Maschinelles Lernen in landwirtschaftlichen Technologien:Ein Einblick in die Pflanzenerkennung

Die Fernerkundung ist derzeit eine entscheidende Komponente landwirtschaftlicher Technologien, die zunehmend von Agrarunternehmen, Regierungen und anderen Nichtregierungsorganisationen gleichermaßen verwendet werden, um die Landnutzung in großem Maßstab zu kartieren und zu überwachen. Fernerkundungsdaten ermöglichen die Verfolgung und Optimierung landwirtschaftlicher Aktivitäten durch verschiedene Akteure im Agrarökosystem und sind ein wesentlicher Input für eine datengesteuerte intelligente Landwirtschaft. In Kombination mit Ground Truth und anderen Informationsquellen liefern Fernerkundungsdaten eine umfassende Analyse der Pflanzenproduktionsaktivitäten.

Ernteerkennung mit maschinellen Lernalgorithmen von CropIn

Jede eingehende Analyse der Pflanzenproduktion mit landwirtschaftlichen Technologien beginnt mit der Erkennung von Pflanzen mithilfe von Fernerkundungsbildern, die von Erdbeobachtungssatelliten stammen. Diese Satelliten sind mehrere hundert Kilometer von der Oberfläche entfernt positioniert und mit multispektralen Sensoren ausgestattet, um Erdabbildungen durchzuführen, um hochauflösende Bodenbilder in den Spektralzonen des sichtbaren nahen Infrarots (VNIR) und des kurzwelligen Infrarots (SWIR) aufzunehmen. Einige Erdbeobachtungssatelliten verfügen über bis zu 13 Spektralkanäle, die bei der Analyse der biophysikalischen Merkmale von Pflanzen mithilfe von Vegetationsindizes helfen, die als Differenzen zwischen zwei oder mehr Bändern im sichtbaren Licht (VIS), nahen Infrarot (NIR) und SWIR-Wellenlängen berechnet werden.

Unter mindestens hundert verschiedenen Spektralindizes ist der NDVI (Normalized Difference Vegetation Index) ein Vegetationsindex, der von Wissenschaftlern am meisten bevorzugt wird, um den Zustand, die Wachstumsstadien, die Biomasse und die Ertragsschätzung von Pflanzen zu bestimmen. Der Index quantifiziert das Vorhandensein von Chlorophyll auf der Landoberfläche und hilft bei der Beurteilung, ob die beobachtete Region lebende grüne Vegetation enthält, indem er die unterschiedlichen Farben oder Wellenlängen des VIS- und NIR-Sonnenlichts bewertet, die die Pflanzen reflektieren.

Bei der Kartierung der Landnutzung verwendet CropIn die NDVI-Zeitreihen von Sentinel-1 (RADAR) und Sentinel-2 (optisch) Satellitenbilddaten, um Ackerland und Pflanzenarten von anderen Formen der Landbedeckung zu unterscheiden. Das bereits vorhandene Wissen über die phänologischen Zyklen der verschiedenen Kulturpflanzen erleichtert deren Identifizierung, die dann durch den bestehenden reichhaltigen Bestand an Kulturdatensätzen von CropIn validiert wird. Historische Informationen der Parzelle, die auch aus Satellitenbildern stammen, ermöglichen uns einen tieferen Einblick in das, was der Landwirt in der Vergangenheit angebaut hat, und diese Informationen tragen weiter zur Datenvalidierung bei, wenn wir das Ernteerkennungsmodell für eine neue Parzelle einsetzen von Ackerland. CropIn hat ein hochmodernes Echtzeit-Ernteerkennungssystem entwickelt, das eine Reihe von Deep-Learning-Modellen verwendet. Das System verwendet 3D-CNN- und LSTM-Architektur, um individuelle Modelle zu erstellen. Beim Erstellen der Modelle wird sowohl ein pixel- als auch ein bildbasierter Ansatz in Betracht gezogen, um ein allgemeineres System zu erstellen. Während die optischen Daten von Sentinel 2 eine Fülle von Informationen liefern, die eine Pflanzenerkennung an einem hellen, sonnigen Tag ermöglichen, schaltet das System automatisch auf die Modelle um, wenn das Satellitenbild durch das Vorhandensein von Wolken verdeckt wird, insbesondere während der Regenzeit (Kharif-Saison). die Radardaten übernehmen (Sentinel-1).

Um die Genauigkeit des Ernteerkennungsmodells zu verbessern und das Ergebnis zu validieren, trainieren wir sie wiederholt, indem wir sie sowohl auf kleinen Territorien als auch auf einer deutlich größeren Fläche wie einem PIN-Code oder einem Bezirk einsetzen. Um die Leistung über verschiedene geografische Standorte hinweg einheitlich zu machen, werden Transferlerntechniken verwendet, um mehr regionsspezifische individuelle Modelle zu erstellen. Für das größere Gebiet wird die Ernte, die die Deep-Learning-Engine erkennt, mit Regierungsdaten, falls verfügbar, oder mit Daten, die mit SmartFarm ^® von CropIn erfasst wurden, abgeglichen für eine bestimmte Jahreszeit oder Ernte. Ein weiterer Vorteil der Verwendung des Ernteerkennungsmodells zusammen mit der Landgrenzenerkennung besteht darin, dass es auch dabei hilft, den Unterschied zwischen der Einschätzung des Landwirts über seine Landfläche und dem entsprechenden Ertrag und dem, was der Algorithmus erkennt, zu identifizieren. Die Neuheit des CropIn-Systems besteht darin, dass es Ernten zu jedem Zeitpunkt vorhersagen kann, von der Aussaat bis zur Ernte, und dass nicht auf vollständige Zeitreiheninformationen gewartet werden muss.

CropIn hat das System im gesamten indischen Bundesstaat Maharashtra eingesetzt, um die Ernten mit Sentinel-1- und Sentinel-2-Daten in den Jahren 2018, 2019 und 2020 vorherzusagen. Die Gesamtleistung für die Deep-Learning-Modelle basiert auf Regierungsstatistiken und die Bodenvalidierung liegt zwischen 60 % und 80 %, abhängig von den Regionen, Jahreszeiten und den Jahren, in denen die Pflanzen entdeckt wurden.

Abbildung:CropIn verwendet die NDVI-Zeitreihen von Sentinel-1 (RADAR) und Sentinel-2 (optisch) Satellitenbilddaten, um Anbauflächen und Anbauarten von anderen Formen der Landbedeckung zu unterscheiden.

Precision Farming – Das Geschenk der Agrartechnologie

Effiziente landwirtschaftliche Systeme, die sich an wissenschaftlichen und genauen Daten orientieren, werden durch mehrere Fortschritte in der Landwirtschaftstechnologie ermöglicht. Ernteerkennungsfunktionen, die durch Fernerkundung unterstützt werden, erleichtern Erzeugern und Wegbereitern der Landwirtschaft die Optimierung der Pflanzenproduktion mit minimalem menschlichen Eingriff.

Landwirtschafts- und Saatgutunternehmen :Die Pflanzenidentifikation auf der Grundlage von landwirtschaftlichen Parzellen mit Geotags und definierten Landgrenzen ermöglicht es den Produzenten, den Ertrag genauer und in Echtzeit abzuschätzen. Es hilft Erzeugern auch, Anzeichen einer schlechten Pflanzengesundheit zu erkennen, die durch Krankheiten oder Schädlinge verursacht werden, und umgehend darauf zu reagieren, um Ernteverluste effektiv zu minimieren.

Agri-Input-Unternehmen: Durch die Erkennung der angebauten Feldfrüchte können Agrar-Input-Unternehmen die Regionen oder Betriebe bestimmen, die am besten von ihren Inputs profitieren würden. Organisationen, die Pflanzenschutzprodukte herstellen, können ihren Verkauf speziell für die Zielpflanze und ihre Wachstumsphase optimieren, während Landmaschinenhersteller das Engagement der Landwirte verbessern können, indem sie sie in den richtigen Anbaustadien erreichen.

Regierungsbehörden: Anbauversuche werden nun zeit- und kosteneffizient durch den Einsatz von Anbauerkennung und Identifizierung von Anbaustadien auf regionaler Ebene durchgeführt. Echtzeit-Einblicke verbessern die Sichtbarkeit während der gesamten Anbauperiode und ermöglichen es Regierungsbehörden, ziemlich genaue Schätzungen der Ernteerträge zu erhalten, um den Beamten zu helfen, die Lebensmittelversorgung besser zu planen und Versicherungsansprüche zu beschleunigen.

Versicherungsunternehmen: Die Verarbeitung von Satellitenbildern in Verbindung mit Deep Learning ermöglicht es Agrarversicherungsanbietern, Ernteverluste aufgrund von Naturkatastrophen genauer einzuschätzen, hilft, die vielen Mängel der manuellen Verfahren zu überwinden, und reduziert die von ihnen für den gesamten Prozess benötigten Ressourcen.

Kreditinstitute: Der „Agrarwürdigkeitsbericht“ von SmartRisk bietet Banken eine detaillierte Zusammenfassung der Ernte in den letzten fünf Saisons für eine bestimmte Parzelle. Der Bericht ermöglicht es den Institutionen, Kreditanträge zu bewerten und NPA auf der Grundlage der vom Landwirt zuvor angebauten Kultur(en), des geschätzten Ertrags und des relativen Wachstumsindex vorbeugend zu bewerten. Beamte können auch das Pflanzenwachstum in Echtzeit analysieren, indem sie diese alternativen Agrardaten verwenden.

NGOs und Entwicklungsagenturen: Organisationen, die die Landwirtschaft ermöglichen, insbesondere in Entwicklungs- oder unterentwickelten Ländern, können Ernteerkennungsfunktionen nutzen, um den Anbau von Pflanzen in verschiedenen Regionen zu kartieren, ihren Gesundheitszustand in Echtzeit zu überwachen und Landwirten Ratschläge zu geben, um die Produktivität zu verbessern oder umfangreiche Schäden an Pflanzen zu verhindern Krankheiten, Schädlingsbefall oder unerwartete Wetterbedingungen.