機械学習を使用した小規模土地所有の土地境界検出

土地の境界を正確に描写することは、土地利用を特定し、その管理を計画する上で重要なステップです。特に耕作地の場合、この描写により、農家やアグリビジネスは、種子、殺虫剤、肥料、その他の資源などの農業投入物を効率的に使用するための土地面積をより正確に推定し、生産と生産後の活動を最適化できます。

土地の境界を特定する手作業のプロセスは、時間がかかり、労働集約的であることが証明されています。しかし、リモート センシング画像などの農業の高度な技術は、農地利用に関する詳細で空間的に明確な情報をリアルタイムで提供します。これは、他の方法では入手が困難です。

農業における衛星画像、機械学習、AI は、農業生態系の関係者に、地域全体の栽培作物の分布の歴史的記録を提供しています。政府機関は、この情報を活用して、食品の輸出入を適切に計画できます。金融機関は、この代替農業データを利用して、農家が栽培している作物、その健康状態、およびプロットのパフォーマンスを判断して、ローンの提案を評価できます。アグリビジネスは、特にパンデミックによって引き起こされた現在の苦境に照らして、頻繁に畑を訪れる必要なく、作物生産のあらゆる段階で農場をリモートで監視および管理できます。

土地境界の使用とは ?

これらの評価の正確なデータを取得し、決定的な洞察に到達するには、農場区画の正確な境界が重要な役割を果たします。近年、特に Landsat-8 (光学)、Sentinel-1 (RADAR)、Sentinel-2 (光学) などの衛星画像データを使用して、農地の位置、サイズ、および空間範囲を特定しています。 .次に、このデータを気象情報と組み合わせて、作物の種類の分類を改善し、リアルタイムで監視します。

地域の作物の種類、土壌の種類、水ストレスなどの他の情報も統合する農業の高度な技術は、効果的な農業計画を考案し、農家のための農業政策とスキームを開発および監視するために不可欠になります。生産者は、収量予測、作物の段階の予測、作物の健康状態の推定、植え付けと収穫の日付の特定、水ストレスの推定、土壌水分の推定、灌漑のスケジューリングなど、他の機能を使用して生産者を支援します。

農地の境界は、大規模な土地所有の場合は線引きとデジタル化が容易ですが、特に特定の新興国や地域では、小規模土地所有の場合はますます困難になります。境界が明確に定義されていないと、土地利用の分類、土地所有権のデジタル化、作物の分類などの他のタスクがより面倒になり、エラーが発生しやすくなります。

したがって、土地の境界は、特に農業にとって重要な土地被覆情報を導き出すための基盤です。データ サイエンティストは、地球観測データを利用して土地境界を検出します。これにより、土地利用/土地被覆 (LULC) パターンを分類および評価して、他の形態の土地被覆から植生を検出することができます。さらに一歩進んで、衛星データと機械学習などの農業における高度な技術のアプリケーションにより、作物の識別と分類も可能になります。さらに、生産者は作物の健康状態、ストレス、収量を定期的にリモートで監視し、作物サイクル全体で高い生産性を確保できます。

土地境界検出が必要な理由

区画の境界を手動で区切るプロセスは、人的エラーが発生しやすく、詳細な注釈スキルが必要です。プロットが線引きされたら、リアルタイムで変化を監視するために定期的に更新する必要もあります。

土地境界の自動検出により、人間による修正を最小限に抑えて、全国のすべての個々の区画のデジタル化が容易になります。これは、土地境界のデジタル記録が広く利用できないインドのような国では特に有益です。一部の州では調査番号レベルで記録をデジタル化するイニシアチブを取っていますが、調査番号は多くの場合、いくつかの小さな土地区画で構成されており、その境界は手動で非公式に画定されています。

このデジタル プロセスの追加の利点は、特定の農場に関するすべての情報を、土地境界検出モデルによって検出されたプロットに基づいて統合できることです。プロットの正確な描写は、作物の種類や収量の見積もりに関するより正確な情報を得るのに役立ちます。さらに、このアルゴリズムは、長年にわたる農家の区画の面積の変化を検出するのに役立ちます.地震、干ばつ、洪水、またはその他の自然災害が発生した場合、アルゴリズムは関係者が区画または作物への被害を検出するのに役立ちます。同様に、ガバナンスと監視を行っている企業や建築業者は、エリアの計画と管理、および地価評価に関してかなりの利益を得るでしょう。

土地境界検出の現在の制限

農業における高度な技術は、ここ数十年で飛躍的に進化し、さらなる進歩の余地も提供しています。それにもかかわらず、リモート センシング画像には独自の制限があります。それらは通常、画像の解像度が非常に低く、ノイズのレベルが低く、かなりのデジタル ストレージ スペースを占有する大容量です。これらの画像の特性は、土地の特性に応じて、ある地域から別の地域に劇的に変化します。

崩壊して不均一な土地所有地の土地境界検出は、実際には、特に土地所有地のサイズが小さく密集しているインドのような国では、境界が定義された形状やサイズを持たないため、困難な作業です。セグメンテーションやエッジ検出などの画像処理技術は、一般的な画像ではうまく機能しますが、リモート センシング画像では正確な結果が得られない場合があります。植生の 2 つの隣接するプロットは、色とテクスチャの違いに基づいて土地の境界を見つけるのに十分な可能性を秘めている可能性がありますが、両方のプロットが同じ作物を持っている場合、これらの特性が常に目立つとは限りません。この懸念は、複数の作物がある区画にも当てはまります。これらの要因により、リモートセンシング画像を使用した土地境界検出は、まだ未解決の研究課題です。現時点では、さまざまな地域で完全に機能する堅牢なソリューションはありません。

土地の境界を検出するための CropIn のディープラーニング エンジン

CropIn は、ディープラーニングと従来の画像処理技術を組み合わせて、独自の最先端の土地境界検出アルゴリズムを開発しました。このアルゴリズムは主に、a) 境界線抽出アルゴリズム、b) 後処理アルゴリズム、および c) 農場区画抽出のためのポリゴン化の 3 つのモジュールで構成されます。深層学習モデルは、Google 衛星画像を入力として使用してトレーニングされます。これは、いくつかの場所 (データ ソースによって異なります) で 0.5 m もの高さの空間解像度を持つ RGB ラスター画像であり、ラベルとして注釈付きの土地境界が付けられています。

CropIn は、インドのマハラシュトラ州で境界検出のためにこの深層学習モデルを展開しました。私たちはマハラシュトラ州リモート センシング アプリケーション センター (MRSAC) から、州内の村の地理参照された土地記録地図を入手しました。これは、さまざまな調査番号に対して手動で定義された土地境界を提供してくれます。これらの土地記録は、グラウンド トゥルースの最初のレイヤーと、ディープ ラーニング モデルを構築およびトレーニングするためのベースラインとして機能します。次に、Google Earth Engine の高解像度の衛星画像を利用して、上記のプロセスで境界を絞り込みます。

AWS Batch 上に構築された並列処理を導入することで、アルゴリズムをスケーリングしました。これは、並列仮想マシンをスピンアップして、大規模な領域で同時に予測を行います。 「r5.xlarge」AWS EC2 スポット インスタンスを使用して予測を行いました。現在、当社のシステムは 6 ～ 7 時間で 300,000 平方キロメートル近くの土地の境界を検出できます。独自のアルゴリズムによって検出された土地境界のサンプルを下の図に示します。

これらの土地境界を活用できるのは誰ですか?

これにより、政府機関、金融機関、およびその他の利害関係者が、タイムリーでより正確な情報に基づいてデータ駆動型の決定を下せるようになり、生産性、効率、収益性の向上に貢献します。