Ταξινόμηση καλλιεργειών από το διάστημα

Ερευνητική ομάδα από τα Πανεπιστήμια Κόρδοβα (UCO) και Σεβίλλης ανέπτυξε μια καινοτόμο μέθοδο για την αυτόματη ταξινόμηση των συστημάτων καλλιέργειας του ελαιώνα —παραδοσιακού, εντατικού και υπερεντατικού— αξιοποιώντας δορυφορικές εικόνες και προηγμένες τεχνικές τεχνητής νοημοσύνης.

Η τεχνολογία αυτή απαντά στην αυξανόμενη ανάγκη των δημόσιων αρχών και του αγροτικού τομέα για επικαιροποιημένα και ακριβή δεδομένα σχετικά με τον ρυθμό μετασχηματισμού των ελαιώνων, κρίσιμης σημασίας για την αγροτική πολιτική, τα σχέδια ενίσχυσης και τις βιώσιμες στρατηγικές διαχείρισης.

Το σύστημα, που βασίζεται σε συνελικτικές νευρωνικές δικτυώσεις (CNN), επιτρέπει την αυτόματη ταξινόμηση μεγάλων εκτάσεων καλλιέργειας χωρίς ανάγκη για επιτόπιες μετρήσεις ή ορθοφωτοχάρτες υψηλής ανάλυσης.

Από τον παραδοσιακό στον υπερεντατικό ελαιώνα

Οι παραδοσιακοί ελαιώνες, με μεγάλα δέντρα και ευρείες αποστάσεις φύτευσης, αντικαθίστανται σταδιακά από εντατικά και υπερεντατικά μοντέλα που αυξάνουν την πυκνότητα και την παραγωγικότητα. Η αλλαγή αυτή, όμως, συνεπάγεται αυξημένη κατανάλωση πόρων όπως το νερό και φέρει αγρονομικές, περιβαλλοντικές και κοινωνικές επιπτώσεις που χρειάζονται παρακολούθηση.

Μέχρι σήμερα, οι αλλαγές αυτές καταγράφονταν μέσω εναέριων φωτογραφιών από το Εθνικό Σχέδιο Εναέριας Ορθοφωτογραφίας (PNOA), που ενημερώνεται κάθε τρία χρόνια — ένας ρυθμός που δεν επιτρέπει την έγκαιρη καταγραφή μεταβολών.

Δορυφορικές εικόνες Sentinel-2 και Deep Learning: Μια ανατρεπτική λύση

Για να ξεπεραστεί αυτός ο περιορισμός, η ομάδα χρησιμοποίησε τις εικόνες του δορυφόρου Sentinel-2 της Ευρωπαϊκής Διαστημικής Υπηρεσίας (ESA), που διατίθενται δωρεάν και ανανεώνονται κάθε πέντε ημέρες. Παρόλο που η χωρική τους ανάλυση είναι χαμηλότερη, οι ερευνήτριες εκπαίδευσαν τρία διαφορετικά μοντέλα συνελικτικών νευρωνικών δικτύων για την αναγνώριση προτύπων φύτευσης.

«Το πιο αποτελεσματικό μοντέλο —το αποκαλούμενο Προσέγγιση B— πέτυχε ακρίβεια 80%, ένα ιδιαίτερα εντυπωσιακό ποσοστό δεδομένης της δυσκολίας του προβλήματος και της ανάλυσης των εικόνων», σημειώνει η Κριστίνα Μαρτίνεθ, από το Τμήμα Ηλεκτρονικής και Πληροφορικής του Πανεπιστημίου Κόρδοβα.

Η πορεία κατηγοριοποίησης των δορυφορικών εικόνων

Από το κτηματολόγιο στο διάγνωση: πλήρης αυτοματοποίηση

Ένα από τα βασικά πλεονεκτήματα της μεθόδου είναι ο πλήρως αυτοματοποιημένος χαρακτήρας της. Με βάση τον κωδικό του αγροτεμαχίου, το σύστημα οριοθετεί αυτόματα τη φάρμα, κατεβάζει τις απαραίτητες εικόνες και εκτελεί την ανάλυση χωρίς ανθρώπινη παρέμβαση.

«Όλη η διαδικασία είναι αυτοματοποιημένη, γεγονός που επιτρέπει την ενσωμάτωσή της σε πλατφόρμες αγροτικής διαχείρισης ή συστήματα υποστήριξης λήψης αποφάσεων», εξηγεί η Ισαβέλ Καστιγέχο από το Τμήμα Γραφικής Μηχανικής και Γεωπληροφορικής του UCO.

Η τεχνολογία αυτή καταργεί την ανάγκη για επιτόπιες επιθεωρήσεις ή ερμηνείες ορθοφωτογραφιών, μειώνοντας σημαντικά το κόστος και τον χρόνο παρακολούθησης εκτεταμένων ελαιώνων.

Στόχος η παρακολούθηση υδατικού στρες

Η ερευνητική ομάδα εργάζεται ήδη πάνω σε νέες εφαρμογές της τεχνολογίας, όπως η ανίχνευση και πρόβλεψη του υδατικού στρες στους ελαιώνες, αξιοποιώντας την ίδια προσέγγιση με δορυφορικές εικόνες και Deep Learning. Η εξέλιξη αυτή στοχεύει σε μια πιο αποδοτική και ανθεκτική γεωργία ακριβείας, ιδιαιτέρως κρίσιμη εν μέσω κλιματικής αλλαγής και έλλειψης νερού.

Πηγή: oleorevista

Σχετικά άρθρα:

Σάββατο 8 Μαρτίου η παρουσίαση του InnoPP από ΕΛΓΟ Βελτιωμένη επίδοση στον δείκτη ATHEX ESG για ΔΕΗ Δέκα λόγοι για τους οποίους ξεχωρίζουν τα νέα τρακτέρ New Holland T5S – Profi Αγροτικές Ειδήσεις: Τσιάρας: Η διαχείριση των υδάτινων πόρων και η επάρκεια αρδευτικού νερού αποτελεί ένα μεγάλο στοίχημα για την κυβέρνησή μας