Détection des nuages : Comment l'apprentissage automatique améliore les cartes de santé des parcelles

Vous est-il déjà arrivé d'ouvrir une image de santé de parcelle pour vous rendre compte que votre carte de dépistage est presque totalement rouge? Vous vous rendez immédiatement sur place pour visiter la parcelle, craignant le pire, et, surprise!, tout est parfaitement normal. Voilà un exemple typique d'obstruction nuageuse, une situation dans laquelle les nuages bloquent littéralement les images de santé de la parcelle.  

Dissiper les nuages

Voici ci-dessus un exemple d'obstruction nuageuse. L'image de gauche présente la situation réelle avec les nuages. L'image de droite est la carte FieldViewMC telle qu'obtenue sans la présente technologie de détection des nuages. La grande tache rouge correspond à l'ombre créée par les nuages ou aux nuages obstruant la vue du satellite qui prend la photo.

Lorsque les nuages obstruent la vue des satellites, la technologie qui analyse les images pour produire des cartes de dépistage et d'autres données interprète cela comme un problème de santé de la parcelle. Il en résulte des images trompeuses. En tant que spécialiste des données, la dernière chose que je souhaite est de fournir des données inexactes. Mes collègues et moi avons donc entrepris de résoudre ce problème en créant une technologie meilleure et plus sophistiquée.

Nous avons mis au point une technique d'apprentissage automatique pour détecter et identifier les obstructions nuageuses. D'abord, nous devons aider FieldViewMC à apprendre à quoi ressemblent les nuages. Notre outil d'imagerie de la santé des parcelles a été bâti pour analyser les images de cultures. En un sens, nous avons dû « enseigner » ou « entraîner » FieldView à identifier un nuage. Ce processus est couramment appelé « apprentissage automatique ». Mais comment enseigner à une technologie?

Pour les humains, une photo est un objet. Un ordinateur, par contre, traitera une image comme un ensemble de pixels. Quand FieldView reçoit une image de santé d'une parcelle, il balaie individuellement chaque pixel de la photo à la recherche de couleurs et de motifs spécifiques. Quand il rencontre un nuage blanc ou une ombre foncée, il signale un potentiel problème de santé de la culture, alors qu'en réalité, ils n'en est probablement rien.  

Notre solution a été de créer ce qu'on appelle un « classificateur » pour séparer automatiquement les parties de l'image qui montrent des signes d'obstruction nuageuse. Nous avons enseigné au classificateur à le faire en utilisant des centaines de milliers d'images de nuages de toutes formes, tailles et transparence. Ces images ont été analysées dans différents paysages et à différents moments de la saison de croissance, ce qui a permis au classificateur d'apprendre à identifier les nuages. Cette innovation permet à FieldView de fournir une bonne image de la santé d'une parcelle, même si une partie de l'image a été obstruée par les nuages.

Aidé du classificateur, FieldView crée des images de dépistage et de végétation qui ne montrent que les parties de la parcelle non obstruées par un nuage. Les données inexactes sont éliminées, ce qui vous permet d'obtenir la représentation la plus précise possible de l'état de santé de votre champ à partir de l'image disponible non compromise par la couverture nuageuse. Cependant, si la majorité de l'image du champ est masquée par la couverture nuageuse, FieldView ne fournit pas cette image.

Nous savons également qu'il est important pour vous de pouvoir comparer les images de dépistage et de végétation avec une image réelle et inchangée de la parcelle, et c'est pourquoi nous fournissons une image que nous appelons « couleurs réelles » qui donne une véritable vue de votre champ. Vous pouvez utiliser l'image en couleurs réelles pour confirmer la couverture nuageuse et identifier les nuages petits ou fins qui ont pu échapper à notre système de détection des nuages.

La comparaison entre une carte de dépistage et l'imagerie en couleurs réelles vous permet d'identifier avec précision les zones d'interférence par la couverture nuageuse.

Évolution continue

En tant qu'entreprise à la fine pointe de l'agriculture numérique, nous remettons constamment nos méthodes en question et cherchons de nouvelles façons de nous améliorer. Devenir meilleurs, prévoir avec plus de précision et apporter plus de valeur aux producteurs agricoles est toujours une priorité. Il existe d'innombrables variables à prendre en compte tant en technologie qu'en agriculture. Chaque fois que c'est possible, nous mettons tout en œuvre pour réduire l'incertitude et les risques pour les producteurs.

Comme c'est le cas pour la science et la technologie en général, la plateforme FieldView ne sera jamais vraiment « complète ». Dans notre filière de recherche et développement, nous travaillons à d'autres améliorations de notre imagerie de santé des parcelles par le biais de l'apprentissage approfondi et de l'intelligence artificielle, et nous réalisons des progrès dans les domaines de la sélection et positionnement des semences, de la détection des maladies, du diagnostic et plus encore. Il y aura toujours des possibilités d'amélioration, et les scientifiques, les ingénieurs et les concepteurs de FieldView testent, apprennent et perfectionnent constamment les outils numériques pour vous aider à tirer le maximum de chaque acre.

À propos de l'auteur

Xiaoyuan est responsable scientifique de la télédétection et gestionnaire de l'équipe scientifique de l'analyse des données de The Climate Corporation. Elle et son équipe se spécialisent dans la production de connaissances agronomiques avancées à l'échelle mondiale par télédétection, météorologie et autres ensembles de données géospatiales, par l'entremise de la fusion de modèles basés sur les données et de modèles physiques. Elle est passionnée par l'observation de la Terre, les mégadonnées et la création d'outils numériques pour les producteurs agricoles.