🛰️ Osalesin Garage48 Cassini häkatonil

5. november 2023

Osalesime üleeuroopalisel satelliidiandmete töötlemisele keskendunud häkatonil, mida korraldas kohapeal Garage48.

Meie peamine eesmärk on

võrgustik meeskonna kasvatamiseks
tõsta teadlikkust turundusena
arendada meie mesilate jaoks geoandmetega tootefunktsioone

https://taikai.network/cassinihackathons/hackathons/intdev-humaid

Probleem

Toiduga kindlustatus. FAO andmetel 2022. aastal oli maailmas 735,1 miljonit alatoidetud inimest

Põllumajanduskultuure tolmeldatakse ebaefektiivselt. See juhtub seetõttu, et mesitarud on praegu paigutatud juhuslikult, olenemata sellest, kuidas mesinik otsustab. Mesinikud ei tea, kuhu ja miks mesitarusid paigutada. Mesilased on loodusliku tolmeldamise võtmeks, mis suurendab saaki, aitab varustada toiduga ja vähendab metsade raadamise vajadust. ****Põllumehed võivad tahtmatult mesilasi pestitsiididega tappa.

Lahendus

Täiustame keskkonnaülevaadet mesinike jaoks.

Analüüsides tolmeldamise katvust satelliidilt, saab mesitarusid tõhusamalt positsioneerida.

Tänu meie rakendusele saavad põllumehed saada paremat saaki, mesinikud saavad rohkem mett ning terved mesilased ja mesilased saavad rohkem nektarit või õietolmu mitmekesisust.

Mitmekesine õietolm parandab nii mesilaste tervist kui ka mee maitset. Samuti ei pea mesilased ressursside pärast nii palju konkureerima. Taru eraldi paigutamine vähendab haiguste riski.

Üldiselt aitab Gratheon mesinikele jälgida ja automatiseerida, et nad saaksid olla tõhusamad ja nende kolooniad terved. Pakume rakendust ja integreerime riistvara, et arvutinägemine saaks mesinikku ohu korral hoiatada. Meie pikaajaline visioon on autonoomne robot-mesipuu.

Õietolmukaardi funktsiooni idee

5-kilomeetrise raadiusega (mesilase maksimaalne lennuulatus) oleva mesinduse satelliidipildi põhjal käivitage tehisintellekti ennustused, et tuvastada, millist tüüpi puid ja põllukultuure mesilas ja selle ruutpinnal (m2) kasvavad.

EOS-i andmeanalüütika eesmärk on põllukultuuride klassifitseerimine, pilt ja funktsioon

Arvestades tuvastatud tolmeldamisallikaid, soovitage mesinikul, kuidas mesilasi optimaalselt paigutada, et optimeerida maksimaalset nektarivoolu või õietolmu maksimaalset mitmekesisust. See on oluline ka seetõttu, et põllukultuurid võivad õitseda erinevatel aegadel. Koos üksikute mesitarude reaalajas tolmeldamistegevuse andmetega saab mesinik teha teadlikke otsuseid

Taru paigutuse optimeerimine, pilt ja funktsioon, autor beehero.io

Pange tähele, et see funktsioon on sihitud mesinikele, kes on võimeline mesitarusid teisaldama või linnaplaneerijaid, kes soovivad autonoomseid mesitarusid linnas optimaalselt paigutada. Staatiliste mesilate puhul pakuksime ainult, millist nektarit/mett võite oodata, et saaksite teada, millal konkreetset nektarit (nt tatar) koristatakse, ning ennustada mee kogust sõltuvalt taime nektari sekretsioonist.

Tootekujunduse makett

Alustasime sellest, kuidas tahame, et kasutaja huviliste andmete saamiseks kaardiga suhtleks

põllukultuuride tüübid
põllukultuuride vahekord tolmeldaval alal
õitsemise aeg
taimenektari tootmine (kg/ha)

ELi kosmosetehnoloogiad

Kasutame väljade kohta baasteabe saamiseks Sentinel 2 L1C andmeid, RGB kihti

Seejärel käivitame väljade tuvastamiseks pildi segmenteerimise

Seejärel käivitame tuvastatud põldude klassifikatsiooni, et mõista, millise põllukultuuriga me tegeleme. Kuna me teame pildi aega, saame seda kasutada õitsemisaja sobitamiseks.

Seejärel arvutame välja ruudu pindala

Seejärel arvutame välja kõikide põllutüüpide suhte 5 km läheduses ja teatame sellest kasutajale (mesinikule)

Mesinik saab taru asukohta teisaldada, mille tulemusel arvutatakse protsendid ümber

Mesinik näeb ka seda, kui palju erinevate tarude mesilased ristuvad

Meeskond

Artjom Kurapov – tarkvarainsener

Aleksei Boriss - bizdev / legal / ops

Natalia Kinash – masinõppe insener, rakendusmatemaatika

Reinis Indans – GIS-i/täieliku virna insener

Pealkirjata

Disaini makett

Mesilavaade ühe taru kaardiga

Õitsemisaja vaade

Süsteemi disain

Hoolduskomponentide diagramm

Esialgne idee oli, et arvestades mesila koordinaate X,Y, esitame Copernicuse serveritele taotluse saada RGB nähtava spektri andmeid. Seejärel edastame tulemuse png-pildi koolitatud ML-mudelile, mis segmenteerib väljad ja klassifitseerib need. Seejärel soovisime salvestada järelduste tulemused DB-sse, et oleks vahemälu paigas juhuks, kui kasutaja külastab sama lehte.

KASUTATUD masinõpet ja SATELLIIDIANDMEID

Koolitasime arenduse käigus kahte eraldi mudelit.

Esmalt proovisime kerge versioon-i, mis suutis väljad segmenteerida ilma tegeliku klassifikatsioonita. Me ei hakanud seda kasutama, kuna tahtsime tegelikke väljatüüpe ja seda koolitati juba olemasolevate andmekogumite põhjal, mis ei olnud Copernicusega seotud, kuigi see oleks kõige kiiremini integreeritav

Teine mudel oli keerulisem. Eksportisime Copernicus Open Data Hubist ilma pilvkatteta Eesti kaardi (13. juuniks 2023) multispektraalses .dim formaadis, mis sisaldab kõiki kihte (infred jne), seejärel töötlesime selle QGIS-is. Normaliseerisime eraldusvõime 20 m.

Mudeli väljaõppeks võtsime polügooniandmed Eesti registritest - PRIA (viljapõldude register) ja Maaamet (metsad ja hooned). Seejärel ühendasime need kihid, puhastasime klassid (algsest 300 klassist saime 25 klassi). Andmestiku ettevalmistamiseks valisime iga klassi jaoks koolituse (300) ja valideerimise (50) eksemplari. Kasutasime juhuslikku metsamudelit.

QGis liides

Selle tulemusena loob mudel pildi, kus iga piksli kohta on meil klassi ennustus. See võimaldab meil teha järeldusi riikides/piirkondades, kus pole saadaval digitaalseid põldude/kultuuride kaardistamise andmeid. See võimaldab meil ka hõlpsasti arvutada klassisuhteid, kasutades lihtsat pikslite arvu.

Järelduste tegemiseks kasutame sentinel-2-l2a ja protsessi API-t

Koolitatud fie

ld klassifikatsiooni visualiseerimine Tallinna lähedal, Eesti (üleval)

Tulemusrakendus

Meil on kasutusele võetud veebirakendus, mis on klientidele saadaval.

Esitame Copernicuse serverile taotluse saada sentinel-2-l2a pilt konkreetse asukoha kohta +-4 km (mesilaste lennuulatus) ja esitame klasside loendi, mille kohta saame järeldusi teha

Sellele juurdepääsuks peate tegema järgmist:

registreeruge rakenduses - https://app.gratheon.com/account/register
looge uus mesila - https://app.gratheon.com/apiaries/create
minge mesila vaatesse, lohistage markerit ja klõpsake valikul „Analüüsi põllukultuure” – https://app.gratheon.com/apiaries/edit/2

Lähtekood

ML-treeningu andmestik – https://drive.google.com/drive/folders/1Gh4DXqaDFF1r3lsgxQlo2HREPjo6xlRK?usp=sharing
Taustaprogramm ja ML-kood – https://github.com/Gratheon/satellite-pollination-map
Frontendi hiljutised häkatoniga seotud muudatused – https://github.com/Gratheon/web-app/commits/main

Piirangud ja tulevane töö

Võiksime ühendada mesinikud põllumeestega, et vältida pestitsiididega kokkupuudet mesilaste õitsemise ajal
ML-mudel vajab täpsusega rohkem tööd. Kasutasime andmestiku jaoks fikseeritud kuupäeva, nii et selle asemel saime kasutada ajaloolisi andmeid täpsema õitsemisajaga mudelite koolitamiseks (nt iga 2 nädala tagant, aprill-juuni)
Me ei jõudnud mudeli tootmisse juurutamiseni häkatoni aja jooksul.
Me ei jõudnud õigete tolmeldamisaegade ja nektari voolukiiruse integreerimiseni klasside jaoks, mida kavatseme tuvastada

https://garage48.org/events/6th-cassini-hackathon https://www.cassini.eu/hackathons/estonia?mtm_campaign=6CHLOEE

Gratheoni projekt registreeritud: https://taikai.network/cassinihackathons/hackathons/intdev-humaid/projects/cloewercb02zevm01kqo4xlr7/idea

Kasutatavad API-d:

https://dataspace.copernicus.eu/analyse/apis

https://www.cassini.eu/hackathons/tools

6. HINDAMISKRITEERIUMID

Nii kohalikul kui ka Euroopa tasandil hinnatakse teie lahendusi kolme lihtsa kriteeriumi alusel.

Asjakohasus (33%) – Kas projekt käsitleb ühte häkatoni kolmest väljakutsest? Kas projektis kasutatakse Copernicuse, Galileo ja/või EGNOSe andmeid ja signaale?
Uuenduslikkus (33%) – Kui uuenduslik on idee võrreldes juba turul olevate toodete/teenustega? Kas on potentsiaali elujõuliseks äriprojektiks?
Meeskonna kvaliteet (33%) – Kas meeskonnaliikmete tehnilised, ärilised ja loomingulised teadmised vastavad projekti vajadustele?