Los avances en la tecnología geoespacial y el uso cada vez más innovador de la inteligencia artificial y el aprendizaje profundo están permitiendo un enfoque científico basado en datos para el monitoreo ambiental efectivo. Las tecnologías de teledetección están permitiendo el estudio de los cambios en la cubierta terrestre de la Tierra, que incluye vegetación, superficies de agua y elementos creados por el hombre, así como varios patrones de uso de la tierra.
Las actividades humanas en los últimos siglos han acelerado e intensificado la transformación de la superficie terrestre. En este sentido, la clasificación y evaluación de los patrones de uso y cobertura de la tierra (LULC) son fundamentales para los estudios de monitoreo global, la conservación ambiental, la planificación del uso de la tierra, la gestión de recursos y el desarrollo sostenible en todo el mundo.
La tierra es el insumo principal y más esencial para la agricultura, y no hace falta decir que sería imposible producir suficientes alimentos, piensos y fibra para la población mundial si no hay suficiente tierra para fines agrícolas. Por esta razón, el análisis de la distribución de la tierra cultivable se vuelve imperativo para determinar la disponibilidad de tierra para fines agrícolas en diferentes regiones y, en consecuencia, impulsar la producción agrícola en todo el mundo. La comparación de los datos satelitales de detección remota capturados en diferentes momentos también permite monitorear los cambios de LULC para identificar la reducción de la tierra agrícola debido a eventos climáticos o actividades humanas.
¿Cómo define Cropin el uso de la tierra y la cobertura de la tierra con inteligencia artificial y aprendizaje profundo?
El motor impulsado por IA de Cropin clasifica el uso de la tierra según el sistema de clasificación de uso de la tierra desarrollado por el Servicio Geológico de los Estados Unidos (USGS). Este sistema clasifica el uso de la tierra y la cobertura de la tierra en múltiples niveles, las categorías en cada uno forman una jerarquía anidada de subcategorías. Por ejemplo, Agricultura, que es una de las categorías amplias del Nivel I, incluye categorías detalladas como "Tierras de cultivo y pastos ’, ‘ Huertos, Arboledas, Viñedos y Viveros ' y 'Operaciones de alimentación confinada '. Mientras que las categorías de Nivel I son de datos de tipo LANDSAT, las categorías de Nivel II son datos de gran altitud (12400 m o más) con mejores resoluciones espaciales, espectrales y temporales.
El mapeo de LULC de Cropin se basa en el Nivel I del sistema USGS que es relevante para aplicaciones regionales y diversas a gran escala. El motor de Cropin adopta cinco de las nueve subcategorías del Nivel I, a saber terrenos agrícolas, terrenos yermos, terrenos edificados o urbanos, bosques y masas de agua.
Como primer paso de la clasificación LULC, los datos de las imágenes satelitales sin procesar se extraen y entrenan utilizando los algoritmos patentados de Cropin para geoetiquetar los límites a nivel de estado y distrito en la India. Luego, los datos se limpian para eliminar los límites irregulares de la parcela y mejorar la precisión de los puntos de datos y luego se vuelven a entrenar para mapear el uso de la tierra para la temporada actual (Rabi/Kharif).
Para mapear cada una de las cinco categorías con límites distintos y precisos, los modelos entrenados se someten a una eliminación de valores atípicos de dos pasos. La desinfección repetida de los puntos de datos da como resultado píxeles puros donde 'Construido/Urbano' no incluye ningún cuerpo de agua, o no hay presencia de 'Tierra baldía' dentro de 'Tierra agrícola'. Luego, estos modelos se prueban para determinar su precisión y se vuelven a entrenar utilizando varios métodos hasta una precisión de no menos del 90 %. se logra.
El mapa de uso de la tierra generado por el sistema de Cropin para la temporada de Rabi se basa en un modelo óptico. Sin embargo, para la temporada de Kharif, se están construyendo modelos basados en datos de imágenes de Radar de Apertura Sintética (SAR) considerando una mayor cobertura de nubes durante el período.
Figura 1:mapa LULC de una región en el noroeste de Madhya Pradesh
Una vez que LULC haya sido clasificado y auditado para verificar su precisión, SmartRisk extraerá el mapeo de uso de la tierra para agricultura. y se muestra en su tablero interactivo basado en un mapa, en función de qué cultivos en la región determinada se identificarán según los requisitos del usuario.
¿Cómo se traduce esto en valor para las partes interesadas agrícolas?
La información de LULC que está actualizada y es confiable tiene muchas ventajas en el campo agrícola, particularmente cuando la utilizan los organismos gubernamentales y las instituciones de préstamos agrícolas para desarrollar políticas agrarias efectivas.
SmartRisk facilita a las partes interesadas clave en organismos gubernamentales para determinar la disponibilidad de tierras agrícolas en una región dada (a nivel de finca/código postal/estado/país) para esa temporada en particular. La plataforma inteligente también establece el desempeño histórico de la región, lo que permite a los usuarios comparar los datos actuales con registros anteriores para examinar los cambios de LULC como resultado de la urbanización, la invasión o los eventos climáticos severos en la región. Otras actividades, como la planificación del suministro de agua para las necesidades de riego, también se vuelven efectivas con el uso de las capacidades LULC de esta plataforma de vanguardia.
Figura 2:Tablero de SmartRisk que muestra la clasificación LULC para Bareli, Madhya Pradesh
Bancos, seguros y otras instituciones financieras pueden analizar el área sembrada neta a nivel regional para decidir sobre sus políticas de crédito y expansión de negocios a nuevas regiones. A nivel de parcela, la institución puede identificar si una parcela agrícola se está cultivando y aprovechar los registros del rendimiento histórico de la parcela para una evaluación de riesgos y una suscripción de préstamos más rápida respaldada por datos agrícolas alternativos. Aprenda todo sobre cómo la IA está optimizando el pago de seguros para uno de los programas de seguros de cosechas más grandes del mundo.
Fabricantes de semillas y otros empresas de insumos agrícolas pueden optimizar sus estrategias de ventas en función del área sembrada neta y los datos de clasificación de cultivos disponibles en el panel de control de SmartRisk. El conocimiento de qué cultivo crece en qué lugar, y cómo se ve su etapa de cultivo y salud, permite a las empresas de insumos hacer que sus productos estén disponibles en los puntos de distribución más cercanos.
Por otro lado, las empresas de abastecimiento y adquisición , así como los comerciantes de productos básicos, pueden aprovechar esta inteligencia agrícola para identificar cultivos repartidos por una región y tomar decisiones de compra más inteligentes en función de la disponibilidad del cultivo.
