आयआयआयटी-दिल्लीच्या संशोधकांनी पिकांवर लक्ष ठेवण्यासाठी एआय डेटासेट विकसित केला, उपग्रह डेटा वापरून उत्पन्नाचा अंदाज लावला

IIIT-दिल्ली आणि MS स्वामीनाथन रिसर्च फाऊंडेशनच्या संशोधकांनी SICKLE विकसित केला आहे, एक मल्टी-सॅटेलाइट डेटासेट आहे ज्यामध्ये प्रतिमा आणि फील्ड डेटा AI ला पिके ओळखण्यात, वाढीच्या टप्प्यांचा मागोवा घेण्यासाठी आणि उत्पन्नाचा अंदाज लावण्यात मदत होईल. डेटासेटमध्ये 388 भूखंड, 21 पीक प्रकार आणि 209,000 प्रतिमा समाविष्ट आहेत

नवी दिल्ली: संशोधकांनी एक नवीन डेटासेट विकसित केला आहे ज्याचा उद्देश AI प्रणालींना विस्तीर्ण कृषी क्षेत्रावरील पिकांचे निरीक्षण करण्यासाठी क्षमता प्राप्त करण्यास मदत करणे, वैयक्तिक शेतात काय वाढत आहे हे ओळखणे आणि पिके केव्हा पेरली जातात, कापणी केली जातात आणि ते किती उत्पादन करतात याचा अंदाज लावतात.

इंद्रप्रस्थ इन्स्टिट्यूट ऑफ इन्फॉर्मेशन टेक्नॉलॉजी-दिल्ली (IIIT-Delhi) च्या संशोधकांनी एमएस स्वामिनाथन रिसर्च फाऊंडेशनसह एक मल्टी-सॅटेलाइट डेटासेट विकसित केला आहे, जो “SICKLE: A Multi-Satellet Dataset an Multi-Setellit Dataset with an Multi-Satellite Dataset with MS स्वामीनाथन रिसर्च फाउंडेशन, कृषी प्लॉट्समधून गोळा केलेल्या फील्ड-स्तरीय माहितीसह उपग्रह प्रतिमा एकत्र करतो. पॅरामीटर्स”.

डेटासेट, ज्याला SICKLE (की पॅरामीटर लेबल्ससह भाष्य केलेले क्रॉपिंगसाठी उपग्रह इमेजरी) म्हणतात, हे मशीन-लर्निंग मॉडेल्सना केवळ उपग्रह प्रतिमांमधील वनस्पती ओळखण्याऐवजी पीक लागवडीचे अनेक पैलू समजून घेण्यास मदत करण्यासाठी डिझाइन केले आहे.

संशोधकांनी सांगितले की AI-आधारित कृषी तंत्रज्ञान विकसित करण्यासाठी असे डेटासेट महत्त्वपूर्ण आहेत कारण उपग्रह प्रतिमा मोठ्या क्षेत्राला कव्हर करू शकतात, एआय मॉडेल्सचे प्रशिक्षण आणि चाचणी करण्यासाठी आवश्यक तपशीलवार, क्षेत्र-स्तरीय माहितीची उपलब्धता मर्यादित राहते.

लँडसॅट-8, सेंटिनेल-1 आणि सेंटिनेल-2 या तीन उपग्रहांवरील प्रतिमा एकत्रित करून, पिकांच्या आणि शेती पद्धतींबद्दल माहितीसह, डेटासेट संशोधकांना समान कृषी भूखंड वापरून पीक ओळख, पीक वाढीचे टप्पे आणि उत्पादन अंदाज यांचा अभ्यास करण्यास अनुमती देतो.

डेटासेटमध्ये 388 कृषी भूखंडांचे सुमारे 2,370 हंगामानुसार नमुने आणि सुमारे 209,000 उपग्रह प्रतिमा आहेत. यामध्ये 3 मीटर, 10 मीटर आणि 30 मीटरच्या रेझोल्यूशनमधील माहिती समाविष्ट आहे, ज्यामुळे संशोधकांना विविध स्तरांवर तपशीलवार कृषी क्षेत्राचे परीक्षण करता येते.

एआय सिस्टमसाठी, हे संयोजन विशेषतः महत्त्वपूर्ण असू शकते, संशोधकांनी सांगितले.

केवळ सॅटेलाइट इमेज कशी दिसते यावर अवलंबून न राहता, एखाद्या शेतात प्रत्यक्षात काय लागवड होते आणि लागवडीचे महत्त्वाचे टप्पे कधी येतात याबद्दलच्या माहितीसाठी मॉडेलला प्रशिक्षण दिले जाऊ शकते, असे ते म्हणाले.

आयआयआयटी दिल्लीतील देपांशू सानी, सौरभ सैनी, हर्ष कुमार अग्रवाल, साकेत आनंद आणि गौरव अरोरा यांचा समावेश असलेल्या संशोधकांनी डेटासेटचा वापर तीन कामांसाठी केला आहे: पीक प्रकार ओळखणे, पीक फिनोलॉजीचा अंदाज लावणे आणि उत्पन्नाचा अंदाज लावणे.

क्रॉप फिनोलॉजी म्हणजे पेरणी, पुनर्लावणी आणि कापणी यासह पिकाच्या जीवन चक्रातील महत्त्वाच्या टप्प्यांचा संदर्भ आहे. डेटासेटमध्ये, या इव्हेंट्स वैयक्तिक प्लॉट्सशी जोडलेल्या आहेत, AI मॉडेल्सना माहिती प्रदान करते जी त्यांना पीक कसे बदलतात हे शिकण्यास मदत करू शकतात.

संशोधकांनी वेगवेगळ्या उपग्रहांवरील माहिती एकत्र करून अंदाज सुधारता येईल का याचीही चाचणी केली. हे तीन उपग्रह ऑप्टिकल, थर्मल आणि मायक्रोवेव्ह निरीक्षणांसह विविध प्रकारची माहिती घेतात आणि वेगवेगळ्या अंतराने कृषी क्षेत्रांची पुनरावृत्ती करतात.

असा बहु-स्रोत डेटा संभाव्यतः कृषी निरीक्षण प्रणालींना माहिती काढणे सुरू ठेवू शकतो, जरी एका प्रकारचे उपग्रह निरीक्षण मर्यादित असले तरीही. उदाहरणार्थ, ढगांच्या आवरणामुळे ऑप्टिकल इमेजरी प्रभावित होऊ शकते, तर रडार निरीक्षणे ढगांसाठी कमी संवेदनशील असतात.

संशोधन एका मॉडेलकडे निर्देश करते ज्यामध्ये शेतकरी, संशोधक आणि धोरणकर्ते अखेरीस उपग्रह-आधारित AI साधनांचा वापर करून पारंपरिक क्षेत्र सर्वेक्षणांद्वारे कव्हर करता येण्यापेक्षा मोठ्या क्षेत्रावरील पीक-संबंधित माहिती मिळवू शकतात.

धोरणकर्त्यांसाठी, अशा प्रणाली पीक पद्धती आणि कृषी उत्पादकतेचे मोठ्या प्रमाणावर निरीक्षण करण्यास समर्थन देऊ शकतात, तर संशोधक बदलत्या परिस्थितींना पिके कसा प्रतिसाद देतात याचा अभ्यास करण्यासाठी त्यांचा वापर करू शकतात. डेटासेट फील्ड स्तरावर पीक मॅपिंग आणि उत्पादन अंदाजासाठी तंत्रज्ञान विकसित करण्यात देखील मदत करू शकतो.

तथापि, संशोधकांनी क्षेत्र सर्वेक्षणांची मर्यादित उपलब्धता, शेतकरी-अहवाल माहितीमधील अनिश्चितता आणि कमी-रिझोल्यूशन उपग्रह प्रतिमांमध्ये लहान कृषी भूखंड अचूकपणे ओळखण्यात अडचण यांसह अनेक आव्हाने लक्षात घेतली.

SICKLE डेटासेट तामिळनाडूच्या कावेरी डेल्टा या प्रमुख तांदूळ उत्पादक प्रदेशातील कृषी भूखंड वापरून विकसित करण्यात आला आहे. अभ्यासासाठी गोळा केलेल्या फील्ड माहितीमध्ये पीक प्रकार आणि विविधता, वाढणारा हंगाम, उत्पन्न आणि मुख्य पिकाच्या तारखा समाविष्ट आहेत.

डेटासेटमध्ये जानेवारी 2018 ते मार्च 2021 या कालावधीचा समावेश आहे आणि त्यात चार जिल्ह्यांमधील 21 पीक प्रकारांचा समावेश आहे. नमुन्यांपैकी, 145 प्लॉट्समधील 351 भात नमुन्यांमध्ये भाताची विविधता, वाढणारा हंगाम, फिनोलॉजी आणि उत्पादकता याबद्दल तपशीलवार माहिती आहे.

संशोधकांनी सांगितले की डेटासेटचा उद्देश कृषी, रिमोट सेन्सिंग आणि मशीन लर्निंगच्या पुढील कामांना समर्थन देण्यासाठी आहे, ज्यामध्ये मॉडेल्सचा समावेश आहे जे अनेक उपग्रहांवरील माहिती आणि उच्च-रिझोल्यूशन कृषी माहिती मिळवण्यासाठी तंत्रे एकत्र करतात.

अभ्यासात SICKLE चे वर्णन बहु-उपग्रह, एकाधिक क्रॉपिंग पॅरामीटर्ससह वेळ-मालिका डेटासेट म्हणून केले आहे आणि असे म्हटले आहे की ते उपग्रह प्रतिमांमधून भूखंड-स्तरीय कृषी माहितीचा अंदाज लावण्यासाठी एंड-टू-एंड पाइपलाइन सक्षम करू शकते.

“अशी एंड-टू-एंड पाइपलाइन वास्तविक-जागतिक उपयोजनांसाठी आवश्यक आहे जेथे वैयक्तिक प्लॉट-स्तरीय अंतर्दृष्टी एकत्रित करणे हे एक महत्त्वपूर्ण कार्य आहे,” अभ्यासात नमूद केले आहे.