Классификация Сельскохозяйственных Культур На Основе Спутниковых Данных
Классификация культур является важной частью аграрного бизнеса. Идентификация посевов с помощью традиционных методов — довольно сложная и трудоемкая задача.
EOSDA предлагает более простое и быстрое решение, опираясь на экспертизу и многолетний опыт в области точного земледелия, применения ИИ-алгоритмов и дистанционного зондирования.
Объединив данные радара с синтезированной апертурой (SAR) с оптическими снимками, мы можем присвоить класс каждому типу культур, распознанному нейронной сетью в любой интересующей нас области, и построить карту распределения сельскохозяйственных культур, отвечающую потребностям клиента.
Решение Для Классификации Сельскохозяйственных Культур В Цифрах
Спутниковые карты типов сельскохозяйственных культур с точностью до 90%, в зависимости от полноты наземных данных и наличия регулярных спутниковых сцен.
Получите маски пахотных земель с разрешением 10 метров в форматах .geotiff или .shp.
Культуры идентифицируются для любой площади, даже такой небольшой, как 3 га.
Наш алгоритм идентифицирует сельскохозяйственные культуры практически в любой точке Земли.
При благоприятных условиях нашей квалифицированной RnD - команде требуется всего несколько недель, чтобы завершить исследование и предоставить вам точную карту классификации типов сельскохозяйственных культур.
Наши обученные нейронные сети могут классифицировать более 15 различных типов сельскохозяйственных культур.
Смотрите видео о нашем решении для классификации культур
Улучшить глобальную продовольственную безопасность можно, сделав практики управления пищевыми продуктами более устойчивыми. Именно поэтому EOSDA разработала решение для дистанционной классификации сельскохозяйственных культур, объединив анализ спутниковых данных с новейшими технологиями искусственного интеллекта, что позволяет крупным агропроизводителям увеличивать доходы более экологичным способом.
Для Чего Нужна Классификация Посевов
- Проведение инвентаризации на больших площадях и оценка урожайности.
- Ведение учета севооборота на отдельных участках.
- Более прозрачные и точные данные о классификации посевов для валидации запросов на компенсацию.
- Упрощенное управление землепользованием благодаря точным данным о классификации полевых культур.
- Возможность для трейдеров устанавливать цены на рынке.
Преимущества Нашего Метода
Данные, полученные только с оптических спутниковых снимков, могут быть неполными или их может не хватать из-за облачности, тумана и т.д., что затрудняет или делает невозможной классификацию сельскохозяйственных культур.
Радар с синтезированной апертурой (SAR) — это активный датчик с микроволновым излучением. Ему не требуется отраженный солнечный свет для сбора данных из области интереса. Объединяя данные SAR с оптическими снимками, мы легко решаем проблему облачности. Фактически, это позволяет нам классифицировать сельскохозяйственные культуры на снимке, сделанном в условиях плохой видимости или даже ночью.
Использование временных рядов мультиспектральных данных Sentinel-2 означает, что даже для одного крошечного поля необходимо обработать довольно много данных.
Наш арсенал предварительно обученных моделей может справиться практически с любым запросом. Для любой новой области или типа культуры мы можем легко перенастроить существующие модели нейронных сетей и быстро получить результаты.
Классификация посевов на обширных территориях является более проблематичной, поскольку спутник может снимать только ограниченный участок площади за один пролет.
Благодаря пиксельной сегментации, выполняемой нашими алгоритмами глубокого обучения, мы можем получить больше данных за более короткий период времени. Классификацию посевов также можно значительно ускорить засчет полных и точных наземных данных для выбранного региона. В ближайшем будущем EOSDA будет иметь на орбите собственную спутниковую группировку (EOS SAT), что значительно снизит срок доставки наших пользовательских решений.
Наши Истории Успеха
Классификация Сельскохозяйственных Культур Для Украины
Задачи:
- Определить типы почвенного покрова (пашня, лес и т.д.) на площади 60 млн. га.
- Обнаружить и определить границы сельскохозяйственных полей на карте.
- Классифицировать до 15 типов сельскохозяйственных культур на 41 млн. га пахотных земель.
Решения:
- Сбор точных наземных данных
- Предварительная обработка исходных данных
- Подготовка наборов данных
- Маркировка данных и запуск ML алгоритма
Результаты:
Мы классифицировали следующие типы почвенно-растительного покрова:
- Лес
- Искусственные объекты
- Вода
- Пахотные земли
- Голая земля
- Заболоченные земли
Кадастровая карта Украины
- Классифицированные поля (карта культур), га66.9 K
- Зарегистрированные земли (Кадастр), га73 K
- Незарегистрированные земли (Кадастр), га17.5 K
- Классифицированные поля на незарегистрированных землях, га8.2 K
Данные классификации культур соответствуют 2021 году
Обнаружение Заводов По Производству Сахарного Тростника В Бразилии
Задачи:
- Использовалась сверточная LSTM (Conv-LSTM) модель для обнаружения сахарного тростника в пределах заданных областей.
- Метод классификации основан на сверточной LSTM (Conv-LSTM) модели, которая объединяет преимущества сверточных (CNN) и сетей с долговременной кратковременной памятью (LSTM) и позволяет анализировать данные как в пространстве, так и во времени.
Решения:
- Использовалась сверточная LSTM (Conv-LSTM) модель для обнаружения сахарного тростника в пределах заданных областей.
- Метод классификации основан на сверточной LSTM (Conv-LSTM) модели, которая объединяет преимущества сверточных (CNN) и сетей с долговременной кратковременной памятью (LSTM) и позволяет анализировать данные как в пространстве, так и во времени.
- Модель была обучена на наборе данных из 10 различных стран мира, которые были отмечены специалистами EOSDA.
Результаты:
В задаче классификации сахарного тростника методы двунаправленных рекуррентных нейронных сетей на основе LSTM и сверточной сети LSTM продемонстрировали практически одинаково высокую общую точность (более 94%).
Для оценки точности карт классификации растительного покрова, как правило, используется матрица смешения, полученная на независимой тестовой выборке, а также следующие метрики: Общая точность (OA), индекс Каппа, точность производителя (PA) и точность пользователя (UA).
Значения UA и PA — это способы представления точности отдельных классов. Значение UA — это вероятность того, что класс пикселя на классификационной карте соответствует классу образца в тестовых данных, тогда как PA указывает на вероятность того, что пиксель из тестовых данных правильно распознан на карте.
Общая точность (OA) — это показатель общего качества карты почвенно-растительного покрова.
Коэффициент Каппа — это статистическая мера согласованности между полученными классами на карте почвенно-растительного покрова и классами, которые существуют в реальности (тестовые данные).
Еще одной метрикой для оценки качества классификатора является F-мера (F1 1 score). Она сводит две другие метрики, UA и PA, к одному числу и определяется как средневзвешенное гармоническое среднее значение между ними.
| С границами поля | Без границ полей | |||||
|---|---|---|---|---|---|---|
| UA | PA | F1 | UA | PA | F1 | |
| Сахарный тростник С границами поля Без границ полей UA PA F1 UA PA F1 | ||||||
| Сахарный тростник | 93.8% | 84.1% | 88.7% | 91.2% | 87.0% | 89.1% |
| Другие земли С границами поля Без границ полей UA PA F1 UA PA F1 | ||||||
| Другие земли | 93.5% | 97.6% | 95.5% | 95.1% | 96.7% | 95.9% |
| Общая точность С границами поля Без границ полей UA PA F1 UA PA F1 | ||||||
| Общая точность | 93.6% | 94.0% | ||||
| Каппа С границами поля Без границ полей UA PA F1 UA PA F1 | ||||||
| Каппа | 0.84% | 0.85% | ||||
Метрика UA хорошо сбалансирована, а разница PA указывает на преобладание статистических ошибок первого рода — другими словами, преобладание ложноположительных над ложноотрицательными предсказаниями. Анализ ошибок классификации для сахарного тростника относительно подклассов "Другие земли" показывает, что на класс "Другие культуры" приходится наибольшая доля ложноположительных результатов. Дополнительные классы сельскохозяйственных культур позволили бы еще больше улучшить качество классификации.
