A qualidade dos mapas de satélite aprimorada pelo uso da inteligência artificial

Por Xiaoyuan Yang, Líder de Ciência de Sensoriamento Remoto, The Climate Corporation

Dec 09, 2019

Imagem de lavoura milho e céu com nuvens
Monitoramento da lavoura e a presença de nuvens

Imagine a situação: ao abrir um mapa de satélite você vê que em um dos seus mapas de monitoramento da fazenda a coloração vermelha está bastante predominante. Você vai até o talhão verificar, já esperando um problema crítico, e para sua surpresa não há nenhum ponto de atenção na área. Esta era uma situação que ocorria quando a presença de nuvens impedia que o algoritmo medisse adequadamente o desenvolvimento vegetativo do talhão, podendo gerar mapas que levassem a conclusões imprecisas sobre a real saúde da lavoura.


imagens de satélite lado a lado com interferência de nuvensExemplo de bloqueio de nuvem. À esquerda temos a imagem real, com a nuvem. A imagem à direita é o mapa do FieldView™ antes da atual tecnologia de detecção de nuvem. A grande mancha vermelha é onde a nuvem está projetando uma sombra ou obscurecendo a visão do satélite que está tirando a foto.

Quando as nuvens impedem a visão dos satélites, a tecnologia que analisa as imagens interpreta
isso como um problema de desenvolvimento vegetativo na lavoura, e isso pode resultar em imagens de monitoramento nem sempre precisas. Nessa linha, a solução encontrada foi trabalhar em uma tecnologia mais moderna e sofisticada. 

Como detectar e identificar a presença de nuvens através da inteligência artificial

Desenvolvemos então um algoritmo baseado em inteligência artificial para detectar a presença de nuvens. Fruto desse trabalho, o Diagnóstico FieldView™ foi criado para analisar imagens relativas ao desenvolvimento vegetativo das lavouras. Para melhorar a qualidade dos mapas, tivemos que "ensinar" o FieldView™ a identificar uma nuvem em um processo conhecido como "machine learning" (em português, "aprendizado de máquina"). Mas como se ensina tecnologia?

Como humanos, vemos uma imagem como um objeto. Um computador, por outro lado, "enxerga" uma imagem como um conjunto de pixels. Quando o FieldView™ recebe uma imagem de satélite da lavoura, ele digitaliza todos os pixels e procura cores e padrões específicos referentes ao desenvolvimento vegetativo do talhão. Quando vê uma nuvem branca ou sombra escura, acaba destacando isso como um possível problema de desenvolvimento vegetativo, quando na realidade pode não ser.

Nossa solução foi criar um tipo de "classificador" para separar automaticamente as partes da imagem que contém nuvens. Ensinamos o classificador a fazer isso usando centenas de milhares de imagens de nuvens de diferentes formas, tamanhos e transparências. Essas imagens foram analisadas em diferentes paisagens e momentos durante o desenvolvimento vegetativo das lavouras, de modo que o classificador aprendesse como identificá-las. Assim, essa inovação permitiu ao FieldView™ conseguir detectar a presença de nuvens em imagens de satélite e, ainda assim, fornecer uma mapa de qualidade do desenvolvimento vegetativo do talhão.

Monitoramento por satéliteA imagem acima é uma ilustração conceitual de como a tecnologia de detecção de nuvem pode melhorar as imagens do Diagnóstico FieldView™. 

Usando o classificador, o FieldView™ cria mapas de vegetação e de monitoramento da lavoura que mostram apenas as partes do campo que não foram comprometidas por uma nuvem. As áreas do talhão encobertas por nuvens são descartadas, trazendo apenas as partes do talhão que puderam ser analisadas pelo algoritmo. Dessa forma, é possível notar que alguns mapas de vegetação e de monitoramento possuem partes em branco – essas áreas foram deletadas pelo algoritmo, certamente por presença de nuvens, que poderão ser observadas ao se abrir a foto da imagem real do satélite. 

Também entendemos que é valioso poder comparar imagens de monitoramento e de vegetação com uma imagem de satélite real - assim, você pode usar a imagem real para confirmar a presença de nuvens ou encontrar nuvens pequenas ou finas que eventualmente possam ter escapado do nosso algoritmo.

Mapa de satélite ao vivo

Comparar um mapa de monitoramento com a imagem real permite ver com precisão onde ocorreu a interferência das nuvens.

Caso 70% do talhão ou mais, esteja coberto por nuvens no momento da passagem do satélite, o FieldView não disponibilizará essa imagem na conta do cliente. Por essa razão, épocas do ano onde a presença de nuvens é mais constante poderá acarretar em uma diminuição na frequência do envio das imagens de satélite.

Evolução Contínua

Como uma empresa pioneira no campo da agricultura digital, estamos sempre examinando nossos métodos e procurando novas maneiras de melhorar. Tornar-se mais exato, prever com mais precisão e agregar mais valor aos agricultores é sempre uma preocupação, afinal, existem inúmeras variáveis tanto na agricultura quanto na tecnologia a serem consideradas. Somos dedicados e extremamente apaixonados por reduzir a incerteza e o risco para os agricultores sempre que possível.

Assim como a ciência e a tecnologia em geral, a Plataforma FieldView™ estará sempre em busca da melhoria contínua. Em nossa linha de pesquisa e desenvolvimento, estamos sempre trabalhando em como aprimorar os mapas de satélite do Diagnóstico FieldView™ usando machine learning e inteligência artificial, e estamos avançando nas áreas de seleção e posicionamento de sementes, detecção e diagnóstico de doenças e muito mais. Sempre haverá oportunidades de aprimoramento e os cientistas, engenheiros e designers por trás do FieldView™ estão constantemente testando, aprendendo e refinando ferramentas digitais para ajudá-lo a tirar o máximo proveito de cada hectare.

Veja mais: Agricultura 4.0

 

Sobre a autora

Xiaoyuan é a líder da área de sensoriamento remoto e a gerente da equipe de ciência de dados da The Climate Corporation. Ela e sua equipe são especializadas na geração de insights agronômicos avançados baseados em sensoriamento remoto, clima e outros conjuntos de dados geoespaciais através da fusão de modelos de dados e modelos físicos. Ela é apaixonada por observação da Terra, big data e construção de ferramentas digitais para agricultores.

Compartilhar:
Curtiu nosso conteúdo?
 
Compartilhar: