Willkommen zu
Moderne Landwirtschaft
!
Die genaue Abgrenzung von Landgrenzen ist ein entscheidender Schritt bei der Ermittlung der Landnutzung und der Planung ihrer Bewirtschaftung. Insbesondere bei Ackerflächen ermöglicht diese Abgrenzung Landwirten und Agrarunternehmen, die Landfläche für die effiziente Nutzung von landwirtschaftlichen Betriebsmitteln wie Saatgut, Pestiziden, Düngemitteln und anderen Ressourcen besser abzuschätzen und die Produktions- und Nachproduktionsaktivitäten zu optimieren.
Manuelle Verfahren zur Identifizierung von Landgrenzen haben sich als zeitaufwändig und arbeitsintensiv erwiesen. Fortschrittliche Technologien in der Landwirtschaft, wie Fernerkundungsbilder, liefern jedoch detaillierte und räumlich eindeutige Informationen über die landwirtschaftliche Flächennutzung in Echtzeit, die sonst schwer zu erhalten wären.
Satellitenbildgebung, maschinelles Lernen und KI in der Landwirtschaft statten die Akteure des Agrarökosystems mit historischen Aufzeichnungen über die Verteilung von Kulturpflanzen über Regionen aus. Regierungsbehörden können diese Informationen nutzen, um den Import und Export von Lebensmitteln angemessen zu planen. Finanzinstitute können diese alternativen Agrardaten verwenden, um die von einem Landwirt angebaute Ernte, ihren Gesundheitszustand und die Leistung der Parzelle zu bestimmen, um Kreditvorschläge zu bewerten. Agrarunternehmen können ihre landwirtschaftlichen Betriebe in jeder Phase der Pflanzenproduktion aus der Ferne überwachen und verwalten, ohne die Felder häufig besuchen zu müssen, insbesondere angesichts der aktuellen Situation, die durch die Pandemie verursacht wird.
Um genaue Daten für jede dieser Bewertungen zu erhalten und zu schlüssigen Erkenntnissen zu gelangen, spielen die genauen Grenzen der landwirtschaftlichen Parzelle eine entscheidende Rolle. In den letzten Jahren werden Satellitenbilddaten, insbesondere solche von Landsat-8 (optisch), Sentinel-1 (RADAR) und Sentinel-2 (optisch), verwendet, um die Lage, Größe und räumliche Ausdehnung des Ackerlandes zu identifizieren . Diese Daten werden dann mit Wetterinformationen kombiniert, um die Klassifizierung der Pflanzenarten zu verbessern und sie in Echtzeit zu überwachen.
Fortgeschrittene Technologien in der Landwirtschaft, die auch andere Informationen, wie z. B. Pflanzentyp, Bodentyp und Wasserstress in der Region, integrieren, werden für die Ausarbeitung eines effektiven Landwirtschaftsplans und für die Entwicklung und Überwachung von Agrarpolitiken und -programmen für Landwirte von entscheidender Bedeutung. Sie unterstützen Erzeuger mit anderen Funktionen, wie z. B. Ertragsvorhersage, Vorhersage des Erntestadiums, Einschätzung der Pflanzengesundheit, Identifizierung von Pflanz- und Erntedaten, Schätzung des Wasserstresses, Schätzung der Bodenfeuchtigkeit und Planung der Bewässerung.
Während Ackerlandgrenzen für große Landbesitzungen einfacher abzugrenzen und zu digitalisieren sind, wird es für kleine Landbesitzungen immer schwieriger, insbesondere in bestimmten Schwellenländern und -regionen. Das Fehlen klar definierter Grenzen macht andere Aufgaben, wie z. B. Landnutzungsklassifizierung, Digitalisierung von Landtiteln oder Pflanzenklassifizierung, umständlicher und fehleranfälliger.
Landgrenzen sind daher die Grundlage für die Ableitung kritischer Landbedeckungsinformationen, insbesondere für die Landwirtschaft. Datenwissenschaftler nutzen Erdbeobachtungsdaten, um Landgrenzen zu erkennen, die es ihnen weiter ermöglichen, Landnutzungs-/Landbedeckungsmuster (LULC) zu klassifizieren und zu bewerten, um Vegetation von anderen Formen der Landbedeckung zu erkennen. Um noch einen Schritt weiter zu gehen, ermöglichen ihnen Satellitendaten und Anwendungen fortschrittlicher Technologien in der Landwirtschaft wie maschinelles Lernen auch die Identifizierung und Klassifizierung von Nutzpflanzen. Es versetzt die Erzeuger außerdem in die Lage, die Gesundheit, den Stress und den Ertrag der Ernte regelmäßig aus der Ferne zu überwachen und eine hohe Produktivität während des gesamten Erntezyklus sicherzustellen.
Der manuelle Prozess der Abgrenzung von Grundstücksgrenzen ist anfällig für menschliche Fehler und erfordert fundierte Kommentierungskenntnisse. Sobald die Diagramme abgegrenzt wurden, müssen sie auch regelmäßig aktualisiert werden, um die Änderungen in Echtzeit zu überwachen.
Die automatische Erkennung von Landgrenzen erleichtert die Digitalisierung aller einzelnen Grundstücke im ganzen Land mit minimaler menschlicher Korrektur. Dies wäre besonders vorteilhaft in Ländern wie Indien, wo digitale Aufzeichnungen von Landgrenzen nicht umfassend verfügbar sind. Obwohl einige Bundesstaaten die Initiative ergriffen haben, die Aufzeichnungen auf der Ebene der Vermessungsnummern zu digitalisieren, umfassen die Vermessungsnummern oft mehrere kleinere Landparzellen, deren Grenzen manuell und informell abgegrenzt werden.
Der zusätzliche Vorteil dieses digitalen Prozesses besteht darin, dass alle Informationen zu einem bestimmten Betrieb auf der Grundlage der vom Landgrenzenerkennungsmodell erkannten Parzellen konsolidiert werden können. Die genaue Abgrenzung der Parzellen hilft, genauere Informationen über die Fruchtart oder Ertragsschätzung zu erhalten. Außerdem hilft dieser Algorithmus dabei, die Veränderung der Fläche eines landwirtschaftlichen Grundstücks im Laufe der Jahre zu erkennen. Im Falle eines Erdbebens, einer Dürre, Überschwemmung oder anderer Naturkatastrophen kann der Algorithmus den Betroffenen helfen, die Schäden an der Parzelle oder den Ernten zu erkennen. Ebenso werden Unternehmen und Bauherren, die Governance und Überwachung durchführen, in erheblichem Umfang von der Gebietsplanung und -verwaltung sowie der Bewertung des Bodenwerts profitieren.
Die fortschrittliche Technologie in der Landwirtschaft hat sich in den letzten Jahrzehnten enorm entwickelt und bietet auch Raum für weitere Fortschritte. Dennoch haben Fernerkundungsbilder ihre eigenen Einschränkungen. Sie haben in der Regel eine sehr geringe Bildauflösung, einen sehr geringen Rauschpegel und ein enormes Volumen, das erheblichen digitalen Speicherplatz beansprucht. Die Eigenschaften dieser Bilder ändern sich drastisch von einer Region zur anderen, abhängig von den Eigenschaften der Landfläche.
Die Erkennung von Landgrenzen für zerfallene und uneinheitliche Landbesitzungen ist in der Tat eine mühsame Aufgabe, da ihre Grenzen keine definierte Form oder Größe haben, insbesondere in Ländern wie Indien, wo die Landbesitzungen ebenfalls klein und dicht sind. Bildverarbeitungstechniken wie Segmentierung und Kantenerkennung, die bei allgemeinen Bildern gut funktionieren, liefern möglicherweise keine genauen Ergebnisse für Fernerkundungsbilder. Zwei benachbarte Vegetationsparzellen können für uns ein gutes Potenzial bieten, um die Landgrenzen basierend auf den Unterschieden in Farbe und Textur zu finden, aber diese Eigenschaften sind möglicherweise nicht immer hervorstechend, wenn beide Parzellen die gleiche Ernte haben. Diese Sorge gilt auch für Parzellen mit mehreren Kulturen. Aufgrund dieser Faktoren ist die Erkennung von Landgrenzen anhand von Fernerkundungsbildern immer noch ein offenes Forschungsproblem. Derzeit gibt es keine so robuste Lösung, die in den verschiedenen geografischen Regionen perfekt funktioniert.
CropIn hat einen proprietären, hochmodernen Algorithmus zur Erkennung von Landgrenzen entwickelt, indem Deep Learning und klassische Bildverarbeitungstechniken kombiniert wurden. Der Algorithmus besteht hauptsächlich aus drei Modulen:a) Grenzlinien-Extraktionsalgorithmus, b) Nachbearbeitungsalgorithmus und c) Polygonisierung für die Farmparzellenextraktion. Das Deep-Learning-Modell wird mithilfe von Google-Satellitenbildern als Eingaben trainiert, bei denen es sich um RGB-Rasterbilder mit einer räumlichen Auflösung von bis zu 0,5 m an einigen Stellen (je nach Datenquelle) zusammen mit annotierten Landgrenzen als Beschriftungen handelt.
CropIn hat dieses Deep-Learning-Modell zur Grenzerkennung im indischen Bundesstaat Maharashtra eingesetzt. Wir beschafften georeferenzierte Landaufzeichnungskarten von Dörfern im Staat vom Maharashtra Remote Sensing Application Center (MRSAC), das uns manuell definierte Landgrenzen für die verschiedenen Vermessungsnummern liefert. Diese Grundbücher dienen als erste Ebene der Grundwahrheit und als Grundlage für den Aufbau und das Training der Deep-Learning-Modelle. Wir verwenden dann die hochauflösenden Satellitenbilder von Google Earth Engine, um die Grenzen durch den oben genannten Prozess zu verfeinern.
Wir haben unseren Algorithmus skaliert, indem wir eine auf AWS Batch basierende Parallelverarbeitung eingeführt haben, die parallele virtuelle Maschinen hochfährt, um die Vorhersage auf einem großen Gebiet gleichzeitig durchzuführen. Für die Vorhersage wurde eine AWS EC2 Spot-Instance „r5.xlarge“ verwendet. Derzeit kann unser System die Landgrenze für eine Fläche von fast 300.000 km² in 6-7 Stunden erkennen. Ein Beispiel der von unserem proprietären Algorithmus erkannten Landgrenzen ist in der folgenden Abbildung dargestellt.
A repräsentatives Bild der von CropIn erkannten Landgrenzen
Es versetzt Regierungsbehörden, Finanzinstitute und andere Interessengruppen in die Lage, datengesteuerte Entscheidungen auf der Grundlage zeitnaher und genauerer Informationen zu treffen, was zu einer höheren Produktivität, Effizienz und Rentabilität beiträgt.
