Tipos De Safras E Limites De Campo No Quirguistão

Visão Geral: Sobre A Dinâmica De Produção De Beterraba No Quirguistão

O cultivo de beterraba sacarina é um dos negócios agrícolas mais importantes do Quirguistão. Várias regiões dedicaram grandes extensões de terra em vales a essas culturas e construíram usinas de processamento de açúcar nas proximidades. A quantidade de açúcar produzida vem apresentando um crescimento estável, enquanto o governo local planeja modernizar e apoiar ainda mais essa indústria nos próximos anos.

A otimização das capacidades de produção está alinhada com as metas globais de desenvolvimento sustentável e as práticas de agricultura de precisão. Para implementar novas abordagens com visão de futuro, o cliente da EOSDA optou por começar detectando os limites do campo e classificando as culturas com a ajuda de imagens espaciais e arquitetura de aprendizagem profunda em vários níveis.

Desafio: Analisar A Geoposição Do Campo, Ajustar A Logística

Uma topografia única dos campos de beterraba sacarina no Quirguistão apresenta alguns desafios para os produtores. Os campos estão situados principalmente nos vales que são cercados por montanhas íngremes. Como resultado, a área fica bem hidratada. No entanto, a beterraba sacarina é muito exigente quanto ao estado do horizonte arável. Portanto, o cultivo oportuno e de alta qualidade do solo é extremamente importante para a formação de um alto rendimento dessas raízes. Uma compreensão mais clara dos tamanhos e locais dos campos ajudaria os produtores locais de açúcar a ajustar sua tecnologia de cultivo ao longo das estações e planejar as atividades necessárias conformemente.

Ao mesmo tempo, as considerações de negócios são tão importantes quanto a precisão agrícola per se. A pesquisa indica que uma taxa média de extração de açúcar é de 14% a 16%, o que significa que apenas 140-160 kg de açúcar são produzidos a partir de 1 tonelada de matéria-prima ^{Agribusiness Handbook: Sugar Beets / White Sugar. (2009). Investment Centre Division. FAO.}. Portanto, não é economicamente justificável projetar rotas logísticas longas e caras dos campos às usinas de açúcar. Ao visualizar as localizações de campo fornecidas por imagens de satélite, o cliente conseguiu planejar a logística de produção de açúcar mais eficiente.

Solução: Treinando Uma Rede Neural Com Base Em Características Únicas Da Região

A detecção de limite de campo e a classificação do tipo de cultura foram escolhidas como resultados para este projeto. A área de interesse (ÁI) foi dividida em um determinado número de classes, de acordo com os tipos de cultivo e/ou características geoespaciais (floresta, água, terra nua, etc.), e apresentada ao cliente em formato vetorial.

Uma rede neural personalizada foi fornecida com dados de verificação de solo, calendário agrícola e dados de imagens de satélite específicos para o local. Depois disso, foi treinado com base em um modelo LSTM convolucional supervisionado (Conv-LSTM), que permitiu aproveitar os benefícios de:

• Redes neurais convolucionais (RNC): eficiência comprovada no reconhecimento e processamento de imagens.
• Redes neurais de memória de curto prazo (RNMCP): capazes de trabalhar com dependências de longo prazo sem as desvantagens do problema do gradiente de fuga, que é especialmente útil para longos ciclos agrícolas de vegetação.

Os limites do campo podem ser descritos como formas poligonais. Os cientistas da EOSDA supervisionaram o modelo fornecendo informações sobre os padrões de campo esperados, enquanto o próprio modelo foi capaz de definir automaticamente os campos com um número arbitrário de pontos, identificando assim uma variedade de formas poligonais que também foram combinadas com tipos específicos de culturas.

Aleksey Kryvobok

Diretor Científico da EOS Data Analytics

A implementação do projeto foi realizada no final da primavera até meados do verão de 2021, no estágio de maior vegetação da estação, o que ajudou a obter imagens de satélite com padrões claramente identificáveis.

O processo de treinamento de um modelo de rede neural personalizado na EOSDA pode variar dependendo das entradas individuais, objetivos do projeto e localização geográfica. Neste caso, o projeto foi dividido em algumas etapas principais.

Passo 1: Pré-Processamento

Primeiro, a equipe da EOSDA obteve os dados de entrada, como:

1. Camada de polígono vetorial da ÁI
2. Dados de satélite do Sentinel-2 com bandas raster relevantes (resolução de 10 metros)
3. Dados de verdade terrestre em pontos (com base em coordenadas de geolocalização)

Dados de alta qualidade são um pré-requisito necessário para qualquer algoritmo de aprendizado de máquina. A equipe da EOSDA obteve dados apropriados de imagens de satélite da ÁI, incluindo correções radiométricas de ruído atmosférico e irregularidades de sensores, bem como correção geométrica de distorções resultantes de posições variáveis de sensores de satélite em relação à Terra. Dados potencialmente ruidosos foram filtrados antes de prosseguir com o próximo passo.

Passo 2: Treinamento Do Modelo De Rede Neural

O processo de treinamento incluiu duas grandes etapas:

• Treinamento do modelo de classificação em dados fornecidos pelo cliente – localizações de campos com determinadas culturas. Este modelo faz uma classificação: a saída de dados é um resultado raster onde a imagem é agrupada em classes de acordo com as culturas de cultivo;
• Adaptação do modelo de detecção de limite de campo. A saída de dados é uma máscara vetorial de alta precisão (o melhor resultado possível geralmente é escolhido individualmente ou compilado a partir das poucas melhores variantes).

Depois que a equipe da EOSDA obteve a classificação da cultura e os resultados da detecção dos limites do campo, eles estavam prontos para atribuir os novos valores a um mapa geográfico da ÁI.

Passo 3: Interpolação Da Imagem

Nesta etapa, os resultados raster e vetorial dos dois modelos são combinados para obter uma melhor classificação das culturas em formato vetorial.

Os dados de saída demonstraram quatro classes de culturas que foram previamente negociadas com o cliente:

1. Beterraba sacarina
2. Milho
3. Alfafa
4. Outras culturas

Adicionalmente, foram detectadas zonas não aráveis, tais como:

1. Água
2. Bareland
3. Floresta
4. Pastagem
5. Jardim

A área calculada automaticamente de cada zona foi fornecida em formato de planilha. O relatório também incluiu visualizações estatísticas com explicações de resultados e recomendações de cientistas de dados da EOSDA.

Resultado: Mapa Detalhado Das Culturas, Limites Do Campo, Valor Do Negócio

A classificação da cultura e a detecção dos limites do campo permitiram ao cliente fazer estimativas realistas sobre as quantidades projetadas de produção de beterraba na região. Com base nessas informações, ele poderia:

• Distinguir remotamente terra arável de terra não arável;
• Identificar a localização atual dos campos de beterraba e planejar a logística agrícola de acordo;
• Calcular a área real de determinados tipos da cultura e avaliar os rendimentos potenciais;
• Realizar inventários regionais com base em geolocalização precisa;
• Estimar a produtividade do solo nas áreas indicadas;
• Aprimorar o planejamento e a avaliação do rendimento, ao mesmo tempo em que ajusta as estratégias para atender às metas de importação e exportação.

Os dados recém-adquiridos tornaram-se o primeiro passo para abraçar uma ampla gama de possibilidades para a agricultura de precisão no Quirguistão, ajudando assim a concretizar o potencial para o desenvolvimento da produção de beterraba no futuro.