Penginderaan jauh saat ini merupakan komponen penting dari teknologi pertanian yang semakin banyak digunakan oleh agribisnis, pemerintah, dan organisasi non-pemerintah lainnya untuk memetakan dan memantau penggunaan lahan dalam skala besar. Data penginderaan jauh memungkinkan pelacakan dan optimalisasi kegiatan pertanian oleh berbagai pelaku di agroekosistem dan merupakan masukan penting untuk pertanian cerdas berbasis data. Ketika dikombinasikan dengan kebenaran dasar dan sumber informasi lainnya, data penginderaan jauh memberikan analisis komprehensif tentang kegiatan produksi tanaman.
Deteksi Tanaman Menggunakan Algoritma Pembelajaran Mesin CropIn
Setiap analisis mendalam tentang produksi tanaman menggunakan teknologi pertanian dimulai dengan deteksi tanaman menggunakan gambar penginderaan jauh yang berasal dari satelit pengamatan bumi. Satelit-satelit ini diposisikan beberapa ratus kilometer jauhnya dari permukaan dan dilengkapi dengan sensor multispektral untuk melakukan pencitraan Bumi untuk menangkap gambar tanah beresolusi tinggi di zona spektral inframerah-dekat (VNIR) dan inframerah gelombang pendek (SWIR) yang terlihat. Beberapa satelit pengamatan bumi memiliki hingga 13 saluran spektral yang membantu menganalisis fitur biofisik tanaman menggunakan indeks vegetasi, yang dihitung sebagai perbedaan antara dua atau lebih pita dalam cahaya tampak (VIS), inframerah dekat (NIR), dan panjang gelombang SWIR.
Dari setidaknya seratus indeks spektral yang berbeda, NDVI (Normalized Difference Vegetation Index) adalah indeks vegetasi yang paling disukai oleh para ilmuwan untuk menentukan kondisi, tahap pertumbuhan, biomassa, dan perkiraan hasil tanaman. Indeks tersebut mengukur keberadaan klorofil di permukaan tanah dan membantu menilai apakah wilayah yang diamati mengandung vegetasi hijau hidup dengan mengevaluasi warna atau panjang gelombang berbeda dari sinar matahari VIS dan NIR yang dipantulkan tanaman.
Saat memetakan penggunaan lahan, CropIn menggunakan deret waktu NDVI dari data citra satelit Sentinel-1 (RADAR) dan Sentinel-2 (optik) untuk membedakan lahan pertanian dan jenis tanaman dari bentuk tutupan lahan lainnya. Pengetahuan yang sudah ada sebelumnya tentang siklus fenologis dari tanaman yang berbeda memfasilitasi identifikasi mereka, yang kemudian divalidasi oleh kumpulan dataset tanaman yang ada di CropIn. Informasi sejarah plot, juga berasal dari citra satelit, memungkinkan kita untuk mendapatkan wawasan yang lebih mendalam tentang apa yang telah dibudidayakan oleh petani di masa lalu, dan kecerdasan ini selanjutnya memberikan validasi data saat kami menerapkan model deteksi tanaman untuk plot baru. dari tanah pertanian. CropIn telah mengembangkan sistem identifikasi tanaman real-time yang canggih menggunakan tas model pembelajaran mendalam. Sistem ini menggunakan arsitektur CNN dan LSTM 3D untuk membangun model individual. Saat membangun model, pendekatan berbasis piksel dan gambar dianggap membuat sistem yang lebih umum. Sementara data optik Sentinel 2 memberikan banyak informasi yang memungkinkan deteksi tanaman pada hari yang cerah dan cerah, jika citra satelit dikaburkan oleh keberadaan awan, terutama selama musim hujan (musim Kharif), sistem secara otomatis beralih ke model yang mengadopsi data RADAR (Sentinel-1).
Untuk meningkatkan akurasi model deteksi tanaman dan untuk memvalidasi hasilnya, kami melatihnya berulang kali dengan menerapkannya di wilayah kecil dan di area yang jauh lebih luas, seperti kode pin atau distrik. Untuk membuat kinerja seragam di lokasi geografis yang berbeda, teknik pembelajaran transfer digunakan untuk membangun model individu yang lebih spesifik wilayah. Untuk area yang lebih luas, pangkasan yang dideteksi oleh mesin pembelajaran mendalam diverifikasi silang dengan data pemerintah, jika tersedia, atau dengan data yang dikumpulkan menggunakan SmartFarm dari CropIn
®
untuk musim atau tanaman tertentu. Manfaat lain menggunakan model deteksi tanaman, bersama dengan deteksi batas lahan, adalah bahwa model ini juga membantu mengidentifikasi perbedaan antara penilaian petani atas luas lahan mereka dan hasil yang sesuai dan apa yang dideteksi oleh algoritme. Kebaruan sistem CropIn adalah dapat memprediksi tanaman kapan saja, dari penanaman hingga panen, dan tidak perlu menunggu informasi seri waktu penuh.
CropIn telah menerapkan sistem di seluruh negara bagian Maharashtra di India untuk memprediksi panen dengan data Sentinel-1 dan Sentinel-2 pada tahun 2018, 2019, dan 2020. Kinerja keseluruhan untuk model pembelajaran mendalam berdasarkan statistik pemerintah dan validasi lapangan antara 60% dan 80% tergantung pada wilayah, musim, dan tahun saat tanaman terdeteksi.
Gambar:CropIn menggunakan deret waktu NDVI dari data citra satelit Sentinel-1 (RADAR) dan Sentinel-2 (optik) untuk membedakan lahan pertanian dan jenis tanaman dari bentuk tutupan lahan lainnya.
Pertanian Presisi — Karunia Teknologi Pertanian
Sistem pertanian yang efisien yang dipandu oleh data ilmiah dan akurat dimungkinkan dengan beberapa kemajuan dalam teknologi pertanian. Kemampuan deteksi tanaman, didukung oleh penginderaan jauh, memfasilitasi produsen dan pendukung pertanian untuk mengoptimalkan produksi tanaman dengan campur tangan manusia yang minimal.
Perusahaan pertanian dan benih :Identifikasi tanaman berdasarkan petak pertanian yang diberi tag geografis dan batas lahan yang ditentukan memungkinkan produsen untuk memperkirakan hasil dengan lebih tepat dan waktu nyata. Ini juga membantu produsen untuk mengenali tanda-tanda kesehatan tanaman yang buruk yang disebabkan oleh penyakit atau hama dan meresponsnya dengan segera untuk meminimalkan kehilangan panen secara efektif.
Perusahaan input pertanian: Mendeteksi tanaman yang sedang dibudidayakan memungkinkan perusahaan input pertanian untuk menentukan wilayah atau pertanian yang akan mendapat manfaat terbaik dari input mereka. Organisasi yang memproduksi produk perlindungan tanaman dapat mengoptimalkan penjualan mereka khusus untuk tanaman target dan tahap pertumbuhannya, sementara perusahaan mesin pertanian dapat meningkatkan keterlibatan petani dengan menjangkau mereka pada kondisi budidaya yang tepat.
Instansi pemerintah: Eksperimen pemotongan tanaman sekarang menjadi hemat waktu dan biaya dengan penggunaan deteksi tanaman dan identifikasi tahap tanaman di tingkat regional. Wawasan waktu nyata meningkatkan visibilitas selama periode budidaya dan juga memungkinkan lembaga pemerintah mendapatkan perkiraan hasil panen yang cukup akurat untuk membantu pejabat merencanakan pasokan makanan dengan lebih baik dan mempercepat klaim asuransi.
Perusahaan asuransi: Pemrosesan citra satelit, ditambah dengan pembelajaran mendalam, memungkinkan penyedia asuransi pertanian untuk menilai kerugian panen akibat bencana alam secara lebih akurat, membantu mengatasi banyak kekurangan prosedur manual, dan mengurangi sumber daya yang dibutuhkan oleh mereka untuk keseluruhan proses.
Lembaga pemberi pinjaman: ‘Laporan kelayakan pertanian’ SmartRisk memberi bank ringkasan rinci tentang panen selama lima musim terakhir untuk plot tertentu. Laporan tersebut memungkinkan lembaga untuk menilai permintaan pinjaman dan menilai NPA terlebih dahulu berdasarkan tanaman yang dibudidayakan oleh petani sebelumnya, perkiraan hasil, dan indeks pertumbuhan relatif. Pejabat juga dapat menganalisis pertumbuhan tanaman secara real-time dengan memanfaatkan data pertanian alternatif ini.
LSM dan lembaga pembangunan: Organisasi yang memungkinkan pertanian, terutama di negara berkembang atau terbelakang, dapat memanfaatkan kemampuan deteksi tanaman untuk memetakan budidaya tanaman di seluruh wilayah, memantau kesehatan mereka secara real-time, dan memberikan saran kepada petani untuk meningkatkan produktivitas atau mencegah kerusakan luas pada tanaman karena penyakit, serangan hama, atau kondisi cuaca yang tidak terduga.
