Использование нейронных сетей для извлечения ценных данных из спутниковых снимков
29 марта компания EOS Data Analytics (EOSDA), глобальный поставщик аналитики спутниковых снимков на основе искусственного интеллекта, провела вебинар о возможностях нейронных сетей в решении задач классификации и прогнозирования для пользователей сельскохозяйственной и лесной промышленности.
Ведущая вебинара Лина Ярыш, директор по работе с клиентами в EOS Data Analytics, объяснила, как нейронные сети, алгоритмы глубокого обучения, которые превосходно умеют обнаруживать закономерности, распознают информацию на изображениях.
Ведущая рассказала, с какими задачами, связанными с сельским и лесным хозяйством, отлично справляются нейронные сети — это классификация растительного покрова, типов культур и деревьев, маска облаков и выявление участков вырубки леса. Специалисты также поделились двумя вариантами использования классификации культур.
Вы можете пересмотреть запись вебинара и просмотреть презентацию.
Мероприятие было ориентировано на руководителей и технических специалистов сельскохозяйственных (в том числе пищевых) и лесопромышленных компаний, а также тех, у кого есть клиенты из этих отраслей. Вебинар собрал участников из 15+ стран мира, включая Индию, Германию, Италию, Бразилию, Боливию, Филиппины и др.
По оценкам Продовольственной и сельскохозяйственной организации (ФАО), к 2050 году нам потребуется производить на 60% больше продуктов питания, чтобы накормить 9,3 миллиарда человек. Сельскохозяйственные предприятия должны соответствовать требованиям прозрачности производства продуктов питания, и уже делают все возможное, чтобы свести к минимуму свое негативное влияние на окружающую среду. ФАО также отмечает, что наука и техника являются основными движущими силами производительности сельского хозяйства. И это правда. Сельскохозяйственные компании разрабатывают решения, которые позволяют фермерам быстро и практически в режиме реального времени получать информацию для оптимизации своих стратегий управления фермой. Благодаря передовым решениям фермеры могут повышать урожайность, сокращать отходы и потери урожая, снижать эксплуатационные расходы, сохраняя при этом устойчивость.
EOSDA продолжает инвестировать и разрабатывать масштабируемое программное обеспечение, чтобы помочь конечным пользователям достичь своих целей, принимая ежедневные решения на основе данных.
Коротко Об Индивидуальных Решениях EOS Data Analytics И Их Возможностях
Инструменты анализа спутниковых изображений от EOSDA поддерживают принятие решений пользователями из 22 отраслей, в частности сельского и лесного хозяйства (фермеры, продовольственные компании, поставщики ресурсов, сельскохозяйственные страховые и финансовые организации). Продукты EOSDA Crop Monitoring и EOSDA Forest Monitoring позволяют оценивать состояние сельскохозяйственных культур, лесов и почвы и делать прогнозы относительно наблюдаемых территорий, анализируя спутниковые изображения и выступая в качестве источников текущих и исторических данных о погоде.
Наши решения создаются собственными силами: у нас есть команда учёных, менеджеров по продуктам, аналитиков, специалистов по большим данным, ГИС-специалистов, разработчиков программного обеспечения, тестировщиков и других профессионалов, работающих вместе. Это делает нас независимыми от подрядчиков и позволяет полностью контролировать разработку продукта. И с самого начала нашей работы мы выбрали машинное обучение в качестве метода анализа данных.
Глубокое Обучение С Искусственными Нейронными Сетями. Как мы Обучаем Нейронные Сети И Какие Задачи С Легкостью Решаем
Машинное обучение — это дисциплина науки о данных, цель которой — позволить машинам учиться на данных и извлекать информацию без прямого программирования. Эти алгоритмы отлично подходят для анализа и интерпретации огромных объемов данных.
Глубокое обучение — это подобласть машинного обучения, в которой используются сложные алгоритмы (глубокого обучения) с архитектурами нейронных сетей — искусственными нейронными сетями (ИНС). ИНС очень эффективны при распознавании изображений (классификации). Сверхточные нейронные сети, один из самых популярных алгоритмов глубокого обучения, используются в продуктах EOS Data Analytics.
Чтобы нейронные сети могли распознавать определенные объекты, специалисты по данным обучают их на больших наборах изображений с примерами этих объектов, где каждое изображение помечено (аннотировано) категорией, к которой оно принадлежит: кошка или собака, вода или поверхность земли.
Благодаря способности нейронных сетей выявлять закономерности, они решают различные задачи классификации и прогнозирования для клиентов EOSDA, такие как классификация растительного покрова и типов культур на основе информации о состоянии сельскохозяйственных культур и состоянии почвы, извлеченной из спутниковых изображений.
В заключительной части вебинара ведущая рассказала, как специалисты EOSDA решали практические задачи: классифицировали сорта сельскохозяйственных культур в Украине и сахарный тростник в Бразилии, а также выявляли вырубленные участки с классификацией типов деревьев.
Классификация Видов Культур В Рамках Государственной Программы Прозрачности Земель В Украине
Многолетний проект со Всемирным банком — классификация сельскохозяйственных земель в Украине — стартовал в 2016 году. Задачей EOS Data Analytics была классификация аграрных земель по всей стране, оцифровка границ полей и классификация видов культур (до 15) на каждом поле. Общая площадь пашни для обработки составила 41 млн га.
Все игроки сельскохозяйственного сектора извлекают выгоду из данных классификации культур:
- Фермеры: управление повседневной деятельностью, оценка потенциальных урожаев, использование данных севооборота или сравнение годовых результатов их работы.
- Трейдеры: более точное установление цен и применение экологичных методов обработки (внесение питательных веществ)
- Страховые компании: поддержка в принятии решений о возмещении ущерба с помощью данных
- Государственные органы: разработка и управление агробазами данных, обсуждение компенсаций с фермерами
Для наземного сбора достоверных данных, специалисты дважды в год, летом и зимой, совершали обходы для картирования культур, которые растут в эти сезоны. Каждый год агрономы собирали тысячи точек данных, чтобы карты культур оставались актуальными. Специалисты по данным, в свою очередь, обучали алгоритмы глубокого обучения на свежих изображениях, чтобы постепенно повышать точность классификации культур. В результате была достигнута сверхточность (более 90%) для распознавания таких культур, как кукуруза, подсолнечник и соя.
В результате специалисты EOSDA оцифровали все обрабатываемые земли, классифицировав не только более 15 культур (такие как пшеница, подсолнечник, кукуруза, люцерна, сахарная свекла, ячмень), но и другие классы земельного покрова (например, леса, пастбища, водные угодья). Они также подготовили ежегодные полевые карты урожая на шесть лет, с 2016 по 2021 год.
Классификация Сахарного Тростника В Бразилии: Обнаружение Заводов По Производству Сахарного Тростника И Оценка Площади
В рамках проекта специалисты должны были решить две задачи: обнаружить заводы по производству сахарного тростника и убранные штабеля сахарного тростника (эту культуру собирают несколько раз в году) на заданную дату.
Классификация заводов по производству сахарного тростника. Команда EOS Data Analytics собрала наземные достоверные данные, охватывающие 1 000 000 гектаров. Изображения были сделаны спутниками Sentinel-1, Sentinel-2 и MODIS-Terra в 10 странах и помечены для дальнейшего обучения модели.
Специалисты сравнили эффективность двух моделей и смогли получить самый высокий процент точности (более 94%) с моделью Conv-LSTM, которая сочетает в себе преимущества сверточных (CNN) и сетей с долговременной кратковременной памятью (LSTM) и позволяет производить анализ данных пространственных временных рядов.
Определение индекса (статуса) собранного поля. Задача состояла в том, чтобы определить соотношение между убранной площадью и общей площадью поля.
Команда EOSDA успешно определила состояние уборки на 6500 полях общей площадью 47 000 га. Специалисты по данным предоставляли отчеты о состоянии лесозаготовок каждые 10 дней.
Последний кейс, о котором рассказала ведущая, — обнаружение участков, покрытых лесом, и вырубленных участков в Тасмании. Специалисты решили проблему, используя ИНС для сравнения двух безоблачных изображений, сделанных в заданные месяцы, кварталы или годы.
Я очень рада была пообщаться со специалистами сельского и лесного хозяйства. EOS Data Analytics стремится продолжать способствовать росту этих секторов, популяризируя методы точного земледелия с помощью своих платформ для анализа спутниковых изображений на основе искусственного интеллекта и индивидуальных решений.