Detekce plodin
Inovační Experiment 1
Inovační experiment je založen na analýze časových řad z družic Sentinel 1 a Sentinel 2 a dalších dat s využitím metod umělé inteligence. Tyto výstupy budou nabízeny poradenským službám pro zemědělství, finančnímu a veřejnému sektoru.
Při práci s daty z družice Sentinel-2 a případně s daty pořízenými z jednoho časového období je obtížné dosáhnout vysoké přesnosti klasifikace. Existují dva hlavní problémy:
- Je obtížné rozlišit některé plodiny na základě jejich spektrální klasifikace.
- Sentinel 2 je ovlivněn mraky a v některých obdobích je obtížné/nemožné mít k dispozici data
Proto jsme se rozhodli zahrnout také data Sentinel 1 (radarová data), která nejsou ovlivněna mraky. Inovační experiment jako takový bude založen na fenologii. Fenologie je vědní obor, který studuje periodické události biologických životních cyklů, které jsou závislé na mnoha vnějších vlivech prostředí, jako jsou klima, změny počasí a další ekologické faktory. V průběhu času se rostlinné druhy vyvíjely v reakci na své prostředí a přizpůsobovaly se specificky biotickým a abiotickým faktorům. Vzhledem k těmto vzájemným souvislostem je studium fenologie užitečné v mnoha ohledech. Například studium rostliny může poskytnout informace o prostředí, ve kterém se vyvíjí, a naopak studium biotických a abiotických faktorů může pomoci pochopit jak rostlina reaguje na faktory prostředí. Různé plodiny mají různé fenologické cykly a to pomáhá rozlišovat jednotlivé plodiny.
Přístup, který se začal testovat během INSPIRE hackathonů, je založen na klasifikaci vybraných indexů ve všech ročních obdobích počínaje zimou a konče sezónou. Použití multitemporálních dat zvyšuje přesnost klasifikace.
Dalším způsobem, jak zvýšit přesnost klasifikace, je použití neřízené klasifikace pro předběžné zpracování obrazu. Výhodou neřízené klasifikace je, že rozdělení objektů se neprovádí na základě trénovacích vzorků, ale pouze na základě fenologické fáze a spektrálních charakteristik. Během hackathonů jsme začali připravovat metodu založenou na neřízené klasifikaci. Nevýhodou je, že takový snímek vyžaduje dodatečnou interpretaci tříd. Metody neřízené klasifikace lze vylepšit pomocí segmentačních algoritmů.
Pro interpretaci by bylo možné data kombinovat s existujícími daty LPIS, což může rovněž zvýšit přesnost klasifikace. V předchozím testu kombinujícím data LPIS s interpretovanými snímky jsme dosáhli přesnosti vyšší než 85 %.
Agrihub INSPIRE Hackathon 2022
Automatizace výpočtu zón řízení na základě potenciálu výnosu
Nejrozumnější reakcí na rostoucí ceny hnojiv je precizní zemědělství založené na variabilním přístupu k poli. Nahrazení jednotné sazby pro celé pole variabilní sazbou, která zohledňuje specifické požadavky lokality, má největší význam. Při použití přístupu Variable Rate Application se ušetří přibližně 8 % hnojiv ( případová studie ). Většina strojů používaných zemědělci je schopna aplikovat variabilní dávku hnojiv automaticky na základě aplikační mapy na předpis.
Agrihub INSPIRE Hackathon 2021
Na základě dlouhodobé vize byly pro tento hackathon naplánovány tři experimenty:
- použití různých vstupních datových sad
- předzpracovat vstupní datové sady pomocí neřízené klasifikace
- zlepšit přesnost klasifikace z družice Sentinel-1 vyhlazením dat z družice Sentinel-1
Všechny tři experimenty byly úspěšně realizovány; postup a výsledky jsou popsány v následujícím dokumentu a také ve videu níže.
Kromě experimentů, které měly vést k vyšší přesnosti, bylo cílem výzvy najít reálné aplikace pro detekci plodin.
