Utiliser des images de rue pour cartographier les cultures

La cartographie des types de cultures est super importante pour surveiller les rendements des cultures, prédire la production alimentaire et planifier des politiques agricoles. Par contre, créer des maps précises dans les pays à revenu faible et intermédiaire peut être galère à cause du coût élevé et des efforts nécessaires pour collecter des données sur le terrain. Les enquêtes traditionnelles sur le terrain offrent une grande précision, mais ça demande beaucoup de temps et de ressources.

Dernièrement, des images de niveau de rue provenant de services comme Google Street View ont fait leur apparition comme une solution potentielle. Ces images peuvent donner des infos précieuses sur les cultures qui poussent à des endroits précis. En utilisant ces images avec la technologie d'Apprentissage profond, on peut créer des systèmes automatisés pour cartographier les cultures.

#Le besoin de cartes des types de cultures

La sécurité alimentaire est un gros challenge qu'on affronte aujourd'hui. Avec une population mondiale en croissance et un climat en changement, on a besoin d'infos précises pour gérer la production agricole. Les cartes des cultures nous aident à comprendre quelles cultures poussent et comment elles se portent. Malheureusement, seuls quelques pays à revenu élevé peuvent se permettre de produire des cartes de cultures à grande échelle. Ça laisse beaucoup de régions, surtout celles avec des petites fermes, sans infos cruciales.

La plupart des petites exploitations se trouvent dans des pays à revenu faible et intermédiaire. Ces fermes soutiennent une grande partie de la population mondiale, mais souvent elles manquent de cartes précises des types de cultures. Le coût élevé pour rassembler ces informations a poussé les chercheurs à chercher des sources de données alternatives.

#Exploiter les images de niveau de rue

Les images de niveau de rue de services comme Google Street View peuvent être super utiles pour rassembler des données sur les cultures. Ces images sont captées par des véhicules équipés de caméras et peuvent être accessibles à bas coût dans la plupart des pays. Elles sont mises à jour périodiquement, offrant une chance de voir quelles cultures poussent au fil du temps.

Des études récentes ont montré que les images prises au bord de la route peuvent être utilisées pour diverses applications, de la planification urbaine à la surveillance environnementale. Mais surtout, elles peuvent maintenant aider à créer des cartes des types de cultures en générant des données de référence précises sans avoir besoin d'un étiquetage manuel extensif.

#Notre approche

On a développé un système qui combine l'apprentissage profond avec les images de Google Street View pour générer automatiquement des références de types de cultures. Voici comment ça fonctionne :

1. Collecte d'images : On crée une collection d'images de niveau de rue contenant des champs de cultures.
2. Entraînement du modèle : Un modèle d'apprentissage profond est entraîné avec ces images pour prédire les types de cultures. On utilise des étiquettes faibles provenant de diverses sources en ligne pour aider à entraîner notre système.
3. Création de cartes de cultures : Les types de cultures prédites sont ensuite combinés avec des données de Télédétection pour produire une carte complète des types de cultures.

Dans notre étude en Thaïlande, on a réussi à créer une carte des types de cultures qui a atteint une grande précision (93%) pour des cultures majeures comme le riz et la canne à sucre.

#Contexte sur la cartographie des cultures

Assurer la sécurité alimentaire nécessite des infos précises sur les cultures, surtout dans les régions avec des petites exploitations. Ces fermes sont vitales pour nourrir une grande partie de la population mondiale. Malheureusement, les pays à faible revenu manquent souvent de ressources pour compiler des données sur les cultures.

La plupart des méthodes existantes reposent sur des enquêtes de terrain coûteuses ou ne capturent pas les paysages uniques des régions des petits exploitants. Les complexités des réseaux routiers ruraux et les obstructions dues à la végétation rendent aussi plus difficile la collecte de données visuelles.

Les chercheurs se tournent vers des technologies comme Google Street View, qui fournit une richesse de données visuelles à partir des routes. Ces données peuvent servir d'alternative à bas coût pour rassembler des informations sur les types de cultures.

#La zone d'étude : Thaïlande

On a choisi la Thaïlande pour notre étude parce qu'elle a un grand nombre de petites fermes et une grande collection d'images de Google Street View. Au cours des dernières années, la disponibilité de ces images a considérablement augmenté. La majorité des terres agricoles en Thaïlande est utilisée pour la culture du riz, tandis que des cultures comme la canne à sucre, le manioc et le maïs jouent aussi des rôles importants.

En utilisant les images de Google Street View, on a collecté des données sur les cultures pendant la saison de croissance humide pour créer une carte précise des types de cultures.

#Trouver et filtrer les images

La première étape de notre méthode consiste à identifier les champs potentiels le long des routes en utilisant des données géographiques. On a utilisé une base de données publique pour trouver des emplacements et générer des points équidistants le long des routes à intervalles réguliers.

Ensuite, on a filtré ces points en fonction des cartes de couverture terrestre existantes pour se concentrer sur des zones où les cultures sont susceptibles d'être visibles. Seules les images captées pendant la saison de croissance ont été considérées pour augmenter les chances de voir des cultures sur les photos.

En utilisant différentes techniques de filtrage, on a significativement amélioré la qualité de notre collection d'images et assuré une meilleure visibilité des champs de cultures.

#Classification des images de champs

Après avoir rassemblé les images, on devait déterminer lesquelles contenaient des cultures. On a entraîné un modèle pour filtrer les images qui ne montraient pas de champs. Ce modèle a atteint une précision impressionnante, ce qui nous a permis de nous concentrer sur des données pertinentes.

Une fois qu'on a identifié les images de champs, la prochaine étape était de prédire le type de culture dans chaque image. On a compilé un ensemble de données d'entraînement provenant de sources en ligne, permettant au modèle d'apprendre à classifier les cultures efficacement.

Cette méthode s'est révélée efficace, même avec des images présentant des qualités et des caractéristiques variées. Le modèle a réussi à classifier des images de niveau de rue en types de cultures spécifiques avec une grande précision.

#Combinaison de données pour la cartographie des cultures

Une fois les prédictions des types de cultures obtenues, on a travaillé à intégrer ces étiquettes avec des données de télédétection. La télédétection consiste à utiliser des images satellite pour rassembler des infos sur la surface de la terre. On a extrait des caractéristiques des données satellite pour soutenir davantage nos efforts de classification des cultures.

En combinant les prédictions de nos modèles d'apprentissage profond avec les données satellite, on a généré une carte des types de cultures complète qui couvre de grandes zones.

#Résultats et précision

Notre système a montré des résultats impressionnants quand il a été appliqué au paysage agricole de la Thaïlande. La précision des cartes des types de cultures que nous avons générées a dépassé celle des méthodes traditionnelles qui reposaient uniquement sur un étiquetage d'experts.

Avec le processus automatisé, on a produit un ensemble de données plus vaste et plus précis par rapport à ce qu'on pourrait obtenir manuellement. Même quand les prédictions contenaient des inexactitudes, le volume de données généré a aidé à améliorer la performance globale.

#Importance des images en ligne

Un aspect significatif de notre approche était l'utilisation d'images en ligne pour aider à la classification des cultures. Bien que ces images contiennent du bruit et ne soient pas toujours parfaites, elles ont fourni des données diverses qui ont aidé à entraîner nos modèles efficacement. En combinant des images de différentes sources, on a réussi à améliorer la performance du modèle.

Cependant, il est crucial de reconnaître que l'étiquetage par des experts reste inestimable dans certaines situations. Combiner des images bruyantes en ligne avec un plus petit ensemble de données étiquetées par des experts a produit les meilleurs résultats en termes de précision.

#Défis et limites

Malgré les succès de notre approche, il y a des défis et des limites à considérer. Par exemple, étiqueter les images comme champs ou non champs nécessitait un certain effort manuel, ce qui est moins exigeant que l'étiquetage des types de cultures mais demande quand même de l'attention.

De plus, les fréquences de mise à jour variables des images de niveau de rue et leur distribution inégale à travers le globe peuvent impacter la disponibilité des données. Cette inégalité met en avant la valeur potentielle des images de niveau de rue pour les efforts mondiaux de cartographie des types de cultures.

#Conclusion

Combiner l'apprentissage profond avec les images de niveau de rue nous a permis d'automatiser efficacement la génération des références de types de cultures. Notre système a démontré que même dans des régions avec des ressources limitées, des cartes de cultures à haute précision peuvent être créées.

En Thaïlande, notre approche a abouti à une carte des types de cultures avec plus de 81 000 références automatisées, atteignant de meilleurs résultats que les méthodes traditionnelles qui dépendent de jeux de données plus petits et étiquetés par des experts.

L'accès à des images en ligne peut grandement améliorer la capacité à classifier les cultures, tandis que des données de terrain bien étiquetées restent essentielles pour certaines applications. En avançant, intégrer diverses sources de données sera crucial pour faire progresser les efforts de cartographie agricole dans le monde entier.

Ce travail souligne le potentiel des technologies innovantes pour relever les défis traditionnels de l'agriculture et de la sécurité alimentaire, ouvrant la voie à une prise de décision plus informée dans le secteur agricole.