Como uma startup encontra dados reais na agricultura

OneSoil desenvolve aplicativos gratuitos para agricultores que são usados ​​em mais de 180 países ao redor do mundo. Em nosso trabalho, usamos Big Data e aprendizado de máquina, e uma outra missão para nós é encontrar dados reais. Veja como resolvemos essa tarefa não trivial.

Por que OneSoil Machine Learning? Para determinar os limites dos campos, culturas, estágios fenológicos, rendimento, datas de semeadura e datas de colheita usando imagens de satélite. Tudo isso já está nos aplicativos OneSoil ou aparecerá lá em um futuro próximo.

Vejamos o exemplo de como determinar os limites dos campos usando imagens de satélite. Para um agricultor, delinear os limites de seu campo é o primeiro passo no processo de digitalização de sua fazenda. Esta é a pedra angular sem a qual nenhum outro trabalho de aplicação é possível. E a tarefa não é tão simples: antes, os agricultores resolviam pelo fato de percorrerem seus campos com rastreadores GPS em ATVs, lutavam com ortofotomapas, enfim, era caro e demorado. O OneSoil, por outro lado, aprendeu a reconhecer os limites do campo usando imagens de satélite: você abre o aplicativo, pressiona o botão "adicionar campos", seleciona o seu próprio no mapa com campos reconhecidos - e é isso.

Como fizemos isso? No início, tínhamos dados de apenas algumas fazendas na Bielo-Rússia e no Báltico, usando os algoritmos de aprendizado de máquina que aprenderam a prever os limites do campo. Funcionava assim: para cada campo real (cujos limites conhecíamos graças às fazendas), calculávamos a área de coincidência com os limites que os algoritmos previam. Se o algoritmo circulou as seções extras, ele recebeu uma multa por isso. Então ele estudou. Este indicador é chamado de interseção sobre união, pode assumir valores de 0 a 1, onde 1 é uma combinação perfeita. Em nosso país, esse indicador varia de região para região, mas em média é de 0,85-0,88. 

Então começamos a mostrar à rede neural milhões de imagens de campos agrícolas para que ela aprendesse a determinar onde o campo está e onde não. O algoritmo leva muito tempo para aprender, olhamos os resultados e o melhoramos muitas vezes até que a precisão na determinação dos limites dos campos para uma determinada região se torne boa. Como sabemos que a precisão melhorou? Novamente, comparamos nossos cálculos com dados reais nos campos. Agora, existem 57 países nos quais somos bons em definir limites de campo.

Um exemplo de como nossos algoritmos funcionam é um mapa de campos agrícolas e colheitas OneSoil Map
Um exemplo de como nossos algoritmos funcionam é um mapa de campos agrícolas e colheitas OneSoil Map

Quando definimos os campos com segurança, digamos, na Ucrânia, isso não significa que tudo funcionará da mesma forma em algum lugar do Brasil - afinal, existem seus próprios campos e suas próprias características agrícolas. Portanto, precisamos de dados reais novamente para refinar e melhorar nosso algoritmo. 

. , . ? .

OneSoil , , , . — R&D . 

, . . (, ), , . , . , , . , . , . OneSoil , .

133 | 2,8 — , OneSoil. 2020 .

R&D , , . .

OneSoil Map 2018 (Guido Lemoine), Joint Research Center (JRC). (ESA) Data Science . « , - , — . — , ». R&D , JRC .

Simpósio Planeta Vivo da Agência Espacial Europeia, maio de 2019. Nossa Christina - esquerda
Living Planet , 2019. —

OneSoil — . , , . , , . 

4 7 . , , — R&D. 2–3 . — . « 2020 100 » — . 

Seva explora os campos para um dos experimentos

2018 CEO . , . , : « ». .

Acontece que é assim que você pode
,

, . . 50 , OneSoil .

392 | 126 — ground truth . 2020 .

Quando temos muitos dados de fontes abertas e de diferentes parceiros, melhoramos nossos algoritmos que já usamos em aplicativos OneSoil (ou que serão no futuro próximo). Quando temos muitos dados de usuários, novamente melhoramos a precisão de nossos cálculos. É assim que os dados e a tecnologia funcionam um para o outro.




All Articles