benvenuto a
Agricoltura moderna
!
La definizione accurata dei confini del territorio è un passaggio fondamentale nell'identificazione dell'uso del suolo e nella pianificazione della loro gestione. In particolare per i terreni coltivati, questa definizione consente agli agricoltori e alle aziende agroalimentari di stimare meglio la superficie per un uso efficiente degli input agricoli, come sementi, pesticidi, fertilizzanti e altre risorse e per ottimizzare le attività di produzione e post-produzione.
I processi manuali di identificazione dei confini territoriali si sono rivelati lunghi e laboriosi. Tuttavia, la tecnologia avanzata in agricoltura, come le immagini di telerilevamento, fornisce informazioni approfondite e spazialmente esplicite sull'uso dei terreni agricoli in tempo reale che altrimenti sarebbero difficili da ottenere.
L'imaging satellitare, l'apprendimento automatico e l'intelligenza artificiale in agricoltura stanno fornendo agli attori dell'agroecosistema una registrazione storica della distribuzione delle colture coltivate nelle regioni. Gli enti governativi possono sfruttare questa intelligence per pianificare adeguatamente l'importazione e l'esportazione di prodotti alimentari. Le istituzioni finanziarie possono utilizzare questi dati agricoli alternativi per determinare il raccolto che un agricoltore sta coltivando, la sua salute e le prestazioni della trama per valutare le proposte di prestito. Le aziende agricole possono monitorare e gestire a distanza le proprie aziende agricole in ogni fase della produzione agricola senza dover visitare frequentemente i campi, soprattutto alla luce dell'attuale difficile situazione causata dalla pandemia.
Per ottenere dati accurati per ognuna di queste valutazioni e arrivare a intuizioni conclusive, i confini esatti dell'appezzamento della fattoria svolgono un ruolo cruciale. Negli ultimi anni, i dati di imaging satellitare, in particolare quelli di Landsat-8 (ottico), Sentinel-1 (RADAR) e Sentinel-2 (ottico) vengono utilizzati per identificare la posizione, le dimensioni e l'estensione spaziale del terreno agricolo . Questi dati vengono poi combinati con le informazioni meteorologiche, per migliorare la classificazione del tipo di coltura e monitorarli in tempo reale.
La tecnologia avanzata in agricoltura che integra anche altre informazioni, come il tipo di coltura, il tipo di suolo e lo stress idrico nella regione, diventa vitale per elaborare un piano agricolo efficace e per sviluppare e monitorare politiche e schemi agricoli per gli agricoltori. Forniscono ai produttori altre capacità, come la previsione della resa, la previsione della fase del raccolto, la stima dello stato di salute delle colture, l'identificazione delle date di semina e raccolta, la stima dello stress idrico, la stima dell'umidità del suolo e la programmazione dell'irrigazione.
Mentre i confini dei terreni coltivati sono più facili da delineare e digitalizzare per le grandi proprietà terriere, diventa sempre più difficile per le piccole proprietà terriere, in particolare in alcuni paesi e regioni emergenti. L'assenza di confini ben definiti rende altre attività, come la classificazione dell'uso del suolo, la digitalizzazione dei titoli dei terreni o la classificazione delle colture più macchinose e soggette a errori.
I confini del territorio, quindi, sono la base per ricavare informazioni critiche sulla copertura del suolo, in particolare per l'agricoltura. Gli scienziati dei dati utilizzano i dati di osservazione della Terra per rilevare i confini del territorio, che consentono loro di classificare e valutare ulteriormente i modelli di uso del suolo/copertura del suolo (LULC) per rilevare la vegetazione da altre forme di copertura del suolo. Facendo un ulteriore passo avanti, i dati satellitari e le applicazioni di tecnologie avanzate in agricoltura come l'apprendimento automatico consentono loro anche di identificare e classificare le colture. Consente inoltre ai produttori di monitorare periodicamente da remoto la salute, lo stress e la resa del raccolto e garantire un'elevata produttività durante tutto il ciclo colturale.
Il processo manuale di demarcazione dei confini della trama è soggetto a errori umani e richiede capacità di annotazione approfondite. Una volta che le trame sono state delineate, devono anche essere aggiornate periodicamente per monitorare i cambiamenti in tempo reale.
Il rilevamento automatico dei confini del territorio facilita la digitalizzazione di tutti i singoli appezzamenti in tutto il paese con una correzione umana minima. Ciò sarebbe particolarmente vantaggioso in paesi come l'India, dove le registrazioni digitali dei confini territoriali non sono ampiamente disponibili. Sebbene alcuni stati abbiano preso l'iniziativa di digitalizzare i record a livello di numero di indagine, i numeri di indagine spesso comprendono diversi appezzamenti di terreno più piccoli, i cui confini sono delimitati manualmente e in modo informale.
Il vantaggio aggiuntivo di questo processo digitale è che tutte le informazioni riguardanti una particolare azienda agricola possono essere consolidate sulla base delle parcelle rilevate dal modello di rilevamento dei confini del terreno. L'esatta delineazione degli appezzamenti aiuta ad ottenere informazioni più precise sul tipo di coltura o sulla stima della resa. Inoltre, questo algoritmo aiuterà a rilevare il cambiamento nell'area del terreno di un agricoltore nel corso degli anni. In caso di terremoto, siccità, inondazioni o altri disastri naturali, l'algoritmo può aiutare le parti interessate a rilevare i danni alla trama o alle colture. Allo stesso modo, le imprese e i costruttori che si occupano di governance e sorveglianza beneficeranno in misura significativa rispetto alla pianificazione e gestione dell'area e alla valutazione del valore del territorio.
La tecnologia avanzata in agricoltura si è evoluta enormemente negli ultimi decenni e ha anche offerto spazio per ulteriori progressi. Tuttavia, le immagini di telerilevamento hanno i loro limiti. Di solito hanno una risoluzione dell'immagine molto bassa, un livello di rumore e un volume enorme che occupa uno spazio di archiviazione digitale considerevole. Le proprietà di queste immagini cambiano drasticamente da una regione all'altra a seconda delle proprietà dell'area territoriale.
Il rilevamento dei confini dei terreni per le proprietà terriere disintegrate e non uniformi è, in effetti, un compito arduo poiché i loro confini non hanno una forma o una dimensione definita, in particolare in paesi come l'India dove le proprietà terriere sono di piccole dimensioni e anche dense. Le tecniche di elaborazione delle immagini come la segmentazione e il rilevamento dei bordi, che funzionano bene su immagini generali, potrebbero non produrre risultati accurati per le immagini di telerilevamento. Due appezzamenti di vegetazione adiacenti possono avere un buon potenziale per noi per trovare i confini del terreno in base alla differenza di colore e consistenza, ma queste proprietà potrebbero non essere sempre evidenti quando entrambi gli appezzamenti hanno lo stesso raccolto. Questa preoccupazione si applica anche a quegli appezzamenti con colture multiple. A causa di questi fattori, il rilevamento dei confini terrestri mediante immagini telerilevate è ancora un problema di ricerca aperto. Al momento non esiste una soluzione così solida che funzioni perfettamente nelle diverse aree geografiche.
CropIn ha sviluppato un algoritmo proprietario di rilevamento del confine terrestre all'avanguardia combinando il deep learning e le classiche tecniche di elaborazione delle immagini. L'algoritmo consiste principalmente di tre moduli:a) algoritmo di estrazione della linea di confine, b) algoritmo di post-elaborazione ec) poligonizzazione per l'estrazione di parcelle agricole. Il modello di deep learning viene addestrato utilizzando come input le immagini satellitari di Google, che sono immagini raster RGB con una risoluzione spaziale fino a 0,5 m in alcuni punti (a seconda delle fonti di dati), insieme a confini del territorio annotati come etichette.
CropIn ha implementato questo modello di deep learning per il rilevamento dei confini nello stato indiano del Maharashtra. Abbiamo ottenuto mappe georeferenziate dei registri catastali dei villaggi nello stato dal Maharashtra Remote Sensing Application Center (MRSAC), che ci fornisce confini territoriali definiti manualmente per i diversi numeri di indagine. Questi registri catastali servono come primo livello di verità di base e linea di base per costruire e addestrare i modelli di apprendimento profondo. Utilizziamo quindi le immagini satellitari ad alta risoluzione di Google Earth Engine per perfezionare i confini attraverso il processo sopra menzionato.
Abbiamo ridimensionato il nostro algoritmo introducendo l'elaborazione parallela basata su AWS Batch, che avvia macchine virtuali parallele per eseguire la previsione su una vasta area contemporaneamente. Per eseguire la previsione è stata utilizzata un'istanza Spot AWS EC2 "r5.xlarge". Attualmente, il nostro sistema è in grado di rilevare il confine terrestre per quasi 300.000 kmq di area in 6-7 ore. Nella figura seguente è mostrato un campione dei confini del territorio rilevati dal nostro algoritmo proprietario.
A immagine rappresentativa dei confini territoriali rilevati da CropIn
Consente agli enti governativi, alle istituzioni finanziarie e ad altre parti interessate di prendere decisioni basate sui dati sulla base di informazioni tempestive e più accurate, il che contribuisce ad aumentare la produttività, l'efficienza e la redditività.
