現在、リモート センシングは、アグリビジネス、政府、およびその他の非政府組織が土地利用を大規模にマッピングおよび監視するためにますます使用する農業技術の重要な要素となっています。リモート センシング データは、農業生態系のさまざまな関係者による農業活動の追跡と最適化を可能にし、データ駆動型のスマート農業に不可欠なインプットです。グラウンド トゥルースやその他の情報源と組み合わせると、リモート センシング データは作物生産活動の包括的な分析を提供します。
CropIn の機械学習アルゴリズムを使用した作物検出
農業技術を使用した作物生産の詳細な分析は、地球観測衛星から取得したリモートセンシング画像を使用して作物を検出することから始まります。これらの衛星は、地表から数百キロ離れた場所に配置され、可視近赤外線 (VNIR) および短波赤外線 (SWIR) スペクトル ゾーンで高解像度の地上画像を取得するために地球イメージングを実行するためのマルチスペクトル センサーが装備されています。一部の地球観測衛星には、最大 13 のスペクトル チャネルがあり、植生指数を使用して植物の生物物理学的特徴を分析するのに役立ちます。植生指数は、可視光 (VIS)、近赤外 (NIR)、および SWIR 波長の 2 つ以上のバンド間の差として計算されます。
少なくとも 100 の異なるスペクトル インデックスの中で、NDVI (Normalized Difference Vegetation Index) は、科学者が作物の状態、成長段階、バイオマス、収量推定値を決定するために最も好んで使用する植生インデックスです。この指標は、地表のクロロフィルの存在を定量化し、植物が反射する VIS および NIR 太陽光の異なる色または波長を評価することにより、観察された地域に生きた緑の植生が含まれているかどうかを評価するのに役立ちます。
土地利用をマッピングするとき、CropIn は、Sentinel-1 (RADAR) および Sentinel-2 (光学) 衛星画像データからの NDVI 時系列を利用して、耕作地と作物の種類を他の形態の土地被覆と区別します。さまざまな作物の季節的サイクルに関する既存の知識により、それらの識別が容易になり、CropIn の既存の豊富な作物データセットのプールによって検証されます。同じく衛星画像から得られたプロットの履歴情報により、農家が過去に栽培したものについてより深い洞察を得ることができます。このインテリジェンスは、新しいプロットに作物検出モデルを展開する際のデータ検証にさらに役立ちます。農地の。 CropIn は、一連のディープ ラーニング モデルを使用して、最先端のリアルタイム作物識別システムを開発しました。このシステムは、3D CNN および LSTM アーキテクチャを使用して個々のモデルを構築します。モデルを構築する際には、より一般化されたシステムを作成するために、ピクセルベースと画像ベースの両方のアプローチが考慮されます。 Sentinel 2 の光学データは、明るく晴れた日に作物の検出を可能にする豊富な情報を提供しますが、特に雨季 (カリフ シーズン) に衛星画像が雲の存在によって不明瞭になった場合、システムは自動的にモデルに切り替えます。 RADAR データ (Sentinel-1) を採用しています。
作物検出モデルの精度を向上させ、結果を検証するために、小さな領域と、PIN コードや地区などの非常に広い範囲の両方に展開することで、モデルを繰り返しトレーニングします。地理的に異なる場所でパフォーマンスを均一にするために、転移学習手法を使用して、より地域固有の個々のモデルを構築します。より広い範囲では、ディープラーニング エンジンが検出した作物は、政府のデータ (利用可能な場合)、または CropIn の SmartFarm
®
を使用して収集されたデータと相互検証されます。 特定の季節や作物のために。農作物検出モデルを土地境界検出と共に使用するもう 1 つの利点は、農民による土地面積の評価とそれに対応する収量、およびアルゴリズムが検出したものとの違いを識別するのにも役立つことです。 CropIn のシステムの目新しさは、植え付けから収穫まで、いつでも作物を予測できることです。完全な時系列情報を待つ必要はありません。
CropIn は、2018 年、2019 年、および 2020 年の Sentinel-1 および Sentinel-2 データを使用して作物を予測するために、インドのマハラシュトラ州全体にシステムを展開しました。政府統計に基づくディープラーニング モデルの全体的なパフォーマンス地上での検証は、作物が検出された地域、季節、年によって 60% から 80% の間です。
図:CropIn は、Sentinel-1 (RADAR) および Sentinel-2 (光学) 衛星画像データからの NDVI 時系列を利用して、耕作地と作物の種類を他の形態の土地被覆から区別します。
精密農業 — 農業技術の賜物
科学的で正確なデータによって導かれる効率的な農業システムは、農業技術のいくつかの進歩によって可能になります。リモート センシングを利用した作物検出機能により、農業の生産者とイネーブラーは、人間の干渉を最小限に抑えて作物生産を最適化できます。
農業および種苗会社 :ジオタグ付きの農場区画と定義された土地境界に基づく作物の識別により、生産者は収量をより正確かつリアルタイムで推定できます。また、生産者が病気や害虫によって引き起こされる作物の健康状態の悪化の兆候を認識し、それに迅速に対応して作物の損失を効果的に最小限に抑えるのにも役立ちます。
アグリインプット企業: 栽培中の作物を検出することで、農業投入企業は、その投入物から最大の利益を得る地域または農場を判断できます。作物保護製品を製造する組織は、対象作物とその成長段階に合わせて販売を最適化できます。一方、農業機械会社は、適切な栽培状態で農家に連絡することで、農家の関与を向上させることができます。
政府機関: 作物の検出と地域レベルでの作物の段階の識別を使用することで、作物の切断実験は現在、時間効率と費用効率の高いものになっています。リアルタイムの洞察により、栽培期間全体の可視性が向上し、政府機関は収穫量のかなり正確な見積もりを取得して、当局がより適切に食料供給を計画し、保険請求を迅速化するのに役立ちます。
保険会社: 衛星画像処理とディープラーニングを組み合わせることで、農業保険会社は自然災害による作物の損失をより正確に評価し、手作業による手順の多くの欠点を克服し、プロセス全体で必要なリソースを削減できます。
貸出機関: SmartRisk の「農業価値レポート」は、特定の区画の過去 5 シーズンにわたる作物の詳細な概要を銀行に提供します。このレポートにより、金融機関は融資要求を評価し、農家が以前に栽培した作物、推定収量、および相対成長指数に基づいて NPA を先制的に評価することができます。当局者は、この代替農業データを利用してリアルタイムで作物の成長を分析することもできます。
NGO および開発機関: 農業を可能にする組織、特に発展途上国や発展途上国では、作物検出機能を活用して、地域全体で作物の栽培をマッピングし、リアルタイムで健康状態を監視し、生産性を向上させたり、作物への広範な損害を防ぐためのアドバイスを農家に提供したりできます。病気、害虫の侵入、または予期しない気象条件。
