Atualmente, o sensoriamento remoto é um componente crítico das tecnologias agrícolas usadas cada vez mais por agronegócios, governos e outras organizações não governamentais para mapear e monitorar o uso da terra em escala. Os dados de sensoriamento remoto permitem o rastreamento e a otimização das atividades agrícolas por vários atores do agroecossistema e são um insumo essencial para a agricultura inteligente orientada por dados. Quando combinados com a verdade do terreno e outras fontes de informação, os dados de sensoriamento remoto fornecem uma análise abrangente das atividades de produção agrícola.
Detecção de culturas usando algoritmos de aprendizado de máquina da CropIn Qualquer análise aprofundada da produção de culturas usando tecnologias agrícolas começa com a detecção de culturas usando imagens de sensoriamento remoto derivadas de satélites de observação da Terra. Esses satélites estão posicionados a várias centenas de quilômetros da superfície e equipados com sensores multiespectrais para realizar imagens da Terra para capturar imagens terrestres de alta resolução nas zonas espectrais do infravermelho próximo visível (VNIR) e do infravermelho de ondas curtas (SWIR). Alguns satélites de observação da Terra têm até 13 canais espectrais que ajudam a analisar as características biofísicas das plantas usando índices de vegetação, que são calculados como diferenças entre duas ou mais bandas nos comprimentos de onda da luz visível (VIS), infravermelho próximo (NIR) e SWIR.
Entre pelo menos uma centena de índices espectrais diferentes, o NDVI (Índice de Vegetação por Diferença Normalizada) é um índice de vegetação preferido pelos cientistas para determinar a condição, estágios de crescimento, biomassa e a estimativa de rendimento das culturas. O índice quantifica a presença de clorofila na superfície terrestre e ajuda a avaliar se a região observada contém vegetação verde viva, avaliando as cores ou comprimentos de onda distintos da luz solar VIS e NIR que as plantas refletem.
Ao mapear o uso da terra, o CropIn utiliza a série temporal NDVI dos dados de imagens de satélite Sentinel-1 (RADAR) e Sentinel-2 (óptico) para distinguir áreas de cultivo e tipos de culturas de outras formas de cobertura da terra. O conhecimento pré-existente dos ciclos fenológicos das diferentes culturas facilita a sua identificação, que é então validada pelo rico conjunto de dados de culturas existente da CropIn. As informações históricas da parcela, também derivadas de imagens de satélite, nos permitem obter uma visão mais profunda do que o agricultor cultivou no passado, e essa inteligência contribui ainda mais para a validação dos dados quando implantamos o modelo de detecção de colheita para uma nova parcela de terras agrícolas. A CropIn desenvolveu um sistema de identificação de culturas em tempo real de última geração usando uma série de modelos de aprendizado profundo. O sistema usa a arquitetura 3D CNN e LSTM para construir modelos individuais. Ao construir os modelos, a abordagem baseada em pixel e imagem é considerada para tornar um sistema mais generalizado. Embora os dados ópticos do Sentinel 2 forneçam uma riqueza de informações que permitem a detecção de culturas em um dia claro e ensolarado, se a imagem de satélite for obscurecida pela presença de nuvens, principalmente durante a estação chuvosa (estação de Kharif), o sistema alterna automaticamente para os modelos que adotam dados RADAR (Sentinel-1).
Para melhorar a precisão do modelo de detecção de culturas e validar o resultado, nós os treinamos repetidamente, implantando-os em pequenos territórios e em uma extensão de área significativamente maior, como um código PIN ou distrito. Para tornar o desempenho uniforme em diferentes localizações geográficas, técnicas de aprendizagem de transferência são usadas para construir modelos individuais mais específicos da região. Para a área maior, a cultura que o mecanismo de aprendizado profundo detecta é cruzada com dados do governo, se disponíveis, ou com dados coletados usando o SmartFarm da CropIn
®
para uma determinada época ou safra. Outro benefício de usar o modelo de detecção de culturas, juntamente com a detecção de limites de terra, é que também ajuda a identificar a diferença entre a avaliação dos agricultores de sua área de terra e o rendimento correspondente e o que o algoritmo detecta. A novidade do sistema CropIn é que ele pode prever safras a qualquer momento, do plantio à colheita, e não há necessidade de esperar por informações de séries temporais completas.
A CropIn implantou o sistema em todo o estado indiano de Maharashtra para prever as colheitas com dados do Sentinel-1 e Sentinel-2 nos anos de 2018, 2019 e 2020. O desempenho geral dos modelos de aprendizado profundo com base nas estatísticas do governo e a validação em solo está entre 60% e 80% dependendo das regiões, estações e anos em que as culturas foram detectadas.
Figura:CropIn utiliza a série temporal NDVI dos dados de imagens de satélite Sentinel-1 (RADAR) e Sentinel-2 (óptico) para distinguir áreas de cultivo e tipos de cultivo de outras formas de cobertura da terra. Agricultura de Precisão — O Presente da Tecnologia Agrícola Sistemas agrícolas eficientes que são guiados por dados científicos e precisos são possíveis com vários avanços nas tecnologias agrícolas. Os recursos de detecção de culturas, alimentados por sensoriamento remoto, facilitam aos produtores e facilitadores da agricultura otimizar a produção de culturas com o mínimo de interferência humana.
Empresas agrícolas e de sementes :A identificação de culturas com base em parcelas de fazendas georreferenciadas e limites de terra definidos permite que os produtores estimem o rendimento com mais precisão e em tempo real. Também ajuda os produtores a reconhecer os sinais de má saúde das colheitas causados por uma doença ou pragas e a responder prontamente para minimizar a perda de colheitas de forma eficaz.
Empresas de insumos agrícolas: A detecção das culturas em cultivo permite que as empresas de agroinsumos determinem as regiões ou fazendas que melhor se beneficiariam de seus insumos. As organizações que fabricam defensivos agrícolas podem otimizar suas vendas específicas para a cultura-alvo e seu estágio de crescimento, enquanto as empresas de máquinas agrícolas podem melhorar o envolvimento do agricultor, entrando em contato com eles nos estados certos de cultivo.
Agências governamentais: Os experimentos de corte de culturas agora são eficientes em termos de tempo e custo com o uso de detecção de culturas e identificação de estágios de culturas em nível regional. As informações em tempo real melhoram a visibilidade durante todo o período de cultivo e também permitem que as agências governamentais obtenham estimativas bastante precisas dos rendimentos das colheitas para ajudar os funcionários a planejar melhor o suprimento de alimentos e acelerar as reivindicações de seguro.
Companhias de seguros: O processamento de imagens de satélite, juntamente com o aprendizado profundo, permite que os provedores de seguros agrícolas avaliem com mais precisão as perdas de safra devido a calamidades naturais, ajuda a superar as muitas deficiências dos procedimentos manuais e reduz os recursos necessários para todo o processo.
Instituições de crédito: O 'relatório de valor agropecuário' da SmartRisk fornece aos bancos um resumo detalhado da safra nas últimas cinco temporadas para uma parcela específica. O relatório possibilita que as instituições avaliem os pedidos de empréstimo e avaliem preventivamente o NPA com base na(s) cultura(s) cultivada(s) pelo agricultor anteriormente, na produtividade estimada e no índice de crescimento relativo. Os funcionários também podem analisar o crescimento das plantações em tempo real, utilizando esses dados agrícolas alternativos.
ONGs e agências de desenvolvimento: As organizações que viabilizam a agricultura, especialmente em países em desenvolvimento ou subdesenvolvidos, podem aproveitar os recursos de detecção de culturas para mapear o cultivo de culturas em todas as regiões, monitorar sua saúde em tempo real e fornecer aos agricultores conselhos para melhorar a produtividade ou evitar danos extensos às culturas devido a doenças, infestação de pragas ou condições climáticas inesperadas.
