La délimitation précise des limites des terres est une étape cruciale dans l'identification de l'utilisation des terres et la planification de leur gestion. En particulier pour les terres cultivées, cette délimitation permet aux agriculteurs et aux entreprises agroalimentaires de mieux estimer la superficie des terres pour une utilisation efficace des intrants agricoles, tels que les semences, les pesticides, les engrais et d'autres ressources, et d'optimiser les activités de production et de post-production.
Les processus manuels d'identification des frontières terrestres se sont avérés longs et intensifs en main-d'œuvre. Cependant, la technologie de pointe dans l'agriculture, comme l'imagerie de télédétection, fournit des informations détaillées et spatialement explicites sur l'utilisation des terres agricoles en temps réel qui seraient autrement difficiles à obtenir.
L'imagerie satellitaire, l'apprentissage automatique et l'IA dans l'agriculture fournissent aux acteurs de l'agroécosystème un historique de la répartition des cultures cultivées dans les régions. Les entités gouvernementales peuvent tirer parti de ces renseignements pour planifier adéquatement l'importation et l'exportation de produits alimentaires. Les institutions financières peuvent utiliser ces données agricoles alternatives pour déterminer la culture qu'un agriculteur cultive, sa santé et la performance de la parcelle pour évaluer les propositions de prêt. Les entreprises agroalimentaires peuvent surveiller et gérer à distance leurs exploitations à chaque étape de la production agricole sans avoir à visiter fréquemment les champs, en particulier à la lumière de la situation difficile actuelle causée par la pandémie.
Quelle est l'utilisation des limites terrestres ?
Pour obtenir des données précises pour l'une de ces évaluations et obtenir des informations concluantes, les limites exactes de la parcelle agricole jouent un rôle crucial. Ces dernières années, les données d'imagerie satellitaire, en particulier celles de Landsat-8 (optique), Sentinel-1 (RADAR) et Sentinel-2 (optique) sont utilisées pour identifier l'emplacement, la taille et l'étendue spatiale des terres agricoles. . Ces données sont ensuite combinées avec des informations météorologiques, pour améliorer la classification des types de cultures et les surveiller en temps réel.
La technologie de pointe dans l'agriculture qui intègre également d'autres informations, telles que le type de culture, le type de sol et le stress hydrique dans la région, devient essentielle pour concevoir un plan agricole efficace et pour développer et surveiller les politiques et programmes agricoles pour les agriculteurs. Ils offrent aux producteurs d'autres capacités, telles que la prévision du rendement, la prévision du stade de la culture, l'estimation de la santé des cultures, l'identification des dates de plantation et de récolte, l'estimation du stress hydrique, l'estimation de l'humidité du sol et la programmation de l'irrigation.
Si les limites des terres cultivées sont plus faciles à délimiter et à numériser pour les grandes exploitations, cela devient de plus en plus difficile pour les petites exploitations, notamment dans certains pays et régions émergents. L'absence de limites bien définies rend d'autres tâches, telles que la classification de l'utilisation des terres, la numérisation des titres fonciers ou la classification des cultures, plus lourdes et sujettes aux erreurs.
Les limites des terres sont donc le fondement de l'obtention d'informations critiques sur la couverture des terres, en particulier pour l'agriculture. Les scientifiques des données utilisent les données d'observation de la Terre pour détecter les limites des terres, ce qui leur permet en outre de classer et d'évaluer les modèles d'utilisation des terres/couverture terrestre (LULC) pour détecter la végétation d'autres formes de couverture terrestre. Pour aller plus loin, les données satellitaires et les applications de technologies de pointe dans l'agriculture comme l'apprentissage automatique leur permettent également d'identifier et de classer les cultures. Il permet en outre aux producteurs de surveiller à distance périodiquement la santé, le stress et le rendement de la culture et d'assurer une productivité élevée tout au long du cycle de culture.
Pourquoi la détection des limites terrestres est-elle nécessaire ?
Le processus manuel de délimitation des parcelles est sujet aux erreurs humaines et nécessite des compétences d'annotation approfondies. Une fois les parcelles délimitées, elles doivent également être mises à jour périodiquement pour suivre les changements en temps réel.
La détection automatique des limites des terres facilite la numérisation de toutes les parcelles individuelles à travers le pays avec une correction humaine minimale. Cela serait particulièrement bénéfique dans des pays comme l'Inde, où les enregistrements numériques des frontières terrestres ne sont pas largement disponibles. Bien que certains États aient pris l'initiative de numériser les enregistrements au niveau du numéro d'enquête, les numéros d'enquête comprennent souvent plusieurs parcelles de terrain plus petites, dont les limites sont délimitées manuellement et de manière informelle.
L'avantage supplémentaire de ce processus numérique est que toutes les informations concernant une exploitation particulière peuvent être consolidées sur la base des parcelles détectées par le modèle de détection des frontières terrestres. La délimitation exacte des parcelles aide à obtenir des informations plus précises concernant le type de culture ou l'estimation du rendement. En outre, cet algorithme aidera à détecter l'évolution de la superficie de la parcelle d'un agriculteur au fil des ans. En cas de tremblement de terre, de sécheresse, d'inondation ou d'autres catastrophes naturelles, l'algorithme peut aider les parties concernées à détecter les dommages causés à la parcelle ou aux cultures. De même, les entreprises et les constructeurs qui entreprennent la gouvernance et la surveillance bénéficieront dans une large mesure de la planification et de la gestion de la zone et de l'évaluation de la valeur foncière.
Limites actuelles de la détection des frontières terrestres
La technologie de pointe dans l'agriculture a énormément évolué au cours des dernières décennies et a également offert la possibilité de nouvelles avancées. Néanmoins, les images de télédétection ont leurs propres limites. Ils ont généralement une résolution d'image très faible, un niveau de bruit et un volume massif qui occupent un espace de stockage numérique considérable. Les propriétés de ces images changent radicalement d'une région à l'autre en fonction des propriétés de la zone terrestre.
La détection des frontières terrestres pour les propriétés foncières désintégrées et non uniformes est, en fait, une tâche ardue car leurs limites n'ont pas de forme ou de taille définie, en particulier dans des pays comme l'Inde où les propriétés foncières sont de petite taille et également denses. Les techniques de traitement d'image telles que la segmentation et la détection des contours, qui fonctionnent bien sur des images générales, peuvent ne pas donner de résultats précis pour les images de télédétection. Deux parcelles de végétation adjacentes peuvent nous permettre de trouver les limites des terres en fonction de la différence de couleur et de texture, mais ces propriétés peuvent ne pas toujours être proéminentes lorsque les deux parcelles ont la même culture. Cette préoccupation s'applique également aux parcelles à cultures multiples. En raison de ces facteurs, la détection des frontières terrestres à l'aide d'images de télédétection reste un problème de recherche ouvert. Il n'existe pas de solution aussi robuste qui fonctionne parfaitement dans les différentes régions géographiques à l'heure actuelle.
Le moteur d'apprentissage en profondeur de CropIn pour détecter les frontières terrestres
CropIn a développé un algorithme exclusif de détection des frontières terrestres à la pointe de la technologie en combinant un apprentissage en profondeur et des techniques classiques de traitement d'images. L'algorithme se compose principalement de trois modules :a) algorithme d'extraction des limites, b) algorithme de post-traitement et c) polygonisation pour l'extraction des parcelles agricoles. Le modèle d'apprentissage en profondeur est formé à l'aide d'images satellites Google comme entrées, qui sont des images raster RVB avec une résolution spatiale pouvant atteindre 0,5 m à certains endroits (selon les sources de données), ainsi que des limites terrestres annotées comme étiquettes.
CropIn a déployé ce modèle d'apprentissage en profondeur pour la détection des limites dans l'État indien du Maharashtra. Nous nous sommes procuré des cartes géoréférencées des registres fonciers des villages de l'État auprès du Maharashtra Remote Sensing Application Center (MRSAC), qui nous fournit des limites territoriales définies manuellement pour les différents numéros d'enquête. Ces registres fonciers servent de première couche de vérité terrain et de base pour construire et former les modèles d'apprentissage en profondeur. Nous utilisons ensuite l'imagerie satellite haute résolution de Google Earth Engine pour affiner les limites grâce au processus mentionné ci-dessus.
Nous avons mis à l'échelle notre algorithme en introduisant un traitement parallèle basé sur AWS Batch, qui fait tourner des machines virtuelles parallèles pour effectuer simultanément la prédiction sur une grande surface. Une instance AWS EC2 Spot « r5.xlarge » a été utilisée pour effectuer la prédiction. Actuellement, notre système peut détecter la frontière terrestre sur près de 300 000 km2 de surface en 6 à 7 heures. Un échantillon des frontières terrestres détectées par notre algorithme propriétaire est illustré dans la figure ci-dessous.
Un image représentative des limites terrestres détectées par CropIn
Qui peut tirer parti de ces frontières terrestres ?
Il permet aux organismes gouvernementaux, aux institutions financières et aux autres parties prenantes de prendre des décisions fondées sur des données basées sur des informations opportunes et plus précises, ce qui contribue à accroître la productivité, l'efficacité et la rentabilité.
