essencialmente, todos os outros modelos podem se transformar em algo novo. Além disso, será reproduzível – podemos ajudar a suavizar o código e os processos para que um PM personalizado agregue valor continuamente. Não é uma coisa de só uma vez.

Tá Bom, Então A EOSDA Tem Productivity Maps Como Solução Personalizada E Productivity Maps No EOSDA Crop Monitoring. Qual É A Diferença Entre Os Dois?

Aleksey Kryvobok: Os Productivity Maps como solução personalizada baseiam-se no Combined Productivity Index, que inclui dados de índice de vegetação derivados de imagens de satélite, bem como dados de modelagem biofísica. Para criar PMs personalizados, precisamos adaptar o modelo biofísico para funcionar em uma localização geográfica específica (dados climáticos, solo, parâmetros de cultivo, etc.) que esteja relacionada a cada caso específico. Já os Productivity Maps, como recurso da plataforma EOSDA Crop Monitoring, calculam automaticamente uma média dos valores mais altos de NDVI durante um período de tempo, especificado pelo usuário. Esta operação leva apenas um minuto. Resumindo, o recurso de Productivity Maps em uma plataforma é uma solução rápida que todos podem utilizar para aplicação de taxas variáveis (insumos e sementes), além de definir locais para amostragem de solo. Considerando que os PMs como solução personalizada são mais precisos, uma vez que mais parâmetros são considerados, mas exigem tempo e experiência humana para serem feitos.

Entendi! Finalmente, Quais São Os Planos Futuros Da EOSDA Para O Crescimento De Productivity Maps Personalizados?

Aleksey Kryvobok: Após nossa bem-sucedida Prova de Conceitos, estamos confiantes de que nossa solução é viável e escalável. Desenvolvemos um conjunto de metodologias de pipeline que permitem à nossa equipe calcular com eficiência o índice de produtividade combinado para grandes áreas. Portanto, nossos planos mais próximos incluem o treinamento de modelos customizados em áreas maiores do que durante o processo PoC, além de trabalhar com modelagem biofísica de forma mais extensiva.

Oleksandr Dzhevaga: Também existe potencial para aumentar a precisão da modelagem, em particular, devido aos seguintes fatores:

1. Estatísticas de rendimento: Se um cliente puder fornecer dados históricos sobre os rendimentos nas regiões de interesse, isso poderá refinar o modelo (devido a parâmetros do modelo mais confiáveis) e também aproximar as unidades de kg/ha (mas não serão exatamente iguais em todo o caso).
2. Dados meteorológicos: Usando uma grade meteorológica de alta resolução e dados ainda melhores de estações terrestres (se disponíveis pelo cliente), podemos melhorar a precisão e a equivalência dos resultados.
3. Dados sobre tipos de solo e topografia: Esses também são fatores que podem melhorar a precisão se estiverem disponíveis mapas de solo e terreno digitalizados de alta resolução e localmente precisos. Como alternativa, o EOSDA poderia potencialmente melhorar a resolução espacial dos mapas de solos existentes.
4. Outros dados: quaisquer outros dados confiáveis disponíveis que possam se tornar parâmetros adicionais do modelo.

Aleksey Kryvobok: Isso mesmo porque a nossa abordagem é baseada em modelos biofísicos e mesmo que seja algo como uma planta exótica e tenhamos dados sobre ela (fenologia e parâmetros de cultura), podemos trabalhar com isso. A metodologia desenvolvida permite ao EOS Data Analytics expandir a lista de culturas apoiadas, se necessário, sejam culturas comuns ou raras.