Η ερευνητική ομάδα χρησιμοποίησε εικόνες από τον Sentinel-2, έναν δορυφόρο παρατήρησης της Γης από τον Ευρωπαϊκό Οργανισμό Διαστήματος (ESA).
Μια κοινή ομάδα από τα Πανεπιστήμια της Κόρδοβα (UCO) και της Σεβίλλης ανέπτυξε μια καινοτόμο μέθοδο για τον προσδιορισμό του τύπου του ελαιώνα - παραδοσιακού, εντατικού ή υπερεντατικού - χρησιμοποιώντας δορυφορικές εικόνες και προηγμένες τεχνικές τεχνητής νοημοσύνης.
Η πρόταση ανταποκρίνεται σε μια αυξανόμενη ανάγκη των δημόσιων διοικήσεων και του γεωργικού τομέα: να διαθέτουν ενημερωμένα και ακριβή δεδομένα σχετικά με τον ρυθμό μετασχηματισμού των ελαιώνων, κάτι που είναι κλειδί για τον σχεδιασμό γεωργικών πολιτικών, σχεδίων βοήθειας και βιώσιμων στρατηγικών. Το σύστημα, που βασίζεται σε συνελικτικά νευρωνικά δίκτυα (CNN), επιτρέπει την αυτόματη ταξινόμηση μεγάλων καλλιεργούμενων εκτάσεων χωρίς την ανάγκη δειγματοληψίας πεδίου ή ορθοφωτογραφιών υψηλής ανάλυσης.
Από τους παραδοσιακούς στους υπερεντατικούς ελαιώνες: ένας μετασχηματισμός σε εξέλιξη
Οι παραδοσιακοί ελαιώνες, που χαρακτηρίζονται από μεγάλα δέντρα και ευρεία μοτίβα φύτευσης, δίνουν τη θέση τους σε εντατικά και υπερεντατικά μοντέλα που μεγιστοποιούν την πυκνότητα των δέντρων και, κατά συνέπεια, την παραγωγικότητα. Ωστόσο, αυτή η εξέλιξη συνεπάγεται επίσης μεγαλύτερη κατανάλωση πόρων όπως το νερό, και έχει αγρονομικές, περιβαλλοντικές και κοινωνικοπολιτισμικές συνέπειες που απαιτούν λεπτομερή παρακολούθηση.
Μέχρι σήμερα, αυτός ο τύπος ανάλυσης βασιζόταν σε αεροφωτογραφίες από το Εθνικό Σχέδιο Αεροφωτογραφίας (PNOA) , το οποίο ενημερώνεται κάθε τρία χρόνια. Αυτή η χαμηλή συχνότητα καθιστούσε αδύνατη την καταγραφή των αλλαγών με επαρκή αμεσότητα.
Δωρεάν δορυφορικές εικόνες και νευρωνικά δίκτυα: μια επαναστατική λύση
Για να ξεπεράσει αυτόν τον περιορισμό, η ερευνητική ομάδα στράφηκε σε εικόνες από τον Sentinel-2, έναν δορυφόρο παρατήρησης της Γης του Ευρωπαϊκού Οργανισμού Διαστήματος (ESA) που παρέχει ελεύθερα προσβάσιμα δεδομένα κάθε πέντε ημέρες. Αν και η χωρική του ανάλυση είναι χαμηλότερη, οι ερευνητές εκπαίδευσαν τρία διαφορετικά μοντέλα συνελικτικών νευρωνικών δικτύων για να ερμηνεύσουν μοτίβα φύτευσης από αυτές τις πληροφορίες.
«Διαπιστώσαμε ότι το πιο αποτελεσματικό μοντέλο —που ονομάζεται προσέγγιση Β— πέτυχε ακρίβεια 80%, η οποία είναι πολύ σημαντική δεδομένης της δυσκολίας του προβλήματος και της ανάλυσης των εικόνων», λέει η Cristina Martínez, του Τμήματος Ηλεκτρονικής και Μηχανικής Υπολογιστών στο Πανεπιστήμιο της Coahuila.
Πλήρης αυτοματοποίηση της διαδικασίας: από τα κτηματολογικά δεδομένα έως τη διάγνωση
Ένα από τα σημαντικότερα πλεονεκτήματα της μεθόδου είναι ο βαθμός αυτοματοποίησης. Χρησιμοποιώντας την κτηματολογική αναφορά ή τον κωδικό οικοπέδου, το σύστημα οριοθετεί αυτόματα την ιδιοκτησία, κατεβάζει τις απαραίτητες εικόνες και εκτελεί την ανάλυση χωρίς χειροκίνητη παρέμβαση. «Ολόκληρη η ροή εργασίας είναι αυτοματοποιημένη, γεγονός που διευκολύνει την ενσωμάτωσή της σε πλατφόρμες γεωργικής διαχείρισης ή συστήματα υποστήριξης λήψης αποφάσεων», τονίζει η Isabel Castillejo, από το Τμήμα Γραφιστικής Μηχανικής και Γεωπληροφορικής του Πανεπιστημίου της Κόρδοβα.
Αυτή η τεχνολογική πρόοδος εξαλείφει την ανάγκη για επιτόπιες επιθεωρήσεις ή τεχνικές φωτοερμηνείας, γεγονός που μειώνει το κόστος και τον χρόνο που αφιερώνεται στην παρακολούθηση μεγάλων εκτάσεων ελαιώνων.
Προς την παρακολούθηση της υδατικής καταπόνησης
Η ομάδα εργάζεται επί του παρόντος πάνω σε νέες εφαρμογές για αυτήν την τεχνολογία, συμπεριλαμβανομένης της ανίχνευσης και πρόβλεψης της υδατικής καταπόνησης σε ελαιώνες χρησιμοποιώντας την ίδια προσέγγιση : δορυφορικές εικόνες σε συνδυασμό με βαθιά μάθηση. Αυτή η ανάπτυξη στοχεύει σε μια πιο αποτελεσματική και ανθεκτική γεωργία ακριβείας, ιδιαίτερα σημαντική σε σενάρια κλιματικής αλλαγής και λειψυδρίας.
Oleo
