ZEMĚDĚLSTVÍ
ZEMĚDĚLSTVÍ
- analýza kvality půd, vláhy, podmínek - vítr, zima, eroze
- přehled plodin a jejich kvality - LAI (leaf area index - index listové plochy)
- průběh roku - sklizeň, hnojení, závlaha, osivo, … měření kvality úrody - LAI, NIR, NDVI,
Přesným dohledem, analýzou a efektivní péčí - přesným setím, hnojením, sklizní lze zajistit lepší výnosy při zachování dlouhodobé kvality půdy a udržitelného hospodaření. Můžeme včas identifikovat rizika (eroze, sucho, zamokření, …) a zajistit jejich nápravu (vhodné plodiny, závlaha, meliorace, …) včas - tedy s menšími následky a nižšími náklady.
Pro větší subjekty můžeme vytvořit přehled plodin a monitorovat správnou péči o ně (např. včasná sklizeň, detekce zdravotního stavu, …), případně detekovat nechtěné plodiny.
Česká Republika - přehled plodin
Sledování zemědělství ve Španělsku
Snímky měnící se zemědělské krajiny od února do října. Jde o bohatou zemědělskou oblast, kde se mimo jiné pěstuje rýže, melouny, pepř, okurky, rajčata a quinoa. V animaci jsou jasně vidět změny na polích různých plodin, podle toho jak která plodina roste, kdy je sklizena. Vyhodnocen je LAI (leaf area index - index listové plochy).
- porostní mapy - zavedení a aktualizace - můžeme vytvořit porostní mapy ze satelitních snímků = rychle a pravidelně je aktualizovat (1 x měsíc) - a udržovat tak aktuální přehled o těžbě, zásobách dřeva, …
- včasná detekce napadení kůrovcem
- přehled o těžbě dřeva, upozornění - pravidelným monitorováním oblastí můžeme snadno identifikovat těžbu (nelegální) a odhadnout množství vytěženého dřeva. To vše pravidelně, aktuálně, v krátkém čase (perioda cca 10 dní)
- zdravotní stav lesů - LAI, NIR, NDVI - Můžeme pravidelně reportovat zdravotní stav lesů s pomocí různých ukazatelů (NDVI, LAI, NDWI, ….) a včas odhalit hrozící kalamitu a zabránit jí s minimálními náklady.
Včasná detekce napadení kůrovcem
Kůrovcová kalamita zasáhla v roce 2018 celou Českou Republiku, zejména Moravu. Ztráty vlivem kůrovce jsou odhadovány na cca 70 tis. ha smrkových lesů. Jedná se o cca 2,6% plochy všech lesů v ČR. To je odhadem 15 - 20 mil. m3 dřeva. Odhadované finanční ztráty vlivem nižšího zpeněžení dřeva jsou 11 mld. Kč. V boji proti kůrovci je klíčová včasná detekce kůrovcem napadených stromů a jejich sanace. Vzhledem k rozloze lesů není možná plošná pravidelná kontrola experty na místě. S využitím satelitů, letadel, dronů lze pořídit pravidelné snímky velké oblasti. Klíčová je pak jejich analýza, ke které lze využít metod strojového učení, neuronových sítí a automatického zpracování a vyhodnocování. Díky snímací technice lze pořídit multispektrální snímky. Ve spojení s automatickým zpracování lze včas detekovat jevy, které jsou pro lidské oko neviditelné. Můžeme tak včas odhalit kůrovcem napadené stromy.
Postup:
Plně automatický systém, analyzuje dostupné družicové snímky cílové oblasti a včas odhalí stromy právě napadené kůrovcem. Takové stromy lokalizuje a reportuje klientovi ve formě přehledných map a souřadnic, tak aby mohl provést včasný zásah - odstranění, asanace.
Kůrovcem napadené stromy jsou dobře viditelné při použití multispektrální analýzy (IR, NIR, R, G, B). Dále díky metodám strojového učení (machine learning) a rozpoznávání pomocí neuronových sítí dokážeme “vidět” souvislosti, které jsou pro lidské oko neviditelné. Díky tomu dokážeme analyzovat velké oblasti v prakticky reálném čase. Automatický systém lze pečlivě vyladit podle požadavků klienta - false positive vs. false negative detekce.
- vytvoření instrukcí pro tým anotátorů, ti potom na základě instrukcí a trénovacích dat naučí automatický systém
- učení neuronové sítě, ladění parametrů, ověřování v terénu a detailní nastavení false positive / false negative detekce.
- červená fáze - strom je viditelně suchý a jehličí již není zelené. Vytvoříme si tak detailní mapu napadených stromů. Ty potom použijeme pro učení algoritmu pro detekci zelené fáze - strom je napadený kůrovcem, ale nejeví viditelné změny.
- odladěný algoritmus testujeme na různých dostupných datech, tak aby bylo možné jejich automatické zpracování včetně pořízení
- klient pak jen specifikuje periodu monitorování a oblast, kterou chce monitorovat.
- změny množství vody - vodní plochy (přehrady, rybníky, jezera, řeky, …)
- půdní sucho, srážky, … (CHMI)
- identifikace kriticky suchých oblastí (zemědělství, obytné domy, …)
