Procesarea imaginilor satelitare cu ajutorul inteligenței artificiale oferă noi oportunități pentru analiza și monitorizarea mediului, în special în domeniul agricol. Acest demers se concentrează pe dezvoltarea unor metode automate pentru clasificarea solului și extragerea de informații relevante din date satelitare.
Crearea și extinderea seturilor de date
Un prim pas esențial îl reprezintă construirea și îmbunătățirea dataset-urilor utilizate pentru antrenarea modelelor AI.
Surse de date:
- imagini satelitare Sentinel-2
- platforme și tehnologii precum: Google Earth Engine, OpenLandMap, Meteostat API, procesare în Python (Pandas)
Tipuri de informații extrase:
- umiditate
- precipitații
- temperatură
- altitudine
- pantă
- expunerea solului (aspect)
Pe lângă acestea, sunt calculați și o serie de indici spectrali relevanți.
Indici spectrali utilizați
Pentru caracterizarea solului și a vegetației, sunt utilizați:
Indici de bază:
- NDVI (Normalized Difference Vegetation Index)
- BSI (Bare Soil Index)
- NDBI (Normalized Difference Built-up Index)
- EVI (Enhanced Vegetation Index)
- SAVI (Soil Adjusted Vegetation Index)
- NBR (Normalized Burn Ratio)
- SIPI (Structure Insensitive Pigment Index)
Indici extinși:
- proprietăți mineralogice ale solului
- caracteristici hidrice și organice
- compoziție chimică și minerală
- geometrie spectrală
Acești indicatori permit o descriere detaliată a caracteristicilor solului.
Preprocesarea datelor
Pentru a asigura calitatea dataset-urilor, sunt aplicate metode de completare și corectare a datelor:
- completarea dataset-urilor incomplete
- interpolarea valorilor lipsă din seriile temporale de imagini satelitare
- forward filling
- backward filling
Aceste tehnici contribuie la obținerea unor date consistente pentru antrenarea modelelor.
Modele de clasificare
Pentru clasificarea solului sunt utilizate mai multe metode de învățare automată:
- Random Forest
- Support Vector Machines (SVM)
- Gradient Boosting
Aceste modele sunt antrenate pe dataset-urile extinse și preprocesate, pentru a identifica tipuri de sol și caracteristici relevante.
Aplicații și perspective
Rezultatele obținute deschid direcții importante pentru dezvoltarea de aplicații inteligente în agricultură:
- clasificarea automată a solului
- monitorizarea stării terenurilor agricole
- suport pentru decizii în agricultură de precizie
În viitor, aceste metode pot fi integrate în sisteme complexe de analiză bazate pe imagini satelitare.
