Ước tính và lập bản đồ mùa màng dựa trên hình ảnh vệ tinh
Ước tính và lập bản đồ mùa màng dựa trên hình ảnh vệ tinh
Sử dụng CROPfactory - Nền tảng AI & ML Trực tuyến
1. Bối cảnh
Đề xuất này dựa trên nghiên cứu thử nghiệm được thực hiện sau đó là các cuộc thảo luận kỹ thuật được tổ chức với nhóm CROPfactory và nhà tư vấn trên nền tảng trực tuyến bản địa để phân tích dữ liệu viễn thám bằng Trí tuệ nhân tạo và Máy học.
Trong cuộc thảo luận, người ta nhận thấy rằng cần có một giải pháp về xác định và ước tính cây trồng trong khu vực nghiên cứu ở Việt Nam. Tài liệu này là đề xuất của chúng tôi về xác định và ước tính cây trồng dựa trên vệ tinh bằng cách sử dụng các kỹ thuật AI và ML.
2 Giới thiệu về Công ty & CROPfactory: Một nền tảng phân tích quan sát trái đất trực tuyến dựa trên AI
Chân Châu JSC là Công ty Phân tích và Quan sát Trái đất hàng đầu với trọng tâm chính là Trí tuệ nhân tạo Địa lý. Từ hình ảnh đến thông tin chi tiết, chúng tôi cung cấp toàn bộ các dịch vụ và giải pháp để giúp bạn tận dụng thông tin vị trí và có được thông tin chi tiết hữu ích để đưa ra quyết định dựa trên dữ liệu.
Chân Châu JSC hợp tác với các đối tác công nghệ toàn cầu như Google, Planet Labs, v.v. để cung cấp các dịch vụ giá trị gia tăng cho nhiều loại thị trường bao gồm Cơ sở hạ tầng, Lâm nghiệp, Nông nghiệp, Bảo hiểm, Tài nguyên nước, Môi trường, Chăm sóc sức khỏe, FMCG, Viễn thông trong số nhiều lĩnh vực khác. Công ty đã xây dựng các sản phẩm thế hệ tiếp theo của mình CROPfactory bằng cách sử dụng Học máy và các công cụ Tự động làm nền tảng cho Phân tích hình ảnh vệ tinh và Dịch vụ dựa trên vị trí.
CROPfactory là một nền tảng phân tích quan sát trái đất trực tuyến dựa trên AI, giúp các công ty trong lĩnh vực vệ tinh, radar, viễn thám và các hình ảnh trên không khác xử lý với độ chính xác cao. "
CROPfactory là một nền tảng phân tích quan sát trái đất dựa trên AI, giúp các công ty từ mọi ngành trong lĩnh vực vệ tinh, radar, viễn thám, máy bay không người lái / UAV, SAR, trên không và không gian địa lý xử lý hình ảnh với độ chính xác cao. Các công ty hoặc nhà phát triển độc lập cũng có thể tạo mô hình AI / ML của riêng họ thông qua API của chúng tôi dựa trên yêu cầu của họ.
3 Phạm vi công việc
Dự án đề xuất được thiết kế với bốn mục tiêu lớn.
• Thành phần đầu tiên là lập bản đồ và ước tính các khu vực trồng lúa và ngô trong nghiên cứu
khu vực. Cách tiếp cận sẽ bao gồm dữ liệu thực địa để phát triển chữ ký đào tạo. Những chữ ký này sẽ được sử dụng để tạo ra kết quả phân loại cây trồng. Một loại cây trồng ưu thế khác như Mía cũng sẽ được lập bản đồ theo cách tiếp cận tương tự.
• Có ba thời vụ gieo trồng chính đối với cây Lúa ở Việt Nam.
Thành phần thứ hai là lập bản đồ và ước tính vụ lúa được trồng trong ba mùa vụ khác nhau. Trong cách tiếp cận này, hình ảnh chuỗi thời gian sẽ được sử dụng để lập bản đồ và phân loại cây trồng.
• Giám sát tình trạng và tăng trưởng cây trồng rất hữu ích cho việc ra quyết định và lập kế hoạch hiệu quả. Thành phần thứ ba của dự án đề xuất là theo dõi tình trạng cây trồng bằng cách sử dụng các chỉ số lấy từ vệ tinh. Báo cáo giám sát hàng tháng sẽ được tạo trong thành phần này.
• Hợp phần thứ tư của dự án là dự đoán năng suất cây trồng. Trong phần nghiên cứu này, một mô hình dự báo năng suất dựa trên chỉ số dựa trên vệ tinh sẽ được phát triển và năng suất cây trồng trên một đơn vị đất sẽ được ước tính.
• Một bảng điều khiển sẽ được phát triển để trình bày các kết quả và phân tích.
4 Cách tiếp cận & Phương pháp luận
4.1 Cơ sở lý luận
Dữ liệu viễn thám ngày càng được sử dụng nhiều hơn trong nông nghiệp và quản lý tài nguyên nước. Trong hai thập kỷ qua, những cải tiến về độ phân giải không gian, quang phổ và thời gian của các hệ thống quan sát trái đất
Dữ liệu (EOS) đã khuyến khích việc áp dụng công nghệ này để quản lý nông nghiệp nhằm đáp ứng nhu cầu của dân số ngày càng tăng. Ứng dụng quan trọng nhất trong lĩnh vực này là sử dụng dữ liệu có độ phân giải trung bình và cao để lập bản đồ cây trồng nông nghiệp, theo dõi tình trạng cây trồng và ước tính năng suất cây trồng. Những cải tiến trong công nghệ viễn thám và sự phát triển tiến bộ trong phần mềm và phần cứng máy tính đã dẫn đến việc phát triển, hiệu chuẩn và áp dụng các mô hình viễn thám để quản lý nông nghiệp.
Trong những năm gần đây, việc tích hợp các thuật toán máy học vào dữ liệu viễn thám với Hệ thống Thông tin Địa lý (GIS) đã được sử dụng trong khai thác và lập bản đồ cây trồng tự động hoặc bán tự động. Để xác định diện tích cây trồng chính xác về mặt không gian, người ta đã khám phá hai phương pháp: phân loại hình ảnh dựa trên AI & ML và lập chỉ mục quang phổ.
5 Dữ liệu đề xuất được sử dụng trong nghiên cứu
5.1 Hình ảnh vệ tinh
• Hình ảnh vệ tinh có độ phân giải không gian trung bình theo thời gian (Sentinel 1 và Sentinel 2)
• Hình ảnh vệ tinh độ phân giải cao viz., Mosaics hành tinh (do nhóm tư vấn cung cấp)
5.2 Dữ liệu thứ cấp
• Thông tin thực địa về các khu vực mẫu và tọa độ của chúng.
• Hồ sơ địa giới hành chính với các thuộc tính cho khu vực nghiên cứu
5.2.1 Yêu cầu hỗ trợ từ nhóm tư vấn về dữ liệu thứ cấp
• Chúng tôi yêu cầu sự hỗ trợ từ nhóm tư vấn về việc mua sắm và cung cấp các hình ảnh vệ tinh có độ phân giải cao (Planet).
• Chúng tôi giả định rằng nhóm tư vấn sẽ cung cấp dữ liệu sự thật cơ bản. Trong trường hợp thu thập dữ liệu sự thật cơ bản và tạo cơ sở dữ liệu kỹ thuật số, chúng tôi đề xuất sử dụng ứng dụng do nhóm CROPfactory phát triển. Sử dụng điều tra thực địa này và điều tra viên có thể được giám sát rất hiệu quả.
6 Phương pháp luận ngắn gọn
6.1 Khởi tạo dự án, thu thập và xử lý dữ liệu
• Dự án ban đầu
o Đại diện kỹ thuật của CROPfactory và nhóm tư vấn sẽ hoàn thiện khu vực nghiên cứu. Quá trình mua hình ảnh vệ tinh sẽ được bắt đầu trong trường hợp hình ảnh có độ phân giải cao.
• Hình ảnh vệ tinh
o Ảnh vệ tinh có độ phân giải trung bình với ảnh có độ phân giải không gian từ 10 mét đến 20 mét sẽ được chọn. Vì đất nước Việt Nam có nhiều mây trong hầu hết các mùa vụ, nên chúng tôi đề xuất sử dụng ảnh SAR để lập bản đồ và phân tích.
o Ảnh vệ tinh theo thời gian sẽ được lựa chọn và mua sắm cho năm hiện tại. Các thời kỳ khác nhau của hình ảnh sẽ giúp ích trong việc trích xuất các vụ lúa của các mùa khác nhau cũng như theo dõi các điều kiện cây trồng trong suốt thời kỳ cây trồng.
• Dữ liệu sự thật trên cơ sở UAV
o Giả định rằng sự thật về mặt đất Thông tin về các loại cây trồng đã xác định (lúa, ngô và mía) cùng với tọa độ mẫu của việc sử dụng đất khác sẽ được thu thập từ nhóm tư vấn.
o Trong trường hợp nhóm tư vấn muốn khảo sát thực địa bằng ứng dụng di động thì Ứng dụng do CROPfactory phát triển có thể được cung cấp để thu thập dữ liệu.
o Nhóm khảo sát thực địa sẽ được đào tạo ngắn hạn về các chức năng của ứng dụng.
o Dữ liệu được thu thập bằng ứng dụng có thể được theo dõi trong quá trình khảo sát thực địa. o Dữ liệu có thể được tải xuống và xử lý ở định dạng tương thích với GIS.
o Trong trường hợp không có sẵn dữ liệu trung thực cơ bản thì độ chính xác của kết quả sẽ bị ảnh hưởng.
6.2 Lập bản đồ cây trồng và ước tính diện tích
• Nhận dạng, phân loại và ước lượng cây trồng bằng Máy học và kỹ thuật viễn thám.
o Thành phần này của dự án sẽ sử dụng hình ảnh vệ tinh có độ phân giải trung bình (10 mét đến 20 mét Sentinel 1 và sentinel 2) và / hoặc độ phân giải cao (Vệ tinh), UAV để xác định vị trí, xác định và lập bản đồ các loại cây trồng được xác định là Lúa, Ngô và Mía trong khu vực nghiên cứu.
o Ứng dụng CROPfactory sẽ được sử dụng để tạo chữ ký cây trồng và phân loại cây trồng. CROPfactory sử dụng các thuật toán học máy để xử lý hình ảnh.
o Một phương pháp trích xuất dựa trên chỉ mục sẽ được tuân theo để hoàn thành nhiệm vụ trong thời gian ngắn.
• Phân tích GIS để ước tính diện tích
o Các cấu hình địa giới hành chính cho tiểu vùng và các tỉnh sẽ được sử dụng để tính toán thống kê vùng.
6.3 Lập bản đồ mùa vụ lúa bằng ảnh vệ tinh chuỗi thời gian
• Phân loại hình ảnh theo chuỗi thời gian để lập bản đồ vụ lúa
o Vụ lúa được trồng 3 vụ trong năm. Để lập bản đồ và ước tính diện tích trồng lúa cả vụ, ảnh vệ tinh chuỗi thời gian sẽ được chọn và phân loại.
• Phân tích GIS cho đơn vị hành chính / khu vực nghiên cứu tính toán khu vực khôn ngoan
o Các cấu hình địa giới hành chính cho tiểu vùng và các tỉnh sẽ được sử dụng để tính toán thống kê vùng.
6.4 Giám sát tình trạng cây trồng định kỳ
• Phân loại hình ảnh theo thời gian và giám sát tình trạng cây trồng dựa trên chỉ mục lấy từ vệ tinh
o Hợp phần này của dự án được đề xuất sẽ sử dụng ảnh vệ tinh theo thời gian trong mùa vụ trồng trọt. Khoảng thời gian để theo dõi tình trạng cây trồng sẽ được thống nhất với nhóm tư vấn. Ba loại cây trồng được xác định là Bắp lúa và Mía có thời gian canh tác khác nhau từ trồng để thu hoạch. Do đó việc giám sát sẽ được quyết định cho từng loại cây trồng. Các chỉ số quang phổ lấy từ vệ tinh sẽ được sử dụng để theo dõi tình trạng cây trồng.
6.5 Dự đoán năng suất bằng hình ảnh vệ tinh.
• Phát triển mô hình chỉ số quang phổ để dự đoán năng suất
o Dữ liệu năng suất năm lịch sử và năm lịch sử chỉ số thu được từ ảnh vệ tinh sẽ được yêu cầu để phát triển mô hình dự đoán năng suất. Giả định rằng thu nhập từ tư vấn sẽ cung cấp dữ liệu lợi nhuận các năm trước đây cho cùng một năm.
6.6 Phát triển bảng điều khiển để xem và phân tích dữ liệu
• Phát triển trang tổng quan web thân thiện với người dùng để hiển thị bản đồ và dữ liệu nhằm đưa ra quyết định hiệu quả.
o Thành phần này của dự án sẽ là Phát triển Bảng điều khiển Web. Hoạt động này sẽ bao gồm việc phát triển và tùy chỉnh ứng dụng ra quyết định dưới dạng trang tổng quan web. Mục tiêu của ứng dụng này sẽ là xem và phân tích cây trồng của các thời kỳ khác nhau và điều kiện của chúng bằng cách sử dụng các chỉ số thu được từ hình ảnh vệ tinh.