Detección de límites terrestres para pequeñas propiedades mediante aprendizaje automático

La delimitación precisa de los límites de la tierra es un paso fundamental para identificar el uso de la tierra y planificar su gestión. Particularmente para las tierras de cultivo, esta delimitación permite a los agricultores y agronegocios estimar mejor el área de tierra para el uso eficiente de insumos agrícolas, como semillas, pesticidas, fertilizantes y otros recursos, y para optimizar las actividades de producción y posproducción.

Los procesos manuales de identificación de límites terrestres han demostrado ser lentos y laboriosos. Sin embargo, la tecnología avanzada en agricultura, como las imágenes de teledetección, proporciona información detallada y espacialmente explícita sobre el uso de la tierra agrícola en tiempo real que, de otro modo, sería difícil de obtener.

Las imágenes satelitales, el aprendizaje automático y la IA en la agricultura están equipando a los actores del agroecosistema con un registro histórico de la distribución de los cultivos en las regiones. Las entidades gubernamentales pueden aprovechar esta inteligencia para planificar adecuadamente la importación y exportación de productos alimenticios. Las instituciones financieras pueden utilizar estos datos agrícolas alternativos para determinar el cultivo que cultiva un agricultor, su salud y el rendimiento de la parcela para evaluar las propuestas de préstamo. Los agronegocios pueden monitorear y administrar sus fincas de forma remota en cada etapa de la producción de cultivos sin tener que visitar los campos con frecuencia, especialmente a la luz de la situación actual causada por la pandemia.

¿Cuál es el uso del límite de la tierra? ?

Para obtener datos precisos para cualquiera de estas evaluaciones y llegar a conclusiones concluyentes, los límites exactos de la parcela agrícola juegan un papel crucial. En los últimos años, los datos de imágenes satelitales, específicamente como los de Landsat-8 (óptico), Sentinel-1 (RADAR) y Sentinel-2 (óptico) se utilizan para identificar la ubicación, el tamaño y la extensión espacial de la tierra agrícola. . Luego, estos datos se combinan con la información meteorológica para mejorar la clasificación del tipo de cultivo y monitorearlos en tiempo real.

La tecnología avanzada en agricultura que también integra otra información, como el tipo de cultivo, el tipo de suelo y el estrés hídrico en la región, se vuelve vital para diseñar un plan agrícola efectivo y para desarrollar y monitorear políticas y esquemas agrícolas para los agricultores. Empoderan a los productores con otras capacidades, como la predicción del rendimiento, el pronóstico de la etapa del cultivo, la estimación de la salud del cultivo, la identificación de las fechas de siembra y cosecha, la estimación del estrés hídrico, la estimación de la humedad del suelo y la programación del riego.

Si bien los límites de las tierras de cultivo son más fáciles de delinear y digitalizar para las grandes propiedades, se vuelve cada vez más difícil para las pequeñas propiedades, particularmente en ciertos países y regiones emergentes. La ausencia de límites bien definidos hace que otras tareas, como la clasificación del uso de la tierra, la digitalización de títulos de propiedad o la clasificación de cultivos, sean más engorrosas y propensas a errores.

Los límites de la tierra, por lo tanto, son la base para derivar información crítica sobre la cobertura de la tierra, particularmente para la agricultura. Los científicos de datos utilizan los datos de observación de la Tierra para detectar los límites de la tierra, lo que les permite clasificar y evaluar los patrones de uso/cobertura de la tierra (LULC) para detectar vegetación de otras formas de cobertura de la tierra. Yendo un paso más allá, los datos satelitales y las aplicaciones de tecnología avanzada en agricultura como el aprendizaje automático también les permiten identificar y clasificar cultivos. Además, permite a los productores monitorear de forma remota la salud, el estrés y el rendimiento del cultivo periódicamente y garantizar una alta productividad durante todo el ciclo del cultivo.

¿Por qué se requiere la detección de límites terrestres?

El proceso manual de demarcación de los límites de la parcela es propenso a errores humanos y requiere habilidades de anotación profundas. Una vez que se han delineado las parcelas, también deben actualizarse periódicamente para monitorear los cambios en tiempo real.

La detección automática de los límites de la tierra facilita la digitalización de todas las parcelas individuales en todo el país con una corrección humana mínima. Esto sería particularmente beneficioso en países como India, donde los registros digitales de las fronteras terrestres no están ampliamente disponibles. Aunque algunos estados han tomado la iniciativa de digitalizar los registros a nivel de número de encuesta, los números de encuesta a menudo comprenden varias parcelas de tierra más pequeñas, cuyos límites se demarcan manual e informalmente.

La ventaja adicional de este proceso digital es que toda la información sobre una finca en particular se puede consolidar en función de las parcelas detectadas por el modelo de detección de límites terrestres. La delimitación exacta de las parcelas ayuda a obtener información más precisa sobre el tipo de cultivo o la estimación del rendimiento. Además, este algoritmo ayudará a detectar el cambio en el área de la parcela de un agricultor a lo largo de los años. En caso de terremoto, sequía, inundación u otros desastres naturales, el algoritmo puede ayudar a las partes interesadas a detectar los daños en la parcela o los cultivos. Del mismo modo, las empresas corporativas y los constructores que se encargan de la gobernanza y la vigilancia se beneficiarán en gran medida con respecto a la planificación y gestión del área y la evaluación del valor de la tierra.

Limitaciones actuales de la detección de límites terrestres

La tecnología avanzada en la agricultura ha evolucionado enormemente en las últimas décadas y también ha ofrecido posibilidades para nuevos avances. No obstante, las imágenes de teledetección tienen sus propias limitaciones. Por lo general, tienen una resolución de imagen muy baja, un nivel de ruido y un volumen masivo que ocupa un espacio de almacenamiento digital considerable. Las propiedades de estas imágenes cambian drásticamente de una región a otra dependiendo de las propiedades del área terrestre.

De hecho, la detección de límites de tierras para propiedades que están desintegradas y no uniformes es una tarea ardua, ya que sus límites no tienen una forma o un tamaño definidos, particularmente en países como India, donde las propiedades son pequeñas y densas. Las técnicas de procesamiento de imágenes como la segmentación y la detección de bordes, que funcionan bien en imágenes generales, pueden no producir resultados precisos para las imágenes de detección remota. Dos parcelas de vegetación adyacentes pueden tener un buen potencial para que encontremos los límites de la tierra en función de la diferencia de color y textura, pero estas propiedades pueden no ser prominentes siempre que ambas parcelas tengan el mismo cultivo. Esta preocupación también se aplica a aquellas parcelas con cultivos múltiples. Debido a estos factores, la detección de límites terrestres mediante imágenes de teledetección sigue siendo un problema de investigación abierto. Actualmente, no existe una solución tan robusta que funcione perfectamente en las diferentes regiones geográficas.

Motor de aprendizaje profundo de CropIn para detectar límites terrestres

CropIn ha desarrollado un algoritmo patentado de detección de límites terrestres de última generación mediante la combinación de aprendizaje profundo y técnicas clásicas de procesamiento de imágenes. El algoritmo consta principalmente de tres módulos:a) algoritmo de extracción de líneas de límite, b) algoritmo de posprocesamiento y c) poligonización para la extracción de parcelas agrícolas. El modelo de aprendizaje profundo se entrena utilizando imágenes satelitales de Google como entradas, que son imágenes rasterizadas RGB con una resolución espacial de hasta 0,5 m en algunos lugares (dependiendo de las fuentes de datos), junto con límites terrestres anotados como etiquetas.

CropIn ha implementado este modelo de aprendizaje profundo para la detección de límites en el estado indio de Maharashtra. Obtuvimos mapas georreferenciados de registro de tierras de aldeas en el estado del Centro de Aplicación de Detección Remota de Maharashtra (MRSAC), que nos proporciona límites de tierras definidos manualmente para los diferentes números de encuesta. Estos registros de tierras sirven como la primera capa de datos reales y la línea de base para construir y entrenar los modelos de aprendizaje profundo. Luego utilizamos las imágenes satelitales de alta resolución de Google Earth Engine para refinar los límites a través del proceso mencionado anteriormente.

Escalamos nuestro algoritmo mediante la introducción de procesamiento paralelo integrado en AWS Batch, que hace girar máquinas virtuales paralelas para hacer la predicción en un área grande simultáneamente. Se utilizó una instancia de spot de AWS EC2 'r5.xlarge' para hacer la predicción. Actualmente, nuestro sistema puede detectar el límite terrestre de casi 300.000 kilómetros cuadrados de área en 6-7 horas. En la siguiente figura se muestra una muestra de los límites terrestres detectados por nuestro algoritmo patentado.

¿Quién puede aprovechar estos límites terrestres?

Empodera a los organismos gubernamentales, las instituciones financieras y otras partes interesadas para llegar a decisiones basadas en datos basados ​​en información oportuna y más precisa, lo que contribuye a aumentar la productividad, la eficiencia y la rentabilidad.