Definizione dell'uso del suolo/copertura del suolo con il motore di apprendimento profondo di Cropin

I progressi nella tecnologia geospaziale e l'uso sempre più innovativo dell'intelligenza artificiale e del deep learning stanno consentendo un approccio scientifico e basato sui dati per un monitoraggio ambientale efficace. Le tecnologie di telerilevamento stanno consentendo lo studio dei cambiamenti nella copertura del suolo terrestre, che include vegetazione, superfici idriche e caratteristiche artificiali, nonché vari modelli di uso del suolo.

Le attività umane negli ultimi secoli hanno accelerato e intensificato la trasformazione della superficie terrestre. In quest'ottica, la classificazione e la valutazione dei modelli di uso del suolo e copertura del suolo (LULC) sono fondamentali per gli studi di monitoraggio globale, la conservazione ambientale, la pianificazione dell'uso del suolo, la gestione delle risorse e lo sviluppo sostenibile in tutto il mondo.

La terra è l'input primario e più essenziale per l'agricoltura, ed è inutile dire che produrre cibo, mangimi e fibre sufficienti per la popolazione mondiale sarebbe impossibile se non ci fosse abbastanza terra per scopi agricoli. Per questo motivo, l'analisi della distribuzione dei seminativi diventa indispensabile per determinare la disponibilità di terreni per scopi agricoli nelle diverse regioni e, di conseguenza, aumentare la produzione agricola nel mondo. Il confronto dei dati satellitari di telerilevamento acquisiti in diversi momenti consente anche di monitorare le modifiche LULC per identificare il restringimento dei terreni agricoli a causa di eventi meteorologici o attività umane.

In che modo Cropin definisce l'uso del suolo e la copertura del suolo con l'intelligenza artificiale e il deep learning?

Il motore basato sull'intelligenza artificiale di Cropin classifica l'uso del suolo in base al sistema di classificazione dell'uso del suolo sviluppato dallo United State Geological Survey (USGS). Questo sistema classifica l'uso del suolo e la copertura del suolo in più livelli, le categorie in ciascuno formano una gerarchia nidificata di sottocategorie. Ad esempio, l'agricoltura, che è una delle grandi categorie del livello I, include categorie dettagliate come "Coltivazioni e pascoli ', ' Frutteti, boschetti, vigneti e vivai ' e 'Operazioni di alimentazione confinata '. Mentre le categorie di livello I sono di tipo LANDSAT, le categorie di livello II sono dati di alta quota (12400 m o superiore) con migliori risoluzioni spaziali, spettrali e temporali.

La mappatura LULC di Cropin si basa sul livello I del sistema USGS rilevante per applicazioni regionali e varie su larga scala. Il motore di Cropin adotta cinque delle nove sottocategorie del livello I, vale a dire terreni agricoli, terreni aridi, edificati o urbani, foreste e corpi idrici.

Come primo passo della classificazione LULC, i dati dalle immagini satellitari grezze vengono estratti e addestrati utilizzando gli algoritmi proprietari di Cropin per geotaggare i confini a livello di stato e distretto in India. I dati vengono quindi puliti per rimuovere i confini irregolari della trama e migliorare l'accuratezza dei punti dati, quindi addestrati nuovamente per mappare l'utilizzo del suolo per la stagione in corso (Rabi/Kharif).

Per mappare ciascuna delle cinque categorie con confini distinti e precisi, i modelli addestrati subiscono ulteriormente una rimozione dei valori anomali in due fasi. La ripetuta sanificazione dei punti dati si traduce in pixel puri in cui "Costruito/Urban" non include alcun corpo idrico o non vi è la presenza di "Terra sterile" all'interno di "Terra agricola". Questi modelli vengono quindi testati per la precisione e riqualificati utilizzando vari metodi fino a una precisione non inferiore al 90% è raggiunto.

La mappa dell'uso del suolo generata dal sistema di Cropin per la stagione Rabi si basa su un modello ottico. Tuttavia, per la stagione Kharif, i modelli vengono costruiti sulla base dei dati di immagine del radar ad apertura sintetica (SAR) considerando l'aumento della copertura nuvolosa durante il periodo.

Figura 1:mappa LULC di una regione nel Madhya Pradesh nordoccidentale

Una volta che LULC è stato classificato e verificato per la precisione, la mappatura dell'uso del suolo per l'agricoltura verrà estratta da SmartRisk e visualizzato sulla sua dashboard interattiva basata su mappa, in base a quali colture nella determinata regione verranno identificate in base alle esigenze dell'utente.

In che modo questo si traduce in valore per gli stakeholder agricoli?

Informazioni LULC aggiornate e affidabili presentano numerosi vantaggi nel settore agricolo, in particolare se utilizzate da organismi governativi e istituzioni di prestito agricolo, per sviluppare politiche agrarie efficaci.

SmartRisk facilita le parti interessate chiave negli enti governativi per determinare la disponibilità di terreno agricolo in una determinata regione (a livello di azienda agricola/codice postale/stato/paese) per quella particolare stagione. La piattaforma intelligente stabilisce anche le prestazioni storiche della regione, consentendo agli utenti di confrontare i dati attuali con i record passati per esaminare i cambiamenti LULC a seguito di urbanizzazione, invasione o eventi meteorologici gravi nella regione. Anche altre attività come la pianificazione dell'approvvigionamento idrico per le esigenze di irrigazione diventano efficaci con l'uso delle capacità LULC di questa piattaforma all'avanguardia.

Figura 2:dashboard SmartRisk che mostra la classificazione LULC per Bareli, Madhya Pradesh

Banche, assicurazioni e altri istituti finanziari possono analizzare la superficie netta seminata a livello regionale per decidere le proprie politiche di prestito e l'espansione dell'attività in nuove regioni. A livello di appezzamento, l'ente può identificare se un appezzamento agricolo viene coltivato e sfruttare i registri delle prestazioni storiche del appezzamento per una più rapida sottoscrizione del prestito e una valutazione del rischio supportata da dati agricoli alternativi. Scopri tutto su come l'IA sta ottimizzando i pagamenti assicurativi per uno dei più grandi programmi di assicurazione delle colture al mondo.

Produttori di semi e altro aziende agroalimentari possono ottimizzare le proprie strategie di vendita in base alla superficie netta seminata e ai dati di classificazione delle colture resi disponibili sul dashboard di SmartRisk. La conoscenza di quale coltura cresce, dove e quale sia la sua fase e stato di salute della coltura, consente alle aziende di input di rendere disponibili i loro prodotti presso i punti di distribuzione più vicini.

D'altra parte, imprese di approvvigionamento e approvvigionamento , così come i commercianti di materie prime, possono sfruttare questa agri-intelligence per identificare le colture sparse in una regione e prendere decisioni di acquisto più intelligenti in base alla disponibilità del raccolto.