La teledetección es actualmente un componente crítico de las tecnologías agrícolas que utilizan cada vez más las empresas agrícolas, los gobiernos y otras organizaciones no gubernamentales para mapear y monitorear el uso de la tierra a escala. Los datos de teledetección permiten el seguimiento y la optimización de las actividades agrícolas por parte de varios actores en el agroecosistema y son un insumo esencial para la agricultura inteligente basada en datos. Cuando se combinan con la verdad sobre el terreno y otras fuentes de información, los datos de teledetección brindan un análisis completo de las actividades de producción de cultivos.
Detección de cultivos mediante algoritmos de aprendizaje automático de CropIn
Cualquier análisis en profundidad de la producción de cultivos utilizando tecnologías agrícolas comienza con la detección de cultivos utilizando imágenes de teledetección derivadas de satélites de observación terrestre. Estos satélites están ubicados a varios cientos de kilómetros de la superficie y están equipados con sensores multiespectrales para realizar imágenes de la Tierra para capturar imágenes terrestres de alta resolución en las zonas espectrales del infrarrojo cercano visible (VNIR) y del infrarrojo de onda corta (SWIR). Algunos satélites de observación de la tierra tienen hasta 13 canales espectrales que ayudan a analizar las características biofísicas de las plantas utilizando índices de vegetación, que se calculan como diferencias entre dos o más bandas en las longitudes de onda de luz visible (VIS), infrarrojo cercano (NIR) y SWIR.
De entre al menos cien índices espectrales diferentes, el NDVI (Índice de vegetación de diferencia normalizada) es el índice de vegetación preferido por los científicos para determinar la condición, las etapas de crecimiento, la biomasa y la estimación del rendimiento de los cultivos. El índice cuantifica la presencia de clorofila en la superficie terrestre y ayuda a evaluar si la región observada contiene vegetación verde viva mediante la evaluación de los distintos colores o longitudes de onda de la luz solar VIS y NIR que reflejan las plantas.
Al mapear el uso de la tierra, CropIn utiliza la serie temporal NDVI de los datos de imágenes satelitales Sentinel-1 (RADAR) y Sentinel-2 (óptica) para distinguir las tierras de cultivo y los tipos de cultivos de otras formas de cobertura terrestre. El conocimiento preexistente de los ciclos fenológicos de los diferentes cultivos facilita su identificación, que luego es validada por el rico conjunto existente de conjuntos de datos de cultivos de CropIn. La información histórica de la parcela, también derivada de imágenes satelitales, nos permite obtener una visión más profunda de lo que el agricultor ha cultivado en el pasado, y esta inteligencia se presta aún más a la validación de datos cuando implementamos el modelo de detección de cultivos para una nueva parcela. de tierra de cultivo. CropIn ha desarrollado un sistema de identificación de cultivos en tiempo real de última generación utilizando una bolsa de modelos de aprendizaje profundo. El sistema utiliza la arquitectura 3D CNN y LSTM para construir modelos individuales. Al construir los modelos, se considera que tanto el enfoque basado en píxeles como el basado en imágenes crean un sistema más generalizado. Si bien los datos ópticos de Sentinel 2 brindan una gran cantidad de información que permite la detección de cultivos en un día brillante y soleado, si la imagen satelital está oscurecida por la presencia de nubes, particularmente durante la temporada de lluvias (temporada de Kharif), el sistema cambia automáticamente a los modelos. que adoptan datos RADAR (Sentinel-1).
Para mejorar la precisión del modelo de detección de cultivos y validar el resultado, los entrenamos repetidamente desplegándolos tanto en territorios pequeños como en una extensión de área significativamente mayor, como un código PIN o distrito. Para que el rendimiento sea uniforme en diferentes ubicaciones geográficas, se utilizan técnicas de transferencia de aprendizaje para construir modelos individuales más específicos de la región. Para el área más grande, el cultivo que detecta el motor de aprendizaje profundo se verifica de forma cruzada con datos gubernamentales, si están disponibles, o con datos recopilados utilizando SmartFarm
®
de CropIn. para una temporada o cultivo en particular. Otro beneficio de usar el modelo de detección de cultivos, junto con la detección de límites de terreno, es que también ayuda a identificar la diferencia entre la evaluación de los agricultores de su área de terreno y el rendimiento correspondiente y lo que detecta el algoritmo. La novedad del sistema de CropIn es que puede predecir los cultivos en cualquier momento, desde la siembra hasta la cosecha, y no hay necesidad de esperar por la información completa de la serie temporal.
CropIn ha implementado el sistema en todo el estado indio de Maharashtra para predecir los cultivos con datos Sentinel-1 y Sentinel-2 en los años 2018, 2019 y 2020. El rendimiento general de los modelos de aprendizaje profundo se basa en estadísticas gubernamentales y la validación en el suelo está entre el 60 % y el 80 % según las regiones, las temporadas y los años en que se detectaron los cultivos.
Figura:CropIn utiliza la serie temporal NDVI de los datos de imágenes satelitales Sentinel-1 (RADAR) y Sentinel-2 (óptica) para distinguir las tierras de cultivo y los tipos de cultivos de otras formas de cobertura terrestre.
Agricultura de precisión:el regalo de la tecnología agrícola
Los sistemas agrícolas eficientes guiados por datos científicos y precisos son posibles gracias a varios avances en las tecnologías agrícolas. Las capacidades de detección de cultivos, impulsadas por sensores remotos, facilitan que los productores y facilitadores de la agricultura optimicen la producción de cultivos con una mínima interferencia humana.
Empresas agrícolas y de semillas :La identificación de cultivos basada en parcelas agrícolas etiquetadas geográficamente y límites de terreno definidos permite a los productores estimar el rendimiento con mayor precisión y en tiempo real. También ayuda a los productores a reconocer los signos de mala salud de los cultivos causados por una enfermedad o plaga y responder rápidamente para minimizar la pérdida de cultivos de manera efectiva.
Empresas de insumos agrícolas: La detección de los cultivos en cultivo permite a las empresas de insumos agrícolas determinar las regiones o granjas que se beneficiarían más de sus insumos. Las organizaciones que fabrican productos para la protección de cultivos pueden optimizar sus ventas específicas para el cultivo objetivo y su etapa de crecimiento, mientras que las empresas de maquinaria agrícola pueden mejorar la participación de los agricultores acercándose a ellos en los estados de cultivo correctos.
Agencias gubernamentales: Los experimentos de corte de cultivos ahora se hacen eficientes en términos de tiempo y costo con el uso de la detección de cultivos y la identificación de las etapas de los cultivos a nivel regional. Los conocimientos en tiempo real mejoran la visibilidad durante todo el período de cultivo y también permiten a las agencias gubernamentales obtener estimaciones bastante precisas de los rendimientos de los cultivos para ayudar a los funcionarios a planificar mejor el suministro de alimentos y acelerar las reclamaciones de seguros.
Compañías de seguros: El procesamiento de imágenes satelitales, junto con el aprendizaje profundo, permite a los proveedores de seguros agrícolas evaluar las pérdidas de cosechas debido a calamidades naturales con mayor precisión, ayuda a superar las numerosas deficiencias de los procedimientos manuales y reduce los recursos que requieren para todo el proceso.
Instituciones de crédito: El "informe de valor agrícola" de SmartRisk proporciona a los bancos un resumen detallado de la cosecha durante las últimas cinco temporadas para una parcela específica. El informe hace posible que las instituciones evalúen las solicitudes de préstamo y evalúen preventivamente la NPA en función de los cultivos cultivados previamente por el agricultor, el rendimiento estimado y el índice de crecimiento relativo. Los funcionarios también pueden analizar el crecimiento de los cultivos en tiempo real utilizando estos datos agrícolas alternativos.
ONG y agencias de desarrollo: Las organizaciones que habilitan la agricultura, especialmente en países en desarrollo o subdesarrollados, pueden aprovechar las capacidades de detección de cultivos para mapear el cultivo de cultivos en todas las regiones, monitorear su salud en tiempo real y brindar a los agricultores consejos para mejorar la productividad o prevenir daños extensos a los cultivos debido a enfermedades, plagas o condiciones climáticas inesperadas.
