Detecção de limites usando processamento de imagens de satélite
Detecção inteligente e escalável de limites de campos com a EOS Data Analytics para monitoramento preciso da terra e tomada de decisões:
- Até 90% de precisão alcançada por meio de um modelo CNN treinado com conjuntos de dados de vários países
- Integração perfeita com classificação de culturas para análises detalhadas por campo
- Formatos de saída flexíveis, incluindo máscaras vetoriais, estatísticas e relatórios personalizados via API
Benefícios da solução de detecção de limites de campos da EOSDA
- Identificação precisa de parcelas de terra para monitoramento de mudanças.
- Melhoria da classificação de culturas, modelos de previsão de produtividade e avaliação de desempenho em nível de campo.
- Dados precisos para máquinas agrícolas autônomas.
- Planejamento otimizado para irrigação, drenagem e desenvolvimento rural.
Abordagem e Metodologia
Modelo: segmentação semântica CNN (tecnologia encoder-decoder) treinada com um conjunto de dados de 10 países
Dados de satélite: imagens Sentinel-2 L2A processadas com 4 bandas espectrais, incluindo RGB e NIR
Precisão: até 90% pela métrica IoU (Intersection over Union)
Limitações: regiões com alta cobertura de nuvens e campos pequenos (<2 ha). Imagens de alta resolução podem ser utilizadas
Integração flexível: a detecção de limites de campos pode ser usada como solução independente ou em combinação com classificação de culturas
Precisão aprimorada: os resultados da detecção de limites de campos podem ser combinados com uma camada de classificação raster para uma classificação por campo mais precisa e detalhada
Resultados esperados do projeto e formatos
- Máscara vetorial com limites dos campos ou juntamente com classificação de culturas, se aplicável (ESRI shapefile, GeoJSON, KML, GPKG).
- Estatísticas agregadas das áreas agrícolas por limites administrativos de regiões, distritos etc. (xlsx, csv).
- Relatório analítico ou nota de interpretação dos resultados, se solicitado.
*Entrega em outro formato, se solicitado, incluindo via interface API.
Dados necessários para o projeto de detecção de limites com machine learning
Dados de entrada fornecidos pelo cliente
- Área de interesse: tabela (xlsx/csv) ou formato vetorial (KML, ESRI shapefile, GPKG, GeoJSON)
- Calendário de culturas, se disponível (para escolher o período ideal de detecção)
Dados preparados pela EOSDA
- Imagens de satélite
- Outras camadas de dados adicionais (cidades, estradas, corpos d’água etc.)
- Conjuntos de dados de validação
Etapas padrão do projeto
Duração típica do projeto: 1–2 semanas
Investigação das características da vegetação na área de interesse
Busca e download dos dados de satélite necessários
Execução do modelo e suporte/controle
Verificação dos resultados e preparação dos entregáveis finais