Використання нейронних мереж для вилучення цінних даних з супутникових знімків
29 березня компанія EOS Data Analytics (EOSDA), глобальний постачальник аналітики супутникових знімків на основі штучного інтелекту, провела вебінар про можливості нейронних мереж у вирішенні завдань класифікації та прогнозування для користувачів сільськогосподарської та лісової промисловості.
Ведуча вебінара Ліна Яриш, директор з роботи з клієнтами в EOS Data Analytics, пояснила, як нейронні мережі, алгоритми глибокого навчання, які чудово вміють виявляти закономірності, розпізнають інформацію на зображеннях.
Ведуча розповіла, з якими завданнями, пов’язаними з сільським та лісовим господарством, чудово справляються нейронні мережі — це класифікація рослинного покриву, типів культур та дерев, маска хмар та виявлення ділянок вирубки лісу. Спеціалісти також поділилися двома варіантами використання класифікації культур.
Ви можете подивитись запис вебінару та переглянути презентацію.
Захід був орієнтований на керівників та технічних фахівців сільськогосподарських (у тому числі харчових) та лісопромислових компаній, а також тих, хто має клієнтів у цих галузях. Вебінар зібрав учасників із 15+ країн світу, включаючи Індію, Німеччину, Італію, Бразилію, Болівію, Філіппіни та ін.
За оцінками Продовольчої та сільськогосподарської організації (ФАО), до 2050 року нам потрібно буде виробляти на 60% більше продуктів харчування, щоб нагодувати 9,3 мільярда людей. Сільськогосподарські підприємства повинні відповідати вимогам прозорості виробництва продуктів харчування, і вже роблять усе можливе, щоб мінімізувати свій негативний вплив на навколишнє середовище. ФАО також зазначає, що наука та техніка є основними рушійними силами продуктивності сільського господарства. І це правда. Сільськогосподарські компанії розробляють рішення, які дозволяють фермерам швидко та практично у режимі реального часу отримувати інформацію для оптимізації своїх стратегій управління фермою. Завдяки передовим рішенням фермери можуть підвищувати врожайність, скорочувати відходи та втрати врожаю, знижувати експлуатаційні витрати, зберігаючи при цьому стабільність.
EOSDA продовжує інвестувати та розробляти масштабоване програмне забезпечення, щоб допомогти кінцевим користувачам досягти своїх цілей, приймаючи щоденні рішення на основі даних.
Коротко Про Індивідуальні Рішення EOS Data Analytics Та Їх Можливості
Інструменти аналізу супутникових зображень від EOSDA підтримують прийняття рішень користувачами з 22 галузей, зокрема сільського та лісового господарства (фермери, продовольчі компанії, постачальники ресурсів, сільськогосподарські страхові та фінансові організації). Продукти EOSDA Crop Monitoring та EOSDA Forest Monitoring дозволяють оцінювати стан сільськогосподарських культур, лісів та ґрунту та робити прогнози щодо спостережуваних територій, аналізуючи супутникові зображення та виступаючи як джерела поточних та історичних даних про погоду.
Наші рішення створюються власними силами: у нас є команда вчених, менеджерів з продуктів, аналітиків, фахівців за великими даними, ГІС-фахівців, розробників програмного забезпечення, тестувальників та інших професіоналів, які працюють разом. Це робить нас незалежними від підрядників та дозволяє повністю контролювати розробку продукту. І з самого початку нашої роботи ми вибрали машинне навчання як метод аналізу даних.
Глибоке Навчання З Штучними Нейронними Мережами. Як Ми Навчаємо Нейронні Мережі І Які Завдання З Легкістю Вирішуємо
Машинне навчання — це дисципліна науки про дані, мета якої — дозволити машинам вчитися на даних та отримувати інформацію без прямого програмування. Ці алгоритми добре підходять для аналізу та інтерпретації великих обсягів даних.
Глибоке навчання — це підобласть машинного навчання, в якій використовуються складні алгоритми (глибокого навчання) з архітектурою нейронних мереж — штучними нейронними мережами (ІНП). ІНС дуже ефективні при розпізнаванні зображень (класифікації). Надточні нейронні мережі, один із найпопулярніших алгоритмів глибокого навчання, використовуються у продуктах EOS Data Analytics.
Щоб нейронні мережі могли розпізнавати певні об’єкти, фахівці за даними навчають їх на великих наборах зображень з прикладами цих об’єктів, де кожне зображення позначено (анотовано) категорією, до якої воно належить: кішка чи собака, вода чи поверхня землі.
Завдяки здатності нейронних мереж виявляти закономірності, вони вирішують різні завдання класифікації та прогнозування для клієнтів EOSDA, такі як класифікація рослинного покриву та типів культур на основі інформації про стан сільськогосподарських культур та стан ґрунту, отриманої із супутникових зображень.
У заключній частині вебінару ведуча розповіла, як фахівці EOSDA вирішували практичні завдання: класифікували сорти сільськогосподарських культур в Україні та цукрову тростину у Бразилії, а також виявляли вирубані ділянки із класифікацією типів дерев.
Класифікація Видів Культур У Рамках Державної Програми Прозорості Земель В Україні
Багаторічний проект зі Світовим банком — класифікація сільськогосподарських земель в Україні — стартував у 2016 році. Завданням EOS Data Analytics була класифікація аграрних земель по всій країні, оцифрування меж полів та класифікація видів культур (до 15) на кожному полі. Загальна площа для обробки склала 41 млн. га.
Усі гравці сільськогосподарського сектора отримують вигоду з даних класифікації культур:
- Фермери: управління повсякденною діяльністю, оцінка потенційних урожаїв, використання даних сівозміни або порівняння річних результатів їхньої роботи.
- Трейдери: більш точне встановлення цін та застосування екологічних методів обробки (внесення поживних речовин).
- Страхові компанії: підтримка у прийнятті рішень про відшкодування збитків за допомогою даних.
- Державні органи: розробка та управління агробазами даних, обговорення компенсацій із фермерами.
Для наземного збору достовірних даних, фахівці двічі на рік, влітку та взимку, здійснювали обходи для картування культур, які зростають у ці сезони. Щороку агрономи збирали тисячі точок даних, щоб карти культур залишалися актуальними. Фахівці з даних, у свою чергу, навчали алгоритмів глибокого навчання на свіжих зображеннях, щоб поступово підвищувати точність класифікації культур. В результаті було досягнуто надточність (більше 90%) для розпізнавання таких культур, як кукурудза, соняшник та соя.
У результаті фахівці EOSDA оцифрували всі оброблювані землі, класифікувавши не лише понад 15 культур (такі як пшениця, соняшник, кукурудза, люцерна, цукрові буряки, ячмінь), а й інші класи земельного покриву (наприклад, ліси, пасовища, водні угіддя). Вони також підготували щорічні польові карти врожаю на шість років з 2016 по 2021 рік.
Класифікація Цукрової Тростини У Бразилії: Виявлення Заводів З Виробництва Цукрової Тростини Та Оцінка Площі
У рамках проєкту фахівці мали вирішити два завдання: виявити заводи з виробництва цукрової тростини та прибрані штабелі цукрової тростини (цю культуру збирають кілька разів на рік) на задану дату.
Класифікація заводів із виробництва цукрової тростини. Команда EOS Data Analytics зібрала достовірні наземні дані, що охоплюють 1 000 000 гектарів. Зображення були зроблені супутниками Sentinel-1, Sentinel-2 та MODIS-Terra у 10 країнах та позначені для подальшого навчання моделі.
Фахівці порівняли ефективність двох моделей і змогли отримати найвищий відсоток точності (більше 94%) з моделлю Conv-LSTM, яка поєднує в собі переваги згорткових (CNN) та мереж із довготривалою короткочасною пам’яттю (LSTM) та дозволяє проводити аналіз даних просторових часових рядів.
Визначення індексу (статусу) зібраного поля. Завдання полягало в тому, щоб визначити співвідношення між прибраною площею та загальною площею поля.
Команда EOSDA успішно визначила стан збирання на 6500 полях загальною площею 47 000 га. Фахівці за даними надавали звіти про стан лісозаготівель кожні 10 днів.
Останній кейс, про який розповіла ведуча, — виявлення ділянок, вкритих лісом, та вирубаних ділянок у Тасманії. Фахівці вирішили проблему, використовуючи ІНС для порівняння двох безхмарних зображень, зроблених у задані місяці, квартали чи роки.
Я дуже рада була поспілкуватися зі спеціалістами сільського та лісового господарства. EOS Data Analytics прагне продовжувати сприяти зростанню цих секторів, популяризуючи методи точного землеробства за допомогою своїх платформ для аналізу супутникових зображень на основі штучного інтелекту та індивідуальних рішень.