研究地点——圣保罗的 FAZENDA CAMPINA (SS1) 和马托格罗索州的 FAZENDA GRAVATAÍ (SS2) 的土地覆盖和利用的最终专题地图——显示了深度学习和时间序列分析的结果
作物-牲畜一体化(CLI)系统将轮作或联合种植作物,特别是大豆、玉米和高粱等粮食作物,以及用于饲养牛和猪的饲料植物,与牲畜(通常是肉牛)的饲养结合起来。农作物提供了大部分现金收入,而牲畜在旱季有食物可利用,并有利于种子管理。CLI 可以改善土壤肥力、提高产量并帮助恢复退化地区,同时减少农药的使用,减轻侵蚀风险和生产季节性,并降低运营成本。它使农业更加可持续:农作物使牲畜受益,反之亦然;农业活动对环境的影响下降;并减少碳足迹。
在《环境遥感》 杂志上 发表的一项研究中 ,巴西农业研究公司 (EMBRAPA) 和坎皮纳斯州立大学 (UNICAMP) 下属的研究人员开发了一种基于人工智能 (AI) 的方法,通过分析卫星图像来识别 CLI 区域。该文章的作者表示,这些知识可以通过多种方式使巴西农业受益。
该研究由 FAPESP 通过三个项目( 2021/15001-9、2018 / 24985-0 和 2017/50205-9)以及荷兰科学研究组织 (NWO) 资助。
“该项目是一项旨在解决可持续农业相关问题的国际合作,其主要目的是利用人工智能、精准农业和生物地球化学模型,促进遥感数据与卫星图像的整合,以了解和创建可持续农业动态模型。这种类型的系统,” 该文章的第一作者Inácio Thomaz Bueno说道。Bueno 是一名森林工程师,他利用高时空分辨率的遥感数据和卫星图像进行了 CLI 系统监测的博士后研究。
“我们还旨在增加对 CLI 的了解,因为仍有许多问题悬而未决,而且缺乏有效的方法来监测和开发其潜力,以及需要根据联合国可持续发展目标确定正在实施 CLI 的领域。发展目标[ SDG ]涉及农业、环境以及经济和社会发展,”他说。
该团队使用深度学习技术来处理卫星图像时间序列并提取指向 CLI 实践区域的模式。深度学习是一种人工智能,它使用多层神经网络来建模和处理数据中的复杂模式。
研究地点位于圣保罗州和马托格罗索州地区。基于对象的图像分析每隔 10 到 15 天分四个步骤进行:通过 Planetscope 获取 CLI 数据,Planetscope 是一组卫星,可捕获地球表面的高分辨率图像,显示各区域随时间的变化;训练算法来识别与 CLI 相关的模式;CLI 区域的映射;通过将自动结果与先前的知识进行比较来评估模型的准确性。
对于布埃诺来说,通过这种方法获得的有希望的结果,包括通过卫星图像监测和绘制 CLI 区域并分析其随时间的动态变化,可以对农业产生各种积极影响。“精确识别 CLI 区域可以实现更高效的资源管理,从而优化土地分配和使用。此外,活动多样化为农民提供了额外的收入来源,”他说。
从 CLI 绘图中获得的详细信息也为农民的决策提供了良好的基础,他们可以确信他们的作物牲畜管理和投资政策是以科学为基础的。
免责声明:本文由用户上传,如有侵权请联系删除!