Definition von Landnutzung/Landbedeckung mit der Deep Learning Engine von Cropin

Fortschritte in der Geodatentechnologie und der zunehmend bahnbrechende Einsatz von künstlicher Intelligenz und Deep Learning ermöglichen einen wissenschaftlichen, datengesteuerten Ansatz für eine effektive Umweltüberwachung. Fernerkundungstechnologien ermöglichen die Untersuchung von Veränderungen in der Landbedeckung der Erde, die Vegetation, Wasseroberflächen und vom Menschen geschaffene Merkmale sowie verschiedene Landnutzungsmuster umfasst.

Menschliche Aktivitäten in den letzten Jahrhunderten haben die Transformation der Erdoberfläche beschleunigt und intensiviert. Vor diesem Hintergrund sind die Klassifizierung und Bewertung von Landnutzungs- und Landbedeckungsmustern (LULC) von entscheidender Bedeutung für globale Überwachungsstudien, Umweltschutz, Landnutzungsplanung, Ressourcenmanagement und nachhaltige Entwicklung auf der ganzen Welt.

Das Land ist der primäre und wichtigste Input für die Landwirtschaft, und es ist unnötig zu erwähnen, dass die Produktion von genügend Nahrungsmitteln, Futtermitteln und Fasern für die Weltbevölkerung unmöglich wäre, wenn es nicht genügend Land für landwirtschaftliche Zwecke gibt. Aus diesem Grund ist die Analyse der Verteilung von Ackerland unerlässlich, um die Verfügbarkeit von landwirtschaftlichen Flächen in verschiedenen Regionen zu bestimmen und folglich die landwirtschaftliche Produktion weltweit anzukurbeln. Der Vergleich von Fernerkundungssatellitendaten, die zu verschiedenen Zeitpunkten erfasst wurden, ermöglicht auch die Überwachung von LULC-Änderungen, um die Schrumpfung landwirtschaftlicher Flächen aufgrund von Wetterereignissen oder menschlichen Aktivitäten zu erkennen.

Wie definiert Cropin Landnutzung und Landbedeckung mit KI und Deep Learning?

Die KI-betriebene Engine von Cropin klassifiziert die Landnutzung auf der Grundlage des vom United State Geological Survey (USGS) entwickelten Landnutzungs-Klassifizierungssystems. Dieses System klassifiziert Landnutzung und Landbedeckung in mehrere Ebenen, wobei die Kategorien jeweils eine verschachtelte Hierarchie von Unterkategorien bilden. Beispielsweise umfasst die Landwirtschaft, eine der breiten Kategorien in Level I, detaillierte Kategorien wie „Ackerland und Weiden “, „Obstgärten, Haine, Weinberge und Baumschulen “ und „Eingeschränkte Ernährung ’. Während Level-I-Kategorien aus LANDSAT-Daten bestehen, sind Level-II-Kategorien Höhendaten (12400 m oder höher) mit besserer räumlicher, spektraler und zeitlicher Auflösung.

Die LULC-Kartierung von Cropin basiert auf Level I des USGS-Systems, das für regionale und verschiedene großräumige Anwendungen relevant ist. Die Engine von Cropin übernimmt fünf der neun Unterkategorien in Level I, nämlich Ackerland, Ödland, bebautes oder städtisches Land, Wald und Gewässer.

Als erster Schritt der LULC-Klassifizierung werden Daten aus Rohsatellitenbildern extrahiert und mithilfe von Cropins proprietären Algorithmen trainiert, um Grenzen auf Bundesstaats- und Bezirksebene in Indien mit Geotags zu versehen. Die Daten werden dann bereinigt, um unregelmäßige Grundstücksgrenzen zu entfernen und die Genauigkeit der Datenpunkte zu verbessern, und dann erneut trainiert, um die Landnutzung für die aktuelle Saison abzubilden (Rabi/Kharif).

Um jede der fünf Kategorien mit eindeutigen und präzisen Grenzen abzubilden, werden die trainierten Modelle außerdem einer zweistufigen Ausreißerentfernung unterzogen. Die wiederholte Bereinigung von Datenpunkten führt zu reinen Pixeln, bei denen „bebaut/städtisch“ keinen Wasserkörper enthält oder „Unfruchtbares Land“ in „Agrarland“ nicht vorhanden ist. Diese Modelle werden dann auf Genauigkeit getestet und mit verschiedenen Methoden bis zu einer Genauigkeit von mindestens 90 % neu trainiert erreicht wird.

Die von Cropins System für die Rabi-Saison erstellte Landnutzungskarte basiert auf einem optischen Modell. Für die Kharif-Saison werden jedoch Modelle auf der Grundlage von Synthetic Aperture Radar (SAR)-Bilddaten unter Berücksichtigung der zunehmenden Wolkendecke während des Zeitraums erstellt.

Abbildung 1:LULC-Karte einer Region im Nordwesten von Madhya Pradesh

Sobald LULC klassifiziert und auf Genauigkeit geprüft wurde, wird die Landnutzungskartierung für die Landwirtschaft von SmartRisk extrahiert und auf seinem interaktiven, kartenbasierten Dashboard angezeigt, basierend darauf, welche Kulturen in der jeweiligen Region gemäß den Benutzeranforderungen identifiziert werden.

Wie wirkt sich dies auf den Wert für die Interessenvertreter der Landwirtschaft aus?

LULC-Informationen, die sowohl aktuell als auch zuverlässig sind, haben im Agrarbereich viele Vorteile, insbesondere wenn sie von Regierungsbehörden und Agrarkreditinstituten verwendet werden, um eine effektive Agrarpolitik zu entwickeln.

SmartRisk erleichtert Schlüsselakteuren in Regierungsbehörden um die Verfügbarkeit landwirtschaftlicher Flächen in einer bestimmten Region (auf Farm-/Postleitzahl-/Staats-/Landebene) für diese bestimmte Saison zu bestimmen. Die intelligente Plattform ermittelt auch die historische Leistung der Region, was es Benutzern ermöglicht, aktuelle Daten mit früheren Aufzeichnungen zu vergleichen, um LULC-Änderungen als Folge von Urbanisierung, Eingriffen oder Unwetterereignissen in der Region zu untersuchen. Andere Aktivitäten wie die Planung der Wasserversorgung für den Bewässerungsbedarf werden ebenfalls durch die Nutzung der LULC-Fähigkeiten dieser hochmodernen Plattform effektiv.

Abbildung 2:SmartRisk-Dashboard mit der LULC-Klassifizierung für Bareli, Madhya Pradesh

Banken, Versicherungen und andere Finanzinstitute können die Nettoaussaatfläche auf regionaler Ebene analysieren, um über ihre Kreditvergabepolitik und die Ausweitung des Geschäfts auf neue Regionen zu entscheiden. Auf Parzellenebene kann die Institution feststellen, ob eine landwirtschaftliche Parzelle bewirtschaftet wird, und Aufzeichnungen über die historische Leistung der Parzelle für eine schnellere Kreditvergabe und Risikobewertung nutzen, die durch alternative Agrardaten gestützt werden. Erfahren Sie alles darüber, wie KI die Versicherungsauszahlung für eines der weltweit größten Ernteversicherungsprogramme optimiert.

Saatguthersteller und andere Agri-Input-Unternehmen können ihre Verkaufsstrategien auf der Grundlage der Nettoaussaatfläche und der Daten zur Pflanzenklassifizierung optimieren, die auf dem Dashboard von SmartRisk zur Verfügung gestellt werden. Das Wissen darüber, welche Feldfrüchte wo wachsen und wie ihr Erntestadium und Gesundheitszustand aussieht, versetzt Input-Unternehmen in die Lage, ihre Produkte an den nächstgelegenen Vertriebsstellen bereitzustellen.

Auf der anderen Seite Beschaffungs- und Beschaffungsunternehmen , sowie Rohstoffhändler, können diese Agrarintelligenz nutzen, um über eine Region verteilte Feldfrüchte zu identifizieren und basierend auf der Verfügbarkeit der Feldfrüchte klügere Kaufentscheidungen zu treffen.