Les progrès de la technologie géospatiale et l'utilisation de plus en plus révolutionnaire de l'intelligence artificielle et de l'apprentissage en profondeur permettent une approche scientifique axée sur les données pour une surveillance efficace de l'environnement. Les technologies de télédétection permettent d'étudier les changements dans la couverture terrestre de la Terre, qui comprend la végétation, les surfaces d'eau et les caractéristiques artificielles, ainsi que divers modèles d'utilisation des terres.
Les activités humaines des derniers siècles ont accéléré et intensifié la transformation de la surface de la Terre. Dans cette optique, la classification et l'évaluation des modèles d'utilisation et d'occupation des terres (LULC) sont essentielles pour les études de surveillance mondiale, la conservation de l'environnement, la planification de l'utilisation des terres, la gestion des ressources et le développement durable dans le monde entier.
La terre est l'intrant primaire et le plus essentiel pour l'agriculture, et il va sans dire que produire suffisamment de nourriture, d'aliments pour animaux et de fibres pour la population mondiale serait impossible s'il n'y avait pas assez de terres à des fins agricoles. Pour cette raison, l'analyse de la répartition des terres arables devient impérative pour déterminer la disponibilité des terres à des fins agricoles dans les différentes régions, et par conséquent stimuler la production agricole dans le monde entier. La comparaison des données satellitaires de télédétection capturées à différents moments permet également de surveiller les changements de LULC pour identifier le rétrécissement des terres agricoles en raison d'événements météorologiques ou d'activités humaines.
Comment Cropin définit-il l'utilisation et l'occupation des sols avec l'IA et l'apprentissage en profondeur ?
Le moteur alimenté par l'IA de Cropin classe l'utilisation des terres en fonction du système de classification de l'utilisation des terres développé par l'United State Geological Survey (USGS). Ce système classe l'utilisation des terres et la couverture terrestre en plusieurs niveaux, les catégories de chacune formant une hiérarchie imbriquée de sous-catégories. Par exemple, l'agriculture, qui est l'une des grandes catégories du niveau I, comprend des catégories détaillées telles que "Terres cultivées et pâturages ’, ‘ Vergers, bosquets, vignobles et pépinières ', et 'Opérations d'alimentation en milieu confiné '. Alors que les catégories de niveau I sont des données de type LANDSAT, les catégories de niveau II sont des données à haute altitude (12 400 m ou plus) avec de meilleures résolutions spatiales, spectrales et temporelles.
La cartographie LULC par Cropin est basée sur le niveau I du système USGS qui est pertinent pour les applications régionales et diverses à grande échelle. Le moteur de Cropin adopte cinq des neuf sous-catégories du niveau I, à savoir terres agricoles, terres arides, terres bâties ou urbaines, forêts et plans d'eau.
Dans le cadre de la première étape de la classification LULC, les données des images satellites brutes sont extraites et formées à l'aide des algorithmes propriétaires de Cropin pour géolocaliser les frontières au niveau des États et des districts en Inde. Les données sont ensuite nettoyées pour supprimer les limites irrégulières des parcelles et améliorer la précision des points de données, puis formées à nouveau pour cartographier l'utilisation des terres pour la saison en cours (Rabi/Kharif).
Pour cartographier chacune des cinq catégories avec des limites distinctes et précises, les modèles entraînés subissent en outre une suppression des valeurs aberrantes en deux étapes. La désinfection répétée des points de données se traduit par des pixels purs où "Construit/Urbain" n'inclut aucun plan d'eau, ou il n'y a pas de "Terre aride" dans les "Terres agricoles". Ces modèles sont ensuite testés pour la précision et recyclés à l'aide de diverses méthodes jusqu'à une précision d'au moins 90 % est atteint.
La carte d'utilisation des terres générée par le système de Cropin pour la saison Rabi est basée sur un modèle optique. Cependant, pour la saison de Kharif, des modèles sont construits sur la base des données d'image du radar à synthèse d'ouverture (SAR) en tenant compte de l'augmentation de la couverture nuageuse au cours de la période.
Figure 1 :Carte LULC d'une région du nord-ouest du Madhya Pradesh
Une fois que LULC a été classé et vérifié pour sa précision, la cartographie de l'utilisation des terres pour l'agriculture sera extraite par SmartRisk et affiché sur son tableau de bord interactif basé sur une carte, en fonction des cultures de la région donnée qui seront identifiées selon les besoins de l'utilisateur.
Comment cela se traduit-il en valeur pour les acteurs agricoles ?
Des informations LULC à la fois à jour et fiables présentent de nombreux avantages dans le domaine agricole, en particulier lorsqu'elles sont utilisées par des organismes gouvernementaux et des institutions de crédit agricole, pour élaborer des politiques agraires efficaces.
SmartRisk aide les principales parties prenantes des organismes gouvernementaux pour déterminer la disponibilité des terres agricoles dans une région donnée (au niveau de l'exploitation/code postal/état/pays) pour cette saison particulière. La plate-forme intelligente établit également les performances historiques de la région, ce qui permet aux utilisateurs de comparer les données actuelles avec les enregistrements passés pour examiner les changements de LULC résultant de l'urbanisation, de l'empiètement ou d'événements météorologiques violents dans la région. D'autres activités telles que la planification de l'approvisionnement en eau pour les besoins d'irrigation deviennent également efficaces grâce à l'utilisation des capacités LULC de cette plate-forme de pointe.
Figure 2 :Tableau de bord SmartRisk affichant la classification LULC pour Bareli, Madhya Pradesh
Banques, assurances et autres institutions financières peuvent analyser la superficie ensemencée nette au niveau régional pour décider de leurs politiques de prêt et de l'expansion de leurs activités dans de nouvelles régions. Au niveau de la parcelle, l'institution peut identifier si une parcelle agricole est cultivée et tirer parti des enregistrements de la performance historique de la parcelle pour une souscription de prêt plus rapide et une évaluation des risques appuyée par des données agricoles alternatives. Découvrez comment l'IA optimise le paiement des assurances pour l'un des plus grands programmes d'assurance-récolte au monde.
Fabricants de semences et autres sociétés d'intrants agricoles peuvent optimiser leurs stratégies de vente en fonction de la superficie ensemencée nette et des données de classification des cultures mises à disposition sur le tableau de bord de SmartRisk. La connaissance de quelle culture pousse où, et à quoi ressemble son stade de culture et sa santé, permet aux entreprises d'intrants de rendre leurs produits disponibles aux points de distribution les plus proches.
D'autre part, les entreprises d'approvisionnement et d'approvisionnement , ainsi que les négociants en matières premières, peuvent tirer parti de cette agri-intelligence pour identifier les cultures réparties dans une région et prendre des décisions d'achat plus intelligentes en fonction de la disponibilité de la récolte.
