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.
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.
