Класифікація Культур І Розмежування Полів У Киргизстані
Економічне процвітання деяких країн світу напряму залежить від виробництва цукру. І хоча цукрова тростина безперечно домінує на ринку, цукровий буряк може скласти їй достойну конкуренцію, якщо говорити про дотримання принципів сталого розвитку у вирощуванні культур.
Крім того, що з цукрового буряка отримують близько 20% рафінованого цукру у світі, він також використовується у виробництві кормів для худоби та етанолу . Загалом, цукровий буряк є невіддільною складовою багатьох галузей: лікеро-горілчаної, консервної, кондитерської, хлібопекарської, фармацевтичної, біопаливної, садівничої і не тільки. Щобільше, дослідження показують, що вирощування цукрового буряка призводить до набагато менших викидів CO2, ніж вирощування цукрової тростини, і при цьому займає менше землі та потребує менше води .
Клієнт з Киргизстану звернувся до команди EOSDA із запитом отримати індивідуальну карту класифікації культур з розмежуванням полів, щоб мати можливість узгодити свої стратегічні цілі виробництва цукрового буряка з реальним плануванням та оцінкою ресурсів.
Огляд: Про Динаміку Виробництва Цукрового Буряка В Киргизстані
Вирощування цукрового буряка є одним з найважливіших видів сільськогосподарської діяльності в Киргизстані. У багатьох регіонах під цю культуру відвели великі площі землі в долинах і побудували поруч цукрові заводи. Кількість виробленого цукру стабільно зростає, а місцева влада планує і надалі модернізувати та підтримувати цю галузь.
Оптимізація виробничих потужностей відповідає глобальним цілям сталого розвитку та практикам точного землеробства. Для впровадження нових прогресивних підходів клієнт EOSDA вирішив почати з виявлення меж полів та класифікації культур за допомогою космічних знімків та багаторівневої архітектури глибокого навчання.
Проблема: Аналіз Геопозиції Поля Та Налагодження Логістики
Унікальна топографія полів цукрового буряка в Киргизстані створює чимало проблем виробникам. Оскільки поля розташовані в основному в оточених горами долинах, вологість там достатня. Однак цукровий буряк дуже вимогливий до орного горизонту. Тому своєчасний і якісний обробіток ґрунту вкрай важливий для формування високої врожайності цих коренеплодів. Чітке розуміння розмірів полів і місць їх розташування допоможе місцевим виробникам цукру адаптувати свої технології вирощування протягом сезонів і планувати необхідні заходи відповідно.
Варто також пам’ятати, що комерційна складова у сільському господарстві так само важлива, як і точність. Дослідження показують, що середній показник видобутку цукру становить від 14% до 16%, тобто з 1 тонни сировини отримують лише 140-160 кг цукру . Тому економічно невиправдано проєктувати довгі й дорогі логістичні шляхи від полів до цукрових заводів. Переглянувши місця розташування полів, надані супутниковими знімками, клієнт може планувати найбільш ефективну логістику для цукрового виробництва.
Рішення: Навчити Нейронну Мережу Розмежовувати Поля І Класифікувати Культури Та На Основі Унікальних Характеристик Регіону
Цілями проєкту були виявлення меж полів та класифікація культур. Область інтересу (AOI) була розділена на певну кількість класів, відповідно до типів культур та/або геопросторових характеристик (ліс, вода, оголена земля і т.д.), і представлена клієнту у векторному форматі.
Спеціальна нейронна мережа була забезпечена наземними даними, сільськогосподарським календарем та даними супутникових знімків, прив’язаних до конкретної місцевості. Після цього вона була навчена на основі контрольованої згорткової LSTM-моделі (Conv-LSTM), що дозволило використати переваги:
- Згорткової (CNN) нейронної мережі: ефективна у розпізнаванні та обробці зображень.
- Нейронної мережі з довгою короткостроковою пам’яттю (LSTM): здатна працювати з довгостроковими залежностями без недоліків проблеми зникаючого градієнта, що особливо зручно для довгих сільськогосподарських циклів вегетації.
Межі полів можна описати як полігональні фігури. Науковці EOSDA керували моделлю, надаючи інформацію про очікувані форми полів, а сама модель могла автоматично визначати поля з довільною кількістю точок, таким чином визначаючи різноманітні полігональні форми, які також відповідають певним типам культур.
EOSDA Crop Monitoring
Супутниковий моніторинг – керуйте полями дистанційно за допомогою однієї платформи!
Реалізація проєкту тривала з кінця весни до середини літа 2021 року, в період активного розвитку вегетації, що дозволило отримати супутникові знімки з чітко ідентифікованими патернами.
Процес навчання індивідуальної нейромережевої моделі в EOSDA може відрізнятися залежно від вхідних даних, цілей проєкту та географічного розташування. У цьому випадку він був розділений на кілька основних етапів.
Етап 1: Попередня Обробка
Спочатку команда EOSDA отримала наступні вхідні дані:
- Векторний полігональний шар AOI
- Супутникові дані Sentinel-2 з відповідними растровими діапазонами (роздільна здатність 10 метрів)
- Наземні дані у вигляді точок (на основі географічних координат)
Високоякісні дані є необхідною передумовою для будь-якого алгоритму машинного навчання. Команда EOSDA отримала відповідні дані супутникових знімків AOI, включно з радіометричними поправками на атмосферні шуми та похибки датчиків, а також геометричною корекцією спотворень, які виникають внаслідок змінного положення супутникових датчиків відносно Землі. Потенційно зашумлені дані були відфільтровані перед тим, як перейти до наступного кроку.
Етап 2: Навчання Нейромережевої Моделі
Процес навчання складався з двох основних етапів:
- Навчання класифікаційної моделі на наданих клієнтом даних — місцях розташування полів з певними культурами. Результатом є растровий знімок, на якому зображення кластеризовано за класами відповідно до культур;
- Адаптація моделі виявлення меж поля. Результатом є високоточна векторна маска (найкращий результат зазвичай вибирається індивідуально або компілюється з кількох найкращих варіантів).
Після того, як команда EOSDA отримала результати класифікації культур та визначення меж полів, вони були готові перенести ці дані на географічну карту області інтересу.
Етап 3: Інтерполяція Зображення
На цьому етапі растрові та векторні результати двох моделей об’єднуються для створення найточнішої карти класифікації посівів у векторному форматі.
Вихідні дані продемонстрували дані по чотирьох класах культур, які були попередньо узгоджені з клієнтом:
- Цукровий буряк
- Кукурудза
- Люцерна
- Інші культури
Крім того, були виявлені неорані зони, такі як:
- Вода
- Оголена земля
- Ліс
- Пасовища
- Сади
Автоматично розрахована площа кожної зони була надана у форматі електронної таблиці. Звіт також включав візуалізовані статистичні дані з поясненнями результатів і рекомендаціями науковців EOSDA.
Результат: Детальна Карта Сільськогосподарських Культур І Меж Полів Та Її Цінність Для Бізнесу
Класифікація культур і визначення меж полів дозволили клієнту зробити реалістичні оцінки прогнозованих обсягів виробництва цукрового буряка у регіоні. Щобільше, ця інформація також дозволить клієнту:
- Віддалено відрізняти орні землі від неораних;
- Визначати поточне розташування полів цукрового буряка і відповідно планувати сільськогосподарську логістику;
- Розраховувати фактичні площі окремих видів культур і оцінювати потенційну врожайність;
- Проводити регіональні інвентаризації на основі точної геолокації;
- Оцінювати продуктивність ґрунтів на конкретних ділянках;
- Ефективніше планувати та оцінювати врожайність, одночасно коригуючи стратегії для досягнення цілей імпорту та експорту.
Нещодавно отримані дані стали першим кроком в усвідомленні широкого спектра можливостей точного землеробства у Киргизстану, тим самим допомагаючи реалізувати потенціал для розвитку виробництва цукрового буряка в майбутньому.
Про автора:
Наталія Іванчук отримала ступінь магістра з прикладної математики в Національному університеті водного господарства та природокористування. Вона є авторкою понад 60 наукових публікацій, монографій та інших наукових праць.
Експертиза Наталії та її постійне бажання вчитися і вдосконалювати свої навички програмування (C++, C#, JS, Python) надзвичайно корисні для EOS Data Analytics.
Oстанні статті
EOSDA Crop Monitoring: Запущено Конструктор Карт
Завдяки новій функції користувачі EOSDA Crop Monitoring тепер можуть використовувати дані про врожайність зі своєї техніки для оптимізації використання ресурсів та продуктивності посівів.
Азотні Добрива: Види, Способи І Строки Внесення
Азотні добрива підвищують врожайність і зміцнюють продовольчу безпеку. Однак їх застосування потребує розумного підходу для отримання переваг і мінімізації впливу на довкілля.
FANCAMPO Mexico Використовує ДЗЗ Для Страхування Врожаю
Агрострахування в Мексиці виходить на новий рівень завдяки тому, що фонд FANCAMPO використовує аналітику супутникових зображень через EOSDA Crop Monitoring для оцінювання страхових претензій.