Проект: классификация культур и определение границ полей в Кыргызстане
  • Истории наших партнеров

Классификация Культур И Границы Полей В Кыргызстане

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.

EOSDA Crop Monitoring

Спутниковый мониторинг – управляйте полями дистанционно с помощью одной платформы!

Попробовать сейчас!

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:

  1. Векторный полигональный слой AOI
  2. Данные со спутника Sentinel-2 с соответствующими растровыми полосами (разрешение 10 метров)
  3. Данные наземной проверки в точках (на основе географических координат)
входные данные
Входные данные наземной проверки в виде точек.

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.

растровые и векторные маски
Растровые и векторные маски объединенной классификации культур и определения границ полей.

В итоге были получены данные по четырем классам культур, предварительно согласованным с клиентом:

  1. Сахарная свекла
  2. Кукуруза
  3. Люцерна
  4. Другие культуры

Кроме того, были обнаружены непахотные участки, а именно:

  1. Водоем
  2. Болотистая местность
  3. Лес
  4. Пастбище
  5. Сад
статистическая диаграмма классификации культур
Статистика классификации сельскохозяйственных культур в Чуйской долине, Кыргызстан.

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.

Об авторе:

Наталья Иванчук Научный сотрудник EOSDA

Наталья Иванчук получила степень магистра по прикладной математике в Национальном университете водного хозяйства и природопользования. Она является автором более 60 публикаций, монографий и других научных работ. Опыт Натальи и постоянное желание учиться и совершенствовать свои навыки программирования (C++, C#, JS, Python) приносит существенную пользу EOS Data Analytics.

Последние cтатьи

Выращивание Салата: Как Сажать, Ухаживать И Собирать
  • Выращивание культур

Выращивание Салата: Как Сажать, Ухаживать И Собирать

Выращивание салата привлекло внимание фермеров благодаря возможности собирать несколько урожаев в год. Чтобы разнообразить план посевов, салат можно выращивать чередуя с другими культурами.

EOSDA Crop Monitoring: Запущено Конструктор Карт
  • EOSDA Crop Monitoring

EOSDA Crop Monitoring: Запущено Конструктор Карт

Благодаря новой функции пользователи EOSDA Crop Monitoring теперь могут использовать данные об урожайности со своей техники для оптимизации использования ресурсов и производительности посевов.

Выращивание Лука: От Выбора Сорта До Сбора Урожая
  • Выращивание культур

Выращивание Лука: От Выбора Сорта До Сбора Урожая

Лук считается неприхотливым растением, которое встречается в каждом саду. Однако коммерческое выращивание лука имеет более высокие требования к качеству луковиц и сроку хранения.