Resando redes neurais para extrair informações de datos de satélite
Em 29 de março, EOS Data Analytics (EOSDA), fornecedora global de análise de imagens satelitais com inteligência artificial, realizou um webinar sobre os recursos das redes neurais nas tarefas de classificação e previsão para usuários do setor agrícola e florestal.
A apresentadora do webinar Lina Yarysh, Diretora de Sucesso do Cliente na EOS Data Analytics, explicou como as redes neurais, excelentes algoritmos de aprendizado profundo na detecção de padrões, reconhecem o que é representado nas imagens.
A apresentadora contou quais tarefas relacionadas à agricultura e silvicultura nas redes neurais são ótimas para resolver – classificação da cobertura da terra, tipos de culturas e árvores, mascaramento de nuvens e detecção de áreas de desmatamento. Os especialistas também compartilharam dois casos de uso de classificação de culturas.
Você pode assistir à gravação do webinar e ver a apresentação.
O evento teve como alvo os gestores e especialistas em tecnologia de empresas agrícolas (incluindo produção de alimentos) e florestais e aqueles com os clientes dessas indústrias. O webinar reuniu participantes de mais de 15 países em todo o mundo, incluindo Índia, Alemanha, Itália, Brasil, Bolívia, Filipinas, etc.
A Organização das Nações Unidas para Agricultura e Alimentação (FAO) estima que até 2050 precisaremos produzir 60% mais alimentos para alimentar 9,3 bilhões de pessoas. As empresas agrícolas que devem atender à demanda alimentar já estão lutando para manter sua pegada agrícola mínima. A FAO também observa que a ciência e a tecnologia são os principais impulsionadores da produtividade agrícola. E é verdade. As empresas AgTech vêm desenvolvendo soluções que permitem aos agricultores obter insights rápidos e quase em tempo real para otimizar suas estratégias de gerenciamento de fazendas. Com soluções de ponta, os agricultores podem melhorar os rendimentos, diminuir o desperdício e a perda de rendimento, cortar custos operacionais mantendo -se sustentáveis.
A EOSDA continua investindo e desenvolvendo software escalável para ajudar os usuários finais a atingir suas metas, tomando decisões diárias baseadas em dados.
Soluções Proprietárias Da EOS Data Analytics E Resumo De Seus Recursos
As ferramentas de análise de imagens satelitais da EOSDA facilitam a tomada de decisões para usuários de 22 setores, principalmente agricultura e silvicultura (agricultores, comerciantes de alimentos, fornecedores de insumos, seguros agrícolas e empresas financeiras). O EOSDA Crop Monitoring e o EOSDA Forest Monitoring permitem avaliar a condição de culturas, florestas e solo e fazer previsões sobre áreas observadas analisando imagens satelitais e atuando como fontes de dados meteorológicos atuais e históricos.
Nossas soluções são construídas internamente: temos uma equipe de pesquisadores, gerentes de produto, analistas e cientistas de dados, especialistas em GIS, desenvolvedores de software, testadores de controle de qualidade e outros profissionais trabalhando juntos. Isso nos torna auto suficientes e permite manter o controle total do desenvolvimento do produto. E desde o início do nosso trabalho, escolhemos o aprendizado de máquina como método de análise de dados.
Aprendizado Profundo Com Redes Neurais Artificiais. Como Treinamos Redes Neurais E As Tarefas Que Resolvem Facilmente
O aprendizado de máquina é uma área de ciência de dados que visa permitir que as máquinas aprendam com os dados e extraiam insights sem ser explicitamente programados. Esses algoritmos são excelentes na análise e interpretação de grandes volumes de dados.
O aprendizado profundo é um subcampo do aprendizado de máquina que usa algoritmos complexos (aprendizado profundo) com arquiteturas de rede neural artificial (Artificial Neural Networks – ANNs). As AANs são muito poderosas no reconhecimento de imagens (classificação). Um dos algoritmos de aprendizado profundo mais populares- redes neurais convolucionais – são usadas em produtos da EOS Data Analytics.
Para permitir que as redes neurais reconheçam objetos específicos, os cientistas de dados os treinam com grandes conjuntos de imagens com exemplos desses objetos, onde cada imagem é anotada (marcada) como uma categoria à qual pertence: um gato ou um cachorro, superfície de água ou terra, etc.
Graças à capacidade das redes neurais de identificar padrões, elas resolvem vários problemas de classificação e previsão para os clientes da EOSDA, como cobertura da terra e classificação do tipo de cultura com base em informações sobre a saúde das culturas e condições do solo extraídas de imagens satelitais.
Durante a parte final do webinar, a apresentadora explicou como os profissionais da EOSDA resolveram problemas da vida real: classificando os tipos de cultivos na Ucrânia e de cana-de-açúcar no Brasil e detectando áreas desmatadas com classificação de tipos de árvores.
Classificação De Tipos De Culturas Dentro Do Programa Governamental De Cadastro de Solo Na Ucrânia
O projeto a longo prazo do Banco Mundial — a classificação de terras agrícolas na Ucrânia — começou em 2016. A tarefa da EOS Data Analytics era classificar terras agrárias em todo o país, digitalizar as fronteiras de campo e classificar o tipo de culturas (até 15) em cada campo. A área total de terra arável para processamento era de 41 milhões de hectares.
Várias partes do setor agrícola se beneficiam dos dados de classificação de culturas:
- Agricultores: gerenciando as atividades diárias, prognosticando os rendimentos potenciais, usando dados de rotação de culturas ou comparando os resultados do seu trabalho de ano a ano.
- Comerciantes: estabelecimento de preços e considerações ecológicas, como insumos de nutrientes.
- Seguradoras: apoiando decisões de reembolso com dados.
- Entidades governamentais: desenvolvendo e gerenciando bancos de dados agrários, negociando compensações com os agricultores
Para a coleta de dados no campo, especialistas faziam viagens ao campo duas vezes ao ano, durante o verão e o inverno, para mapear as culturas que crescem durante essas estações. Todos os anos, os agrônomos reuniam milhares de pontos de dados para manter os mapas de cultivos relevantes. Os cientistas de dados, por sua vez, vêm treinando algoritmos de aprendizado profundo com novas imagens para aumentar gradualmente a precisão da classificação de culturas. Como resultado, a maior precisão (mais de 90%) foi alcançada no reconhecimento de culturas como milho, girassol e soja.
Como resultado, os especialistas da EOSDA digitalizaram todas as terras cultivadas, tendo classificado não só mais de 15 culturas (trigo, girassol, milho, alfafa, cana-de-açúcar, cevada), mas também outros tipos de cobertura (florestas, grama, espaços aquáticos). Eles também prepararam mapas anuais de cultivo de campo por seis anos, de 2016 a 2021.
Classificação Da Cana-De-Açúcar No Brasil: Detecção De Usinas De Cana-De-Açúcar E Avaliação De Área
Dentro do projeto, os especialistas tiveram que resolver dois problemas: detectar usinas de cana-de-açúcar e pilhas de cana-de-açúcar colhidas (essa safra é colhida várias vezes ao ano) na data determinada.
Classificação das usinas de cana-de-açúcar. A equipe da EOS Data Analytics coletou dados verificados na área de 1.000.000 hectares. As imagens foram tiradas com os satélites Sentinel-1, Sentinel-2 e MODIS-Terra em 10 países e anotadas para treinamento adicional do modelo.
Os especialistas compararam a eficácia de dois modelos e conseguiram obter a maior porcentagem de precisão (mais de 94%) com um modelo Conv-LSTM, que combina os benefícios das redes convolucionais (CNN) e de memória de longo prazo (LSTM) e permite analisar os dados de séries temporais espaciais.
Detecção de índice (status) de campo colhido. A tarefa foi definir uma razão entre a área colhida e a área total do campo.
A equipe da EOSDA detectou com sucesso o status de colheita de 6.500 campos com uma área total de 47.000 ha. Os cientistas de dados forneceram relatórios sobre o status da colheita a cada 10 dias.
O último caso que a apresentadora falou foi a detecção de áreas cobertas por florestas e áreas desmatadas na Tasmânia. Os especialistas resolveram o problema usando uma ANN para comparar duas imagens sem nuvens tiradas em determinados meses, trimestres ou anos.
Estou feliz por ter colaborado com especialistas em negócios agrícolas e florestais. A EOS Data Analytics se esforça para continuar contribuindo para o crescimento dos setores, popularizando os métodos de agricultura de precisão por meio de suas plataformas de análise de imagens satelitais baseadas em IA e soluções personalizadas.