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.

mapa de classificação de culturas remotas
ESPECIFICAÇÕES

Solução De Classificação De Culturas Em Números

Precisão
até 90%

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.

Resolução
10 metros

Obtenha máscaras de cultivo com uma resolução de 10 m em formatos .geotiff ou .shp.

Tamanho do campo
a partir de 3 ha

Culturas identificadas para qualquer área, mesmo pequenas como 3 ha.

Cobertura
Áreas de interesse em 195 países

O nosso algoritmo identifica culturas em quase qualquer parte da Terra.

Tempo de entrega
a partir de 1 mês

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.

Tipos de culturas
mais de 15

As nossas redes neurais formadas podem classificar mais de 15 tipos diferentes de culturas.

SOBRE A SOLUÇÃO

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.
dados do tipo de colheita sattelite dados do tipo de colheita
PROBLEMAS QUE SUPERAMOS

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.

combinando dados SAR com imagens ópticas

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.

Modelos pré-treinados EOSDA

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.

classificando os tipos de cultura no aplicativo 2021
classificando os tipos de cultura no aplicativo 2022
CASOS DE ESTUDO

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:

Classificação completa da cobertura terrestre para a Ucrânia

Classificamos os seguintes tipos de ocupação do solo:

  • Floresta
  • Objetos artificiais
  • Água
  • Terra de cultivo
  • Terra nua
  • Zonas húmidas
Classificamos os seguintes tipos de ocupação do solo
Digitalização de todos os campos aráveis na Ucrânia.

Mapa cadastral da Ucrânia

  • Campos classificados (Mapa de culturas), ha
    66.9 K
  • Terra registada (Cadastro), ha
    73 K
  • Terra não registada (Cadastro), ha
    17.5 K
  • Campos classificados dentro dos terrenos não registados, ha
    8.2 K
  • Culturas principais
    Tamanho total dos campos, ha
  • Cereals
    27.9 K
  • Milho
    11.3 K
  • Soja
    8.5 K
  • Girassol
    8.1 K
  • Colza
    5.8 K
Mapa cadastral da Ucrânia
Mapa agrícola anual da Ucrânia à escala do campo entre 2016 e 2021

Precisão da classificação de culturas para 2021

Precisão da classificação de culturas para 2021
Mapa agrícola anual da Ucrânia à escala do campo entre 2016 e 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:

Validação da precisão
Conv-LSTM.
Mapa de classificação baseado na arquitetura do modelo Conv-LSTM.
LSTM
A máscara da cana-de-açúcar baseada em redes neuronais recorrentes bidirecionais baseadas no LSTM.

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.

EOSDA logo

As soluções EOSDA são desenvolvidas por uma excelente equipe de mais de 50 especialistas em SIG e cientistas de dados que executam dados recuperados de satélites através de redes neurais treinadas para fornecer os resultados mais precisos. A empresa tem anos de experiência no mercado da agricultura de precisão e está alinhada com 9 dos 17 Objetivos de Desenvolvimento Sustentável da ONU.

our advisor

Estamos aqui para ajudar!

Não hesite em fazer quaisquer perguntas ou programar uma demonstração.

satellite