Classificação de Tipo de Cultivo Usando Análise por Satélite - Barra d Alcântara News

últimas

Post Top Ad

Post Top Ad

EM BREVE, SUA EMPRESA AQUI

2 de mai. de 2023

Classificação de Tipo de Cultivo Usando Análise por Satélite

 

A cobertura do solo é uma variável chave no contexto da mudança climática. Em particular, são necessárias informações sobre o tipo de colheita para compreender a distribuição espacial do uso da água e para prever o risco de escassez de água e o risco resultante de insegurança alimentar. É o caso das regiões áridas do planeta, onde a agricultura é altamente dependente da irrigação. Aqui, a detecção remota é valiosa para fazer um mapa de tipo de culturas, mas sua qualidade depende da estabilidade dos dados obtidos a partir do solo. 

classificação de culturas agrícolas usando teledetecção é uma tarefa comum na agricultura. O principal objetivo da classificação do tipo de cultura é criar os mapas de classificação do tipo de cultura onde cada ponto sobre ele tenha uma classe do que cresce ali. Há muitas maneiras de se fazer esta tarefa. Entretanto, uma das mais estudadas é o uso de dados de sensoriamento remoto.

Remotagem de sensoriamento 

O sensoriamento remoto é uma ferramenta popular e poderosa para mapear a distribuição de culturas. Ele permite o mapeamento rápido e eficiente de terras agrícolas, apoiando diversas aplicações de monitoramento agrícola global. Entretanto, embora as tecnologias de sensoriamento remoto sejam poderosas, elas dependem de dados confiáveis a partir do solo.

Ao trabalhar com aplicações como o mapeamento da cobertura terrestre, os dados baseados no solo nos ensinam como distinguir entre as classes e ajudam a confirmar sua precisão. Entretanto, o acesso a informações confiáveis baseadas no solo sobre culturas em regiões pobres em dados é limitado. Aqui, os dados de campo existentes sobre tipos de culturas são reduzidos a pesquisas nacionais, que estão disponíveis apenas como tabelas agregadas de qualidade questionável. 

Que classificação de cultura dá 

  1. A classificação das culturas é uma excelente ferramenta para fazer um inventário de grandes áreas. Também é uma excelente ferramenta para a estimativa do rendimento.
  2. Ela serve para manter um registro abrangente das rotações das culturas nos campos individuais.
  3. Ela pode fornecer dados precisos e mais compreensíveis sobre os tipos de culturas, o que é essencial para a compensação.
  4. Maneja o gerenciamento do uso da terra com facilidade devido à disponibilidade de dados de tipo de cultura.
  5. A classificação permite aos vendedores definir e fixar os preços de mercado.

 Benefícios da abordagem analítica via satélite 

Os dados de imagens óticas de satélite são imprecisos devido a variações climáticas. Eles não dão uma imagem completa do campo se houver cobertura de nuvens no céu ou neblina. Tais fatores climáticos impossibilitam a identificação das culturas.

Mas existe uma tecnologia como o Radar de Abertura Sintética (SAR), que emite microondas. Ele não precisa da luz solar refletida para coletar dados e pode ser combinado com dados de satélite para fornecer aos produtores agrícolas uma imagem completa do que está acontecendo em seu local específico. Tal radar pode classificar as colheitas a partir da imagem, mesmo com pouca visibilidade ou durante a noite.

A EOSDA, que lançou seu primeiro satélite no espaço e planeja lançar mais satélites exclusivamente para monitorar campos agrícolas, pode classificar culturas em grandes áreas, independentemente das condições climáticas. Graças aos últimos modelos da empresa e ao uso de seus dados de satélite, a classificação de culturas agrícolas é agora ainda mais fácil e rápida com estas novas ferramentas.

Pesquisa aleatória: Detecção de cana-de-açúcar no Brasil 

O projeto no qual a equipe EOS Data Analytics trabalhou incluiu duas tarefas: classificação dos engenhos de cana de açúcar no Brasil e detecção da cana colhida no estado brasileiro de São Paulo, em uma data específica especificada pelo cliente.

A equipe da EOS Data Analytics utilizou dados de solo e imagens de satélite para classificar os engenhos de açúcar. Isto foi feito a fim de criar um conjunto de dados para rotulagem e treinamento de um modelo de aprendizado profundo. A segunda tarefa foi determinar um índice de campo retraído para 6.500 campos. O índice se refere à relação entre a área colhida e o campo inteiro. Os especialistas usaram o radar Sentinel-1 Single Look Complex e a imagem óptica Sentinel-2. Os dados ópticos foram analisados usando NDVI. A detecção remota por satélite e as abordagens de rede neural para análise de dados via satélite levam o gerenciamento do campo a um novo nível. As redes neurais são excelentes para resolver problemas do mundo real dos usuários agrícolas. 

As tarefas que a equipe EOSDA tinha para resolver o problema da detecção da cana-de-açúcar no Brasil. A primeira é que uma avaliação da área teve que ser feita. Segundo, para encontrar o método mais adequado para detectar a cana-de-açúcar, já que métodos simples de segmentação de dados via satélite não oferecem uma solução precisa para a identificação da cana-de-açúcar no Brasil.

A equipe utilizou o modelo LSTM (Conv-LSTM) em sua solução para detectar a cana-de-açúcar em determinadas áreas. O modelo foi treinado em um conjunto de dados de 10 países diferentes ao redor do mundo, que foram etiquetados pelos especialistas da empresa.

Na tarefa de classificação da cana de açúcar, os métodos de redes neurais recorrentes bidirecionais baseados em LSTM e LSTM convolucional mostraram uma precisão geral quase igualmente alta (mais de 94%).

 

 

Nenhum comentário:

Postar um comentário