Classificação De Сulturas Agrícolas Usando Teledetecção
A classificação das culturas agrícolas é uma parte essencial da agricultura como um negócio. A identificação da cultura utilizando métodos tradicionais pode ser uma tarefa bastante assustadora.
Ao combinar dados de Radar de Abertura Sintética (SAR) com imagens ópticas, podemos atribuir uma classe a cada tipo de cultura reconhecida por uma rede neural treinada em qualquer área de interesse e construir um mapa do tipo de cultura adequado às necessidades do cliente.
A EOSDA oferece uma forma mais rápida e muito mais fácil de resolver este problema, contando com anos de experiência em agricultura de precisão, bem como com experiência na aplicação de algoritmos alimentados pela IA e de teledetecção.
Solução De Classificação De Culturas Em Números
Mapas de classificação do tipo de cultura com uma precisão de até 90%, dependendo da exaustividade dos dados do terreno e da disponibilidade de imagens de satélite regulares.
Obtenha máscaras de cultivo com uma resolução de 10 m em formatos .geotiff ou .shp.
Culturas identificadas para qualquer área, mesmo pequenas como 3 ha.
O nosso algoritmo identifica culturas em quase qualquer parte da Terra.
Se as condições forem favoráveis, a nossa equipa qualificada de I & D requer apenas várias semanas para completar a investigação e entregar-lhe um mapa de classificação de culturas preciso.
As nossas redes neurais formadas podem classificar mais de 15 tipos diferentes de culturas.
Assista ao vídeo sobre nossa solução de classificação de culturas
É possível melhorar a segurança alimentar global modificando as práticas de gestão de alimentos e tornando-as mais sustentáveis. É por isso que a EOSDA desenvolveu uma solução de classificação de culturas remotas, fundindo análises de dados de satélite com as mais recentes tecnologias de AI, que permite aos grandes produtores agrícolas aumentar os lucros de uma maneira mais amigável ao meio ambiente.
O Que É Que A Classificação De Culturas Consegue
- Fazer inventários para grandes áreas e estimar o rendimento.
- Manter registos extensivos de rotação de culturas para áreas seleccionadas.
- Dados mais transparentes do tipo de cultura para a validação dos pedidos de compensação.
- A gestão da utilização da terra é muito mais fácil com os dados do tipo de cultura.
- A identificação das culturas permite aos comerciantes fixar pontos de preços no mercado.
Vantagens Da Nossa Abordagem
Os dados obtidos apenas a partir das imagens de satélite ópticas podem ser incompletos ou inexistentes devido à cobertura de nuvens, nevoeiro, etc., tornando a identificação da cultura difícil ou impossível.
O Radar de Abertura Sintética (SAR) é um sensor ativo que emite radiação de microondas. Como resultado, não requer a luz solar refletida para recolher dados de uma área de interesse. Ao combinar dados SAR com imagens ópticas, resolvemos facilmente o problema da cobertura de nuvens. De fato, isto permite-nos classificar as colheitas numa imagem que é captada em má visibilidade ou mesmo à noite.
Confiando nas séries temporais de imagens multiespectrais de Sentinel-2 significa que há muitos dados a processar mesmo para um campo minúsculo.
O nosso arsenal de modelos pré-treinados pode tratar de quase todos os pedidos. Para qualquer nova área ou tipo de cultura, podemos facilmente ajustar os modelos de rede neural existentes e obter rapidamente resultados.
A classificação de culturas em vastas áreas é muito problemática porque cada satélite só pode capturar uma área limitada de cada vez.
Graças à segmentação baseada em pixels realizada pelos nossos algoritmos de aprendizagem profunda, podemos obter mais dados num período de tempo mais curto. A classificação de culturas também pode ser realizada muito mais rapidamente se recebermos dados completos e precisos sobre a verdade do terreno para a área de interesse. Num futuro próximo, a EOSDA terá a sua própria constelação de satélites (EOS SAT) em órbita, o que reduzirá significativamente o tempo de entrega final das nossas soluções personalizadas.
As Nossas Histórias De Sucesso
Classificação De Culturas Para A Ucrânia
Desafíos:
- Identificar tipos de cobertura vegetal (terra de cultivo, floresta, etc.) para uma área de 60 mln ha.
- Detectar e definir os limites dos campos agrícolas no mapa.
- Classificar até 15 tipos de culturas em 41 milloes ha de terra cultivada.
Soluções:
- Recolha de dados da verdade sobre o solo.
- Pré-processado dos dados de entrada.
- Preparaçao dos conjuntos de dados.
- Etiquetagem dos dados e uso do algoritmo de aprendizagem automático.
Resultado:
Classificamos os seguintes tipos de ocupação do solo:
- Floresta
- Objetos artificiais
- Água
- Terra de cultivo
- Terra nua
- Zonas húmidas
Mapa cadastral da Ucrânia
- Campos classificados (Mapa de culturas), ha66.9 K
- Terra registada (Cadastro), ha73 K
- Terra não registada (Cadastro), ha17.5 K
- Campos classificados dentro dos terrenos não registados, ha8.2 K
Precisão da classificação de culturas para 2021
Detecção De Moinhos De Cana-de-açúcar No Brasil
Desafíos:
- Utilizou-se um modelo LSTM convolucional (Conv-LSTM) para detectar a cana de açúcar dentro de áreas especificadas.
- O método de classificação baseia-se no modelo convolucional LSTM (Conv-LSTM) que combina os benefícios das redes convolucionais (CNN) e de memória de longo prazo (LSTM) e permite a análise de dados tanto no espaço como no tempo.
Soluções:
- Utilizou-se um modelo LSTM convolucional (Conv-LSTM) para detectar a cana de açúcar dentro de áreas especificadas.
- O método de classificação baseia-se no modelo convolucional LSTM (Conv-LSTM) que combina os benefícios das redes convolucionais (CNN) e de memória de longo prazo (LSTM) e permite a análise de dados tanto no espaço como no tempo.
- O modelo foi treinado num conjunto de dados de 10 países diferentes do mundo que foram marcados pelos especialistas de EOSDA.
Resultado:
No problema da classificação da cana de açúcar, os métodos de redes neurais recorrentes bidirecionais baseados em LSTM e LSTM convolutional demonstraram uma precisão global quase idêntica (mais de 94%).
Para avaliar a precisão dos mapas de classificação da cobertura terrestre, como regra, é utilizada uma matriz de confusão, obtida a partir de uma amostra de teste independente, bem como as seguintes métricas: Precisão Global (OA), índice Kappa, Precisão do Produtor (PA), e Precisão do Usuário (UA).
Os valores UA e PA são formas de representar a precisão das classes individuais. O valor UA é a probabilidade de que a classe pixel no mapa de classificação corresponda à classe da amostra nos dados do teste, enquanto que PA indica a probabilidade de que um pixel dos dados do teste seja reconhecido corretamente no mapa.
A Precisão Global (OA) é um indicador da qualidade global do mapa de cobertura do solo.
O coeficiente Kappa é uma medida estatística da consistência entre as classes obtidas no mapa da ocupação do solo e as classes que são reais (dados de teste).
Outra métrica para a avaliação da qualidade do classificador é a pontuação F1. Reduz as duas outras métricas, UA e PA, para um número, e é definido como um valor médio harmónico médio ponderado entre elas.
| Sem limites de campo | Com limites de campo | |||||
|---|---|---|---|---|---|---|
| UA | PA | F1 | UA | PA | F1 | |
| Cana de Açúcar Sem limites de campo Com limites de campo UA PA F1 UA PA F1 | ||||||
| Cana de Açúcar | 93.8% | 84.1% | 88.7% | 91.2% | 87.0% | 89.1% |
| Outras terras Sem limites de campo Com limites de campo UA PA F1 UA PA F1 | ||||||
| Outras terras | 93.5% | 97.6% | 95.5% | 95.1% | 96.7% | 95.9% |
| Precisão geral Sem limites de campo Com limites de campo UA PA F1 UA PA F1 | ||||||
| Precisão geral | 93.6% | 94.0% | ||||
| Kappa Sem limites de campo Com limites de campo UA PA F1 UA PA F1 | ||||||
| Kappa | 0.84% | 0.85% | ||||
A métrica dos UA é bem equilibrada, enquanto a diferença de PA indica a prevalência de erros estatísticos do primeiro tipo, por outras palavras, a prevalência de falsas previsões positivas sobre falsas previsões negativas. Uma análise dos erros de classificação da cana-de-açúcar em relação às subclasses Outras terras indica que a classe Outras culturas é responsável pela maior percentagem de falsos positivos. Outras classes de culturas permitiram uma melhoria adicional na qualidade da classificação.
