Apprendimento automatico nelle tecnologie agricole:una panoramica sul rilevamento delle colture

Il telerilevamento è attualmente una componente fondamentale delle tecnologie agricole utilizzate sempre più da aziende agricole, governi e altre organizzazioni non governative per mappare e monitorare l'uso del suolo su larga scala. I dati di telerilevamento consentono il tracciamento e l'ottimizzazione delle attività agricole da parte di vari attori nell'agroecosistema e sono un input essenziale per un'agricoltura intelligente basata sui dati. Se combinati con la verità del suolo e altre fonti di informazioni, i dati di telerilevamento forniscono un'analisi completa delle attività di produzione delle colture.

Rilevamento delle colture utilizzando gli algoritmi di Machine Learning di CropIn

Qualsiasi analisi approfondita della produzione agricola che utilizza le tecnologie agricole inizia con il rilevamento delle colture utilizzando immagini di telerilevamento derivate dai satelliti di osservazione della terra. Questi satelliti sono posizionati a diverse centinaia di chilometri dalla superficie e dotati di sensori multispettrali per eseguire l'imaging della Terra per acquisire immagini del suolo ad alta risoluzione nelle zone spettrali del vicino infrarosso visibile (VNIR) e dell'infrarosso a onde corte (SWIR). Alcuni satelliti per l'osservazione della terra hanno fino a 13 canali spettrali che aiutano ad analizzare le caratteristiche biofisiche delle piante utilizzando indici di vegetazione, che sono calcolati come differenze tra due o più bande nella luce visibile (VIS), nel vicino infrarosso (NIR) e nelle lunghezze d'onda SWIR.

Tra almeno cento diversi indici spettrali, l'NDVI (Normalized Difference Vegetation Index) è un indice di vegetazione preferito dagli scienziati per determinare la condizione, gli stadi di crescita, la biomassa e la stima della resa delle colture. L'indice quantifica la presenza di clorofilla sulla superficie terrestre e aiuta a valutare se la regione osservata contiene vegetazione verde viva valutando i colori distinti o le lunghezze d'onda della luce solare VIS e NIR riflessa dalle piante.

Durante la mappatura dell'uso del suolo, CropIn utilizza le serie temporali NDVI dei dati di immagini satellitari Sentinel-1 (RADAR) e Sentinel-2 (ottico) per distinguere i terreni e i tipi di colture da altre forme di copertura del suolo. La conoscenza preesistente dei cicli fenologici delle diverse colture facilita la loro identificazione, che viene quindi convalidata dal ricco pool di dati sulle colture esistente di CropIn. Le informazioni storiche sulla trama, derivate anche dalle immagini satellitari, ci consentono di ottenere una visione più approfondita di ciò che l'agricoltore ha coltivato in passato e questa intelligenza si presta ulteriormente alla convalida dei dati quando implementiamo il modello di rilevamento delle colture per una nuova trama di terreno agricolo. CropIn ha sviluppato un sistema di identificazione delle colture all'avanguardia e in tempo reale utilizzando una serie di modelli di deep learning. Il sistema utilizza l'architettura 3D CNN e LSTM per costruire modelli individuali. Durante la creazione dei modelli, si ritiene che sia l'approccio basato su pixel che quello basato su immagini costituiscano un sistema più generalizzato. Mentre i dati ottici di Sentinel 2 forniscono una vasta gamma di informazioni che consentono il rilevamento delle colture in una giornata luminosa e soleggiata, se l'immagine satellitare è oscurata dalla presenza di nuvole, in particolare durante la stagione delle piogge (stagione Kharif), il sistema passa automaticamente ai modelli che adottano dati RADAR (Sentinel-1).

Per migliorare l'accuratezza del modello di rilevamento delle colture e per convalidare il risultato, li formiamo ripetutamente distribuendoli su entrambi i piccoli territori e su un'area significativamente più ampia, come un codice pin o un distretto. Per rendere le prestazioni uniformi in diverse località geografiche, vengono utilizzate tecniche di transfer learning per costruire modelli individuali più specifici per regione. Per l'area più ampia, il raccolto rilevato dal motore di deep learning viene sottoposto a verifica incrociata con i dati del governo, se disponibili, o con i dati raccolti utilizzando SmartFarm ^® di CropIn per una particolare stagione o raccolto. Un altro vantaggio dell'utilizzo del modello di rilevamento delle colture, insieme al rilevamento dei confini del terreno, è che aiuta anche a identificare la differenza tra la valutazione degli agricoltori della loro superficie e la resa corrispondente e ciò che rileva l'algoritmo. La novità del sistema di CropIn è che può prevedere le colture in qualsiasi momento, dalla semina al raccolto, e non è necessario attendere le informazioni sulle serie temporali complete.

CropIn ha distribuito il sistema in tutto lo stato indiano del Maharashtra per prevedere i raccolti con i dati di Sentinel-1 e Sentinel-2 negli anni 2018, 2019 e 2020. Le prestazioni complessive per i modelli di deep learning basati sulle statistiche del governo e la convalida del terreno è compresa tra il 60% e l'80% a seconda delle regioni, delle stagioni e degli anni in cui sono state rilevate le colture.

Figura:CropIn utilizza le serie temporali NDVI dei dati delle immagini satellitari Sentinel-1 (RADAR) e Sentinel-2 (ottico) per distinguere i terreni e i tipi di colture da altre forme di copertura del suolo.

Agricoltura di precisione:il dono della tecnologia agricola

Sistemi di agricoltura efficienti guidati da dati scientifici e accurati sono resi possibili con numerosi progressi nelle tecnologie agricole. Le capacità di rilevamento delle colture, alimentate dal telerilevamento, facilitano i produttori e gli abilitanti dell'agricoltura a ottimizzare la produzione delle colture con la minima interferenza umana.

Aziende agricole e sementiere :l'identificazione delle colture basata su appezzamenti georeferenziati e confini definiti del terreno consente ai produttori di stimare la resa in modo più preciso e in tempo reale. Aiuta inoltre i produttori a riconoscere i segni di cattiva salute del raccolto causati da una malattia o da parassiti e a rispondere prontamente per ridurre al minimo la perdita di raccolto in modo efficace.

Società agroalimentari: Il rilevamento delle colture in coltivazione consente alle aziende agro-input di determinare le regioni o le aziende agricole che trarrebbero il massimo beneficio dai loro input. Le organizzazioni che producono prodotti per la protezione delle colture possono ottimizzare le loro vendite specifiche per la coltura target e la loro fase di crescita, mentre le aziende di macchine agricole possono migliorare il coinvolgimento degli agricoltori contattandoli nei giusti stati di coltivazione.

Agenzie governative: Gli esperimenti di taglio delle colture sono ora efficienti in termini di tempo e costi grazie all'uso del rilevamento delle colture e all'identificazione delle fasi della coltura a livello regionale. Gli approfondimenti in tempo reale migliorano la visibilità durante tutto il periodo di coltivazione e consentono inoltre alle agenzie governative di ottenere stime abbastanza accurate dei raccolti per aiutare i funzionari a pianificare meglio l'approvvigionamento alimentare e accelerare i reclami assicurativi.

Compagnie assicurative: L'elaborazione delle immagini satellitari, unita al deep learning, consente ai fornitori di assicurazioni agricole di valutare più accuratamente le perdite di raccolto dovute a calamità naturali, aiuta a superare le numerose carenze delle procedure manuali e riduce le risorse da esse richieste per l'intero processo.

Istituti di credito: Il "rapporto sull'affidabilità agricola" di SmartRisk fornisce alle banche un riepilogo dettagliato del raccolto nelle ultime cinque stagioni per un appezzamento specifico. Il rapporto consente alle istituzioni di valutare le richieste di prestito e valutare preventivamente l'NPA sulla base delle colture precedentemente coltivate dall'agricoltore, della resa stimata e dell'indice di crescita relativo. I funzionari possono anche analizzare la crescita delle colture in tempo reale utilizzando questi dati agricoli alternativi.

ONG e agenzie di sviluppo: Le organizzazioni che abilitano l'agricoltura, soprattutto nei paesi in via di sviluppo o sottosviluppati, possono sfruttare le capacità di rilevamento delle colture per mappare la coltivazione delle colture in tutte le regioni, monitorare la loro salute in tempo reale e fornire agli agricoltori consigli per migliorare la produttività o prevenire ingenti danni alle colture dovuti a malattie, infestazioni da parassiti o condizioni meteorologiche impreviste.