La télédétection est actuellement un élément essentiel des technologies agricoles utilisées de plus en plus par les entreprises agroalimentaires, les gouvernements et d'autres organisations non gouvernementales pour cartographier et surveiller l'utilisation des terres à grande échelle. Les données de télédétection permettent le suivi et l'optimisation des activités agricoles par divers acteurs de l'agroécosystème et constituent un intrant essentiel pour une agriculture intelligente basée sur les données. Lorsqu'elles sont combinées avec la vérité sur le terrain et d'autres sources d'informations, les données de télédétection fournissent une analyse complète des activités de production agricole.
Détection des cultures à l'aide des algorithmes d'apprentissage automatique de CropIn
Toute analyse approfondie de la production agricole à l'aide de technologies agricoles commence par la détection des cultures à l'aide d'images de télédétection dérivées de satellites d'observation de la Terre. Ces satellites sont positionnés à plusieurs centaines de kilomètres de la surface et équipés de capteurs multispectraux pour effectuer une imagerie de la Terre afin de capturer des images du sol à haute résolution dans les zones spectrales visible proche infrarouge (VNIR) et infrarouge à ondes courtes (SWIR). Certains satellites d'observation de la Terre ont jusqu'à 13 canaux spectraux qui aident à analyser les caractéristiques biophysiques des plantes à l'aide d'indices de végétation, qui sont calculés comme des différences entre deux bandes ou plus dans les longueurs d'onde de la lumière visible (VIS), du proche infrarouge (NIR) et du SWIR.
Parmi au moins une centaine d'indices spectraux différents, le NDVI (Normalized Difference Vegetation Index) est un indice de végétation préféré par les scientifiques pour déterminer l'état, les stades de croissance, la biomasse et l'estimation du rendement des cultures. L'indice quantifie la présence de chlorophylle à la surface de la terre et permet d'évaluer si la région observée contient de la végétation verte vivante en évaluant les couleurs ou longueurs d'onde distinctes de la lumière solaire VIS et NIR que les plantes reflètent.
Lors de la cartographie de l'utilisation des terres, CropIn utilise les séries chronologiques NDVI des données d'imagerie satellite Sentinel-1 (RADAR) et Sentinel-2 (optique) pour distinguer les terres cultivées et les types de cultures des autres formes de couverture terrestre. La connaissance préexistante des cycles phénologiques des différentes cultures facilite leur identification, qui est ensuite validée par le riche pool existant de données sur les cultures de CropIn. Les informations historiques de la parcelle, également dérivées de l'imagerie satellite, nous permettent d'avoir un aperçu plus approfondi de ce que l'agriculteur a cultivé dans le passé, et cette intelligence se prête davantage à la validation des données lorsque nous déployons le modèle de détection des cultures pour une nouvelle parcelle. de terres agricoles. CropIn a développé un système d'identification des cultures en temps réel à la pointe de la technologie à l'aide d'un ensemble de modèles d'apprentissage en profondeur. Le système utilise l'architecture 3D CNN et LSTM pour créer des modèles individuels. Lors de la construction des modèles, les approches basées sur les pixels et les images sont considérées pour créer un système plus généralisé. Alors que les données optiques de Sentinel 2 fournissent une mine d'informations qui permettent de détecter les cultures par une journée lumineuse et ensoleillée, si l'image satellite est obscurcie par la présence de nuages, en particulier pendant la saison des pluies (saison de Kharif), le système bascule automatiquement sur les modèles qui adoptent les données RADAR (Sentinel-1).
Pour améliorer la précision du modèle de détection des cultures et valider le résultat, nous les formons à plusieurs reprises en les déployant à la fois sur de petits territoires et sur une étendue de zone beaucoup plus grande, comme un code PIN ou un district. Pour uniformiser les performances sur différents sites géographiques, des techniques d'apprentissage par transfert sont utilisées pour créer des modèles individuels plus spécifiques à la région. Pour la zone plus large, la culture détectée par le moteur d'apprentissage en profondeur est vérifiée par recoupement avec les données gouvernementales, si elles sont disponibles, ou avec les données collectées à l'aide de SmartFarm
®
de CropIn. pour une saison ou une culture particulière. Un autre avantage de l'utilisation du modèle de détection des cultures, ainsi que de la détection des limites des terres, est qu'il aide également à identifier la différence entre l'évaluation par les agriculteurs de leur superficie et le rendement correspondant et ce que l'algorithme détecte. La nouveauté du système de CropIn est qu'il peut prédire les cultures à tout moment, de la plantation à la récolte, et il n'est pas nécessaire d'attendre des informations complètes sur la série chronologique.
CropIn a déployé le système dans l'ensemble de l'État indien du Maharashtra pour prédire les cultures avec les données Sentinel-1 et Sentinel-2 dans les années 2018, 2019 et 2020. La performance globale des modèles d'apprentissage en profondeur basés sur les statistiques gouvernementales et la validation au sol est comprise entre 60 % et 80 % selon les régions, les saisons et les années où les cultures ont été détectées.
Figure :CropIn utilise les séries chronologiques NDVI des données d'imagerie satellite Sentinel-1 (RADAR) et Sentinel-2 (optique) pour distinguer les terres cultivées et les types de cultures des autres formes de couverture terrestre.
Agriculture de précision :le cadeau de la technologie agricole
Des systèmes agricoles efficaces guidés par des données scientifiques et précises sont rendus possibles grâce à plusieurs avancées dans les technologies agricoles. Les capacités de détection des cultures, alimentées par la télédétection, aident les producteurs et les facilitateurs de l'agriculture à optimiser la production agricole avec une interférence humaine minimale.
Entreprises agricoles et semencières :L'identification des cultures basée sur des parcelles agricoles géolocalisées et des limites de terrain définies permet aux producteurs d'estimer le rendement plus précisément et en temps réel. Il aide également les producteurs à reconnaître les signes de mauvaise santé des cultures causés par une maladie ou des ravageurs et à y réagir rapidement pour minimiser efficacement les pertes de récolte.
Entreprises d'intrants agricoles : La détection des cultures en culture permet aux entreprises d'intrants agricoles de déterminer les régions ou les exploitations qui bénéficieraient le mieux de leurs intrants. Les organisations qui fabriquent des produits de protection des cultures peuvent optimiser leurs ventes en fonction de la culture cible et de son stade de croissance, tandis que les entreprises de machines agricoles peuvent améliorer l'engagement des agriculteurs en les contactant aux bons stades de culture.
Agences gouvernementales : Les expériences de coupe des cultures sont maintenant rendues plus rapides et plus économiques grâce à l'utilisation de la détection des cultures et de l'identification des stades de culture au niveau régional. Les informations en temps réel améliorent la visibilité tout au long de la période de culture et permettent également aux agences gouvernementales d'obtenir des estimations assez précises des rendements des cultures pour aider les responsables à mieux planifier l'approvisionnement alimentaire et à accélérer les réclamations d'assurance.
Compagnies d'assurance : Le traitement d'images satellite, associé à un apprentissage en profondeur, permet aux prestataires d'assurance agricole d'évaluer plus précisément les pertes de récoltes dues aux catastrophes naturelles, aide à surmonter les nombreuses lacunes des procédures manuelles et réduit les ressources dont ils ont besoin pour l'ensemble du processus.
Établissements prêteurs : Le « rapport d'agro-valeur » de SmartRisk fournit aux banques un résumé détaillé de la récolte au cours des cinq dernières saisons pour une parcelle spécifique. Le rapport permet aux institutions d'évaluer les demandes de prêt et d'évaluer de manière préventive le NPA en fonction de la ou des cultures précédemment cultivées par l'agriculteur, du rendement estimé et de l'indice de croissance relative. Les responsables peuvent également analyser la croissance des cultures en temps réel en utilisant ces données agricoles alternatives.
ONG et agences de développement : Les organisations qui permettent l'agriculture, en particulier dans les pays en développement ou sous-développés, peuvent tirer parti des capacités de détection des cultures pour cartographier la culture des cultures dans les régions, surveiller leur santé en temps réel et fournir aux agriculteurs des avis pour améliorer la productivité ou prévenir des dommages importants aux cultures dus à maladies, infestation de ravageurs ou conditions météorologiques inattendues.
