Framsteg inom geospatial teknologi och den allt mer banbrytande användningen av artificiell intelligens och djupinlärning möjliggör en vetenskaplig, datadriven strategi för effektiv miljöövervakning. Fjärranalystekniker gör det möjligt att studera förändringar i jordens marktäcke, vilket inkluderar vegetation, vattenytor och konstgjorda egenskaper, såväl som olika markanvändningsmönster.
Mänskliga aktiviteter under de senaste århundradena har accelererat och intensifierat omvandlingen av jordens yta. I detta ljus är klassificeringen och utvärderingen av mönster för markanvändning och marktäckning (LULC) avgörande för globala övervakningsstudier, miljövård, markanvändningsplanering, resursförvaltning och hållbar utveckling runt om i världen.
Marken är den primära och viktigaste insatsvaran för jordbruket, och det är onödigt att säga att producera tillräckligt med mat, foder och fibrer för världens befolkning skulle vara omöjligt om det inte finns tillräckligt med mark för jordbruksändamål. Av denna anledning blir analysen av fördelningen av åkermark absolut nödvändig för att fastställa tillgängligheten av mark för jordbruksändamål i olika regioner, och följaktligen öka jordbruksproduktionen över hela världen. Att jämföra fjärranalyssatellitdata som fångats vid olika tidpunkter gör det också möjligt att övervaka LULC-förändringar för att identifiera krympningen av jordbruksmark på grund av väderhändelser eller mänskliga aktiviteter.
Hur definierar Cropin markanvändning och markbeläggning med AI och djupinlärning?
Cropins AI-drivna motor klassificerar markanvändning baserat på markanvändningsklassificeringssystemet utvecklat av United State Geological Survey (USGS). Detta system klassificerar markanvändning och marktäcke i flera nivåer, kategorierna i varje bildar en kapslad hierarki av underkategorier. Till exempel, Jordbruk, som är en av de breda kategorierna i nivå I, inkluderar detaljerade kategorier som "Åkermark och betesmark ’, ‘ Odlingar, lundar, vingårdar och plantskolor ' och 'Begränsad matning ’. Medan nivå I-kategorier är av LANDSAT-typ, är nivå II-kategorier höghöjdsdata (12400m eller högre) med bättre rumslig, spektral och tidsmässig upplösning.
LULC-kartläggningen av Cropin är baserad på nivå I av USGS-systemet som är relevant för regionala och olika storskaliga applikationer. Cropins motor använder fem av de nio underkategorierna i nivå I, dvs jordbruksmark, karg mark, bebyggd eller tätortsmark, skog och vattendrag.
Som det första steget i LULC-klassificeringen extraheras och tränas data från råa satellitbilder med hjälp av Cropins egenutvecklade algoritmer för att geotagga gränser på delstats- och distriktsnivå i Indien. Data rensas sedan för att ta bort oregelbundna tomtgränser och förbättra datapunkternas noggrannhet och tränas sedan igen för att kartlägga markanvändningen för den aktuella säsongen (Rabi/Kharif).
För att kartlägga var och en av de fem kategorierna med distinkta och exakta gränser genomgår de tränade modellerna ytterligare en tvåstegs borttagning av extremvärden. Den upprepade desinficeringen av datapunkter resulterar i rena pixlar där "Uppbyggd/Urban" inte inkluderar någon vattenförekomst, eller det inte finns någon närvaro av "Karren mark" inom "Agriculture Land". Dessa modeller testas sedan för precision och omskolas med olika metoder tills en noggrannhet på minst 90 % uppnås.
Markanvändningskartan som genereras av Cropins system för Rabi-säsongen är baserad på en optisk modell. Men för Kharif-säsongen byggs modeller baserade på Synthetic Aperture Radar (SAR) bilddata med tanke på ökat molntäcke under perioden.
Figur 1:LULC-karta över en region i nordvästra Madhya Pradesh
När LULC har klassificerats och granskats för noggrannhet, kommer markanvändningskartläggning för jordbruk att extraheras av SmartRisk och visas på dess interaktiva kartbaserade instrumentpanel, baserat på vilka grödor i den givna regionen som kommer att identifieras enligt användarkrav.
Hur översätts detta till värde för jordbruksintressenter?
LULC-information som är både uppdaterad och tillförlitlig har många fördelar inom agridomänen, särskilt när den används av statliga organ och jordbrukslåneinstitutioner, för att utveckla effektiva jordbrukspolitik.
SmartRisk underlättar nyckelintressenter i statliga organ för att fastställa tillgängligheten av jordbruksmark i en viss region (på gårds-/postnummer-/stats-/landsnivå) för den specifika säsongen. Den intelligenta plattformen fastställer också regionens historiska prestanda, vilket tillåter användare att jämföra aktuella data med tidigare register för att undersöka LULC-förändringar som ett resultat av urbanisering, intrång eller svåra väderhändelser i regionen. Andra aktiviteter som planering av vattenförsörjning för bevattningsbehov blir också effektiva med användningen av denna banbrytande plattforms LULC-funktioner.
Figur 2:SmartRisk-instrumentpanel som visar LULC-klassificering för Bareli, Madhya Pradesh
Bank-, försäkrings- och andra finansinstitutioner kan analysera nettosådd areal på regional nivå för att besluta om deras utlåningspolitik och expansion av näringslivet till nya regioner. På tomtnivå kan institutionen identifiera om en gårdstomt odlas och utnyttja uppgifter om tomtens historiska prestanda för snabbare lånegarantier och riskbedömning med stöd av alternativa jordbruksdata. Lär dig allt om hur AI optimerar försäkringsutbetalningar för ett av världens största skördeförsäkringsprogram.
Frötillverkare och andra agri-input-företag kan optimera sina försäljningsstrategier baserat på nettosådd area och grödaklassificeringsdata som görs tillgängliga på SmartRisks instrumentpanel. Kunskapen om vilken gröda som växer var, och hur dess odlingsstadium och hälsa ser ut, gör det möjligt för insatsföretag att göra sina produkter tillgängliga vid närmaste distributionsställen.
Å andra sidan, inköps- och inköpsföretag , såväl som råvaruhandlare, kan utnyttja denna agri-intelligens för att identifiera grödor spridda över en region och fatta smartare inköpsbeslut baserat på grödans tillgänglighet.
