OneSoil entwickelt kostenlose Apps für Landwirte, die in über 180 Ländern weltweit eingesetzt werden. In unserer Arbeit verwenden wir Big Data und maschinelles Lernen, und eine separate Aufgabe für uns besteht darin, grundlegende Wahrheitsdaten zu finden. So lösen wir diese nicht triviale Aufgabe.
Warum OneSoil Machine Learning? Zur Bestimmung der Grenzen von Feldern, Kulturen, phänologischen Stadien, Erträgen, Aussaatdaten und Erntedaten anhand von Satellitenbildern. All dies ist entweder bereits in den OneSoil-Anwendungen enthalten oder wird dort in naher Zukunft erscheinen.
Schauen wir uns das Beispiel an, wie die Grenzen von Feldern mithilfe von Satellitenbildern bestimmt werden. Für einen Landwirt ist die Abgrenzung der Grenzen seines Feldes der allererste Schritt bei der Digitalisierung seiner Farm. Dies ist der Eckpfeiler, ohne den keine weiteren Anwendungsarbeiten möglich sind. Und die Aufgabe ist nicht so einfach: Früher haben die Landwirte sie gelöst, weil sie mit GPS-Trackern auf Geländefahrzeugen auf ihren Feldern unterwegs waren und mit Orthophotomaps zu kämpfen hatten. Kurz gesagt, es war teuer und lang. OneSoil hingegen hat gelernt, Feldgrenzen mithilfe von Satellitenbildern zu erkennen: Sie öffnen die Anwendung, klicken auf die Schaltfläche "Felder hinzufügen", wählen Ihre eigene auf der Karte mit den erkannten Feldern aus - und fertig.
Wie haben wir das gemacht? Zunächst hatten wir Daten von nur wenigen Betrieben in Weißrussland und im Baltikum, mit denen Algorithmen für maschinelles Lernen gelernt haben, Feldgrenzen vorherzusagen. Das hat so funktioniert: Für jedes reale Feld (dessen Grenzen wir dank der Farmen kannten) haben wir den Übereinstimmungsbereich mit den von den Algorithmen vorhergesagten Grenzen berechnet. Wenn der Algorithmus die zusätzlichen Abschnitte umkreiste, erhielt er dafür eine Geldstrafe. Also studierte er. Dieser Indikator wird als Schnittpunkt über Vereinigung bezeichnet. Er kann Werte von 0 bis 1 annehmen, wobei 1 perfekt übereinstimmt. In unserem Land variiert dieser Indikator von Region zu Region, liegt jedoch im Durchschnitt zwischen 0,85 und 0,88.
Dann haben wir begonnen, dem neuronalen Netzwerk Millionen von Bildern landwirtschaftlicher Felder zu zeigen, damit es lernen kann, zu bestimmen, wo sich das Feld befindet und wo nicht. Das Erlernen des Algorithmus dauert lange. Wir betrachten die Ergebnisse und verbessern sie viele Male, bis die Genauigkeit der Bestimmung der Feldgrenzen für eine bestimmte Region gut wird. Wie verstehen wir, dass sich die Genauigkeit verbessert hat? Wieder vergleichen wir unsere Berechnungen mit realen Daten auf den Feldern. Jetzt gibt es 57 Länder, in denen wir Feldgrenzen gut definieren können.
Wenn wir die Felder beispielsweise in der Ukraine sicher bestimmen, bedeutet dies nicht, dass irgendwo in Brasilien alles gleich funktioniert - schließlich gibt es ihre eigenen Felder und ihre eigenen Merkmale der Landwirtschaft. Daher benötigen wir wieder echte Daten, um unseren Algorithmus zu verfeinern und zu verbessern.
. , . ? .
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 .
Wenn wir viele Daten aus Open Source und von verschiedenen Partnern haben, verbessern wir unsere Algorithmen, die wir bereits in OneSoil-Anwendungen verwenden (oder in naher Zukunft sein werden). Wenn wir viele Daten von Benutzern haben, verbessern wir erneut die Genauigkeit unserer Berechnungen. So funktionieren Daten und Technologie füreinander.