![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Paul-Devienne--300x300.jpeg\")
Um guia passo a passo sobre como detectar, delinear e classificar parcelas agr\u00edcolas em imagens de sat\u00e9lite<\/h1><\/div>Este artigo faz parte de uma s\u00e9rie de dois artigos sobre o processamento de imagens de sat\u00e9lite aplicado \u00e0 agricultura. Se o senhor estiver interessado na coleta e no processamento de imagens de sat\u00e9lite, consulte este primeiro artigo<\/a> por Antoine Aubay.<\/p>\n<\/div>A Parte 2 se concentra em como aproveitamos essas imagens de sat\u00e9lite processadas em um contexto agr\u00edcola para:<\/p>\n<\/div>
- <\/i><\/span>\n
Localizar \u00e1reas agr\u00edcolas em grandes imagens de sat\u00e9lite<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Detectar e delinear a borda de cada parcela dentro dessas \u00e1reas<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Classifique as culturas dessas parcelas (trigo, tomate, milho...)<\/p>\n<\/div><\/li><\/ul>
![\"Illustration](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-target-process.png\")
<\/p>\n
Ilustra\u00e7\u00e3o do processo alvo<\/p>\n<\/div>
A Parte 2 se concentra em como aproveitamos essas imagens de sat\u00e9lite processadas em um contexto agr\u00edcola para:<\/p>\n<\/div><\/div><\/div><\/div><\/article>
TL;DR:<\/strong>
\nEste artigo abordar\u00e1:<\/p>\n- Mostre aos senhores v\u00e1rias aplica\u00e7\u00f5es de aprendizado de m\u00e1quina e vis\u00e3o computacional em imagens de sat\u00e9lite para agricultura\n
- Apresentar uma s\u00e9rie de algoritmos para detectar e rotular parcelas agr\u00edcolas com sucesso\n
- Sugerir m\u00e9todos alternativos, dependendo da disponibilidade do data\n
Este artigo pressup\u00f5e fundamentos b\u00e1sicos em ci\u00eancia data e vis\u00e3o computacional.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Motiva\u00e7\u00e3o empresarial<\/h2><\/div>Uma solu\u00e7\u00e3o capaz de detectar e rotular culturas automaticamente pode ter uma ampla gama de aplica\u00e7\u00f5es comerciais. O c\u00e1lculo do n\u00famero de parcelas, seu tamanho m\u00e9dio, a densidade da vegeta\u00e7\u00e3o, a \u00e1rea total da superf\u00edcie de culturas espec\u00edficas e muitos outros indicadores podem servir a v\u00e1rios prop\u00f3sitos. Por exemplo, organiza\u00e7\u00f5es p\u00fablicas poderiam usar essas m\u00e9tricas para estat\u00edsticas nacionais, enquanto empresas agr\u00edcolas privadas poderiam us\u00e1-las para estimar seu mercado potencial com um grande n\u00edvel de detalhes.<\/p>\n<\/div>
Naturalmente, as imagens de sat\u00e9lite foram consideradas e identificadas como uma fonte data muito vi\u00e1vel por tr\u00eas motivos espec\u00edficos:<\/p>\n<\/div>
- <\/i><\/span>\n
Escalabilidade<\/strong>: Um banco de imagens que abrange o mundo inteiro est\u00e1 dispon\u00edvel imediatamente e \u00e9 atualizado regularmente<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Data riqueza<\/strong>: As imagens de sat\u00e9lite podem fornecer muito mais informa\u00e7\u00f5es do que simples fotos. Em vez de uma imagem de 3 bandas de pixels vermelhos, verdes e azuis, alguns sat\u00e9lites podem fornecer mais de 15 recursos por pixel<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Custo<\/strong>: Embora as imagens de sat\u00e9lite possam ser bastante caras, algumas op\u00e7\u00f5es s\u00e3o totalmente gratuitas, como o Sentinel 2, que acabamos selecionando como nossa principal fonte de data (uma compara\u00e7\u00e3o mais detalhada das fontes de data est\u00e1 dispon\u00edvel em Parte 1<\/a>)<\/p>\n<\/div><\/li><\/ul>Etapa 1 - Detec\u00e7\u00e3o de \u00e1reas agr\u00edcolas em imagens de sat\u00e9lite<\/h2><\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Sentinel-2-raw-image-10-000-x-10-000-pixels-each-pixel-10-x-10-meters-on-the-ground-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Imagem bruta do Sentinel-2: 10 000 x 10 000 pixels, cada pixel com 10 x 10 metros no solo (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Depois de recuperar e pr\u00e9-processar as imagens do Sentinel 2, nosso primeiro desafio foi localizar as parcelas e nos limitar a \u00e1reas espec\u00edficas de interesse. Como cada imagem tem uma resolu\u00e7\u00e3o muito alta, n\u00e3o seria realista aplicar todo o processamento a imagens em tamanho real. Em vez disso, a primeira etapa para resolver nosso problema foi cortar as imagens grandes em fragmentos menores e identificar as \u00e1reas onde as parcelas estavam localizadas nessas imagens menores:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Our-desired-output-fragments-containing-only-agricultural-areas-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Nosso resultado desejado: fragmentos contendo apenas \u00e1reas agr\u00edcolas (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Solu\u00e7\u00e3o 1A: Treinamento de um classificador de pixels<\/h2><\/div>A primeira solu\u00e7\u00e3o para detectar zonas agr\u00edcolas em imagens grandes \u00e9 criar um classificador de pixels. Para cada pixel, esse modelo de aprendizado de m\u00e1quina prev\u00ea se esse pixel pertence a uma floresta, uma cidade, \u00e1gua, uma fazenda... e, portanto, a uma zona agr\u00edcola ou n\u00e3o.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-pixel-classification-with-3-visible-classes-of-pixels-Copernicus-Sentinel-data-2019-.png\")
Ilustra\u00e7\u00e3o da classifica\u00e7\u00e3o de pixels com 3 classes vis\u00edveis de pixels (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Porque muitos dos recursos<\/a> No caso do Sentinel-2, conseguimos encontrar imagens rotuladas com mais de 10 classes diferentes de verdade terrestre (floresta, \u00e1gua, tundra, ...). No entanto, se o clima da sua \u00e1rea de estudo for diferente da \u00e1rea em que o modelo foi treinado, talvez seja necess\u00e1rio reavaliar as classes atribu\u00eddas a cada pixel.<\/p>\n<\/div>Por exemplo, depois de treinar um modelo em pa\u00edses de clima temperado e aplic\u00e1-lo a regi\u00f5es mais \u00e1ridas do mundo, observamos que o que o modelo estava vendo como florestas e tundras eram, na verdade, culturas agr\u00edcolas.<\/p>\n<\/div>
Depois que os pixels forem classificados, o senhor pode descartar todas as imagens que n\u00e3o contenham \u00e1reas agr\u00edcolas.<\/p>\n<\/div>
Pr\u00f3s da solu\u00e7\u00e3o 1A:<\/h3><\/div>- <\/i><\/span>\n
Resultados mais confi\u00e1veis e granulares (pixels)<\/p>\n<\/div><\/li><\/ul>
Solu\u00e7\u00e3o 1A contras:<\/h3><\/div>- <\/i><\/span>\n
\u00c9 necess\u00e1rio um conjunto data de pixels rotulados<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
A classifica\u00e7\u00e3o de cada pixel gera um alto custo computacional<\/p>\n<\/div><\/li><\/ul>
De todos os m\u00e9todos dispon\u00edveis para detectar zonas agr\u00edcolas, esse foi o mais preciso. No entanto, se o senhor n\u00e3o tiver acesso a imagens rotuladas, identificamos duas solu\u00e7\u00f5es alternativas.<\/p>\n<\/div>
Solu\u00e7\u00e3o 1B: Mapeamento de coordenadas geogr\u00e1ficas para coordenadas de pixel<\/h2><\/div>Se as coordenadas sobre sua zona de interesse tiverem sido rotuladas ou se o senhor estiver rotulando as coordenadas por conta pr\u00f3pria, \u00e9 poss\u00edvel mapear essas coordenadas geogr\u00e1ficas (latitude e longitude) para suas imagens.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/You-can-design-your-own-polygons-on-GoogleMaps-thus-focusing-on-a-specific-area-of-choice-while-drawing-around-obstacles-water-cities-\u2026.png\")
<\/p>\n
O senhor pode desenhar seus pr\u00f3prios pol\u00edgonos no GoogleMaps, concentrando-se assim em uma \u00e1rea espec\u00edfica de sua escolha enquanto desenha ao redor de obst\u00e1culos (\u00e1gua, cidades...)<\/p>\n<\/div>
Por exemplo, se o senhor tiver as coordenadas associadas a grandes \u00e1reas agr\u00edcolas ou se desenhar grandes pol\u00edgonos no Google Maps, poder\u00e1 obter facilmente as coordenadas geogr\u00e1ficas das \u00e1reas agr\u00edcolas. Depois, basta mapear essas coordenadas para as imagens de sat\u00e9lite e filtrar as imagens para cobrir apenas as zonas dentro dos pol\u00edgonos.<\/p>\n<\/div>
Solu\u00e7\u00e3o 1B pros:<\/h3><\/div>- <\/i><\/span>\n
Tamb\u00e9m \u00e9 um m\u00e9todo confi\u00e1vel<\/p>\n<\/div><\/li><\/ul>
Solu\u00e7\u00e3o 1B contras:<\/h3><\/div>- <\/i><\/span>\n
O senhor precisa de uma lista de coordenadas associadas a regi\u00f5es agr\u00edcolas<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
A cria\u00e7\u00e3o manual dessas coordenadas pode consumir muito tempo<\/p>\n<\/div><\/li><\/ul>
Solu\u00e7\u00e3o 1C: Uso de um \u00edndice de vegeta\u00e7\u00e3o<\/h2><\/div>\u00c9 poss\u00edvel calcular um \u00edndice de vegeta\u00e7\u00e3o a partir das bandas de cores fornecidas pelas imagens de sat\u00e9lite. Um \u00edndice de vegeta\u00e7\u00e3o \u00e9 uma f\u00f3rmula que combina v\u00e1rias bandas de cores, geralmente altamente correlacionadas com a presen\u00e7a ou a densidade da vegeta\u00e7\u00e3o (ou outros indicadores, como a presen\u00e7a de \u00e1gua).<\/p>\n<\/div>
V\u00e1rios \u00edndices<\/a> Existem v\u00e1rios \u00edndices de vegeta\u00e7\u00e3o, mas um dos mais usados em um contexto agr\u00edcola \u00e9 o NDVI (Normalized Difference Vegetation Index, \u00cdndice de Vegeta\u00e7\u00e3o por Diferen\u00e7a Normalizada). Esse \u00edndice \u00e9 usado para estimar a densidade da vegeta\u00e7\u00e3o no solo, que pode servir para detectar \u00e1reas agr\u00edcolas em uma imagem grande.<\/p>\n<\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Visual-representation-of-the-NDVI-on-an-agricultural-zone-and-a-desert-Copernicus-Sentinel-data-2019-.png\")
<\/p>\n
Representa\u00e7\u00e3o visual do NDVI em uma zona agr\u00edcola e em um deserto (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Depois de calcular os valores de NDVI para cada pixel, o senhor pode definir um limite para eliminar rapidamente os pixels sem vegeta\u00e7\u00e3o. Usamos o NDVI como exemplo, mas fazer experi\u00eancias com v\u00e1rios \u00edndices pode ajudar a obter melhores resultados.<\/p>\n<\/div>
Observe que o c\u00e1lculo de um \u00edndice de vegeta\u00e7\u00e3o pode fornecer informa\u00e7\u00f5es \u00fateis para enriquecer sua an\u00e1lise, mesmo que o senhor j\u00e1 tenha implementado outra maneira de detectar \u00e1reas agr\u00edcolas.<\/p>\n<\/div>
Solu\u00e7\u00e3o 1C pros:<\/h3><\/div>- <\/i><\/span>\n
Absolutamente n\u00e3o \u00e9 necess\u00e1rio o data rotulado<\/p>\n<\/div><\/li><\/ul>
Solu\u00e7\u00e3o 1C cons:<\/h3><\/div>- <\/i><\/span>\n
N\u00e3o \u00e9 muito preciso: por exemplo, pode ser dif\u00edcil diferenciar culturas agr\u00edcolas de florestas<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Os limites precisam ser ajustados com precis\u00e3o, dependendo do clima e de outras especificidades<\/p>\n<\/div><\/li><\/ul>
Etapa 2 - Detectar e delinear parcelas agr\u00edcolas<\/h2><\/div>Cria\u00e7\u00e3o de um detector de bordas n\u00e3o supervisionado<\/h3><\/div>Depois de determinar a localiza\u00e7\u00e3o de suas zonas agr\u00edcolas, o senhor pode come\u00e7ar a se concentrar no delineamento de parcelas individuais nessas \u00e1reas espec\u00edficas.<\/p>\n<\/div>
Na aus\u00eancia de data rotulado, decidimos usar uma abordagem n\u00e3o supervisionada baseada em Detec\u00e7\u00e3o de borda Canny do OpenCV<\/a>. A detec\u00e7\u00e3o de bordas consiste em observar um pixel espec\u00edfico e compar\u00e1-lo com os pixels ao redor dele. Se o contraste com os pixels vizinhos for alto, ent\u00e3o o pixel pode ser considerado uma borda.<\/p>\n<\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/An-example-of-edge-detection-on-agricultural-plots-using-OpenCV-Copernicus-Sentinel-data-2019.png\")
Um exemplo de detec\u00e7\u00e3o de bordas em parcelas agr\u00edcolas usando OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Uma vez identificados todos os pixels que poderiam ser verdadeiras bordas, podemos come\u00e7ar a suavizar as bordas e tentar formar pol\u00edgonos. Como esperado, o desempenho do algoritmo de detec\u00e7\u00e3o de bordas \u00e9 comprovadamente muito melhor quando aplicado a gr\u00e1ficos grandes:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-full-process-of-outlining-plots-Copernicus-Sentinel-data-2019-1.jpeg\")
<\/p>\n
Ilustra\u00e7\u00e3o de todo o processo de delineamento de gr\u00e1ficos\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div>Esse m\u00e9todo nos permitiu identificar automaticamente cerca de 7.000 lotes em nossa \u00e1rea de interesse. Como usamos o m\u00e9todo de classifica\u00e7\u00e3o de pixels (consulte a etapa 1A), conseguimos separar os lotes agr\u00edcolas reais de outros pol\u00edgonos, retendo assim apenas o data relevante.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Polygons-consisting-of-a-minority-of-\u201cfarm-pixels\u201d-were-eliminated-Copernicus-Sentinel-data-2019.png\")
Os pol\u00edgonos que consistem em uma minoria de \u201cpixels de fazenda\u201d foram eliminados (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Otimiza\u00e7\u00e3o do desempenho do algoritmo de detec\u00e7\u00e3o de bordas<\/h3><\/div>Para obter os melhores resultados poss\u00edveis, pode ser \u00fatil aplicar modifica\u00e7\u00f5es \u00e0 sua imagem, principalmente brincando com o contraste, a satura\u00e7\u00e3o ou a nitidez:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Experimenting-on-contrast-saturation-or-sharpness-can-help-improve-the-efficiency-of-the-edge-detection-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Experimentar o contraste, a satura\u00e7\u00e3o ou a nitidez pode ajudar a melhorar a efici\u00eancia da detec\u00e7\u00e3o de bordas (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Outro fator cr\u00edtico de sucesso \u00e9 for\u00e7ar os pol\u00edgonos a serem convexos. Como a maioria dos gr\u00e1ficos segue formas regulares, for\u00e7ar pol\u00edgonos convexos geralmente produz resultados muito melhores.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Forcing-convex-shapes-fits-most-plots-much-better-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
For\u00e7ar formas convexas se ajusta muito melhor \u00e0 maioria dos gr\u00e1ficos (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Etapa 3 - Classifica\u00e7\u00e3o de cada parcela para detectar culturas espec\u00edficas<\/h2><\/div>Depois que todas as parcelas tiverem sido identificadas, o senhor poder\u00e1 cortar cada uma delas e salv\u00e1-las como arquivos de imagem individuais. A pr\u00f3xima etapa \u00e9 treinar um modelo de classifica\u00e7\u00e3o para distinguir cada parcela com base em seu cultivo. Em outras palavras, o senhor pode tentar identificar as planta\u00e7\u00f5es de tomate das planta\u00e7\u00f5es de cereais ou batatas.<\/p>\n<\/div>
Cria\u00e7\u00e3o de um conjunto de treinamento com r\u00f3tulos<\/h3><\/div>Como n\u00e3o t\u00ednhamos um conjunto de data j\u00e1 rotulado dispon\u00edvel e como a rotulagem manual de centenas de imagens consumiria muito tempo, procuramos conjuntos complementares de data que contivessem as informa\u00e7\u00f5es sobre planta\u00e7\u00f5es para parcelas espec\u00edficas em um determinado momento e local.<\/p>\n<\/div>
O cen\u00e1rio ideal seria ter imagens pr\u00e9-rotuladas, mas, em nosso caso, s\u00f3 t\u00ednhamos as coordenadas geogr\u00e1ficas e as culturas de algumas centenas de lotes agr\u00edcolas em nossa \u00e1rea de interesse. Esse dataset continha uma lista de lotes, a latitude e a longitude de seu centro e a cultura plantada em uma \u00e9poca espec\u00edfica do ano.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-external-crop-data-source.png\")
<\/p>\n
Ilustra\u00e7\u00e3o da fonte de cultura externa data<\/p>\n<\/div>
Para criar nosso conjunto de treinamento, usamos nosso conversor de coordenadas geogr\u00e1ficas para coordenadas de pixel (compartilhado em Parte 1<\/a>) para identificar as parcelas espec\u00edficas para as quais t\u00ednhamos um r\u00f3tulo (a cultura) em nosso banco de imagens.<\/p>\nDas 7.000 parcelas identificadas na Etapa 2, conseguimos rotular cerca de 500 parcelas gra\u00e7as \u00e0 nossa fonte externa data. Essas 500 parcelas rotuladas serviram para treinar e avaliar o modelo de classifica\u00e7\u00e3o.<\/p>\n<\/div>
Modelagem<\/h3><\/div>Optamos por usar uma rede neural convolucional usando o biblioteca fastai<\/a>, pois era uma maneira eficiente de classificar nossas imagens.<\/p>\n<\/div>Para encontrar o melhor classificador poss\u00edvel, fizemos experimentos com a entrada data:<\/p>\n<\/div>
- <\/i><\/span>\n
Sele\u00e7\u00e3o de v\u00e1rias combina\u00e7\u00f5es de faixas de cores (vermelho, verde, azul, infravermelho pr\u00f3ximo...)<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Manipula\u00e7\u00e3o de pixels vizinhos de diferentes maneiras: tornando-os transparentes, brancos, pretos... ou deixando-os intocados<\/p>\n<\/div><\/li><\/ul>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Dozens-of-models-were-trained-on-datasets-generated-with-various-of-data-preparation-techniques.jpeg\")
<\/p>\n
Dezenas de modelos foram treinados em conjuntos de data gerados com v\u00e1rias t\u00e9cnicas de prepara\u00e7\u00e3o de data<\/p>\n<\/div>
Depois de experimentar v\u00e1rios modelos de classifica\u00e7\u00e3o, obtivemos uma precis\u00e3o de 78% e uma recupera\u00e7\u00e3o de 74% ao realizar a classifica\u00e7\u00e3o bin\u00e1ria nos menores gr\u00e1ficos (e, portanto, os mais dif\u00edceis de classificar devido ao baixo n\u00famero de pixels).<\/p>\n<\/div>
Desafios a serem considerados<\/h2><\/div>Ao trabalhar com parcelas agr\u00edcolas, at\u00e9 mesmo algumas semanas podem fazer uma diferen\u00e7a substancial. Em poucas semanas, as planta\u00e7\u00f5es de trigo podem passar de verdes a douradas e a colhidas:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/When-working-with-farm-plots-just-a-few-weeks-can-make-a-large-difference-Copernicus-Sentinel-data-2019.jpeg\")
Ao trabalhar com parcelas agr\u00edcolas, apenas algumas semanas podem fazer uma grande diferen\u00e7a (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Portanto, h\u00e1 duas coisas que o senhor deve ter em mente para replicar esse projeto ao longo do ano:<\/p>\n<\/div>
- <\/i><\/span>\n
O senhor precisa criar um modelo para cada per\u00edodo do ano<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Seu data rotulado contendo informa\u00e7\u00f5es sobre as culturas precisa ser atualizado regularmente<\/p>\n<\/div><\/li><\/ul>
Conclus\u00e3o<\/h2><\/div>Trabalhar com imagens de sat\u00e9lite abre uma gama infinita de possibilidades. Considerando que cada sat\u00e9lite oferece recursos diferentes e que a disponibilidade e o formato do data complementar podem variar em todo o mundo, dependendo da sua \u00e1rea de estudo, cada projeto acabar\u00e1 sendo um caso de uso exclusivo.<\/p>\n<\/div>
Esperamos que compartilhar nossas perspectivas e metodologias possa inspir\u00e1-lo em seus pr\u00f3prios projetos! Se estiver ansioso para come\u00e7ar a trabalhar em seu pr\u00f3prio projeto de imagens de sat\u00e9lite, n\u00e3o deixe de ler \u201cAproveitamento de imagens de sat\u00e9lite para aplicativos de vis\u00e3o computacional com aprendizado de m\u00e1quina<\/em><\/a>\u201d, de Antoine Aubay.<\/p>\n<\/div>
Este artigo faz parte de uma s\u00e9rie de dois artigos sobre o processamento de imagens de sat\u00e9lite aplicado \u00e0 agricultura. Se o senhor estiver interessado na coleta e no processamento de imagens de sat\u00e9lite, consulte este primeiro artigo<\/a> por Antoine Aubay.<\/p>\n<\/div> A Parte 2 se concentra em como aproveitamos essas imagens de sat\u00e9lite processadas em um contexto agr\u00edcola para:<\/p>\n<\/div> Localizar \u00e1reas agr\u00edcolas em grandes imagens de sat\u00e9lite<\/p>\n<\/div><\/li> Detectar e delinear a borda de cada parcela dentro dessas \u00e1reas<\/p>\n<\/div><\/li> Classifique as culturas dessas parcelas (trigo, tomate, milho...)<\/p>\n<\/div><\/li><\/ul> Ilustra\u00e7\u00e3o do processo alvo<\/p>\n<\/div> A Parte 2 se concentra em como aproveitamos essas imagens de sat\u00e9lite processadas em um contexto agr\u00edcola para:<\/p>\n<\/div><\/div><\/div><\/div><\/article> TL;DR:<\/strong> Este artigo pressup\u00f5e fundamentos b\u00e1sicos em ci\u00eancia data e vis\u00e3o computacional.<\/p>\n<\/div><\/div><\/div><\/div><\/div> Uma solu\u00e7\u00e3o capaz de detectar e rotular culturas automaticamente pode ter uma ampla gama de aplica\u00e7\u00f5es comerciais. O c\u00e1lculo do n\u00famero de parcelas, seu tamanho m\u00e9dio, a densidade da vegeta\u00e7\u00e3o, a \u00e1rea total da superf\u00edcie de culturas espec\u00edficas e muitos outros indicadores podem servir a v\u00e1rios prop\u00f3sitos. Por exemplo, organiza\u00e7\u00f5es p\u00fablicas poderiam usar essas m\u00e9tricas para estat\u00edsticas nacionais, enquanto empresas agr\u00edcolas privadas poderiam us\u00e1-las para estimar seu mercado potencial com um grande n\u00edvel de detalhes.<\/p>\n<\/div> Naturalmente, as imagens de sat\u00e9lite foram consideradas e identificadas como uma fonte data muito vi\u00e1vel por tr\u00eas motivos espec\u00edficos:<\/p>\n<\/div> Escalabilidade<\/strong>: Um banco de imagens que abrange o mundo inteiro est\u00e1 dispon\u00edvel imediatamente e \u00e9 atualizado regularmente<\/p>\n<\/div><\/li> Data riqueza<\/strong>: As imagens de sat\u00e9lite podem fornecer muito mais informa\u00e7\u00f5es do que simples fotos. Em vez de uma imagem de 3 bandas de pixels vermelhos, verdes e azuis, alguns sat\u00e9lites podem fornecer mais de 15 recursos por pixel<\/p>\n<\/div><\/li> Custo<\/strong>: Embora as imagens de sat\u00e9lite possam ser bastante caras, algumas op\u00e7\u00f5es s\u00e3o totalmente gratuitas, como o Sentinel 2, que acabamos selecionando como nossa principal fonte de data (uma compara\u00e7\u00e3o mais detalhada das fontes de data est\u00e1 dispon\u00edvel em Parte 1<\/a>)<\/p>\n<\/div><\/li><\/ul> Imagem bruta do Sentinel-2: 10 000 x 10 000 pixels, cada pixel com 10 x 10 metros no solo (Copernicus Sentinel data 2019)<\/p>\n<\/div> Depois de recuperar e pr\u00e9-processar as imagens do Sentinel 2, nosso primeiro desafio foi localizar as parcelas e nos limitar a \u00e1reas espec\u00edficas de interesse. Como cada imagem tem uma resolu\u00e7\u00e3o muito alta, n\u00e3o seria realista aplicar todo o processamento a imagens em tamanho real. Em vez disso, a primeira etapa para resolver nosso problema foi cortar as imagens grandes em fragmentos menores e identificar as \u00e1reas onde as parcelas estavam localizadas nessas imagens menores:<\/p>\n<\/div> Nosso resultado desejado: fragmentos contendo apenas \u00e1reas agr\u00edcolas (Copernicus Sentinel data 2019)<\/p>\n<\/div> A primeira solu\u00e7\u00e3o para detectar zonas agr\u00edcolas em imagens grandes \u00e9 criar um classificador de pixels. Para cada pixel, esse modelo de aprendizado de m\u00e1quina prev\u00ea se esse pixel pertence a uma floresta, uma cidade, \u00e1gua, uma fazenda... e, portanto, a uma zona agr\u00edcola ou n\u00e3o.<\/p>\n<\/div> Porque muitos dos recursos<\/a> No caso do Sentinel-2, conseguimos encontrar imagens rotuladas com mais de 10 classes diferentes de verdade terrestre (floresta, \u00e1gua, tundra, ...). No entanto, se o clima da sua \u00e1rea de estudo for diferente da \u00e1rea em que o modelo foi treinado, talvez seja necess\u00e1rio reavaliar as classes atribu\u00eddas a cada pixel.<\/p>\n<\/div> Por exemplo, depois de treinar um modelo em pa\u00edses de clima temperado e aplic\u00e1-lo a regi\u00f5es mais \u00e1ridas do mundo, observamos que o que o modelo estava vendo como florestas e tundras eram, na verdade, culturas agr\u00edcolas.<\/p>\n<\/div> Depois que os pixels forem classificados, o senhor pode descartar todas as imagens que n\u00e3o contenham \u00e1reas agr\u00edcolas.<\/p>\n<\/div> Resultados mais confi\u00e1veis e granulares (pixels)<\/p>\n<\/div><\/li><\/ul> \u00c9 necess\u00e1rio um conjunto data de pixels rotulados<\/p>\n<\/div><\/li> A classifica\u00e7\u00e3o de cada pixel gera um alto custo computacional<\/p>\n<\/div><\/li><\/ul> De todos os m\u00e9todos dispon\u00edveis para detectar zonas agr\u00edcolas, esse foi o mais preciso. No entanto, se o senhor n\u00e3o tiver acesso a imagens rotuladas, identificamos duas solu\u00e7\u00f5es alternativas.<\/p>\n<\/div> Se as coordenadas sobre sua zona de interesse tiverem sido rotuladas ou se o senhor estiver rotulando as coordenadas por conta pr\u00f3pria, \u00e9 poss\u00edvel mapear essas coordenadas geogr\u00e1ficas (latitude e longitude) para suas imagens.<\/p>\n<\/div> O senhor pode desenhar seus pr\u00f3prios pol\u00edgonos no GoogleMaps, concentrando-se assim em uma \u00e1rea espec\u00edfica de sua escolha enquanto desenha ao redor de obst\u00e1culos (\u00e1gua, cidades...)<\/p>\n<\/div> Por exemplo, se o senhor tiver as coordenadas associadas a grandes \u00e1reas agr\u00edcolas ou se desenhar grandes pol\u00edgonos no Google Maps, poder\u00e1 obter facilmente as coordenadas geogr\u00e1ficas das \u00e1reas agr\u00edcolas. Depois, basta mapear essas coordenadas para as imagens de sat\u00e9lite e filtrar as imagens para cobrir apenas as zonas dentro dos pol\u00edgonos.<\/p>\n<\/div> Tamb\u00e9m \u00e9 um m\u00e9todo confi\u00e1vel<\/p>\n<\/div><\/li><\/ul> O senhor precisa de uma lista de coordenadas associadas a regi\u00f5es agr\u00edcolas<\/p>\n<\/div><\/li> A cria\u00e7\u00e3o manual dessas coordenadas pode consumir muito tempo<\/p>\n<\/div><\/li><\/ul> \u00c9 poss\u00edvel calcular um \u00edndice de vegeta\u00e7\u00e3o a partir das bandas de cores fornecidas pelas imagens de sat\u00e9lite. Um \u00edndice de vegeta\u00e7\u00e3o \u00e9 uma f\u00f3rmula que combina v\u00e1rias bandas de cores, geralmente altamente correlacionadas com a presen\u00e7a ou a densidade da vegeta\u00e7\u00e3o (ou outros indicadores, como a presen\u00e7a de \u00e1gua).<\/p>\n<\/div> V\u00e1rios \u00edndices<\/a> Existem v\u00e1rios \u00edndices de vegeta\u00e7\u00e3o, mas um dos mais usados em um contexto agr\u00edcola \u00e9 o NDVI (Normalized Difference Vegetation Index, \u00cdndice de Vegeta\u00e7\u00e3o por Diferen\u00e7a Normalizada). Esse \u00edndice \u00e9 usado para estimar a densidade da vegeta\u00e7\u00e3o no solo, que pode servir para detectar \u00e1reas agr\u00edcolas em uma imagem grande.<\/p>\n<\/div> Representa\u00e7\u00e3o visual do NDVI em uma zona agr\u00edcola e em um deserto (Copernicus Sentinel data 2019)<\/p>\n<\/div> Depois de calcular os valores de NDVI para cada pixel, o senhor pode definir um limite para eliminar rapidamente os pixels sem vegeta\u00e7\u00e3o. Usamos o NDVI como exemplo, mas fazer experi\u00eancias com v\u00e1rios \u00edndices pode ajudar a obter melhores resultados.<\/p>\n<\/div> Observe que o c\u00e1lculo de um \u00edndice de vegeta\u00e7\u00e3o pode fornecer informa\u00e7\u00f5es \u00fateis para enriquecer sua an\u00e1lise, mesmo que o senhor j\u00e1 tenha implementado outra maneira de detectar \u00e1reas agr\u00edcolas.<\/p>\n<\/div> Absolutamente n\u00e3o \u00e9 necess\u00e1rio o data rotulado<\/p>\n<\/div><\/li><\/ul> N\u00e3o \u00e9 muito preciso: por exemplo, pode ser dif\u00edcil diferenciar culturas agr\u00edcolas de florestas<\/p>\n<\/div><\/li> Os limites precisam ser ajustados com precis\u00e3o, dependendo do clima e de outras especificidades<\/p>\n<\/div><\/li><\/ul> Depois de determinar a localiza\u00e7\u00e3o de suas zonas agr\u00edcolas, o senhor pode come\u00e7ar a se concentrar no delineamento de parcelas individuais nessas \u00e1reas espec\u00edficas.<\/p>\n<\/div> Na aus\u00eancia de data rotulado, decidimos usar uma abordagem n\u00e3o supervisionada baseada em Detec\u00e7\u00e3o de borda Canny do OpenCV<\/a>. A detec\u00e7\u00e3o de bordas consiste em observar um pixel espec\u00edfico e compar\u00e1-lo com os pixels ao redor dele. Se o contraste com os pixels vizinhos for alto, ent\u00e3o o pixel pode ser considerado uma borda.<\/p>\n<\/div> Uma vez identificados todos os pixels que poderiam ser verdadeiras bordas, podemos come\u00e7ar a suavizar as bordas e tentar formar pol\u00edgonos. Como esperado, o desempenho do algoritmo de detec\u00e7\u00e3o de bordas \u00e9 comprovadamente muito melhor quando aplicado a gr\u00e1ficos grandes:<\/p>\n<\/div> Ilustra\u00e7\u00e3o de todo o processo de delineamento de gr\u00e1ficos\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div> Esse m\u00e9todo nos permitiu identificar automaticamente cerca de 7.000 lotes em nossa \u00e1rea de interesse. Como usamos o m\u00e9todo de classifica\u00e7\u00e3o de pixels (consulte a etapa 1A), conseguimos separar os lotes agr\u00edcolas reais de outros pol\u00edgonos, retendo assim apenas o data relevante.<\/p>\n<\/div> Para obter os melhores resultados poss\u00edveis, pode ser \u00fatil aplicar modifica\u00e7\u00f5es \u00e0 sua imagem, principalmente brincando com o contraste, a satura\u00e7\u00e3o ou a nitidez:<\/p>\n<\/div> Experimentar o contraste, a satura\u00e7\u00e3o ou a nitidez pode ajudar a melhorar a efici\u00eancia da detec\u00e7\u00e3o de bordas (Copernicus Sentinel data 2019)<\/p>\n<\/div> Outro fator cr\u00edtico de sucesso \u00e9 for\u00e7ar os pol\u00edgonos a serem convexos. Como a maioria dos gr\u00e1ficos segue formas regulares, for\u00e7ar pol\u00edgonos convexos geralmente produz resultados muito melhores.<\/p>\n<\/div> For\u00e7ar formas convexas se ajusta muito melhor \u00e0 maioria dos gr\u00e1ficos (Copernicus Sentinel data 2019)<\/p>\n<\/div> Depois que todas as parcelas tiverem sido identificadas, o senhor poder\u00e1 cortar cada uma delas e salv\u00e1-las como arquivos de imagem individuais. A pr\u00f3xima etapa \u00e9 treinar um modelo de classifica\u00e7\u00e3o para distinguir cada parcela com base em seu cultivo. Em outras palavras, o senhor pode tentar identificar as planta\u00e7\u00f5es de tomate das planta\u00e7\u00f5es de cereais ou batatas.<\/p>\n<\/div> Como n\u00e3o t\u00ednhamos um conjunto de data j\u00e1 rotulado dispon\u00edvel e como a rotulagem manual de centenas de imagens consumiria muito tempo, procuramos conjuntos complementares de data que contivessem as informa\u00e7\u00f5es sobre planta\u00e7\u00f5es para parcelas espec\u00edficas em um determinado momento e local.<\/p>\n<\/div> O cen\u00e1rio ideal seria ter imagens pr\u00e9-rotuladas, mas, em nosso caso, s\u00f3 t\u00ednhamos as coordenadas geogr\u00e1ficas e as culturas de algumas centenas de lotes agr\u00edcolas em nossa \u00e1rea de interesse. Esse dataset continha uma lista de lotes, a latitude e a longitude de seu centro e a cultura plantada em uma \u00e9poca espec\u00edfica do ano.<\/p>\n<\/div> Ilustra\u00e7\u00e3o da fonte de cultura externa data<\/p>\n<\/div> Para criar nosso conjunto de treinamento, usamos nosso conversor de coordenadas geogr\u00e1ficas para coordenadas de pixel (compartilhado em Parte 1<\/a>) para identificar as parcelas espec\u00edficas para as quais t\u00ednhamos um r\u00f3tulo (a cultura) em nosso banco de imagens.<\/p>\n Das 7.000 parcelas identificadas na Etapa 2, conseguimos rotular cerca de 500 parcelas gra\u00e7as \u00e0 nossa fonte externa data. Essas 500 parcelas rotuladas serviram para treinar e avaliar o modelo de classifica\u00e7\u00e3o.<\/p>\n<\/div> Optamos por usar uma rede neural convolucional usando o biblioteca fastai<\/a>, pois era uma maneira eficiente de classificar nossas imagens.<\/p>\n<\/div> Para encontrar o melhor classificador poss\u00edvel, fizemos experimentos com a entrada data:<\/p>\n<\/div> Sele\u00e7\u00e3o de v\u00e1rias combina\u00e7\u00f5es de faixas de cores (vermelho, verde, azul, infravermelho pr\u00f3ximo...)<\/p>\n<\/div><\/li> Manipula\u00e7\u00e3o de pixels vizinhos de diferentes maneiras: tornando-os transparentes, brancos, pretos... ou deixando-os intocados<\/p>\n<\/div><\/li><\/ul> Dezenas de modelos foram treinados em conjuntos de data gerados com v\u00e1rias t\u00e9cnicas de prepara\u00e7\u00e3o de data<\/p>\n<\/div> Depois de experimentar v\u00e1rios modelos de classifica\u00e7\u00e3o, obtivemos uma precis\u00e3o de 78% e uma recupera\u00e7\u00e3o de 74% ao realizar a classifica\u00e7\u00e3o bin\u00e1ria nos menores gr\u00e1ficos (e, portanto, os mais dif\u00edceis de classificar devido ao baixo n\u00famero de pixels).<\/p>\n<\/div> Ao trabalhar com parcelas agr\u00edcolas, at\u00e9 mesmo algumas semanas podem fazer uma diferen\u00e7a substancial. Em poucas semanas, as planta\u00e7\u00f5es de trigo podem passar de verdes a douradas e a colhidas:<\/p>\n<\/div> Portanto, h\u00e1 duas coisas que o senhor deve ter em mente para replicar esse projeto ao longo do ano:<\/p>\n<\/div> O senhor precisa criar um modelo para cada per\u00edodo do ano<\/p>\n<\/div><\/li> Seu data rotulado contendo informa\u00e7\u00f5es sobre as culturas precisa ser atualizado regularmente<\/p>\n<\/div><\/li><\/ul> Trabalhar com imagens de sat\u00e9lite abre uma gama infinita de possibilidades. Considerando que cada sat\u00e9lite oferece recursos diferentes e que a disponibilidade e o formato do data complementar podem variar em todo o mundo, dependendo da sua \u00e1rea de estudo, cada projeto acabar\u00e1 sendo um caso de uso exclusivo.<\/p>\n<\/div> Esperamos que compartilhar nossas perspectivas e metodologias possa inspir\u00e1-lo em seus pr\u00f3prios projetos! Se estiver ansioso para come\u00e7ar a trabalhar em seu pr\u00f3prio projeto de imagens de sat\u00e9lite, n\u00e3o deixe de ler \u201cAproveitamento de imagens de sat\u00e9lite para aplicativos de vis\u00e3o computacional com aprendizado de m\u00e1quina<\/em><\/a>\u201d, de Antoine Aubay.<\/p>\n<\/div><\/p>\n
\nEste artigo abordar\u00e1:<\/p>\nMotiva\u00e7\u00e3o empresarial<\/h2><\/div>
Etapa 1 - Detec\u00e7\u00e3o de \u00e1reas agr\u00edcolas em imagens de sat\u00e9lite<\/h2><\/div>
<\/p>\n<\/p>\nSolu\u00e7\u00e3o 1A: Treinamento de um classificador de pixels<\/h2><\/div>
Ilustra\u00e7\u00e3o da classifica\u00e7\u00e3o de pixels com 3 classes vis\u00edveis de pixels (Copernicus Sentinel data 2019)<\/p>\n<\/div>Pr\u00f3s da solu\u00e7\u00e3o 1A:<\/h3><\/div>
Solu\u00e7\u00e3o 1A contras:<\/h3><\/div>
Solu\u00e7\u00e3o 1B: Mapeamento de coordenadas geogr\u00e1ficas para coordenadas de pixel<\/h2><\/div>
<\/p>\nSolu\u00e7\u00e3o 1B pros:<\/h3><\/div>
Solu\u00e7\u00e3o 1B contras:<\/h3><\/div>
Solu\u00e7\u00e3o 1C: Uso de um \u00edndice de vegeta\u00e7\u00e3o<\/h2><\/div>
<\/p>\nSolu\u00e7\u00e3o 1C pros:<\/h3><\/div>
Solu\u00e7\u00e3o 1C cons:<\/h3><\/div>
Etapa 2 - Detectar e delinear parcelas agr\u00edcolas<\/h2><\/div>
Cria\u00e7\u00e3o de um detector de bordas n\u00e3o supervisionado<\/h3><\/div>
Um exemplo de detec\u00e7\u00e3o de bordas em parcelas agr\u00edcolas usando OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div><\/p>\nOs pol\u00edgonos que consistem em uma minoria de \u201cpixels de fazenda\u201d foram eliminados (Copernicus Sentinel data 2019)<\/p>\n<\/div>Otimiza\u00e7\u00e3o do desempenho do algoritmo de detec\u00e7\u00e3o de bordas<\/h3><\/div>
<\/p>\n<\/p>\nEtapa 3 - Classifica\u00e7\u00e3o de cada parcela para detectar culturas espec\u00edficas<\/h2><\/div>
Cria\u00e7\u00e3o de um conjunto de treinamento com r\u00f3tulos<\/h3><\/div>
<\/p>\nModelagem<\/h3><\/div>
<\/p>\nDesafios a serem considerados<\/h2><\/div>
Ao trabalhar com parcelas agr\u00edcolas, apenas algumas semanas podem fazer uma grande diferen\u00e7a (Copernicus Sentinel data 2019)<\/p>\n<\/div>Conclus\u00e3o<\/h2><\/div>