![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Paul-Devienne--300x300.jpeg\")
Un guide pas \u00e0 pas pour d\u00e9tecter, d\u00e9limiter et classer les parcelles agricoles sur les images satellite<\/h1><\/div>Cet article fait partie d'une s\u00e9rie de deux articles sur le traitement des images satellite appliqu\u00e9es \u00e0 l'agriculture. Si vous \u00eates int\u00e9ress\u00e9 par la collecte et le traitement des images satellite, veuillez vous r\u00e9f\u00e9rer \u00e0 cet article. premier article<\/a> d'Antoine Aubay.<\/p>\n<\/div>La deuxi\u00e8me partie se concentre sur la mani\u00e8re dont nous avons exploit\u00e9 ces images satellites trait\u00e9es dans un contexte agricole afin de.. :<\/p>\n<\/div>
- <\/i><\/span>\n
Localiser les zones agricoles sur de grandes images satellites<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
D\u00e9tecter et d\u00e9limiter les fronti\u00e8res de chaque parcelle \u00e0 l'int\u00e9rieur de ces zones<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Classez les cultures de ces parcelles (bl\u00e9, tomates, ma\u00efs...)<\/p>\n<\/div><\/li><\/ul>
![\"Illustration](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-target-process.png\")
<\/p>\n
Illustration du processus cible<\/p>\n<\/div>
La deuxi\u00e8me partie se concentre sur la mani\u00e8re dont nous avons exploit\u00e9 ces images satellites trait\u00e9es dans un contexte agricole afin de.. :<\/p>\n<\/div><\/div><\/div><\/div><\/article>
TL;DR :<\/strong>
\nCet article :<\/p>\n- Vous montrer diverses applications de l'apprentissage automatique et de la vision par ordinateur aux images satellites pour l'agriculture.\n
- Pr\u00e9senter une s\u00e9rie d'algorithmes permettant de d\u00e9tecter et d'\u00e9tiqueter avec succ\u00e8s les parcelles agricoles.\n
- Proposer des m\u00e9thodes alternatives en fonction de la disponibilit\u00e9 de data\n
Cet article suppose des connaissances de base en science data et en vision par ordinateur.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Motivation des entreprises<\/h2><\/div>Une solution capable de d\u00e9tecter et d'\u00e9tiqueter automatiquement les cultures peut avoir un large \u00e9ventail d'applications commerciales. Le calcul du nombre de parcelles, de leur taille moyenne, de la densit\u00e9 de la v\u00e9g\u00e9tation, de la surface totale de certaines cultures et de bien d'autres indicateurs pourrait servir \u00e0 diverses fins. Par exemple, les organismes publics pourraient utiliser ces mesures pour \u00e9tablir des statistiques nationales, tandis que les entreprises agricoles priv\u00e9es pourraient les utiliser pour estimer leur march\u00e9 potentiel avec un niveau de d\u00e9tail \u00e9lev\u00e9.<\/p>\n<\/div>
Naturellement, l'imagerie satellitaire a \u00e9t\u00e9 consid\u00e9r\u00e9e et identifi\u00e9e comme une source data tr\u00e8s viable pour trois raisons sp\u00e9cifiques :<\/p>\n<\/div>
- <\/i><\/span>\n
Scalabilit\u00e9<\/strong>: Une banque d'images couvrant le monde entier est disponible imm\u00e9diatement et mise \u00e0 jour r\u00e9guli\u00e8rement.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Data richesse<\/strong>: Les images satellites peuvent fournir beaucoup plus d'informations que de simples photos. Au lieu d'une image \u00e0 trois bandes de pixels rouges, verts et bleus, certains satellites peuvent fournir plus de 15 caract\u00e9ristiques par pixel.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Co\u00fbt<\/strong>: Bien que l'imagerie satellitaire puisse \u00eatre assez co\u00fbteuse, certaines options sont enti\u00e8rement gratuites, comme Sentinel 2, que nous avons finalement choisi comme source principale de data (une comparaison plus d\u00e9taill\u00e9e des sources de data est disponible \u00e0 l'adresse suivante Premi\u00e8re partie<\/a>)<\/p>\n<\/div><\/li><\/ul>\u00c9tape 1 - D\u00e9tection des zones agricoles sur les images satellite<\/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
Image brute de Sentinel-2 : 10 000 x 10 000 pixels, chaque pixel mesurant 10 x 10 m\u00e8tres au sol (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Apr\u00e8s avoir r\u00e9cup\u00e9r\u00e9 et pr\u00e9trait\u00e9 les images de Sentinel 2, notre premier d\u00e9fi a \u00e9t\u00e9 de localiser les parcelles et de nous limiter \u00e0 des zones d'int\u00e9r\u00eat sp\u00e9cifiques. Chaque image ayant une tr\u00e8s haute r\u00e9solution, il ne serait pas r\u00e9aliste d'appliquer l'ensemble du traitement \u00e0 des images de taille normale. Au lieu de cela, la premi\u00e8re \u00e9tape pour r\u00e9soudre notre probl\u00e8me a \u00e9t\u00e9 de d\u00e9couper les grandes images en fragments plus petits, et d'identifier les zones o\u00f9 se trouvaient les parcelles sur ces images plus petites :<\/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
Notre r\u00e9sultat souhait\u00e9 : des fragments contenant uniquement des zones agricoles (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Solution 1A : Formation d'un classificateur de pixels<\/h2><\/div>La premi\u00e8re solution pour d\u00e9tecter les zones agricoles sur des images de grande taille est de construire un classificateur de pixels. Pour chaque pixel, ce mod\u00e8le d'apprentissage automatique pr\u00e9dit si ce pixel appartient \u00e0 une for\u00eat, une ville, de l'eau, une ferme... et donc, \u00e0 une zone agricole ou non.<\/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 de la classification des pixels avec 3 classes de pixels visibles (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Parce que beaucoup de ressources<\/a> Pour Sentinel-2, nous avons pu trouver des images \u00e9tiquet\u00e9es avec plus de 10 classes diff\u00e9rentes de v\u00e9rit\u00e9 terrain (for\u00eat, eau, toundra, ...). Cependant, si le climat de votre zone d'\u00e9tude est diff\u00e9rent de celui de la zone sur laquelle vous avez entra\u00een\u00e9 votre mod\u00e8le, vous devrez peut-\u00eatre r\u00e9\u00e9valuer les classes attribu\u00e9es \u00e0 chaque pixel.<\/p>\n<\/div>Par exemple, apr\u00e8s avoir form\u00e9 un mod\u00e8le sur des pays \u00e0 climat temp\u00e9r\u00e9 et l'avoir appliqu\u00e9 \u00e0 des r\u00e9gions plus arides du monde, nous avons observ\u00e9 que ce que le mod\u00e8le consid\u00e9rait comme des for\u00eats et des toundras \u00e9taient en fait des cultures agricoles.<\/p>\n<\/div>
Une fois que vos pixels sont class\u00e9s, vous pouvez supprimer toutes les images qui ne contiennent pas de zones agricoles.<\/p>\n<\/div>
Solution 1A pros :<\/h3><\/div>- <\/i><\/span>\n
R\u00e9sultats les plus fiables et les plus granulaires (pixels)<\/p>\n<\/div><\/li><\/ul>
Solution 1A cons :<\/h3><\/div>- <\/i><\/span>\n
Un ensemble data de pixels \u00e9tiquet\u00e9s est n\u00e9cessaire<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
La classification de chaque pixel g\u00e9n\u00e8re un co\u00fbt de calcul \u00e9lev\u00e9<\/p>\n<\/div><\/li><\/ul>
Parmi toutes les m\u00e9thodes disponibles pour d\u00e9tecter les zones agricoles, celle-ci s'est av\u00e9r\u00e9e la plus pr\u00e9cise. Toutefois, si vous n'avez pas acc\u00e8s \u00e0 des images \u00e9tiquet\u00e9es, nous avons identifi\u00e9 deux solutions alternatives.<\/p>\n<\/div>
Solution 1B : Cartographie des coordonn\u00e9es g\u00e9ographiques en coordonn\u00e9es de pixels<\/h2><\/div>Si les coordonn\u00e9es de votre zone d'int\u00e9r\u00eat ont \u00e9t\u00e9 \u00e9tiquet\u00e9es, ou si vous les avez \u00e9tiquet\u00e9es vous-m\u00eame, il est possible de faire correspondre ces coordonn\u00e9es g\u00e9ographiques (latitude et longitude) \u00e0 vos images.<\/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
Vous pouvez dessiner vos propres polygones sur GoogleMaps, et ainsi vous concentrer sur une zone sp\u00e9cifique de votre choix tout en dessinant autour des obstacles (eau, villes...).<\/p>\n<\/div>
Par exemple, si vous disposez des coordonn\u00e9es associ\u00e9es \u00e0 de grandes zones agricoles, ou si vous dessinez vous-m\u00eame de grands polygones sur Google Maps, vous pouvez facilement obtenir les coordonn\u00e9es g\u00e9ographiques des zones agricoles. Il ne vous reste plus qu'\u00e0 faire correspondre ces coordonn\u00e9es \u00e0 vos images satellites et \u00e0 filtrer vos images pour ne couvrir que les zones situ\u00e9es \u00e0 l'int\u00e9rieur de vos polygones.<\/p>\n<\/div>
Solution 1B pros :<\/h3><\/div>- <\/i><\/span>\n
Une m\u00e9thode \u00e9galement fiable<\/p>\n<\/div><\/li><\/ul>
Solution 1B cons :<\/h3><\/div>- <\/i><\/span>\n
Vous avez besoin d'une liste de coordonn\u00e9es associ\u00e9es aux r\u00e9gions agricoles<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
La cr\u00e9ation manuelle de ces coordonn\u00e9es peut prendre beaucoup de temps<\/p>\n<\/div><\/li><\/ul>
Solution 1C : Utilisation d'un indice de v\u00e9g\u00e9tation<\/h2><\/div>Il est possible de calculer un indice de v\u00e9g\u00e9tation \u00e0 partir des bandes de couleur fournies par les images satellite. Un indice de v\u00e9g\u00e9tation est une formule combinant plusieurs bandes de couleur, souvent fortement corr\u00e9l\u00e9es avec la pr\u00e9sence ou la densit\u00e9 de la v\u00e9g\u00e9tation (ou d'autres indicateurs tels que la pr\u00e9sence d'eau).<\/p>\n<\/div>
Indices multiples<\/a> Il existe plusieurs indices de v\u00e9g\u00e9tation, mais l'un des plus couramment utilis\u00e9s dans un contexte agricole est le NDVI (Normalized Difference Vegetation Index, indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e). Cet indice est utilis\u00e9 pour estimer la densit\u00e9 de la v\u00e9g\u00e9tation au sol, ce qui pourrait permettre de d\u00e9tecter les zones agricoles sur une grande image.<\/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
Repr\u00e9sentation visuelle du NDVI sur une zone agricole et un d\u00e9sert (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Apr\u00e8s avoir calcul\u00e9 les valeurs NDVI pour chaque pixel, vous pouvez d\u00e9finir un seuil pour \u00e9liminer rapidement les pixels sans v\u00e9g\u00e9tation. Nous avons utilis\u00e9 le NDVI \u00e0 titre d'exemple, mais l'exp\u00e9rimentation de diff\u00e9rents indices peut permettre d'obtenir de meilleurs r\u00e9sultats.<\/p>\n<\/div>
Notez que le calcul d'un indice de v\u00e9g\u00e9tation peut vous fournir des informations utiles pour enrichir votre analyse, m\u00eame si vous avez d\u00e9j\u00e0 mis en place un autre moyen de d\u00e9tecter les zones agricoles.<\/p>\n<\/div>
Solution 1C pour :<\/h3><\/div>- <\/i><\/span>\n
Absolument aucune \u00e9tiquette data n'est n\u00e9cessaire<\/p>\n<\/div><\/li><\/ul>
Solution 1C cons :<\/h3><\/div>- <\/i><\/span>\n
Pas tr\u00e8s pr\u00e9cis : par exemple, il peut \u00eatre difficile de diff\u00e9rencier les cultures agricoles des for\u00eats.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Les seuils doivent \u00eatre ajust\u00e9s en fonction du climat et d'autres sp\u00e9cificit\u00e9s.<\/p>\n<\/div><\/li><\/ul>
\u00c9tape 2 - D\u00e9tection et d\u00e9limitation des parcelles agricoles<\/h2><\/div>Construction d'un d\u00e9tecteur d'ar\u00eates non supervis\u00e9<\/h3><\/div>Une fois que vous avez d\u00e9termin\u00e9 l'emplacement de vos zones agricoles, vous pouvez commencer \u00e0 vous concentrer sur la d\u00e9limitation des parcelles individuelles sur ces zones sp\u00e9cifiques.<\/p>\n<\/div>
En l'absence de data \u00e9tiquet\u00e9, nous avons d\u00e9cid\u00e9 d'opter pour une approche non supervis\u00e9e bas\u00e9e sur D\u00e9tection d'ar\u00eates Canny d'OpenCV<\/a>. La d\u00e9tection des contours consiste \u00e0 examiner un pixel sp\u00e9cifique et \u00e0 le comparer \u00e0 ceux qui l'entourent. Si le contraste avec les pixels voisins est \u00e9lev\u00e9, le pixel peut \u00eatre consid\u00e9r\u00e9 comme un bord.<\/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\")
Exemple de d\u00e9tection de bordures sur des parcelles agricoles \u00e0 l'aide d'OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Une fois que tous les pixels susceptibles d'\u00eatre de v\u00e9ritables ar\u00eates ont \u00e9t\u00e9 identifi\u00e9s, nous pouvons commencer \u00e0 lisser les ar\u00eates et essayer de former des polygones. Comme pr\u00e9vu, les performances de l'algorithme de d\u00e9tection des contours s'av\u00e8rent bien meilleures lorsqu'il est appliqu\u00e9 \u00e0 de grandes parcelles :<\/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 de l'ensemble du processus d'\u00e9laboration des trac\u00e9s\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div>Cette m\u00e9thode nous a permis d'identifier automatiquement pr\u00e8s de 7 000 parcelles dans notre zone d'int\u00e9r\u00eat. Gr\u00e2ce \u00e0 la m\u00e9thode de classification par pixel (voir \u00e9tape 1A), nous avons pu s\u00e9parer les v\u00e9ritables parcelles agricoles des autres polygones et ne conserver que les data pertinentes.<\/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\")
Les polygones constitu\u00e9s d'une minorit\u00e9 de \u201cpixels agricoles\u201d ont \u00e9t\u00e9 \u00e9limin\u00e9s (Copernicus Sentinel data 2019).<\/p>\n<\/div>
Optimisation des performances de l'algorithme de d\u00e9tection des contours<\/h3><\/div>Afin d'obtenir les meilleurs r\u00e9sultats possibles, il peut s'av\u00e9rer utile d'apporter des modifications \u00e0 votre image, notamment en jouant sur le contraste, la saturation ou la nettet\u00e9 :<\/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
En jouant sur le contraste, la saturation ou la nettet\u00e9, vous pouvez am\u00e9liorer l'efficacit\u00e9 de la d\u00e9tection des contours (Copernicus Sentinel data 2019).<\/p>\n<\/div>
Un autre facteur de r\u00e9ussite essentiel consiste \u00e0 forcer les polygones \u00e0 \u00eatre convexes. La plupart des trac\u00e9s suivant des formes r\u00e9guli\u00e8res, le fait de forcer des polygones convexes permet g\u00e9n\u00e9ralement d'obtenir de bien meilleurs r\u00e9sultats.<\/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
Forcer des formes convexes permet de mieux ajuster la plupart des trac\u00e9s (Copernicus Sentinel data 2019)<\/p>\n<\/div>
\u00c9tape 3 - Classification de chaque parcelle pour d\u00e9tecter des cultures sp\u00e9cifiques<\/h2><\/div>Une fois que toutes les parcelles ont \u00e9t\u00e9 identifi\u00e9es, vous pouvez maintenant les recadrer et les enregistrer en tant que fichiers images individuels. L'\u00e9tape suivante consiste \u00e0 entra\u00eener un mod\u00e8le 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 c\u00e9r\u00e9ales ou des pommes de terre.<\/p>\n<\/div>
Cr\u00e9ation d'un ensemble de formation \u00e9tiquet\u00e9<\/h3><\/div>Comme nous ne disposions pas d'un ensemble data d\u00e9j\u00e0 \u00e9tiquet\u00e9 et que l'\u00e9tiquetage manuel de centaines d'images prendrait trop de temps, nous avons recherch\u00e9 des ensembles data compl\u00e9mentaires contenant des informations sur les cultures pour des parcelles sp\u00e9cifiques \u00e0 un moment et \u00e0 un endroit donn\u00e9s.<\/p>\n<\/div>
L'id\u00e9al serait de disposer d'images pr\u00e9-\u00e9tiquet\u00e9es, mais dans notre cas, nous ne disposions que des coordonn\u00e9es g\u00e9ographiques et des cultures de quelques centaines de parcelles agricoles dans notre zone d'int\u00e9r\u00eat. Ce dataset contenait une liste de parcelles, la latitude et la longitude de leur centre, et la culture qui y \u00e9tait plant\u00e9e \u00e0 un moment pr\u00e9cis de l'ann\u00e9e.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-external-crop-data-source.png\")
<\/p>\n
Illustration de la source de culture externe data<\/p>\n<\/div>
Afin de construire notre ensemble d'entra\u00eenement, nous avons utilis\u00e9 notre convertisseur de coordonn\u00e9es g\u00e9ographiques en coordonn\u00e9es de pixels (partag\u00e9 en Premi\u00e8re partie<\/a>) pour identifier les parcelles sp\u00e9cifiques pour lesquelles nous disposons d'une \u00e9tiquette (la culture) dans notre banque d'images.<\/p>\nSur les 7 000 placettes identifi\u00e9es \u00e0 l'\u00e9tape 2, nous avons r\u00e9ussi \u00e0 \u00e9tiqueter environ 500 placettes gr\u00e2ce \u00e0 notre source externe data. Ces 500 parcelles \u00e9tiquet\u00e9es ont servi \u00e0 l'entra\u00eenement et \u00e0 l'\u00e9valuation du mod\u00e8le de classification.<\/p>\n<\/div>
Mod\u00e9lisation<\/h3><\/div>Nous avons choisi d'utiliser un r\u00e9seau de neurones convolutifs \u00e0 l'aide de l'algorithme biblioth\u00e8que fastai<\/a>, car il s'agit d'un moyen efficace de classer nos images.<\/p>\n<\/div>Afin de trouver le meilleur classificateur possible, nous avons exp\u00e9riment\u00e9 avec l'entr\u00e9e data :<\/p>\n<\/div>
- <\/i><\/span>\n
S\u00e9lection de diverses combinaisons de bandes de couleurs (rouge, vert, bleu, proche infrarouge...)<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Traiter les pixels voisins de diff\u00e9rentes mani\u00e8res : les rendre transparents, blancs, noirs... ou les laisser intacts.<\/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
Des dizaines de mod\u00e8les ont \u00e9t\u00e9 entra\u00een\u00e9s sur des ensembles de data g\u00e9n\u00e9r\u00e9s \u00e0 l'aide de diverses techniques de pr\u00e9paration de data.<\/p>\n<\/div>
Apr\u00e8s avoir exp\u00e9riment\u00e9 diff\u00e9rents mod\u00e8les de classification, nous avons obtenu une pr\u00e9cision de 78% et un rappel de 74% en effectuant une classification binaire sur les parcelles les plus petites (et donc les plus difficiles \u00e0 classer en raison du faible nombre de pixels).<\/p>\n<\/div>
D\u00e9fis \u00e0 garder \u00e0 l'esprit<\/h2><\/div>Lorsque vous travaillez sur des parcelles agricoles, quelques semaines seulement peuvent faire une diff\u00e9rence consid\u00e9rable. En l'espace de quelques semaines, les cultures de bl\u00e9 peuvent passer du vert \u00e0 l'or et \u00e0 la r\u00e9colte :<\/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\")
Lorsque vous travaillez avec des parcelles agricoles, quelques semaines seulement peuvent faire une grande diff\u00e9rence (Copernicus Sentinel data 2019).<\/p>\n<\/div>
Il y a donc deux choses \u00e0 garder \u00e0 l'esprit pour reproduire ce projet tout au long de l'ann\u00e9e :<\/p>\n<\/div>
- <\/i><\/span>\n
Vous devez construire un mod\u00e8le pour chaque p\u00e9riode de l'ann\u00e9e<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Vos \u00e9tiquettes data contenant des informations sur les cultures doivent \u00eatre rafra\u00eechies r\u00e9guli\u00e8rement.<\/p>\n<\/div><\/li><\/ul>
Pour conclure<\/h2><\/div>Travailler avec des images satellites ouvre une gamme infinie de possibilit\u00e9s. Si l'on consid\u00e8re que chaque satellite offre des caract\u00e9ristiques diff\u00e9rentes et que la disponibilit\u00e9 et le format des data compl\u00e9mentaires peuvent varier dans le monde entier en fonction de votre zone d'\u00e9tude, chaque projet finira par constituer un cas d'utilisation unique.<\/p>\n<\/div>
Nous esp\u00e9rons que le partage de notre perspective et de nos m\u00e9thodologies vous inspirera dans vos propres projets ! Si vous \u00eates impatient de commencer \u00e0 travailler sur votre propre projet d'imagerie satellite, assurez-vous de lire \u201cExploitation de l'imagerie satellitaire pour des applications de vision artificielle par apprentissage automatique<\/em><\/a>\u201dd'Antoine Aubay.<\/p>\n<\/div>
Cet article fait partie d'une s\u00e9rie de deux articles sur le traitement des images satellite appliqu\u00e9es \u00e0 l'agriculture. Si vous \u00eates int\u00e9ress\u00e9 par la collecte et le traitement des images satellite, veuillez vous r\u00e9f\u00e9rer \u00e0 cet article. premier article<\/a> d'Antoine Aubay.<\/p>\n<\/div> La deuxi\u00e8me partie se concentre sur la mani\u00e8re dont nous avons exploit\u00e9 ces images satellites trait\u00e9es dans un contexte agricole afin de.. :<\/p>\n<\/div> Localiser les zones agricoles sur de grandes images satellites<\/p>\n<\/div><\/li> D\u00e9tecter et d\u00e9limiter les fronti\u00e8res de chaque parcelle \u00e0 l'int\u00e9rieur de ces zones<\/p>\n<\/div><\/li> Classez les cultures de ces parcelles (bl\u00e9, tomates, ma\u00efs...)<\/p>\n<\/div><\/li><\/ul> Illustration du processus cible<\/p>\n<\/div> La deuxi\u00e8me partie se concentre sur la mani\u00e8re dont nous avons exploit\u00e9 ces images satellites trait\u00e9es dans un contexte agricole afin de.. :<\/p>\n<\/div><\/div><\/div><\/div><\/article> TL;DR :<\/strong> Cet article suppose des connaissances de base en science data et en vision par ordinateur.<\/p>\n<\/div><\/div><\/div><\/div><\/div> Une solution capable de d\u00e9tecter et d'\u00e9tiqueter automatiquement les cultures peut avoir un large \u00e9ventail d'applications commerciales. Le calcul du nombre de parcelles, de leur taille moyenne, de la densit\u00e9 de la v\u00e9g\u00e9tation, de la surface totale de certaines cultures et de bien d'autres indicateurs pourrait servir \u00e0 diverses fins. Par exemple, les organismes publics pourraient utiliser ces mesures pour \u00e9tablir des statistiques nationales, tandis que les entreprises agricoles priv\u00e9es pourraient les utiliser pour estimer leur march\u00e9 potentiel avec un niveau de d\u00e9tail \u00e9lev\u00e9.<\/p>\n<\/div> Naturellement, l'imagerie satellitaire a \u00e9t\u00e9 consid\u00e9r\u00e9e et identifi\u00e9e comme une source data tr\u00e8s viable pour trois raisons sp\u00e9cifiques :<\/p>\n<\/div> Scalabilit\u00e9<\/strong>: Une banque d'images couvrant le monde entier est disponible imm\u00e9diatement et mise \u00e0 jour r\u00e9guli\u00e8rement.<\/p>\n<\/div><\/li> Data richesse<\/strong>: Les images satellites peuvent fournir beaucoup plus d'informations que de simples photos. Au lieu d'une image \u00e0 trois bandes de pixels rouges, verts et bleus, certains satellites peuvent fournir plus de 15 caract\u00e9ristiques par pixel.<\/p>\n<\/div><\/li> Co\u00fbt<\/strong>: Bien que l'imagerie satellitaire puisse \u00eatre assez co\u00fbteuse, certaines options sont enti\u00e8rement gratuites, comme Sentinel 2, que nous avons finalement choisi comme source principale de data (une comparaison plus d\u00e9taill\u00e9e des sources de data est disponible \u00e0 l'adresse suivante Premi\u00e8re partie<\/a>)<\/p>\n<\/div><\/li><\/ul> Image brute de Sentinel-2 : 10 000 x 10 000 pixels, chaque pixel mesurant 10 x 10 m\u00e8tres au sol (Copernicus Sentinel data 2019)<\/p>\n<\/div> Apr\u00e8s avoir r\u00e9cup\u00e9r\u00e9 et pr\u00e9trait\u00e9 les images de Sentinel 2, notre premier d\u00e9fi a \u00e9t\u00e9 de localiser les parcelles et de nous limiter \u00e0 des zones d'int\u00e9r\u00eat sp\u00e9cifiques. Chaque image ayant une tr\u00e8s haute r\u00e9solution, il ne serait pas r\u00e9aliste d'appliquer l'ensemble du traitement \u00e0 des images de taille normale. Au lieu de cela, la premi\u00e8re \u00e9tape pour r\u00e9soudre notre probl\u00e8me a \u00e9t\u00e9 de d\u00e9couper les grandes images en fragments plus petits, et d'identifier les zones o\u00f9 se trouvaient les parcelles sur ces images plus petites :<\/p>\n<\/div> Notre r\u00e9sultat souhait\u00e9 : des fragments contenant uniquement des zones agricoles (Copernicus Sentinel data 2019)<\/p>\n<\/div> La premi\u00e8re solution pour d\u00e9tecter les zones agricoles sur des images de grande taille est de construire un classificateur de pixels. Pour chaque pixel, ce mod\u00e8le d'apprentissage automatique pr\u00e9dit si ce pixel appartient \u00e0 une for\u00eat, une ville, de l'eau, une ferme... et donc, \u00e0 une zone agricole ou non.<\/p>\n<\/div> Parce que beaucoup de ressources<\/a> Pour Sentinel-2, nous avons pu trouver des images \u00e9tiquet\u00e9es avec plus de 10 classes diff\u00e9rentes de v\u00e9rit\u00e9 terrain (for\u00eat, eau, toundra, ...). Cependant, si le climat de votre zone d'\u00e9tude est diff\u00e9rent de celui de la zone sur laquelle vous avez entra\u00een\u00e9 votre mod\u00e8le, vous devrez peut-\u00eatre r\u00e9\u00e9valuer les classes attribu\u00e9es \u00e0 chaque pixel.<\/p>\n<\/div> Par exemple, apr\u00e8s avoir form\u00e9 un mod\u00e8le sur des pays \u00e0 climat temp\u00e9r\u00e9 et l'avoir appliqu\u00e9 \u00e0 des r\u00e9gions plus arides du monde, nous avons observ\u00e9 que ce que le mod\u00e8le consid\u00e9rait comme des for\u00eats et des toundras \u00e9taient en fait des cultures agricoles.<\/p>\n<\/div> Une fois que vos pixels sont class\u00e9s, vous pouvez supprimer toutes les images qui ne contiennent pas de zones agricoles.<\/p>\n<\/div> R\u00e9sultats les plus fiables et les plus granulaires (pixels)<\/p>\n<\/div><\/li><\/ul> Un ensemble data de pixels \u00e9tiquet\u00e9s est n\u00e9cessaire<\/p>\n<\/div><\/li> La classification de chaque pixel g\u00e9n\u00e8re un co\u00fbt de calcul \u00e9lev\u00e9<\/p>\n<\/div><\/li><\/ul> Parmi toutes les m\u00e9thodes disponibles pour d\u00e9tecter les zones agricoles, celle-ci s'est av\u00e9r\u00e9e la plus pr\u00e9cise. Toutefois, si vous n'avez pas acc\u00e8s \u00e0 des images \u00e9tiquet\u00e9es, nous avons identifi\u00e9 deux solutions alternatives.<\/p>\n<\/div> Si les coordonn\u00e9es de votre zone d'int\u00e9r\u00eat ont \u00e9t\u00e9 \u00e9tiquet\u00e9es, ou si vous les avez \u00e9tiquet\u00e9es vous-m\u00eame, il est possible de faire correspondre ces coordonn\u00e9es g\u00e9ographiques (latitude et longitude) \u00e0 vos images.<\/p>\n<\/div> Vous pouvez dessiner vos propres polygones sur GoogleMaps, et ainsi vous concentrer sur une zone sp\u00e9cifique de votre choix tout en dessinant autour des obstacles (eau, villes...).<\/p>\n<\/div> Par exemple, si vous disposez des coordonn\u00e9es associ\u00e9es \u00e0 de grandes zones agricoles, ou si vous dessinez vous-m\u00eame de grands polygones sur Google Maps, vous pouvez facilement obtenir les coordonn\u00e9es g\u00e9ographiques des zones agricoles. Il ne vous reste plus qu'\u00e0 faire correspondre ces coordonn\u00e9es \u00e0 vos images satellites et \u00e0 filtrer vos images pour ne couvrir que les zones situ\u00e9es \u00e0 l'int\u00e9rieur de vos polygones.<\/p>\n<\/div> Une m\u00e9thode \u00e9galement fiable<\/p>\n<\/div><\/li><\/ul> Vous avez besoin d'une liste de coordonn\u00e9es associ\u00e9es aux r\u00e9gions agricoles<\/p>\n<\/div><\/li> La cr\u00e9ation manuelle de ces coordonn\u00e9es peut prendre beaucoup de temps<\/p>\n<\/div><\/li><\/ul> Il est possible de calculer un indice de v\u00e9g\u00e9tation \u00e0 partir des bandes de couleur fournies par les images satellite. Un indice de v\u00e9g\u00e9tation est une formule combinant plusieurs bandes de couleur, souvent fortement corr\u00e9l\u00e9es avec la pr\u00e9sence ou la densit\u00e9 de la v\u00e9g\u00e9tation (ou d'autres indicateurs tels que la pr\u00e9sence d'eau).<\/p>\n<\/div> Indices multiples<\/a> Il existe plusieurs indices de v\u00e9g\u00e9tation, mais l'un des plus couramment utilis\u00e9s dans un contexte agricole est le NDVI (Normalized Difference Vegetation Index, indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e). Cet indice est utilis\u00e9 pour estimer la densit\u00e9 de la v\u00e9g\u00e9tation au sol, ce qui pourrait permettre de d\u00e9tecter les zones agricoles sur une grande image.<\/p>\n<\/div> Repr\u00e9sentation visuelle du NDVI sur une zone agricole et un d\u00e9sert (Copernicus Sentinel data 2019)<\/p>\n<\/div> Apr\u00e8s avoir calcul\u00e9 les valeurs NDVI pour chaque pixel, vous pouvez d\u00e9finir un seuil pour \u00e9liminer rapidement les pixels sans v\u00e9g\u00e9tation. Nous avons utilis\u00e9 le NDVI \u00e0 titre d'exemple, mais l'exp\u00e9rimentation de diff\u00e9rents indices peut permettre d'obtenir de meilleurs r\u00e9sultats.<\/p>\n<\/div> Notez que le calcul d'un indice de v\u00e9g\u00e9tation peut vous fournir des informations utiles pour enrichir votre analyse, m\u00eame si vous avez d\u00e9j\u00e0 mis en place un autre moyen de d\u00e9tecter les zones agricoles.<\/p>\n<\/div> Absolument aucune \u00e9tiquette data n'est n\u00e9cessaire<\/p>\n<\/div><\/li><\/ul> Pas tr\u00e8s pr\u00e9cis : par exemple, il peut \u00eatre difficile de diff\u00e9rencier les cultures agricoles des for\u00eats.<\/p>\n<\/div><\/li> Les seuils doivent \u00eatre ajust\u00e9s en fonction du climat et d'autres sp\u00e9cificit\u00e9s.<\/p>\n<\/div><\/li><\/ul> Une fois que vous avez d\u00e9termin\u00e9 l'emplacement de vos zones agricoles, vous pouvez commencer \u00e0 vous concentrer sur la d\u00e9limitation des parcelles individuelles sur ces zones sp\u00e9cifiques.<\/p>\n<\/div> En l'absence de data \u00e9tiquet\u00e9, nous avons d\u00e9cid\u00e9 d'opter pour une approche non supervis\u00e9e bas\u00e9e sur D\u00e9tection d'ar\u00eates Canny d'OpenCV<\/a>. La d\u00e9tection des contours consiste \u00e0 examiner un pixel sp\u00e9cifique et \u00e0 le comparer \u00e0 ceux qui l'entourent. Si le contraste avec les pixels voisins est \u00e9lev\u00e9, le pixel peut \u00eatre consid\u00e9r\u00e9 comme un bord.<\/p>\n<\/div> Une fois que tous les pixels susceptibles d'\u00eatre de v\u00e9ritables ar\u00eates ont \u00e9t\u00e9 identifi\u00e9s, nous pouvons commencer \u00e0 lisser les ar\u00eates et essayer de former des polygones. Comme pr\u00e9vu, les performances de l'algorithme de d\u00e9tection des contours s'av\u00e8rent bien meilleures lorsqu'il est appliqu\u00e9 \u00e0 de grandes parcelles :<\/p>\n<\/div> Illustration de l'ensemble du processus d'\u00e9laboration des trac\u00e9s\u00a0<\/em>(Copernicus Sentinel data 2019)<\/p>\n<\/div> Cette m\u00e9thode nous a permis d'identifier automatiquement pr\u00e8s de 7 000 parcelles dans notre zone d'int\u00e9r\u00eat. Gr\u00e2ce \u00e0 la m\u00e9thode de classification par pixel (voir \u00e9tape 1A), nous avons pu s\u00e9parer les v\u00e9ritables parcelles agricoles des autres polygones et ne conserver que les data pertinentes.<\/p>\n<\/div> Afin d'obtenir les meilleurs r\u00e9sultats possibles, il peut s'av\u00e9rer utile d'apporter des modifications \u00e0 votre image, notamment en jouant sur le contraste, la saturation ou la nettet\u00e9 :<\/p>\n<\/div> En jouant sur le contraste, la saturation ou la nettet\u00e9, vous pouvez am\u00e9liorer l'efficacit\u00e9 de la d\u00e9tection des contours (Copernicus Sentinel data 2019).<\/p>\n<\/div> Un autre facteur de r\u00e9ussite essentiel consiste \u00e0 forcer les polygones \u00e0 \u00eatre convexes. La plupart des trac\u00e9s suivant des formes r\u00e9guli\u00e8res, le fait de forcer des polygones convexes permet g\u00e9n\u00e9ralement d'obtenir de bien meilleurs r\u00e9sultats.<\/p>\n<\/div> Forcer des formes convexes permet de mieux ajuster la plupart des trac\u00e9s (Copernicus Sentinel data 2019)<\/p>\n<\/div> Une fois que toutes les parcelles ont \u00e9t\u00e9 identifi\u00e9es, vous pouvez maintenant les recadrer et les enregistrer en tant que fichiers images individuels. L'\u00e9tape suivante consiste \u00e0 entra\u00eener un mod\u00e8le 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 c\u00e9r\u00e9ales ou des pommes de terre.<\/p>\n<\/div> Comme nous ne disposions pas d'un ensemble data d\u00e9j\u00e0 \u00e9tiquet\u00e9 et que l'\u00e9tiquetage manuel de centaines d'images prendrait trop de temps, nous avons recherch\u00e9 des ensembles data compl\u00e9mentaires contenant des informations sur les cultures pour des parcelles sp\u00e9cifiques \u00e0 un moment et \u00e0 un endroit donn\u00e9s.<\/p>\n<\/div> L'id\u00e9al serait de disposer d'images pr\u00e9-\u00e9tiquet\u00e9es, mais dans notre cas, nous ne disposions que des coordonn\u00e9es g\u00e9ographiques et des cultures de quelques centaines de parcelles agricoles dans notre zone d'int\u00e9r\u00eat. Ce dataset contenait une liste de parcelles, la latitude et la longitude de leur centre, et la culture qui y \u00e9tait plant\u00e9e \u00e0 un moment pr\u00e9cis de l'ann\u00e9e.<\/p>\n<\/div> Illustration de la source de culture externe data<\/p>\n<\/div> Afin de construire notre ensemble d'entra\u00eenement, nous avons utilis\u00e9 notre convertisseur de coordonn\u00e9es g\u00e9ographiques en coordonn\u00e9es de pixels (partag\u00e9 en Premi\u00e8re partie<\/a>) pour identifier les parcelles sp\u00e9cifiques pour lesquelles nous disposons d'une \u00e9tiquette (la culture) dans notre banque d'images.<\/p>\n Sur les 7 000 placettes identifi\u00e9es \u00e0 l'\u00e9tape 2, nous avons r\u00e9ussi \u00e0 \u00e9tiqueter environ 500 placettes gr\u00e2ce \u00e0 notre source externe data. Ces 500 parcelles \u00e9tiquet\u00e9es ont servi \u00e0 l'entra\u00eenement et \u00e0 l'\u00e9valuation du mod\u00e8le de classification.<\/p>\n<\/div> Nous avons choisi d'utiliser un r\u00e9seau de neurones convolutifs \u00e0 l'aide de l'algorithme biblioth\u00e8que fastai<\/a>, car il s'agit d'un moyen efficace de classer nos images.<\/p>\n<\/div> Afin de trouver le meilleur classificateur possible, nous avons exp\u00e9riment\u00e9 avec l'entr\u00e9e data :<\/p>\n<\/div> S\u00e9lection de diverses combinaisons de bandes de couleurs (rouge, vert, bleu, proche infrarouge...)<\/p>\n<\/div><\/li> Traiter les pixels voisins de diff\u00e9rentes mani\u00e8res : les rendre transparents, blancs, noirs... ou les laisser intacts.<\/p>\n<\/div><\/li><\/ul> Des dizaines de mod\u00e8les ont \u00e9t\u00e9 entra\u00een\u00e9s sur des ensembles de data g\u00e9n\u00e9r\u00e9s \u00e0 l'aide de diverses techniques de pr\u00e9paration de data.<\/p>\n<\/div> Apr\u00e8s avoir exp\u00e9riment\u00e9 diff\u00e9rents mod\u00e8les de classification, nous avons obtenu une pr\u00e9cision de 78% et un rappel de 74% en effectuant une classification binaire sur les parcelles les plus petites (et donc les plus difficiles \u00e0 classer en raison du faible nombre de pixels).<\/p>\n<\/div> Lorsque vous travaillez sur des parcelles agricoles, quelques semaines seulement peuvent faire une diff\u00e9rence consid\u00e9rable. En l'espace de quelques semaines, les cultures de bl\u00e9 peuvent passer du vert \u00e0 l'or et \u00e0 la r\u00e9colte :<\/p>\n<\/div> Il y a donc deux choses \u00e0 garder \u00e0 l'esprit pour reproduire ce projet tout au long de l'ann\u00e9e :<\/p>\n<\/div> Vous devez construire un mod\u00e8le pour chaque p\u00e9riode de l'ann\u00e9e<\/p>\n<\/div><\/li> Vos \u00e9tiquettes data contenant des informations sur les cultures doivent \u00eatre rafra\u00eechies r\u00e9guli\u00e8rement.<\/p>\n<\/div><\/li><\/ul> Travailler avec des images satellites ouvre une gamme infinie de possibilit\u00e9s. Si l'on consid\u00e8re que chaque satellite offre des caract\u00e9ristiques diff\u00e9rentes et que la disponibilit\u00e9 et le format des data compl\u00e9mentaires peuvent varier dans le monde entier en fonction de votre zone d'\u00e9tude, chaque projet finira par constituer un cas d'utilisation unique.<\/p>\n<\/div> Nous esp\u00e9rons que le partage de notre perspective et de nos m\u00e9thodologies vous inspirera dans vos propres projets ! Si vous \u00eates impatient de commencer \u00e0 travailler sur votre propre projet d'imagerie satellite, assurez-vous de lire \u201cExploitation de l'imagerie satellitaire pour des applications de vision artificielle par apprentissage automatique<\/em><\/a>\u201dd'Antoine Aubay.<\/p>\n<\/div><\/p>\n
\nCet article :<\/p>\nMotivation des entreprises<\/h2><\/div>
\u00c9tape 1 - D\u00e9tection des zones agricoles sur les images satellite<\/h2><\/div>
<\/p>\n<\/p>\nSolution 1A : Formation d'un classificateur de pixels<\/h2><\/div>
Illustration de la classification des pixels avec 3 classes de pixels visibles (Copernicus Sentinel data 2019)<\/p>\n<\/div>Solution 1A pros :<\/h3><\/div>
Solution 1A cons :<\/h3><\/div>
Solution 1B : Cartographie des coordonn\u00e9es g\u00e9ographiques en coordonn\u00e9es de pixels<\/h2><\/div>
<\/p>\nSolution 1B pros :<\/h3><\/div>
Solution 1B cons :<\/h3><\/div>
Solution 1C : Utilisation d'un indice de v\u00e9g\u00e9tation<\/h2><\/div>
<\/p>\nSolution 1C pour :<\/h3><\/div>
Solution 1C cons :<\/h3><\/div>
\u00c9tape 2 - D\u00e9tection et d\u00e9limitation des parcelles agricoles<\/h2><\/div>
Construction d'un d\u00e9tecteur d'ar\u00eates non supervis\u00e9<\/h3><\/div>
Exemple de d\u00e9tection de bordures sur des parcelles agricoles \u00e0 l'aide d'OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div><\/p>\nLes polygones constitu\u00e9s d'une minorit\u00e9 de \u201cpixels agricoles\u201d ont \u00e9t\u00e9 \u00e9limin\u00e9s (Copernicus Sentinel data 2019).<\/p>\n<\/div>Optimisation des performances de l'algorithme de d\u00e9tection des contours<\/h3><\/div>
<\/p>\n<\/p>\n\u00c9tape 3 - Classification de chaque parcelle pour d\u00e9tecter des cultures sp\u00e9cifiques<\/h2><\/div>
Cr\u00e9ation d'un ensemble de formation \u00e9tiquet\u00e9<\/h3><\/div>
<\/p>\nMod\u00e9lisation<\/h3><\/div>
<\/p>\nD\u00e9fis \u00e0 garder \u00e0 l'esprit<\/h2><\/div>
Lorsque vous travaillez avec des parcelles agricoles, quelques semaines seulement peuvent faire une grande diff\u00e9rence (Copernicus Sentinel data 2019).<\/p>\n<\/div>Pour conclure<\/h2><\/div>