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.

удаленная карта классификации культур
ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ

Решение Для Классификации Сельскохозяйственных Культур В Цифрах

Точность
до 90%

Спутниковые карты типов сельскохозяйственных культур с точностью до 90%, в зависимости от полноты наземных данных и наличия регулярных спутниковых сцен.

Разрешение
10 метров

Получите маски пахотных земель с разрешением 10 метров в форматах .geotiff или .shp.

Размер поля
от 3 га

Культуры идентифицируются для любой площади, даже такой небольшой, как 3 га.

Охват
Области интереса в 195 странах

Наш алгоритм идентифицирует сельскохозяйственные культуры практически в любой точке Земли.

Сроки предоставления карты культур
от 1 месяца

При благоприятных условиях нашей квалифицированной RnD - команде требуется всего несколько недель, чтобы завершить исследование и предоставить вам точную карту классификации типов сельскохозяйственных культур.

Типы сельскохозяйственных культур
более 15

Наши обученные нейронные сети могут классифицировать более 15 различных типов сельскохозяйственных культур.

О РЕШЕНИИ

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.
данные о культуре данные о культуре
КАК МЫ СПРАВЛЯЕМСЯ С ТРУДНОСТЯМИ

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.

объединение данных SAR с оптическими изображениями

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.

Предварительно обученные модели EOSDA

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.

классификация типов культур в приложении 2021
классификация типов культур в приложении 2022
ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ

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:

Полная классификация почвенно-растительного покрова Украины

Мы классифицировали следующие типы почвенно-растительного покрова:

  • Лес
  • Искусственные объекты
  • Вода
  • Пахотные земли
  • Голая земля
  • Заболоченные земли
Мы классифицировали следующие типы почвенно-растительного покрова
Оцифровка всех пахотных полей в Украине

Кадастровая карта Украины

  • Классифицированные поля (карта культур), га
    66.9 K
  • Зарегистрированные земли (Кадастр), га
    73 K
  • Незарегистрированные земли (Кадастр), га
    17.5 K
  • Классифицированные поля на незарегистрированных землях, га
    8.2 K
  • Основные культуры
    Общая площадь полей, га
  • Зерновые
    27.9 K
  • Кукуруза
    11.3 K
  • Соевые бобы
    8.5 K
  • Подсолнух
    8.1 K
  • Рапс
    5.8 K
Кадастровая карта Украины
Карта культур Украины на уровне полей в период с 2016 по 2021 год

Данные классификации культур соответствуют 2021 году

Данные классификации культур соответствуют 2021 году
Карта культур Украины на уровне полей в период с 2016 по 2021 год

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:

Валидация точности
Conv-LSTM
Классификационная карта на основе архитектуры модели Conv-LSTM.
LSTM
Маска сахарного тростника на основе двунаправленных рекуррентных нейронных сетей на основе LSTM.

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.

EOSDA logo

Решения EOSDA разрабатываются профессиональной командой из 50+ ГИС - специалистов и специалистов по обработке больших данных, которые прогоняют данные, полученные со спутников, через обученные нейронные сети для получения наиболее точных результатов. Компания имеет многолетний опыт работы на рынке точного земледелия и соответствует 9 из 17 Целей устойчивого развития ООН.

our advisor

Мы готовы помочь!

Задайте вопросы или запланируйте индивидуальную демонстрацию.

satellite