OneSoil desarrolla aplicaciones gratuitas para agricultores que se utilizan en más de 180 países de todo el mundo. En nuestro trabajo, utilizamos big data y aprendizaje automático, y una búsqueda separada para nosotros es encontrar datos reales. Así es como resolvemos esta tarea no trivial.
¿Por qué OneSoil Machine Learning? Con el fin de determinar los límites de campos, cultivos, estados fenológicos, rendimientos, fechas de siembra y fechas de cosecha mediante imágenes de satélite. Todo esto ya está en las aplicaciones de OneSoil o aparecerá allí en un futuro próximo.
Veamos el ejemplo de cómo determinar los límites de campos utilizando imágenes de satélite. Para un agricultor, delinear los límites de su campo es el primer paso en el proceso de digitalización de su finca. Esta es la piedra angular sin la cual no es posible ningún otro trabajo de aplicación. Y la tarea no es tan sencilla: antes, los agricultores la resolvían por el hecho de que recorrían sus campos con rastreadores GPS en cuatriciclos, luchaban con ortofotomapas, en fin, era caro y largo. OneSoil, por otro lado, aprendió a reconocer los límites de los campos usando imágenes de satélite: abres la aplicación, presionas el botón "agregar campos", seleccionas el tuyo en el mapa con los campos reconocidos, y eso es todo.
¿Cómo lo hicimos? Al principio, teníamos datos de solo unas pocas granjas en Bielorrusia y los países bálticos, y los algoritmos de aprendizaje automático aprendieron a predecir los límites de los campos. Funcionó así: para cada campo real (cuyos límites conocíamos gracias a las granjas), calculamos el área de coincidencia con los límites que predijeron los algoritmos. Si el algoritmo rodeó las secciones adicionales, recibió una multa por esto. Entonces estudió. Este indicador se llama intersección sobre unión, puede tomar valores de 0 a 1, donde 1 es una coincidencia perfecta. En nuestro país, este indicador varía de una región a otra, pero en promedio es 0,85-0,88.
Luego comenzamos a mostrarle a la red neuronal millones de imágenes de campos agrícolas para que aprendiera a determinar dónde está el campo y dónde no. El algoritmo tarda mucho en aprender, miramos los resultados y lo mejoramos muchas veces hasta que la precisión de determinar los límites de los campos para una región en particular se vuelve buena. ¿Cómo sabemos que la precisión ha mejorado? Nuevamente, comparamos nuestros cálculos con datos reales de los campos. Ahora hay 57 países en los que somos buenos para definir los límites de los campos.
Cuando determinamos con confianza los campos, digamos, en Ucrania, esto no significa que todo funcionará igual en algún lugar de Brasil; después de todo, hay sus propios campos y sus propias características agrícolas. Por lo tanto, necesitamos datos reales nuevamente para refinar y mejorar nuestro algoritmo.
. , . ? .
OneSoil , , , . — R&D .
, . . (, ), , . , . , , . , . , . OneSoil , .
133 | 2,8 — , OneSoil. 2020 .
R&D , , . .
OneSoil Map 2018 (Guido Lemoine), Joint Research Center (JRC). (ESA) Data Science . « , - , — . — , ». R&D , JRC .
OneSoil — . , , . , , .
4 7 . , , — R&D. 2–3 . — . « 2020 100 » — .
2018 CEO . , . , : « ». .
, . . 50 , OneSoil .
392 | 126 — ground truth . 2020 .
Cuando tenemos muchos datos de fuentes abiertas y de diferentes socios, mejoramos nuestros algoritmos que ya usamos en las aplicaciones de OneSoil (o que lo serán en un futuro próximo). Cuando tenemos una gran cantidad de datos de los usuarios, nuevamente mejoramos la precisión de nuestros cálculos. Así es como los datos y la tecnología funcionan mutuamente.