![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Paul-Devienne--300x300.jpeg\")
Eine schrittweise Anleitung zum Erkennen, Umrei\u00dfen und Klassifizieren von landwirtschaftlichen Parzellen auf Satellitenbildern<\/h1><\/div>Dieser Artikel ist Teil einer 2-Artikel-Serie \u00fcber die Verarbeitung von Satellitenbildern in der Landwirtschaft. Wenn Sie sich f\u00fcr die Erfassung und Verarbeitung von Satellitenbildern interessieren, lesen Sie bitte diesen erster Artikel<\/a> von Antoine Aubay.<\/p>\n<\/div>Teil 2 konzentriert sich darauf, wie wir diese verarbeiteten Satellitenbilder in einem landwirtschaftlichen Kontext genutzt haben, um:<\/p>\n<\/div>
- <\/i><\/span>\n
Lokalisieren Sie landwirtschaftliche Fl\u00e4chen auf gro\u00dfen Satellitenbildern<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Erkennen und umrei\u00dfen Sie die Grenzen der einzelnen Grundst\u00fccke innerhalb dieser Bereiche.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Klassifizieren Sie die Kulturen auf diesen Parzellen (Weizen, Tomaten, Mais ...)<\/p>\n<\/div><\/li><\/ul>
![\"Illustration](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-target-process.png\")
<\/p>\n
Illustration des Zielprozesses<\/p>\n<\/div>
Teil 2 konzentriert sich darauf, wie wir diese verarbeiteten Satellitenbilder in einem landwirtschaftlichen Kontext genutzt haben, um:<\/p>\n<\/div><\/div><\/div><\/div><\/article>
TL;DR:<\/strong>
\nDieser Artikel wird:<\/p>\n- Zeigen Sie Ihnen verschiedene Anwendungen von maschinellem Lernen und Computer Vision f\u00fcr Satellitenbilder in der Landwirtschaft\n
- Pr\u00e4sentieren Sie eine Reihe von Algorithmen zur erfolgreichen Erkennung und Kennzeichnung landwirtschaftlicher Parzellen\n
- Schlagen Sie alternative Methoden vor, je nach Verf\u00fcgbarkeit von data\n
Dieser Artikel setzt grundlegende Kenntnisse in data Wissenschaft und Computer Vision voraus.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Gesch\u00e4ftliche Motivation<\/h2><\/div>Eine L\u00f6sung, die in der Lage ist, Kulturen automatisch zu erkennen und zu kennzeichnen, kann eine breite Palette von Gesch\u00e4ftsanwendungen haben. Die Berechnung der Anzahl der Parzellen, ihrer durchschnittlichen Gr\u00f6\u00dfe, der Dichte der Vegetation, der Gesamtfl\u00e4che bestimmter Kulturen und vieler weiterer Indikatoren k\u00f6nnte verschiedenen Zwecken dienen. \u00d6ffentliche Organisationen k\u00f6nnten diese Kennzahlen beispielsweise f\u00fcr nationale Statistiken verwenden, w\u00e4hrend private Landwirtschaftsunternehmen sie nutzen k\u00f6nnten, um ihren potenziellen Markt sehr detailliert abzusch\u00e4tzen.<\/p>\n<\/div>
Nat\u00fcrlich wurden Satellitenbilder in Betracht gezogen und als eine sehr brauchbare data-Quelle aus 3 spezifischen Gr\u00fcnden identifiziert:<\/p>\n<\/div>
- <\/i><\/span>\n
Skalierbarkeit<\/strong>: Eine Datenbank mit Bildern aus der ganzen Welt ist sofort verf\u00fcgbar und wird regelm\u00e4\u00dfig aktualisiert.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Data Reichtum<\/strong>: Satellitenbilder k\u00f6nnen viel mehr Informationen liefern als einfache Bilder. Anstelle eines 3-Band-Bildes mit roten, gr\u00fcnen und blauen Pixeln k\u00f6nnen einige Satelliten mehr als 15 Merkmale pro Pixel liefern<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Kosten<\/strong>: Obwohl Satellitenbilder recht kostspielig sein k\u00f6nnen, sind einige Optionen v\u00f6llig kostenlos, wie z.B. Sentinel 2, das wir schlie\u00dflich als Hauptquelle f\u00fcr data ausgew\u00e4hlt haben (einen detaillierten Vergleich der data-Quellen finden Sie in Teil 1<\/a>)<\/p>\n<\/div><\/li><\/ul>Schritt 1 - Erkennen von landwirtschaftlichen Fl\u00e4chen auf Satellitenbildern<\/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
Sentinel-2 Rohbild: 10 000 x 10 000 Pixel, jedes Pixel 10 x 10 Meter auf dem Boden (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Nach dem Abrufen und der Vorverarbeitung der Sentinel 2-Bilder bestand unsere erste Herausforderung darin, die Grundst\u00fccke zu lokalisieren und uns auf bestimmte Bereiche von Interesse zu beschr\u00e4nken. Da jedes Bild eine sehr hohe Aufl\u00f6sung hat, w\u00e4re es nicht realistisch, die gesamte Verarbeitung auf Bilder in voller Gr\u00f6\u00dfe anzuwenden. Stattdessen bestand der erste Schritt zur L\u00f6sung unseres Problems darin, gro\u00dfe Bilder in kleinere Fragmente zu zerschneiden und die Bereiche zu identifizieren, in denen sich die Grundst\u00fccke auf diesen kleineren Bildern befanden:<\/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
Unsere gew\u00fcnschte Ausgabe: Fragmente, die nur landwirtschaftliche Fl\u00e4chen enthalten (Copernicus Sentinel data 2019)<\/p>\n<\/div>
L\u00f6sung 1A: Training eines Pixel-Klassifikators<\/h2><\/div>Die erste L\u00f6sung f\u00fcr die Erkennung von landwirtschaftlichen Gebieten auf gro\u00dfen Bildern besteht darin, einen Pixelklassifikator zu erstellen. F\u00fcr jedes Pixel w\u00fcrde dieses maschinelle Lernmodell vorhersagen, ob dieses Pixel zu einem Wald, einer Stadt, einem Gew\u00e4sser, einem Bauernhof ... und damit zu einer landwirtschaftlichen Zone geh\u00f6rt oder nicht.<\/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\")
Illustration der Pixelklassifizierung mit 3 sichtbaren Klassen von Pixeln (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Denn eine Menge Ressourcen<\/a> f\u00fcr Sentinel-2 gefunden werden kann, konnten wir beschriftete Bilder mit \u00fcber 10 verschiedenen Klassen der Grundwahrheit (Wald, Wasser, Tundra, ...) finden. Wenn sich jedoch das Klima in Ihrem Untersuchungsgebiet von dem Gebiet unterscheidet, auf dem Sie Ihr Modell trainiert haben, m\u00fcssen Sie die den einzelnen Pixeln zugewiesenen Klassen m\u00f6glicherweise neu bewerten.<\/p>\n<\/div>Nachdem wir beispielsweise ein Modell f\u00fcr L\u00e4nder mit gem\u00e4\u00dfigtem Klima trainiert und auf trockenere Regionen der Welt angewendet hatten, stellten wir fest, dass das, was das Modell als W\u00e4lder und Tundren ansah, in Wirklichkeit landwirtschaftliche Nutzpflanzen waren.<\/p>\n<\/div>
Sobald Ihre Pixel klassifiziert sind, k\u00f6nnen Sie alle Bilder, die keine landwirtschaftlichen Fl\u00e4chen enthalten, l\u00f6schen.<\/p>\n<\/div>
L\u00f6sung 1A Profis:<\/h3><\/div>- <\/i><\/span>\n
Zuverl\u00e4ssige und granulare Ergebnisse (Pixel)<\/p>\n<\/div><\/li><\/ul>
L\u00f6sung 1A Nachteile:<\/h3><\/div>- <\/i><\/span>\n
Ein data-Set von markierten Pixeln ist erforderlich<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Die Klassifizierung jedes Pixels verursacht hohe Rechenkosten<\/p>\n<\/div><\/li><\/ul>
Von allen verf\u00fcgbaren Methoden zur Erkennung von Landwirtschaftszonen war diese die genaueste. Wenn Sie jedoch keinen Zugang zu beschrifteten Bildern haben, haben wir zwei alternative L\u00f6sungen gefunden.<\/p>\n<\/div>
L\u00f6sung 1B: Mapping von Geokoordinaten auf Pixelkoordinaten<\/h2><\/div>Wenn die Koordinaten Ihres Interessengebiets beschriftet wurden oder wenn Sie die Koordinaten selbst beschriften, k\u00f6nnen Sie diese Geokoordinaten (Breiten- und L\u00e4ngengrad) Ihren Bildern zuordnen.<\/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
Sie k\u00f6nnen Ihre eigenen Polygone auf GoogleMaps entwerfen und sich so auf ein bestimmtes Gebiet Ihrer Wahl konzentrieren, w\u00e4hrend Sie Hindernisse (Wasser, St\u00e4dte ...) umgehen.<\/p>\n<\/div>
Wenn Sie beispielsweise \u00fcber die Koordinaten gro\u00dfer landwirtschaftlicher Gebiete verf\u00fcgen oder selbst gro\u00dfe Polygone in Google Maps einzeichnen, k\u00f6nnen Sie ganz einfach Geokoordinaten von landwirtschaftlichen Gebieten erhalten. Dann m\u00fcssen Sie diese Koordinaten nur noch Ihren Satellitenbildern zuordnen und Ihre Bilder so filtern, dass sie nur die Zonen innerhalb Ihrer Polygone abdecken.<\/p>\n<\/div>
L\u00f6sung 1B Profis:<\/h3><\/div>- <\/i><\/span>\n
Auch eine zuverl\u00e4ssige Methode<\/p>\n<\/div><\/li><\/ul>
L\u00f6sung 1B Nachteile:<\/h3><\/div>- <\/i><\/span>\n
Sie ben\u00f6tigen eine Liste von Koordinaten, die mit landwirtschaftlichen Regionen verbunden sind<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Die manuelle Erstellung dieser Koordinaten kann zeitaufw\u00e4ndig sein<\/p>\n<\/div><\/li><\/ul>
L\u00f6sung 1C: Verwendung eines Vegetationsindexes<\/h2><\/div>Es ist m\u00f6glich, einen Vegetationsindex aus den von den Satellitenbildern gelieferten Farbb\u00e4ndern zu berechnen. Ein Vegetationsindex ist eine Formel, die mehrere Farbb\u00e4nder kombiniert, die oft stark mit dem Vorhandensein oder der Dichte der Vegetation (oder anderen Indikatoren wie dem Vorhandensein von Wasser) korreliert sind.<\/p>\n<\/div>
Mehrere Indizes<\/a> existieren, aber einer der am h\u00e4ufigsten in der Landwirtschaft verwendeten ist der NDVI (Normalized Difference Vegetation Index). Dieser Index wird verwendet, um die Dichte der Vegetation auf dem Boden abzusch\u00e4tzen, was dazu dienen kann, landwirtschaftliche Fl\u00e4chen \u00fcber ein gro\u00dfes Bild zu erkennen.<\/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
Visuelle Darstellung des NDVI in einer landwirtschaftlichen Zone und in einer W\u00fcste (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Nachdem Sie die NDVI-Werte f\u00fcr jedes Pixel berechnet haben, k\u00f6nnen Sie einen Schwellenwert festlegen, um Pixel ohne Vegetation schnell zu eliminieren. Wir haben NDVI als Beispiel verwendet, aber das Experimentieren mit verschiedenen Indizes k\u00f6nnte zu besseren Ergebnissen f\u00fchren.<\/p>\n<\/div>
Beachten Sie, dass die Berechnung eines Vegetationsindexes Ihnen n\u00fctzliche Informationen liefern kann, um Ihre Analyse zu bereichern, selbst wenn Sie bereits eine andere Methode zur Erkennung von landwirtschaftlichen Fl\u00e4chen implementiert haben.<\/p>\n<\/div>
L\u00f6sung 1C Profis:<\/h3><\/div>- <\/i><\/span>\n
Absolut kein etikettiertes data erforderlich<\/p>\n<\/div><\/li><\/ul>
L\u00f6sung 1C Nachteile:<\/h3><\/div>- <\/i><\/span>\n
Nicht sehr genau: Es k\u00f6nnte zum Beispiel schwierig sein, landwirtschaftliche Nutzpflanzen von W\u00e4ldern zu unterscheiden.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Die Schwellenwerte m\u00fcssen je nach Klima und anderen Besonderheiten feinabgestimmt werden<\/p>\n<\/div><\/li><\/ul>
Schritt 2 - Erkennen und Abgrenzen von landwirtschaftlichen Parzellen<\/h2><\/div>Aufbau eines un\u00fcberwachten Kantendetektors<\/h3><\/div>Sobald Sie die Lage Ihrer Landwirtschaftszonen bestimmt haben, k\u00f6nnen Sie sich darauf konzentrieren, die einzelnen Parzellen auf diesen spezifischen Fl\u00e4chen abzustecken.<\/p>\n<\/div>
Da keine markierten data vorliegen, haben wir uns f\u00fcr einen un\u00fcberwachten Ansatz entschieden, der auf OpenCV's Canny Kantenerkennung<\/a>. Die Kantenerkennung besteht darin, ein bestimmtes Pixel zu betrachten und es mit den umliegenden Pixeln zu vergleichen. Wenn der Kontrast zu den benachbarten Pixeln hoch ist, kann das Pixel als Kante betrachtet werden.<\/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\")
Ein Beispiel f\u00fcr die Kantenerkennung auf landwirtschaftlichen Grundst\u00fccken mit OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Sobald alle Pixel, die potenziell echte Kanten sein k\u00f6nnten, identifiziert sind, k\u00f6nnen wir damit beginnen, die Kanten zu gl\u00e4tten und versuchen, Polygone zu bilden. Wie erwartet, erweist sich die Leistung des Algorithmus zur Kantenerkennung als viel besser, wenn er auf gro\u00dfe Plots angewendet wird:<\/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
Illustration des gesamten Prozesses der Skizzierung von Plots\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div>Mit dieser Methode konnten wir fast 7 000 Parzellen in unserem Interessengebiet automatisch identifizieren. Da wir die Pixel-Klassifizierungsmethode (siehe Schritt 1A) verwendet haben, konnten wir echte landwirtschaftliche Grundst\u00fccke von anderen Polygonen trennen und so nur die relevanten data behalten.<\/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\")
Polygone, die aus einer Minderheit von \u201cFarm-Pixeln\u201d bestehen, wurden eliminiert (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Optimierung der Leistung des Algorithmus zur Kantenerkennung<\/h3><\/div>Um die bestm\u00f6glichen Ergebnisse zu erzielen, kann es sich als n\u00fctzlich erweisen, \u00c4nderungen an Ihrem Bild vorzunehmen, insbesondere indem Sie mit Kontrast, S\u00e4ttigung oder Sch\u00e4rfe spielen:<\/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
Das Experimentieren mit Kontrast, S\u00e4ttigung oder Sch\u00e4rfe kann helfen, die Effizienz der Kantenerkennung zu verbessern (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Ein weiterer kritischer Erfolgsfaktor ist das Erzwingen von konvexen Polygonen. Die meisten Plots folgen regelm\u00e4\u00dfigen Formen. Wenn Sie konvexe Polygone erzwingen, k\u00f6nnen Sie in der Regel viel bessere Ergebnisse erzielen.<\/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
Das Erzwingen konvexer Formen passt zu den meisten Plots viel besser (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Schritt 3 - Klassifizierung jeder Parzelle zur Erkennung bestimmter Kulturen<\/h2><\/div>Sobald alle Parzellen identifiziert sind, k\u00f6nnen Sie nun jede einzelne zuschneiden und als einzelne Bilddateien speichern. Der n\u00e4chste Schritt besteht darin, ein Klassifizierungsmodell zu trainieren, um jede Parzelle anhand ihrer Kultur zu unterscheiden. Mit anderen Worten: Versuchen Sie, Tomatenpflanzen von Getreide oder Kartoffeln zu unterscheiden.<\/p>\n<\/div>
Erstellen eines gelabelten Trainingssatzes<\/h3><\/div>Da wir kein bereits beschriftetes data-Set zur Verf\u00fcgung hatten und die manuelle Beschriftung von Hunderten von Bildern zu zeitaufw\u00e4ndig gewesen w\u00e4re, haben wir nach erg\u00e4nzenden data-Sets gesucht, die die Informationen \u00fcber die Kulturen f\u00fcr bestimmte Parzellen zu einem bestimmten Zeitpunkt und an einem bestimmten Ort enthalten.<\/p>\n<\/div>
Das ideale Szenario w\u00e4re es, \u00fcber vorbeschriftete Bilder zu verf\u00fcgen, aber in unserem Fall hatten wir nur die Geokoordinaten und Kulturen von ein paar hundert landwirtschaftlichen Parzellen in unserem Interessengebiet. Dieses dataset enthielt eine Liste der Parzellen, den Breiten- und L\u00e4ngengrad ihres Zentrums und die zu einem bestimmten Zeitpunkt des Jahres darauf angebaute Pflanze.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-external-crop-data-source.png\")
<\/p>\n
Abbildung der externen Erntequelle data<\/p>\n<\/div>
Um unser Trainingsset zu erstellen, haben wir unseren Konverter f\u00fcr die Umwandlung von Geokoordinaten in Pixelkoordinaten verwendet (gemeinsam genutzt in Teil 1<\/a>), um die spezifischen Parzellen zu identifizieren, f\u00fcr die wir ein Etikett (den Ausschnitt) in unserer Bilddatenbank hatten.<\/p>\nVon den 7 000 in Schritt 2 identifizierten Parzellen konnten wir dank unserer externen data-Quelle etwa 500 Parzellen beschriften. Diese 500 beschrifteten Grundst\u00fccke dienten zum Trainieren und Bewerten des Klassifizierungsmodells.<\/p>\n<\/div>
Modellierung<\/h3><\/div>Wir haben uns f\u00fcr ein neuronales Faltungsnetzwerk entschieden, das die Fastai-Bibliothek<\/a>, da dies eine effiziente Methode zur Klassifizierung unserer Bilder war.<\/p>\n<\/div>Um den bestm\u00f6glichen Klassifikator zu finden, haben wir mit der Eingabe data experimentiert:<\/p>\n<\/div>
- <\/i><\/span>\n
Ausw\u00e4hlen verschiedener Kombinationen von Farbb\u00e4ndern (Rot, Gr\u00fcn, Blau, Nahinfrarot ...)<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Benachbarte Pixel auf unterschiedliche Weise behandeln: transparent, wei\u00df, schwarz ... oder unangetastet lassen<\/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
Dutzende von Modellen wurden auf data-Sets trainiert, die mit verschiedenen data-Pr\u00e4parationstechniken erzeugt wurden<\/p>\n<\/div>
Nach dem Experimentieren mit verschiedenen Klassifizierungsmodellen erreichten wir eine Genauigkeit von 78% und eine Wiedererkennung von 74% bei der bin\u00e4ren Klassifizierung der kleinsten (und damit aufgrund der geringen Anzahl von Pixeln am schwierigsten zu klassifizierenden) Parzellen.<\/p>\n<\/div>
Zu beachtende Herausforderungen<\/h2><\/div>Bei der Arbeit mit landwirtschaftlichen Parzellen k\u00f6nnen schon ein paar Wochen einen erheblichen Unterschied ausmachen. Innerhalb weniger Wochen kann die Weizenernte von gr\u00fcn zu gold bis zur Ernte \u00fcbergehen:<\/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\")
Bei der Arbeit mit landwirtschaftlichen Parzellen k\u00f6nnen schon wenige Wochen einen gro\u00dfen Unterschied ausmachen (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Es gibt also zwei Dinge, die Sie beachten sollten, wenn Sie dieses Projekt das ganze Jahr \u00fcber wiederholen wollen:<\/p>\n<\/div>
- <\/i><\/span>\n
Sie m\u00fcssen f\u00fcr jede Periode des Jahres ein Modell erstellen<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Ihr Etikett data, das Informationen \u00fcber die Pflanzen enth\u00e4lt, muss regelm\u00e4\u00dfig erneuert werden.<\/p>\n<\/div><\/li><\/ul>
Fazit<\/h2><\/div>Die Arbeit mit Satellitenbildern er\u00f6ffnet eine endlose Reihe von M\u00f6glichkeiten. Wenn man bedenkt, dass jeder Satellit unterschiedliche Funktionen bietet und dass die Verf\u00fcgbarkeit und das Format von erg\u00e4nzenden data je nach Studiengebiet weltweit variieren kann, wird jedes einzelne Projekt zu einem einzigartigen Anwendungsfall.<\/p>\n<\/div>
Wir hoffen, dass der Austausch \u00fcber unsere Sichtweise und Methoden Sie bei Ihren eigenen Projekten inspirieren wird! Wenn Sie Lust haben, an Ihrem eigenen Satellitenbildprojekt zu arbeiten, lesen Sie unbedingt \u201cNutzung von Satellitenbildern f\u00fcr Computer-Vision-Anwendungen mit maschinellem Lernen<\/em><\/a>\u201d von Antoine Aubay.<\/p>\n<\/div>
Dieser Artikel ist Teil einer 2-Artikel-Serie \u00fcber die Verarbeitung von Satellitenbildern in der Landwirtschaft. Wenn Sie sich f\u00fcr die Erfassung und Verarbeitung von Satellitenbildern interessieren, lesen Sie bitte diesen erster Artikel<\/a> von Antoine Aubay.<\/p>\n<\/div> Teil 2 konzentriert sich darauf, wie wir diese verarbeiteten Satellitenbilder in einem landwirtschaftlichen Kontext genutzt haben, um:<\/p>\n<\/div> Lokalisieren Sie landwirtschaftliche Fl\u00e4chen auf gro\u00dfen Satellitenbildern<\/p>\n<\/div><\/li> Erkennen und umrei\u00dfen Sie die Grenzen der einzelnen Grundst\u00fccke innerhalb dieser Bereiche.<\/p>\n<\/div><\/li> Klassifizieren Sie die Kulturen auf diesen Parzellen (Weizen, Tomaten, Mais ...)<\/p>\n<\/div><\/li><\/ul> Illustration des Zielprozesses<\/p>\n<\/div> Teil 2 konzentriert sich darauf, wie wir diese verarbeiteten Satellitenbilder in einem landwirtschaftlichen Kontext genutzt haben, um:<\/p>\n<\/div><\/div><\/div><\/div><\/article> TL;DR:<\/strong> Dieser Artikel setzt grundlegende Kenntnisse in data Wissenschaft und Computer Vision voraus.<\/p>\n<\/div><\/div><\/div><\/div><\/div> Eine L\u00f6sung, die in der Lage ist, Kulturen automatisch zu erkennen und zu kennzeichnen, kann eine breite Palette von Gesch\u00e4ftsanwendungen haben. Die Berechnung der Anzahl der Parzellen, ihrer durchschnittlichen Gr\u00f6\u00dfe, der Dichte der Vegetation, der Gesamtfl\u00e4che bestimmter Kulturen und vieler weiterer Indikatoren k\u00f6nnte verschiedenen Zwecken dienen. \u00d6ffentliche Organisationen k\u00f6nnten diese Kennzahlen beispielsweise f\u00fcr nationale Statistiken verwenden, w\u00e4hrend private Landwirtschaftsunternehmen sie nutzen k\u00f6nnten, um ihren potenziellen Markt sehr detailliert abzusch\u00e4tzen.<\/p>\n<\/div> Nat\u00fcrlich wurden Satellitenbilder in Betracht gezogen und als eine sehr brauchbare data-Quelle aus 3 spezifischen Gr\u00fcnden identifiziert:<\/p>\n<\/div> Skalierbarkeit<\/strong>: Eine Datenbank mit Bildern aus der ganzen Welt ist sofort verf\u00fcgbar und wird regelm\u00e4\u00dfig aktualisiert.<\/p>\n<\/div><\/li> Data Reichtum<\/strong>: Satellitenbilder k\u00f6nnen viel mehr Informationen liefern als einfache Bilder. Anstelle eines 3-Band-Bildes mit roten, gr\u00fcnen und blauen Pixeln k\u00f6nnen einige Satelliten mehr als 15 Merkmale pro Pixel liefern<\/p>\n<\/div><\/li> Kosten<\/strong>: Obwohl Satellitenbilder recht kostspielig sein k\u00f6nnen, sind einige Optionen v\u00f6llig kostenlos, wie z.B. Sentinel 2, das wir schlie\u00dflich als Hauptquelle f\u00fcr data ausgew\u00e4hlt haben (einen detaillierten Vergleich der data-Quellen finden Sie in Teil 1<\/a>)<\/p>\n<\/div><\/li><\/ul> Sentinel-2 Rohbild: 10 000 x 10 000 Pixel, jedes Pixel 10 x 10 Meter auf dem Boden (Copernicus Sentinel data 2019)<\/p>\n<\/div> Nach dem Abrufen und der Vorverarbeitung der Sentinel 2-Bilder bestand unsere erste Herausforderung darin, die Grundst\u00fccke zu lokalisieren und uns auf bestimmte Bereiche von Interesse zu beschr\u00e4nken. Da jedes Bild eine sehr hohe Aufl\u00f6sung hat, w\u00e4re es nicht realistisch, die gesamte Verarbeitung auf Bilder in voller Gr\u00f6\u00dfe anzuwenden. Stattdessen bestand der erste Schritt zur L\u00f6sung unseres Problems darin, gro\u00dfe Bilder in kleinere Fragmente zu zerschneiden und die Bereiche zu identifizieren, in denen sich die Grundst\u00fccke auf diesen kleineren Bildern befanden:<\/p>\n<\/div> Unsere gew\u00fcnschte Ausgabe: Fragmente, die nur landwirtschaftliche Fl\u00e4chen enthalten (Copernicus Sentinel data 2019)<\/p>\n<\/div> Die erste L\u00f6sung f\u00fcr die Erkennung von landwirtschaftlichen Gebieten auf gro\u00dfen Bildern besteht darin, einen Pixelklassifikator zu erstellen. F\u00fcr jedes Pixel w\u00fcrde dieses maschinelle Lernmodell vorhersagen, ob dieses Pixel zu einem Wald, einer Stadt, einem Gew\u00e4sser, einem Bauernhof ... und damit zu einer landwirtschaftlichen Zone geh\u00f6rt oder nicht.<\/p>\n<\/div> Denn eine Menge Ressourcen<\/a> f\u00fcr Sentinel-2 gefunden werden kann, konnten wir beschriftete Bilder mit \u00fcber 10 verschiedenen Klassen der Grundwahrheit (Wald, Wasser, Tundra, ...) finden. Wenn sich jedoch das Klima in Ihrem Untersuchungsgebiet von dem Gebiet unterscheidet, auf dem Sie Ihr Modell trainiert haben, m\u00fcssen Sie die den einzelnen Pixeln zugewiesenen Klassen m\u00f6glicherweise neu bewerten.<\/p>\n<\/div> Nachdem wir beispielsweise ein Modell f\u00fcr L\u00e4nder mit gem\u00e4\u00dfigtem Klima trainiert und auf trockenere Regionen der Welt angewendet hatten, stellten wir fest, dass das, was das Modell als W\u00e4lder und Tundren ansah, in Wirklichkeit landwirtschaftliche Nutzpflanzen waren.<\/p>\n<\/div> Sobald Ihre Pixel klassifiziert sind, k\u00f6nnen Sie alle Bilder, die keine landwirtschaftlichen Fl\u00e4chen enthalten, l\u00f6schen.<\/p>\n<\/div> Zuverl\u00e4ssige und granulare Ergebnisse (Pixel)<\/p>\n<\/div><\/li><\/ul> Ein data-Set von markierten Pixeln ist erforderlich<\/p>\n<\/div><\/li> Die Klassifizierung jedes Pixels verursacht hohe Rechenkosten<\/p>\n<\/div><\/li><\/ul> Von allen verf\u00fcgbaren Methoden zur Erkennung von Landwirtschaftszonen war diese die genaueste. Wenn Sie jedoch keinen Zugang zu beschrifteten Bildern haben, haben wir zwei alternative L\u00f6sungen gefunden.<\/p>\n<\/div> Wenn die Koordinaten Ihres Interessengebiets beschriftet wurden oder wenn Sie die Koordinaten selbst beschriften, k\u00f6nnen Sie diese Geokoordinaten (Breiten- und L\u00e4ngengrad) Ihren Bildern zuordnen.<\/p>\n<\/div> Sie k\u00f6nnen Ihre eigenen Polygone auf GoogleMaps entwerfen und sich so auf ein bestimmtes Gebiet Ihrer Wahl konzentrieren, w\u00e4hrend Sie Hindernisse (Wasser, St\u00e4dte ...) umgehen.<\/p>\n<\/div> Wenn Sie beispielsweise \u00fcber die Koordinaten gro\u00dfer landwirtschaftlicher Gebiete verf\u00fcgen oder selbst gro\u00dfe Polygone in Google Maps einzeichnen, k\u00f6nnen Sie ganz einfach Geokoordinaten von landwirtschaftlichen Gebieten erhalten. Dann m\u00fcssen Sie diese Koordinaten nur noch Ihren Satellitenbildern zuordnen und Ihre Bilder so filtern, dass sie nur die Zonen innerhalb Ihrer Polygone abdecken.<\/p>\n<\/div> Auch eine zuverl\u00e4ssige Methode<\/p>\n<\/div><\/li><\/ul> Sie ben\u00f6tigen eine Liste von Koordinaten, die mit landwirtschaftlichen Regionen verbunden sind<\/p>\n<\/div><\/li> Die manuelle Erstellung dieser Koordinaten kann zeitaufw\u00e4ndig sein<\/p>\n<\/div><\/li><\/ul> Es ist m\u00f6glich, einen Vegetationsindex aus den von den Satellitenbildern gelieferten Farbb\u00e4ndern zu berechnen. Ein Vegetationsindex ist eine Formel, die mehrere Farbb\u00e4nder kombiniert, die oft stark mit dem Vorhandensein oder der Dichte der Vegetation (oder anderen Indikatoren wie dem Vorhandensein von Wasser) korreliert sind.<\/p>\n<\/div> Mehrere Indizes<\/a> existieren, aber einer der am h\u00e4ufigsten in der Landwirtschaft verwendeten ist der NDVI (Normalized Difference Vegetation Index). Dieser Index wird verwendet, um die Dichte der Vegetation auf dem Boden abzusch\u00e4tzen, was dazu dienen kann, landwirtschaftliche Fl\u00e4chen \u00fcber ein gro\u00dfes Bild zu erkennen.<\/p>\n<\/div> Visuelle Darstellung des NDVI in einer landwirtschaftlichen Zone und in einer W\u00fcste (Copernicus Sentinel data 2019)<\/p>\n<\/div> Nachdem Sie die NDVI-Werte f\u00fcr jedes Pixel berechnet haben, k\u00f6nnen Sie einen Schwellenwert festlegen, um Pixel ohne Vegetation schnell zu eliminieren. Wir haben NDVI als Beispiel verwendet, aber das Experimentieren mit verschiedenen Indizes k\u00f6nnte zu besseren Ergebnissen f\u00fchren.<\/p>\n<\/div> Beachten Sie, dass die Berechnung eines Vegetationsindexes Ihnen n\u00fctzliche Informationen liefern kann, um Ihre Analyse zu bereichern, selbst wenn Sie bereits eine andere Methode zur Erkennung von landwirtschaftlichen Fl\u00e4chen implementiert haben.<\/p>\n<\/div> Absolut kein etikettiertes data erforderlich<\/p>\n<\/div><\/li><\/ul> Nicht sehr genau: Es k\u00f6nnte zum Beispiel schwierig sein, landwirtschaftliche Nutzpflanzen von W\u00e4ldern zu unterscheiden.<\/p>\n<\/div><\/li> Die Schwellenwerte m\u00fcssen je nach Klima und anderen Besonderheiten feinabgestimmt werden<\/p>\n<\/div><\/li><\/ul> Sobald Sie die Lage Ihrer Landwirtschaftszonen bestimmt haben, k\u00f6nnen Sie sich darauf konzentrieren, die einzelnen Parzellen auf diesen spezifischen Fl\u00e4chen abzustecken.<\/p>\n<\/div> Da keine markierten data vorliegen, haben wir uns f\u00fcr einen un\u00fcberwachten Ansatz entschieden, der auf OpenCV's Canny Kantenerkennung<\/a>. Die Kantenerkennung besteht darin, ein bestimmtes Pixel zu betrachten und es mit den umliegenden Pixeln zu vergleichen. Wenn der Kontrast zu den benachbarten Pixeln hoch ist, kann das Pixel als Kante betrachtet werden.<\/p>\n<\/div> Sobald alle Pixel, die potenziell echte Kanten sein k\u00f6nnten, identifiziert sind, k\u00f6nnen wir damit beginnen, die Kanten zu gl\u00e4tten und versuchen, Polygone zu bilden. Wie erwartet, erweist sich die Leistung des Algorithmus zur Kantenerkennung als viel besser, wenn er auf gro\u00dfe Plots angewendet wird:<\/p>\n<\/div> Illustration des gesamten Prozesses der Skizzierung von Plots\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div> Mit dieser Methode konnten wir fast 7 000 Parzellen in unserem Interessengebiet automatisch identifizieren. Da wir die Pixel-Klassifizierungsmethode (siehe Schritt 1A) verwendet haben, konnten wir echte landwirtschaftliche Grundst\u00fccke von anderen Polygonen trennen und so nur die relevanten data behalten.<\/p>\n<\/div> Um die bestm\u00f6glichen Ergebnisse zu erzielen, kann es sich als n\u00fctzlich erweisen, \u00c4nderungen an Ihrem Bild vorzunehmen, insbesondere indem Sie mit Kontrast, S\u00e4ttigung oder Sch\u00e4rfe spielen:<\/p>\n<\/div> Das Experimentieren mit Kontrast, S\u00e4ttigung oder Sch\u00e4rfe kann helfen, die Effizienz der Kantenerkennung zu verbessern (Copernicus Sentinel data 2019)<\/p>\n<\/div> Ein weiterer kritischer Erfolgsfaktor ist das Erzwingen von konvexen Polygonen. Die meisten Plots folgen regelm\u00e4\u00dfigen Formen. Wenn Sie konvexe Polygone erzwingen, k\u00f6nnen Sie in der Regel viel bessere Ergebnisse erzielen.<\/p>\n<\/div> Das Erzwingen konvexer Formen passt zu den meisten Plots viel besser (Copernicus Sentinel data 2019)<\/p>\n<\/div> Sobald alle Parzellen identifiziert sind, k\u00f6nnen Sie nun jede einzelne zuschneiden und als einzelne Bilddateien speichern. Der n\u00e4chste Schritt besteht darin, ein Klassifizierungsmodell zu trainieren, um jede Parzelle anhand ihrer Kultur zu unterscheiden. Mit anderen Worten: Versuchen Sie, Tomatenpflanzen von Getreide oder Kartoffeln zu unterscheiden.<\/p>\n<\/div> Da wir kein bereits beschriftetes data-Set zur Verf\u00fcgung hatten und die manuelle Beschriftung von Hunderten von Bildern zu zeitaufw\u00e4ndig gewesen w\u00e4re, haben wir nach erg\u00e4nzenden data-Sets gesucht, die die Informationen \u00fcber die Kulturen f\u00fcr bestimmte Parzellen zu einem bestimmten Zeitpunkt und an einem bestimmten Ort enthalten.<\/p>\n<\/div> Das ideale Szenario w\u00e4re es, \u00fcber vorbeschriftete Bilder zu verf\u00fcgen, aber in unserem Fall hatten wir nur die Geokoordinaten und Kulturen von ein paar hundert landwirtschaftlichen Parzellen in unserem Interessengebiet. Dieses dataset enthielt eine Liste der Parzellen, den Breiten- und L\u00e4ngengrad ihres Zentrums und die zu einem bestimmten Zeitpunkt des Jahres darauf angebaute Pflanze.<\/p>\n<\/div> Abbildung der externen Erntequelle data<\/p>\n<\/div> Um unser Trainingsset zu erstellen, haben wir unseren Konverter f\u00fcr die Umwandlung von Geokoordinaten in Pixelkoordinaten verwendet (gemeinsam genutzt in Teil 1<\/a>), um die spezifischen Parzellen zu identifizieren, f\u00fcr die wir ein Etikett (den Ausschnitt) in unserer Bilddatenbank hatten.<\/p>\n Von den 7 000 in Schritt 2 identifizierten Parzellen konnten wir dank unserer externen data-Quelle etwa 500 Parzellen beschriften. Diese 500 beschrifteten Grundst\u00fccke dienten zum Trainieren und Bewerten des Klassifizierungsmodells.<\/p>\n<\/div> Wir haben uns f\u00fcr ein neuronales Faltungsnetzwerk entschieden, das die Fastai-Bibliothek<\/a>, da dies eine effiziente Methode zur Klassifizierung unserer Bilder war.<\/p>\n<\/div> Um den bestm\u00f6glichen Klassifikator zu finden, haben wir mit der Eingabe data experimentiert:<\/p>\n<\/div> Ausw\u00e4hlen verschiedener Kombinationen von Farbb\u00e4ndern (Rot, Gr\u00fcn, Blau, Nahinfrarot ...)<\/p>\n<\/div><\/li> Benachbarte Pixel auf unterschiedliche Weise behandeln: transparent, wei\u00df, schwarz ... oder unangetastet lassen<\/p>\n<\/div><\/li><\/ul> Dutzende von Modellen wurden auf data-Sets trainiert, die mit verschiedenen data-Pr\u00e4parationstechniken erzeugt wurden<\/p>\n<\/div> Nach dem Experimentieren mit verschiedenen Klassifizierungsmodellen erreichten wir eine Genauigkeit von 78% und eine Wiedererkennung von 74% bei der bin\u00e4ren Klassifizierung der kleinsten (und damit aufgrund der geringen Anzahl von Pixeln am schwierigsten zu klassifizierenden) Parzellen.<\/p>\n<\/div> Bei der Arbeit mit landwirtschaftlichen Parzellen k\u00f6nnen schon ein paar Wochen einen erheblichen Unterschied ausmachen. Innerhalb weniger Wochen kann die Weizenernte von gr\u00fcn zu gold bis zur Ernte \u00fcbergehen:<\/p>\n<\/div> Es gibt also zwei Dinge, die Sie beachten sollten, wenn Sie dieses Projekt das ganze Jahr \u00fcber wiederholen wollen:<\/p>\n<\/div> Sie m\u00fcssen f\u00fcr jede Periode des Jahres ein Modell erstellen<\/p>\n<\/div><\/li> Ihr Etikett data, das Informationen \u00fcber die Pflanzen enth\u00e4lt, muss regelm\u00e4\u00dfig erneuert werden.<\/p>\n<\/div><\/li><\/ul> Die Arbeit mit Satellitenbildern er\u00f6ffnet eine endlose Reihe von M\u00f6glichkeiten. Wenn man bedenkt, dass jeder Satellit unterschiedliche Funktionen bietet und dass die Verf\u00fcgbarkeit und das Format von erg\u00e4nzenden data je nach Studiengebiet weltweit variieren kann, wird jedes einzelne Projekt zu einem einzigartigen Anwendungsfall.<\/p>\n<\/div> Wir hoffen, dass der Austausch \u00fcber unsere Sichtweise und Methoden Sie bei Ihren eigenen Projekten inspirieren wird! Wenn Sie Lust haben, an Ihrem eigenen Satellitenbildprojekt zu arbeiten, lesen Sie unbedingt \u201cNutzung von Satellitenbildern f\u00fcr Computer-Vision-Anwendungen mit maschinellem Lernen<\/em><\/a>\u201d von Antoine Aubay.<\/p>\n<\/div><\/p>\n
\nDieser Artikel wird:<\/p>\nGesch\u00e4ftliche Motivation<\/h2><\/div>
Schritt 1 - Erkennen von landwirtschaftlichen Fl\u00e4chen auf Satellitenbildern<\/h2><\/div>
<\/p>\n<\/p>\nL\u00f6sung 1A: Training eines Pixel-Klassifikators<\/h2><\/div>
Illustration der Pixelklassifizierung mit 3 sichtbaren Klassen von Pixeln (Copernicus Sentinel data 2019)<\/p>\n<\/div>L\u00f6sung 1A Profis:<\/h3><\/div>
L\u00f6sung 1A Nachteile:<\/h3><\/div>
L\u00f6sung 1B: Mapping von Geokoordinaten auf Pixelkoordinaten<\/h2><\/div>
<\/p>\nL\u00f6sung 1B Profis:<\/h3><\/div>
L\u00f6sung 1B Nachteile:<\/h3><\/div>
L\u00f6sung 1C: Verwendung eines Vegetationsindexes<\/h2><\/div>
<\/p>\nL\u00f6sung 1C Profis:<\/h3><\/div>
L\u00f6sung 1C Nachteile:<\/h3><\/div>
Schritt 2 - Erkennen und Abgrenzen von landwirtschaftlichen Parzellen<\/h2><\/div>
Aufbau eines un\u00fcberwachten Kantendetektors<\/h3><\/div>
Ein Beispiel f\u00fcr die Kantenerkennung auf landwirtschaftlichen Grundst\u00fccken mit OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div><\/p>\nPolygone, die aus einer Minderheit von \u201cFarm-Pixeln\u201d bestehen, wurden eliminiert (Copernicus Sentinel data 2019)<\/p>\n<\/div>Optimierung der Leistung des Algorithmus zur Kantenerkennung<\/h3><\/div>
<\/p>\n<\/p>\nSchritt 3 - Klassifizierung jeder Parzelle zur Erkennung bestimmter Kulturen<\/h2><\/div>
Erstellen eines gelabelten Trainingssatzes<\/h3><\/div>
<\/p>\nModellierung<\/h3><\/div>
<\/p>\nZu beachtende Herausforderungen<\/h2><\/div>
Bei der Arbeit mit landwirtschaftlichen Parzellen k\u00f6nnen schon wenige Wochen einen gro\u00dfen Unterschied ausmachen (Copernicus Sentinel data 2019)<\/p>\n<\/div>Fazit<\/h2><\/div>