A delimitação precisa dos limites da terra é um passo crítico na identificação do uso da terra e no planejamento de sua gestão. Particularmente para áreas de cultivo, esse delineamento permite que agricultores e agroindústrias estimem melhor a área de terra para o uso eficiente de agroinsumos, como sementes, defensivos, fertilizantes e outros recursos e otimizem as atividades de produção e pós-produção.
Os processos manuais de identificação de limites de terra provaram ser demorados e trabalhosos. No entanto, a tecnologia avançada na agricultura, como imagens de sensoriamento remoto, fornece informações detalhadas e espacialmente explícitas sobre o uso da terra agrícola em tempo real que, de outra forma, seriam difíceis de obter.
Imagens de satélite, aprendizado de máquina e IA na agricultura estão equipando os atores do agroecossistema com um registro histórico da distribuição de culturas cultivadas nas regiões. As entidades governamentais podem alavancar essa inteligência para planejar adequadamente a importação e exportação de produtos alimentícios. As instituições financeiras podem utilizar esses dados agropecuários alternativos para determinar a cultura que um agricultor está cultivando, sua saúde e o desempenho da parcela para avaliar as propostas de empréstimo. As agroindústrias podem monitorar e gerenciar remotamente suas fazendas em todas as etapas da produção agrícola sem precisar visitar os campos com frequência, especialmente à luz da situação atual causada pela pandemia.
Qual é o uso da fronteira terrestre ?
Para obter dados precisos para qualquer uma dessas avaliações e chegar a informações conclusivas, os limites exatos da parcela da fazenda desempenham um papel crucial. Nos últimos anos, dados de imagens de satélite, especificamente como os do Landsat-8 (óptico), Sentinel-1 (RADAR) e Sentinel-2 (óptico), são usados para identificar a localização, o tamanho e a extensão espacial das terras agrícolas . Esses dados são então combinados com informações meteorológicas, para melhorar a classificação do tipo de cultura e monitorá-los em tempo real.
A tecnologia avançada na agricultura que também integra outras informações, como tipo de cultura, tipo de solo e estresse hídrico na região, torna-se vital para a elaboração de um plano agrícola eficaz e para desenvolver e monitorar políticas e esquemas agrícolas para os agricultores. Eles capacitam os produtores com outros recursos, como previsão de rendimento, previsão de estágio de colheita, estimativa de saúde de colheita, identificação de datas de plantio e colheita, estimativa de estresse hídrico, estimativa de umidade do solo e programação de irrigação.
Embora os limites das terras agrícolas sejam mais fáceis de delinear e digitalizar para grandes propriedades, torna-se cada vez mais difícil para pequenas propriedades, principalmente em alguns países e regiões emergentes. A ausência de limites bem definidos torna outras tarefas, como classificação do uso da terra, digitalização de títulos de terra ou classificação de culturas mais complicadas e propensas a erros.
Os limites da terra, portanto, são a base para obter informações críticas sobre a cobertura da terra, particularmente para a agricultura. Os cientistas de dados utilizam dados de observação da Terra para detectar os limites da terra, o que lhes permite classificar e avaliar os padrões de uso/cobertura da terra (LULC) para detectar vegetação de outras formas de cobertura da terra. Indo um passo adiante, os dados de satélite e as aplicações de tecnologia avançada na agricultura, como o aprendizado de máquina, também permitem identificar e classificar as culturas. Além disso, capacita os produtores a monitorar remotamente a saúde, o estresse e o rendimento da cultura periodicamente e garantir alta produtividade ao longo do ciclo da cultura.
Por que a detecção de limites terrestres é necessária?
O processo manual de demarcação dos limites da parcela é propenso a erros humanos e requer habilidades de anotação aprofundadas. Uma vez delineadas as parcelas, elas também precisam ser atualizadas periodicamente para acompanhar as mudanças em tempo real.
A detecção automática de limites de terra facilita a digitalização de todas as parcelas individuais em todo o país com correção humana mínima. Isso seria particularmente benéfico em países como a Índia, onde os registros digitais das fronteiras terrestres não estão amplamente disponíveis. Embora alguns estados tenham tomado a iniciativa de digitalizar os registros em nível de número de pesquisa, os números de pesquisa geralmente compreendem várias parcelas de terra menores, cujos limites são demarcados manual e informalmente.
A vantagem adicional deste processo digital é que todas as informações relativas a uma determinada fazenda podem ser consolidadas com base nas parcelas detectadas pelo modelo de detecção de limites de terra. A delimitação exata das parcelas auxilia na obtenção de informações mais precisas sobre o tipo de cultura ou estimativa de rendimento. Além disso, este algoritmo ajudará a detectar a mudança na área do lote de um agricultor ao longo dos anos. No caso de um terremoto, seca, inundação ou outros desastres naturais, o algoritmo pode ajudar as partes interessadas a detectar os danos ao terreno ou às plantações. Da mesma forma, empresas corporativas e construtoras que realizam governança e fiscalização se beneficiarão de forma significativa com relação ao planejamento e gestão da área e avaliação do valor da terra.
Limitações atuais da detecção de limites terrestres
A tecnologia avançada na agricultura evoluiu tremendamente nas últimas décadas e também ofereceu espaço para novos avanços. No entanto, as imagens de sensoriamento remoto têm suas próprias limitações. Eles geralmente têm uma resolução de imagem muito baixa, nível de ruído e um volume enorme que ocupa um espaço de armazenamento digital considerável. As propriedades dessas imagens mudam drasticamente de uma região para outra, dependendo das propriedades da área de terra.
A detecção de limites de terra para propriedades desintegradas e não uniformes é, de fato, uma tarefa árdua, pois seus limites não têm forma ou tamanho definidos, principalmente em países como a Índia, onde as propriedades são pequenas e densas. Técnicas de processamento de imagem, como segmentação e detecção de borda, que funcionam bem em imagens gerais, podem não produzir resultados precisos para imagens de sensoriamento remoto. Duas parcelas adjacentes de vegetação podem ter um bom potencial para encontrarmos os limites do terreno com base na diferença de cor e textura, mas essas propriedades podem não ser proeminentes sempre quando ambas as parcelas têm a mesma cultura. Esta preocupação também se aplica às parcelas com múltiplas culturas. Devido a esses fatores, a detecção de limites terrestres usando imagens de sensoriamento remoto ainda é um problema de pesquisa em aberto. Não existe uma solução tão robusta que funcione perfeitamente nas diferentes regiões geográficas atualmente.
Mecanismo de aprendizado profundo da CropIn para detectar limites terrestres
A CropIn desenvolveu um algoritmo proprietário de detecção de limites terrestres de última geração, combinando aprendizado profundo e técnicas clássicas de processamento de imagens. O algoritmo consiste principalmente de três módulos:a) algoritmo de extração de linha de fronteira, b) algoritmo de pós-processamento ec) poligonização para extração de parcelas agrícolas. O modelo de aprendizado profundo é treinado usando imagens de satélite do Google como entradas, que são imagens raster RGB com resolução espacial de até 0,5 m em alguns lugares (dependendo das fontes de dados), juntamente com limites de terra anotados como rótulos.
A CropIn implantou esse modelo de aprendizado profundo para detecção de limites no estado indiano de Maharashtra. Adquirimos mapas de registro de terra georreferenciados de aldeias no estado do Maharashtra Remote Sensing Application Center (MRSAC), que nos fornece limites de terra definidos manualmente para os diferentes números de pesquisa. Esses registros de terrenos servem como a primeira camada de verdade e a linha de base para construir e treinar os modelos de aprendizado profundo. Em seguida, utilizamos as imagens de satélite de alta resolução do Google Earth Engine para refinar os limites por meio do processo mencionado acima.
Escalamos nosso algoritmo introduzindo o processamento paralelo criado no AWS Batch, que ativa máquinas virtuais paralelas para fazer a previsão em uma grande área simultaneamente. Uma instância spot do AWS EC2 'r5.xlarge' foi usada para fazer a previsão. Atualmente, nosso sistema pode detectar o limite de terra para cerca de 300.000 quilômetros quadrados de área em 6-7 horas. Uma amostra dos limites de terra detectados pelo nosso algoritmo proprietário é mostrada na figura abaixo.
A imagem representativa dos limites de terra detectados pelo CropIn Quem pode aproveitar esses limites terrestres?
Ele capacita órgãos governamentais, instituições financeiras e outras partes interessadas a tomar decisões baseadas em dados com base em informações oportunas e mais precisas, o que contribui para o aumento da produtividade, eficiência e lucratividade.
