Класифікація Сільськогосподарських Культур На Основі Супутникових Даних
Класифікація культур є важливою частиною аграрного бізнесу. Ідентифікація посівів за допомогою традиційних методів – досить складне та трудомістке завдання.
EOSDA пропонує більш просте та швидке рішення, спираючись на експертизу та багаторічний досвід у галузі точного землеробства, застосування ІІ-алгоритмів та дистанційного зондування.
Об'єднавши дані радара із синтезованою апертурою (SAR) з оптичними знімками, ми можемо присвоїти клас кожному типу культур, розпізнаному нейронною мережею в будь-якій області, що цікавить нас, і побудувати карту розподілу сільськогосподарських культур, що відповідає потребам клієнта.
Рішення Для Класифікації Сільськогосподарських Культур У Цифрах
Супутникові карти типів сільськогосподарських культур із точністю до 90%, залежно від повноти наземних даних та наявності регулярних супутникових сцен.
Отримайте маски орних земель з роздільною здатністю 10 метрів у форматах .geotiff або .shp.
Культури ідентифікуються для будь-якої площі, навіть такої невеликої, як 3 га.
Наш алгоритм ідентифікує культури практично у будь-якій точці Землі.
За сприятливих умов нашій кваліфікованій RnD-команді потрібно лише кілька тижнів, щоб завершити дослідження та надати вам точну карту класифікації типів сільськогосподарських культур.
Наші навчені нейронні мережі можуть класифікувати понад 15 різних типів сільськогосподарських культур.
Дивіться відео про наше рішення для класифікації культур
Покращити глобальну продовольчу безпеку можна, зробивши практики управління харчовими продуктами більш сталими. Саме тому EOSDA розробила рішення для дистанційної класифікації сільськогосподарських культур, об'єднавши аналіз супутникових даних з новітніми технологіями штучного інтелекту, що дозволяє великим агровиробникам збільшувати прибутки в більш екологічний спосіб.
Для Чого Потрібна Класифікація Культур
- Проведення інвентаризації на великих площах та оцінка врожайності.
- Ведення обліку сівозміни на окремих ділянках.
- Більш прозорі та точні дані щодо класифікації посівів для валідації запитів на компенсацію.
- Спрощене управління землекористуванням завдяки точним даним про класифікацію сільськогосподарських культур.
- Можливість для трейдерів встановлювати ціни на ринку.
Переваги Нашого Методу
Дані, отримані лише з оптичних супутникових знімків, можуть бути неповними або їх може не вистачати через хмарність, туман тощо, що ускладнює або унеможливлює ідентифікацію культур.
Радар із синтезованою апертурою (SAR) – це активний датчик із мікрохвильовим випромінюванням. Йому не потрібне відбите сонячне світло для збору даних в області інтересу. Поєднуючи дані SAR із оптичними знімками, ми легко вирішуємо проблему хмарності. Фактично це дозволяє нам класифікувати сільськогосподарські культури на знімку, зробленому в умовах поганої видимості або навіть уночі.
Використання тимчасових рядів мультиспектральних даних Sentinel-2 означає, що навіть для одного крихітного поля необхідно обробити чимало даних.
Наш арсенал попередньо навчених моделей може впоратися практично з будь-яким запитом. Для будь-якої нової області чи типу культури ми можемо легко переналаштувати існуючі моделі нейронних мереж та швидко отримати результати.
Класифікація культур на великих територіях є проблематичнішою, оскільки супутник може знімати лише обмежену ділянку площі за один проліт.
Завдяки піксельній сегментації, яку виконують наші алгоритми глибокого навчання, ми можемо отримати більше даних за більш короткий період часу. Класифікацію культур можна значно прискорити за рахунок повних і точних наземних даних для обраного регіону. У найближчому майбутньому EOSDA матиме на орбіті власне супутникове угрупування (EOS SAT), що значно знизить термін доставки наших користувальницьких рішень.
Наші Історії Успіху
Класифікація Сільськогосподарських Культур Для України
Завдання:
- Визначити типи ґрунтового покриву (рілля, ліс тощо) на площі 60 млн. га.
- Виявити та визначити межі сільськогосподарських полів на карті.
- Класифікувати до 15 типів сільськогосподарських культур на 41 млн. га орних земель.
Рішення:
- Збір точних наземних даних.
- Попередня обробка вихідних даних.
- Підготовка наборів даних.
- Маркування даних та запуск ML алгоритму.
Результати:
Ми класифікували такі типи ґрунтово-рослинного покриву:
- Ліс
- Штучні об'єкти
- Вода
- Орні землі
- Гола земля
- Заболочені землі
Кадастрова карта України
- Класифіковані поля (карта сільськогосподарських культур), га66.9 K
- Зареєстровані землі (Кадастр), га73 K
- Незареєстровані землі (Кадастр), га17.5 K
- Класифіковані поля на незареєстрованих землях, га8.2 K
Дані класифікації культур відповідають 2021
Виявлення Заводів Із Виробництва Цукрової Тростини У Бразилії
Завдання:
- Використовувалася згорткова LSTM (Conv-LSTM) модель для виявлення цукрової тростини в межах заданих областей.
- Метод класифікації заснований на згортковій LSTM (Conv-LSTM) моделі, яка поєднує переваги згорткових (CNN) та мереж з довготривалою короткочасною пам'яттю (LSTM) та дозволяє аналізувати дані як у просторі, так і в часі.
Рішення:
- Використовувалася згорткова LSTM (Conv-LSTM) модель для виявлення цукрової тростини в межах заданих областей.
- Метод класифікації заснований на згортковій LSTM (Conv-LSTM) моделі, яка поєднує переваги згорткових (CNN) та мереж з довготривалою короткочасною пам'яттю (LSTM) та дозволяє аналізувати дані як у просторі, так і в часі.
- Модель була навчена на наборі даних із 10 різних країн світу, які були відзначені фахівцями EOSDA.
Результати:
У задачі класифікації цукрової тростини методи двонаправлених нейронних рекурентних мереж на основі LSTM і згорткової мережі LSTM продемонстрували практично однаково високу загальну точність (понад 94%).
Для оцінки точності карт класифікації рослинного покриву, як правило, використовується матриця змішування, отримана на незалежній тестовій вибірці, а також наступні метрики: Загальна точність (OA), індекс Каппа, точність виробника (PA) та точність користувача (UA).
Значення UA і PA — це способи представлення точності окремих класів. Значення UA — це ймовірність того, що клас пікселів на класифікаційній карті відповідає класу зразка в тестових даних, тоді як PA вказує на ймовірність того, що пікселі з тестових даних правильно розпізнані на карті.
Загальна точність (ОА) — це показник загальної якості карти ґрунтово-рослинного покриву.
Коефіцієнт Каппа — це статистична міра узгодженості між отриманими класами на карті ґрунтово-рослинного покриву і класами, які існують в реальності (тестові дані).
Ще один показник для оцінки якості класифікатора є F-міра (F1 1 score). Вона зводить дві інші метрики, UA і PA, до одного числа і визначає як середньозважене гармонічне середнє значення між ними.
| З межами поля | Без меж полів | |||||
|---|---|---|---|---|---|---|
| UA | PA | F1 | UA | PA | F1 | |
| Цукрова тростина З межами поля Без меж полів UA PA F1 UA PA F1 | ||||||
| Цукрова тростина | 93.8% | 84.1% | 88.7% | 91.2% | 87.0% | 89.1% |
| Інші землі З межами поля Без меж полів UA PA F1 UA PA F1 | ||||||
| Інші землі | 93.5% | 97.6% | 95.5% | 95.1% | 96.7% | 95.9% |
| Загальна точність З межами поля Без меж полів UA PA F1 UA PA F1 | ||||||
| Загальна точність | 93.6% | 94.0% | ||||
| Каппа З межами поля Без меж полів UA PA F1 UA PA F1 | ||||||
| Каппа | 0.84% | 0.85% | ||||
Метрика UA добре збалансована, а різниця PA вказує на переважання статистичних помилок першого роду — іншими словами, переважання хибнопозитивних над хибнонегативними передбаченнями. Аналіз помилок класифікації для цукрової тростини щодо підкласів "Інші землі" показує, що на клас "Інші культури" припадає найбільша частка хибнопозитивних результатів. Додаткові класи сільськогосподарських культур дозволили б ще більше покращити якість класифікації.
