Detektering av markgräns för små markinnehav med hjälp av maskininlärning

Den korrekta avgränsningen av markgränser är ett kritiskt steg för att identifiera markanvändning och planera deras förvaltning. Särskilt för odlingsmarker gör denna avgränsning det möjligt för bönder och jordbruksföretag att bättre uppskatta landarealen för effektiv användning av jordbruksinsatser, såsom utsäde, bekämpningsmedel, gödningsmedel och andra resurser och för att optimera produktion och efterproduktion.

Manuella processer för markgränsidentifiering har visat sig vara tidskrävande och arbetsintensiva. Men avancerad teknologi inom jordbruket, som fjärranalysbilder, ger djupgående och spatialt explicit information om användningen av jordbruksmark i realtid som annars skulle vara svår att få tag på.

Satellitbilder, maskininlärning och AI inom jordbruket utrustar aktörer i agroekosystemet med ett historiskt register över fördelningen av odlade grödor över regioner. Statliga enheter kan utnyttja denna intelligens för att på lämpligt sätt planera import och export av livsmedelsprodukter. Finansiella institutioner kan använda dessa alternativa jordbruksdata för att bestämma vilken gröda en bonde odlar, dess hälsa och tomtens prestanda för att bedöma låneförslag. Lantbruksföretag kan fjärrövervaka och hantera sina gårdar i varje steg av växtodlingen utan att behöva besöka fälten ofta, särskilt i ljuset av den nuvarande situationen som orsakas av pandemin.

Vad är användningen av markgräns ?

För att få korrekta data för någon av dessa bedömningar och komma fram till avgörande insikter spelar de exakta gränserna för gårdsområdet en avgörande roll. Under de senaste åren har satellitbildsdata, särskilt sådana från Landsat-8 (optisk), Sentinel-1 (RADAR) och Sentinel-2 (optisk) använts för att identifiera platsen, storleken och den rumsliga omfattningen av jordbruksmarken. . Dessa data kombineras sedan med väderinformation för att förbättra klassificeringen av grödor och övervaka dem i realtid.

Avancerad teknologi inom jordbruket som också integrerar annan information, såsom gröda, jordtyp och vattenstress i regionen, blir avgörande för att utarbeta en effektiv jordbruksplan och för att utveckla och övervaka jordbrukspolitik och -system för jordbrukare. De ger producenterna andra möjligheter, såsom skördeförutsägelser, prognoser för skördestadiet, uppskattning av grödans hälsa, identifiering av planterings- och skördedatum, uppskattning av vattenstress, uppskattning av markfuktighet och schemaläggning för bevattning.

Även om gränser för grödor är lättare att avgränsa och digitalisera för stora markinnehav, blir det allt svårare för små markinnehav, särskilt i vissa tillväxtländer och regioner. Frånvaron av väldefinierade gränser gör andra uppgifter, såsom markanvändningsklassificering, digitalisering av marktitlar eller grödaklassificering mer besvärliga och felbenägna.

Landgränser är därför grunden för att härleda kritisk marktäckningsinformation, särskilt för jordbruket. Dataforskare använder jordobservationsdata för att upptäcka landgränser, vilket ytterligare gör det möjligt för dem att klassificera och utvärdera mönster för markanvändning/landtäckning (LULC) för att upptäcka vegetation från andra former av marktäcke. Ett steg längre, satellitdata och tillämpningar av avancerad teknologi inom jordbruket som maskininlärning gör det också möjligt för dem att identifiera och klassificera grödor. Det ger ytterligare producenter möjlighet att på distans övervaka grödans hälsa, stress och skörd periodvis och säkerställa hög produktivitet under hela grödans cykel.

Varför krävs detektion av landgräns?

Den manuella processen att avgränsa tomtgränser är utsatt för mänskliga fel och kräver djupgående anteckningsfärdigheter. När tomterna väl har avgränsats måste de också uppdateras regelbundet för att övervaka förändringarna i realtid.

Automatisk upptäckt av markgränser underlättar digitaliseringen av alla enskilda tomter över hela landet med minimal mänsklig korrigering. Detta skulle vara särskilt fördelaktigt i länder som Indien, där digitala register över landgränser inte är omfattande tillgängliga. Även om vissa stater har tagit initiativet att digitalisera registren på en undersökningsnummernivå, omfattar undersökningsnumren ofta flera mindre markskiften, vars gränser är manuellt och informellt avgränsade.

Den extra fördelen med denna digitala process är att all information om en viss gård kan konsolideras baserat på de tomter som upptäckts av markgränsdetekteringsmodellen. Den exakta avgränsningen av tomterna hjälper till att få mer exakt information om grödans typ eller skördeuppskattning. Dessutom kommer den här algoritmen att hjälpa till att upptäcka förändringen i arean av en bondes tomt under åren. I händelse av jordbävning, torka, översvämningar eller andra naturkatastrofer kan algoritmen hjälpa berörda parter att upptäcka skadorna på tomten eller grödorna. Likaså kommer företag och byggare som åtar sig styrning och övervakning att gynnas i betydande utsträckning med avseende på områdesplanering och förvaltning och markvärdebedömning.

Nuvarande begränsningar för att upptäcka landgränser

Avancerad teknologi inom jordbruket har utvecklats enormt under de senaste decennierna och har också erbjudit utrymme för ytterligare framsteg. Ändå har fjärranalysbilder sina egna begränsningar. De har vanligtvis en mycket låg bildupplösning, brusnivå och en enorm volym som tar upp avsevärt digitalt lagringsutrymme. Egenskaperna för dessa bilder förändras drastiskt från en region till en annan region beroende på landområdets egenskaper.

Detektering av landgränser för markinnehav som är sönderfallna och olikformiga är i själva verket en mödosam uppgift eftersom deras gränser inte har en definierad form eller storlek, särskilt i länder som Indien där markinnehav är små till storleken och också täta. Bildbehandlingstekniker som segmentering och kantdetektering, som fungerar bra på allmänna bilder, kanske inte ger korrekta resultat för fjärravkänningsbilder. Två intilliggande vegetationsplotter kan ha god potential för oss att hitta markgränserna baserat på skillnaden i färg och textur, men dessa egenskaper kanske inte alltid är framträdande när båda tomterna har samma gröda. Denna oro gäller även för de tomter med flera grödor. På grund av dessa faktorer är landgränsdetektering med hjälp av fjärranalysbilder fortfarande ett öppet forskningsproblem. Det finns ingen sådan robust lösning som fungerar perfekt över de olika geografiska regionerna för närvarande.

CropIns djupinlärningsmotor för att upptäcka landgränser

CropIn har utvecklat en egenutvecklad toppmodern algoritm för upptäckt av landgränser genom att kombinera djupinlärning och med klassisk bildbehandlingsteknik. Algoritmen består primärt av tre moduler:a) gränslinjeextraktionsalgoritm, b) efterbearbetningsalgoritm och c) polygonisering för gårdstomtextraktion. Modellen för djupinlärning tränas med hjälp av Googles satellitbilder som indata, som är RGB-rasterbilder med en rumslig upplösning så hög som 0,5 m på vissa ställen (beroende på datakällor), tillsammans med markerade markgränser som etiketter.

CropIn har implementerat denna djupinlärningsmodell för gränsdetektering i den indiska delstaten Maharashtra. Vi skaffade geo-referenserade landregistreringskartor över byar i delstaten från Maharashtra Remote Sensing Application Center (MRSAC), som ger oss manuellt definierade landgränser för de olika undersökningsnumren. Dessa landrekord fungerar som det första lagret av marksanning och baslinjen för att bygga och träna djupinlärningsmodellerna. Vi använder sedan Google Earth Engines högupplösta satellitbilder för att förfina gränserna genom processen som nämns ovan.

Vi skalade vår algoritm genom att introducera parallell bearbetning byggd på AWS Batch, som snurrar upp parallella virtuella maskiner för att göra förutsägelsen på ett stort område samtidigt. En "r5.xlarge" AWS EC2 Spot-instans användes för att göra förutsägelsen. För närvarande kan vårt system upptäcka landgränsen för nästan 300 000 kvadratkilometer på 6-7 timmar. Ett urval av landgränserna som upptäckts av vår egenutvecklade algoritm visas i bilden nedan.

Vem kan utnyttja dessa landgränser?

Det ger statliga organ, finansiella institutioner och andra intressenter möjlighet att komma fram till datadrivna beslut baserade på aktuell och mer korrekt information, vilket bidrar till ökad produktivitet, effektivitet och lönsamhet.