Производство сахара по-прежнему имеет большое значение для экономики разных стран мира. Несмотря на то, что сахарный тростник явно преобладает на рынке, его конкурент – сахарная свекла – демонстрирует отличный потенциал с точки зрения устойчивого развития.
Сырье этой культуры обеспечивает не только ~20% мирового объема рафинированного сахара, но и производство других широко используемых продуктов, таких как корм для скота и этанол . В целом, на сегодняшний день производство сахарной свеклы связано с множеством отраслей промышленности, среди которых ликероводочная, консервная, кондитерская, хлебопекарная, фармацевтическая, биотопливная, а также садоводство и другие отрасли. Более того, как показывают исследования, при выращивании сахарной свеклы происходит гораздо меньше выбросов CO2 по сравнению с сахарным тростником, при этом она занимает меньше земли и требует меньше воды .
Клиент из Кыргызстана обратился к команде EOSDA с индивидуальным запросом: получить карту классификации культур с определением границ полей, чтобы согласовать стратегические цели производства сахарной свеклы с фактическим планированием и оценкой ресурсов.
Обзор: О Динамике Производства Сахарной Свеклы В Кыргызстане
Выращивание сахарной свеклы является одним из важнейших направлений сельскохозяйственной деятельности в Кыргызстане. Во многих регионах под эти культуры выделены большие площади земли в долинах, а рядом построены заводы по переработке сахара. Количество производимого сахара демонстрирует стабильный рост, и местное правительство планирует дальнейшую модернизацию и поддержку этой отрасли в ближайшие годы.
Оптимизация производственных возможностей соответствует глобальным целям устойчивого развития и принципам точного земледелия. Для внедрения новых перспективных решений клиент EOSDA решил начать с определения границ полей и классификации культур с использованием космических снимков и многоуровневой технологии глубокого обучения.
Проблема: Анализ Географического Положения Полей, Корректировка Логистики
Уникальный рельеф свекловичных полей в Кыргызстане создает ряд проблем для производителей. Поля в основном расположены в долинах, которые окружены крутыми горами, благодаря чему местность имеет достаточный уровень влажности. Однако сахарная свекла очень требовательна к состоянию пахотного горизонта, поэтому своевременная и качественная обработка почвы чрезвычайно важна для обеспечения высокого урожая этих корнеплодов. Четкое понимание размеров и расположения полей позволило бы местным сахаропроизводителям корректировать технологию возделывания в разные сезоны и планировать необходимые мероприятия соответствующим образом.
В то же время коммерческая выгода не менее важна, чем точность сельскохозяйственного производства. По данным исследований, средний коэффициент выработки сахара составляет от 14% до 16%, а значит, из 1 тонны сырья получают всего лишь 140-160 кг сахара . Таким образом, разработка длинных и дорогостоящих логистических маршрутов от полей до сахарных заводов экономически не оправдана. Ознакомившись с расположением полей, полученным благодаря спутниковым снимкам, клиент смог выстроить максимально эффективную логистику сахарного производства.
Решение: Обучение Нейронной Сети На Основе Уникальных Особенностей Региона
Конечной целью данного проекта было определение границ полей и классификация культур. AOI (область интереса) была разделена на определенное количество классов в соответствии с типами культур и/или геопространственными характеристиками (лес, водоем, голая почва и т.д.) и представлена клиенту в векторном формате.
Для обучения нейронной сети, разработанной специально для этого проекта, использовали данные наземной проверки, сельскохозяйственный календарь и спутниковые снимки конкретной местности. После этого было проведено контролируемое обучение нейросети на основе конволюционной LSTM-модели (Conv-LSTM), что позволило использовать следующие преимущества:
- Конволюционные нейронные сети (CNN): проверенная эффективность в распознавании и обработке изображений.
- Нейронные сети с долгой краткосрочной памятью (LSTM): способны к обучению долгосрочным зависимостям и не имеют проблемы исчезающего градиента, что особенно удобно для продолжительного периода вегетации сельскохозяйственных культур.
Границы полей можно описать в виде многоугольных фигур. Ученые EOSDA контролировали обучение модели, предоставляя информацию об ожидаемых очертаниях полей, а модель могла автоматически определять поля с произвольным количеством точек, таким образом, распознавая различные многоугольные формы, которые также соответствовали определенным типам культур.
Работы над проектом проводились с конца весны до середины лета 2021 года в период пиковой вегетации, благодаря чему удалось получить спутниковые снимки с четко прослеживаемыми закономерностями.
Процесс обучения индивидуальной нейросетевой модели в EOSDA может варьироваться в зависимости от конкретных входных данных, целей проекта и географического положения. В данном случае проект разделили на несколько основных этапов.
Этап 1: Предварительная Обработка
Сначала команда EOSDA получила следующие входные данные:
- Векторный полигональный слой AOI
- Данные со спутника Sentinel-2 с соответствующими растровыми полосами (разрешение 10 метров)
- Данные наземной проверки в точках (на основе географических координат)
Высокоточные данные являются обязательным условием для любого алгоритма машинного обучения. Команда EOSDA получила подходящие спутниковые снимки AOI с радиометрической коррекцией атмосферных шумов и погрешностей датчиков, а также геометрической коррекцией искажений, возникающих из-за переменного положения спутниковых датчиков относительно Земли. Потенциально зашумленные данные были отсеяны до перехода к следующему этапу.
Этап 2: Обучение Нейросетевой Модели
Процесс обучения состоял из двух основных этапов:
- Обучение классификационной модели на основе данных о расположении полей с определенными культурами, предоставленных клиентом. Эта модель производит классификацию: на выходе получается растровый результат, в котором изображение кластеризуется на классы в соответствии с культурами;
- Адаптация модели определения границ полей. На выходе получается высокоточная векторная маска (оптимальный результат обычно подбирают индивидуально или составляют из нескольких лучших вариантов).
Получив результаты классификации культур и определения границ полей, команда EOSDA готова была нанести полученные значения на географическую карту AOI.
Этап 3: Интерполяция Изображений
На этом этапе растровые и векторные результаты двух моделей объединяют, чтобы получить более точную классификацию культур в векторном формате.
В итоге были получены данные по четырем классам культур, предварительно согласованным с клиентом:
- Сахарная свекла
- Кукуруза
- Люцерна
- Другие культуры
Кроме того, были обнаружены непахотные участки, а именно:
- Водоем
- Болотистая местность
- Лес
- Пастбище
- Сад
Автоматически рассчитанная площадь каждой области была представлена в виде электронной таблицы. Отчет также включал визуализацию статистики с пояснениями результатов и рекомендациями специалистов по анализу данных EOSDA.
Результат: Подробная Карта Культур И Границ Полей, Ценность Для Бизнеса
Классификация культур и определение границ полей позволили клиенту объективно оценить прогнозируемые объемы производства сахарной свеклы в регионе. Благодаря этой информации он получил возможность:
- Дистанционно отличить пахотные земли от непахотных;
- Определить текущее местоположение свекловичных полей и в соответствии с этим спланировать сельскохозяйственную логистику;
- Рассчитать фактические площади конкретных типов культур и оценить потенциальную урожайность;
- Провести региональную инвентаризацию на основе точной геолокации;
- Оценить продуктивность почвы на данных участках;
- Улучшить планирование и оценку урожайности, а также скорректировать стратегии для достижения целей импорта и экспорта.
Полученные данные стали первым шагом на пути освоения широкого спектра возможностей точного земледелия в Кыргызстане, тем самым помогая реализовать потенциал для дальнейшего развития производства сахарной свеклы.
Получайте готовые бизнес-решения на основе спутниковых данных.
Больше новостей
Анализ Последствий Подрыва Каховской Плотины Для PEJ
EOSDA помогла Project Expedite Justice рассчитать площади затопленных территорий после разрушения Каховской дамбы 6 июня 2023 года для отчета о правосудии для Международного уголовного суда.
Сергей Климов Измерил Обезвоживание Почвы На Херсонщине
Сергей Климов и его коллега подсчитали количество воды, которым Каховское водохранилище снабжало южные херсонские поля за год до его разрушения в 2023 году, с помощью EOSDA Crop Monitoring.
EOSDA Дает Доступ К Данным Для Nebraska Forest Service
Кунь-Юань Ли, специалист по ГИС-охране леса в Nebraska Forest Service, смог удаленно контролировать обширную лесную территорию с помощью EOSDA LandViewer.