Auteur
Un guide pas à pas pour détecter, délimiter et classer les parcelles agricoles sur les images satellite
Cet article fait partie d'une série de deux articles sur le traitement des images satellite appliquées à l'agriculture. Si vous êtes intéressé par la collecte et le traitement des images satellite, veuillez vous référer à cet article. premier article d'Antoine Aubay.
La deuxième partie se concentre sur la manière dont nous avons exploité ces images satellites traitées dans un contexte agricole afin de.. :
Illustration du processus cible
La deuxième partie se concentre sur la manière dont nous avons exploité ces images satellites traitées dans un contexte agricole afin de.. :
TL;DR :
Cet article :
Cet article suppose des connaissances de base en science data et en vision par ordinateur.
Motivation des entreprises
Une solution capable de détecter et d'étiqueter automatiquement les cultures peut avoir un large éventail d'applications commerciales. Le calcul du nombre de parcelles, de leur taille moyenne, de la densité de la végétation, de la surface totale de certaines cultures et de bien d'autres indicateurs pourrait servir à diverses fins. Par exemple, les organismes publics pourraient utiliser ces mesures pour établir des statistiques nationales, tandis que les entreprises agricoles privées pourraient les utiliser pour estimer leur marché potentiel avec un niveau de détail élevé.
Naturellement, l'imagerie satellitaire a été considérée et identifiée comme une source data très viable pour trois raisons spécifiques :
Étape 1 - Détection des zones agricoles sur les images satellite
Image brute de Sentinel-2 : 10 000 x 10 000 pixels, chaque pixel mesurant 10 x 10 mètres au sol (Copernicus Sentinel data 2019)
Après avoir récupéré et prétraité les images de Sentinel 2, notre premier défi a été de localiser les parcelles et de nous limiter à des zones d'intérêt spécifiques. Chaque image ayant une très haute résolution, il ne serait pas réaliste d'appliquer l'ensemble du traitement à des images de taille normale. Au lieu de cela, la première étape pour résoudre notre problème a été de découper les grandes images en fragments plus petits, et d'identifier les zones où se trouvaient les parcelles sur ces images plus petites :
Notre résultat souhaité : des fragments contenant uniquement des zones agricoles (Copernicus Sentinel data 2019)
Solution 1A : Formation d'un classificateur de pixels
La première solution pour détecter les zones agricoles sur des images de grande taille est de construire un classificateur de pixels. Pour chaque pixel, ce modèle d'apprentissage automatique prédit si ce pixel appartient à une forêt, une ville, de l'eau, une ferme... et donc, à une zone agricole ou non.
Illustration de la classification des pixels avec 3 classes de pixels visibles (Copernicus Sentinel data 2019)
Parce que beaucoup de ressources Pour Sentinel-2, nous avons pu trouver des images étiquetées avec plus de 10 classes différentes de vérité terrain (forêt, eau, toundra, ...). Cependant, si le climat de votre zone d'étude est différent de celui de la zone sur laquelle vous avez entraîné votre modèle, vous devrez peut-être réévaluer les classes attribuées à chaque pixel.
Par exemple, après avoir formé un modèle sur des pays à climat tempéré et l'avoir appliqué à des régions plus arides du monde, nous avons observé que ce que le modèle considérait comme des forêts et des toundras étaient en fait des cultures agricoles.
Une fois que vos pixels sont classés, vous pouvez supprimer toutes les images qui ne contiennent pas de zones agricoles.
Solution 1A pros :
Solution 1A cons :
Parmi toutes les méthodes disponibles pour détecter les zones agricoles, celle-ci s'est avérée la plus précise. Toutefois, si vous n'avez pas accès à des images étiquetées, nous avons identifié deux solutions alternatives.
Solution 1B : Cartographie des coordonnées géographiques en coordonnées de pixels
Si les coordonnées de votre zone d'intérêt ont été étiquetées, ou si vous les avez étiquetées vous-même, il est possible de faire correspondre ces coordonnées géographiques (latitude et longitude) à vos images.
Vous pouvez dessiner vos propres polygones sur GoogleMaps, et ainsi vous concentrer sur une zone spécifique de votre choix tout en dessinant autour des obstacles (eau, villes...).
Par exemple, si vous disposez des coordonnées associées à de grandes zones agricoles, ou si vous dessinez vous-même de grands polygones sur Google Maps, vous pouvez facilement obtenir les coordonnées géographiques des zones agricoles. Il ne vous reste plus qu'à faire correspondre ces coordonnées à vos images satellites et à filtrer vos images pour ne couvrir que les zones situées à l'intérieur de vos polygones.
Solution 1B pros :
Solution 1B cons :
Solution 1C : Utilisation d'un indice de végétation
Il est possible de calculer un indice de végétation à partir des bandes de couleur fournies par les images satellite. Un indice de végétation est une formule combinant plusieurs bandes de couleur, souvent fortement corrélées avec la présence ou la densité de la végétation (ou d'autres indicateurs tels que la présence d'eau).
Indices multiples Il existe plusieurs indices de végétation, mais l'un des plus couramment utilisés dans un contexte agricole est le NDVI (Normalized Difference Vegetation Index, indice de végétation par différence normalisée). Cet indice est utilisé pour estimer la densité de la végétation au sol, ce qui pourrait permettre de détecter les zones agricoles sur une grande image.
Représentation visuelle du NDVI sur une zone agricole et un désert (Copernicus Sentinel data 2019)
Après avoir calculé les valeurs NDVI pour chaque pixel, vous pouvez définir un seuil pour éliminer rapidement les pixels sans végétation. Nous avons utilisé le NDVI à titre d'exemple, mais l'expérimentation de différents indices peut permettre d'obtenir de meilleurs résultats.
Notez que le calcul d'un indice de végétation peut vous fournir des informations utiles pour enrichir votre analyse, même si vous avez déjà mis en place un autre moyen de détecter les zones agricoles.
Solution 1C pour :
Solution 1C cons :
Étape 2 - Détection et délimitation des parcelles agricoles
Construction d'un détecteur d'arêtes non supervisé
Une fois que vous avez déterminé l'emplacement de vos zones agricoles, vous pouvez commencer à vous concentrer sur la délimitation des parcelles individuelles sur ces zones spécifiques.
En l'absence de data étiqueté, nous avons décidé d'opter pour une approche non supervisée basée sur Détection d'arêtes Canny d'OpenCV. La détection des contours consiste à examiner un pixel spécifique et à le comparer à ceux qui l'entourent. Si le contraste avec les pixels voisins est élevé, le pixel peut être considéré comme un bord.
Exemple de détection de bordures sur des parcelles agricoles à l'aide d'OpenCV (Copernicus Sentinel data 2019)
Une fois que tous les pixels susceptibles d'être de véritables arêtes ont été identifiés, nous pouvons commencer à lisser les arêtes et essayer de former des polygones. Comme prévu, les performances de l'algorithme de détection des contours s'avèrent bien meilleures lorsqu'il est appliqué à de grandes parcelles :
Illustration de l'ensemble du processus d'élaboration des tracés (Copernicus Sentinel data 2019)
Cette méthode nous a permis d'identifier automatiquement près de 7 000 parcelles dans notre zone d'intérêt. Grâce à la méthode de classification par pixel (voir étape 1A), nous avons pu séparer les véritables parcelles agricoles des autres polygones et ne conserver que les data pertinentes.
Les polygones constitués d'une minorité de “pixels agricoles” ont été éliminés (Copernicus Sentinel data 2019).
Optimisation des performances de l'algorithme de détection des contours
Afin d'obtenir les meilleurs résultats possibles, il peut s'avérer utile d'apporter des modifications à votre image, notamment en jouant sur le contraste, la saturation ou la netteté :
En jouant sur le contraste, la saturation ou la netteté, vous pouvez améliorer l'efficacité de la détection des contours (Copernicus Sentinel data 2019).
Un autre facteur de réussite essentiel consiste à forcer les polygones à être convexes. La plupart des tracés suivant des formes régulières, le fait de forcer des polygones convexes permet généralement d'obtenir de bien meilleurs résultats.
Forcer des formes convexes permet de mieux ajuster la plupart des tracés (Copernicus Sentinel data 2019)
Étape 3 - Classification de chaque parcelle pour détecter des cultures spécifiques
Une fois que toutes les parcelles ont été identifiées, vous pouvez maintenant les recadrer et les enregistrer en tant que fichiers images individuels. L'étape suivante consiste à entraîner un modèle de classification afin de distinguer chaque parcelle en fonction de sa culture. En d'autres termes, il s'agit d'essayer d'identifier les cultures de tomates des céréales ou des pommes de terre.
Création d'un ensemble de formation étiqueté
Comme nous ne disposions pas d'un ensemble data déjà étiqueté et que l'étiquetage manuel de centaines d'images prendrait trop de temps, nous avons recherché des ensembles data complémentaires contenant des informations sur les cultures pour des parcelles spécifiques à un moment et à un endroit donnés.
L'idéal serait de disposer d'images pré-étiquetées, mais dans notre cas, nous ne disposions que des coordonnées géographiques et des cultures de quelques centaines de parcelles agricoles dans notre zone d'intérêt. Ce dataset contenait une liste de parcelles, la latitude et la longitude de leur centre, et la culture qui y était plantée à un moment précis de l'année.
Illustration de la source de culture externe data
Afin de construire notre ensemble d'entraînement, nous avons utilisé notre convertisseur de coordonnées géographiques en coordonnées de pixels (partagé en Première partie) pour identifier les parcelles spécifiques pour lesquelles nous disposons d'une étiquette (la culture) dans notre banque d'images.
Sur les 7 000 placettes identifiées à l'étape 2, nous avons réussi à étiqueter environ 500 placettes grâce à notre source externe data. Ces 500 parcelles étiquetées ont servi à l'entraînement et à l'évaluation du modèle de classification.
Modélisation
Nous avons choisi d'utiliser un réseau de neurones convolutifs à l'aide de l'algorithme bibliothèque fastai, car il s'agit d'un moyen efficace de classer nos images.
Afin de trouver le meilleur classificateur possible, nous avons expérimenté avec l'entrée data :
Des dizaines de modèles ont été entraînés sur des ensembles de data générés à l'aide de diverses techniques de préparation de data.
Après avoir expérimenté différents modèles de classification, nous avons obtenu une précision de 78% et un rappel de 74% en effectuant une classification binaire sur les parcelles les plus petites (et donc les plus difficiles à classer en raison du faible nombre de pixels).
Défis à garder à l'esprit
Lorsque vous travaillez sur des parcelles agricoles, quelques semaines seulement peuvent faire une différence considérable. En l'espace de quelques semaines, les cultures de blé peuvent passer du vert à l'or et à la récolte :
Lorsque vous travaillez avec des parcelles agricoles, quelques semaines seulement peuvent faire une grande différence (Copernicus Sentinel data 2019).
Il y a donc deux choses à garder à l'esprit pour reproduire ce projet tout au long de l'année :
Conclusion
Travailler avec des images satellites ouvre une gamme infinie de possibilités. Si l'on considère que chaque satellite offre des caractéristiques différentes et que la disponibilité et le format des data complémentaires peuvent varier dans le monde entier en fonction de votre zone d'étude, chaque projet finira par constituer un cas d'utilisation unique.
Nous espérons que le partage de notre perspective et de nos méthodologies vous inspirera dans vos propres projets ! Si vous êtes impatient de commencer à travailler sur votre propre projet d'imagerie satellite, assurez-vous de lire “Exploitation de l'imagerie satellitaire pour des applications de vision artificielle par apprentissage automatique”d'Antoine Aubay.
Merci de votre lecture, n'hésitez pas à nous contacter. suivez le blog tech de Artefact si vous souhaitez être informé de la parution de notre prochain article !
