Fjärranalys är för närvarande en kritisk komponent i jordbruksteknologier som används alltmer av jordbruksföretag, regeringar och andra icke-statliga organisationer för att kartlägga och övervaka markanvändning i stor skala. Fjärranalysdata möjliggör spårning och optimering av jordbruksaktiviteter av olika aktörer i agroekosystemet och är en viktig input för datadrivet smart jordbruk. I kombination med sanning och andra informationskällor ger fjärranalysdata en omfattande analys av växtodlingsaktiviteter.
Gröddetektering med CropIns maskininlärningsalgoritmer
Varje djupgående analys av växtodling med jordbruksteknik börjar med detektering av grödor med hjälp av fjärranalysbilder härledda från jordobservationssatelliter. Dessa satelliter är placerade flera hundra kilometer bort från ytan och utrustade med multispektrala sensorer för att utföra jordavbildning för att fånga högupplösta markbilder i de synliga nära-infraröda (VNIR) och kortvågsinfraröda (SWIR) spektrala zonerna. Vissa jordobservationssatelliter har upp till 13 spektrala kanaler som hjälper till att analysera de biofysiska egenskaperna hos växter med hjälp av vegetationsindex, som beräknas som skillnader mellan två eller flera band i det synliga ljuset (VIS), nära infrarött (NIR) och SWIR-våglängder.
Bland minst hundra olika spektrala index är NDVI (Normalized Difference Vegetation Index) ett vegetationsindex som föredras mest av forskare för att bestämma tillstånd, tillväxtstadier, biomassa och skördeuppskattning av grödor. Indexet kvantifierar förekomsten av klorofyll på markytan och hjälper till att bedöma om den observerade regionen innehåller levande grön vegetation genom att utvärdera de distinkta färgerna eller våglängderna av VIS- och NIR-solljus som växterna reflekterar.
Vid kartläggning av markanvändning använder CropIn NDVI-tidsserierna från Sentinel-1 (RADAR) och Sentinel-2 (optisk) satellitbildsdata för att skilja odlingsmarker och grödor från andra former av marktäcke. Den redan existerande kunskapen om de olika grödornas fenologiska cykler underlättar deras identifiering, vilket sedan valideras av CropIns befintliga rika pool av grödor. Historisk information om tomten, även härledd från satellitbilder, gör det möjligt för oss att få en djupare inblick i vad bonden har odlat i det förflutna, och denna intelligens bidrar ytterligare till datavalideringen när vi använder modellen för att upptäcka grödor för en ny tomt. av jordbruksmark. CropIn har utvecklat ett toppmodernt grödaidentifieringssystem i realtid med hjälp av en påse med modeller för djupinlärning. Systemet använder 3D CNN- och LSTM-arkitektur för att bygga individuella modeller. Medan man bygger modellerna anses både pixel- och bildbaserad metod göra ett mer generaliserat system. Medan Sentinel 2:s optiska data tillhandahåller en mängd information som gör det möjligt att upptäcka grödor på en ljus, solig dag, om satellitbilden skyms av närvaron av moln, särskilt under regnperioden (Kharif-säsongen), växlar systemet automatiskt till modellerna som använder RADAR-data (Sentinel-1).
För att förbättra noggrannheten i gröddedetekteringsmodellen och för att validera resultatet, tränar vi dem upprepade gånger genom att distribuera dem på både små territorier och över ett betydligt större område, till exempel en pinkod eller ett distrikt. För att göra prestandan enhetlig över olika geografiska platser används tekniker för överföringsinlärning för att bygga mer regionspecifika individuella modeller. För det större området korsverifieras grödan som djupinlärningsmotorn upptäcker med myndighetsdata, om tillgängligt, eller med data som samlats in med CropIns SmartFarm
®
för en viss säsong eller gröda. En annan fördel med att använda gröddetekteringsmodellen, tillsammans med markgränsdetektering, är att den också hjälper till att identifiera skillnaden mellan jordbrukarnas bedömning av sin markyta och motsvarande avkastning och vad algoritmen detekterar. Det nya med CropIns system är att det kan förutsäga grödor när som helst, från plantering till skörd, och det finns ingen anledning att vänta på fullständig tidsserieinformation.
CropIn har distribuerat systemet över hela den indiska delstaten Maharashtra för att förutsäga grödorna med Sentinel-1- och Sentinel-2-data under åren 2018, 2019 och 2020. Den övergripande prestandan för modellerna för djupinlärning baserat på statlig statistik och markvalideringen är mellan 60 % och 80 % beroende på regioner, säsonger och åren då grödorna upptäcktes.
Figur:CropIn använder NDVI-tidsserierna från Sentinel-1 (RADAR) och Sentinel-2 (optisk) satellitbildsdata för att särskilja odlingsmarker och grödor från andra former av marktäcke.
Precisionsjordbruk — Gåvan med jordbruksteknik
Effektiva jordbrukssystem som styrs av vetenskapliga och korrekta data möjliggörs med flera framsteg inom jordbruksteknologier. Gröddetekteringsfunktioner, som drivs av fjärranalys, underlättar jordbrukets producenter och möjliggörare att optimera växtodlingen med minimal mänsklig inblandning.
Jordbruks- och utsädesföretag :Grödidentifiering baserad på geotaggade gårdstomter och definierade markgränser gör det möjligt för producenter att uppskatta avkastningen mer exakt och i realtid. Det hjälper också producenter att känna igen tecken på dålig grödas hälsa orsakad av en sjukdom eller skadedjur och reagera på det omedelbart för att effektivt minimera skördeförlusten.
Agri-input-företag: Genom att upptäcka grödorna som odlas kan företag med insatsvaror inom jordbruket bestämma vilka regioner eller gårdar som skulle dra bäst nytta av deras insatsvaror. Organisationer som tillverkar växtskyddsprodukter kan optimera sin försäljning specifikt för målgrödan och deras tillväxtstadium, medan företag inom jordbruksmaskiner kan förbättra jordbrukarnas engagemang genom att nå ut till dem vid rätt odlingstillstånd.
Statliga myndigheter: Styckningsexperiment görs nu tids- och kostnadseffektiva med användning av grödodetektering och identifiering av grödans stadier på regional nivå. Realtidsinsikter förbättrar synligheten under hela odlingsperioden och gör det också möjligt för statliga myndigheter att få ganska exakta uppskattningar av skörden för att hjälpa tjänstemän att planera livsmedelsförsörjningen bättre och påskynda försäkringsanspråk.
Försäkringsbolag: Satellitbildsbehandling, tillsammans med djup inlärning, gör det möjligt för jordbruksförsäkringsleverantörer att bedöma skördförluster på grund av naturkatastrofer mer exakt, hjälper till att övervinna de många bristerna i de manuella procedurerna och minskar de resurser som krävs av dem för hela processen.
Utlåningsinstitut: SmartRisks "agri-worthiness-rapport" ger bankerna en detaljerad sammanfattning av skörden under de senaste fem säsongerna för en specifik tomt. Rapporten gör det möjligt för institutionerna att bedöma låneförfrågningar och förebyggande bedöma NPA baserat på den eller de grödor som jordbrukaren odlat tidigare, den beräknade avkastningen och det relativa tillväxtindexet. Tjänstemän kan också analysera grödans tillväxt i realtid genom att använda dessa alternativa jordbruksdata.
Icke-statliga organisationer och utvecklingsbyråer: Organisationer som möjliggör jordbruk, särskilt i utvecklingsländer eller underutvecklade länder, kan utnyttja förmågan att upptäcka grödor för att kartlägga odling av grödor över regioner, övervaka deras hälsa i realtid och förse jordbrukare med råd för att förbättra produktiviteten eller förhindra omfattande skador på grödor p.g.a. sjukdomar, skadedjursangrepp eller oväntade väderförhållanden.
