Loading...
Publication
TerraSenseTK: a toolkit for remote soil nutrient estimation
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.69 MB | Adobe PDF |
Authors
Abstract(s)
Intensive farming endangers soil quality in various ways. Researchers show that if these practices
continue, humanity will be faced with food production issues. For this matter, Earth Observation, more
concretely Soil Sensing, along with Machine Learning, can be employed to monitor several indicators of
soil degradation, such as soil salinity, soil heavy metal contamination and soil nutrients estimation. More
concretely, Soil Nutrients are of great importance. For instance, to understand which crop better suits
the land, the soil nutrients must be identified. However, sampling soil is a laborous and expensive task,
which can be leveraged by Remote Sensing and Machine Learning.
Several studies have already been developed in this matter, although many gaps still exist. Among
them, the lack of cross-dataset evaluations of existing algorithms, and also the steep learning curve to
the Earth Observation domain that prevents many researchers from embracing this field. In this sense,
we propose TerraSense ToolKit (TSTK), a python toolkit that addresses these challenges.
In this work, the possibility to use Remote sensing along with Machine Learning algorithms to per form Soil Nutrient Estimation is explored, additionally, a nutrient estimation toolkit is proposed, and the
effectivity of it is tested in a soil nutrient estimation case study.
This toolkit is capable of simplifying Remote Sensing experiments and aims at reducing the barrier
to entry to the field of Earth Observation. It comes with a preconfigured case study which implements a
soil sensing pipeline. To evaluate the usability of the toolkit, experiments with five different crops were
executed, namely with Wheat, Barley, Maize, Sunflower and Vineyards. This case study gave visibility
to an underlying unbalanced data problem, which is not well addressed in the current State of the Art.
A agricultura intensiva poe em perigo a qualidade do solo de v ˜ arias formas. Os investigadores ´ mostram que, se continuarmos com estas praticas, a humanidade ser ´ a confrontada com quest ´ oes de ˜ produc¸ao alimentar. Para este efeito, a Observac¸ ˜ ao da Terra, mais concretamente o Sensoriamento ˜ do Solo, juntamente com a aprendizagem automatica, podem ser utilizadas para monitorizar v ´ arios ´ indicadores da degradac¸ao do solo, tais como a salinidade do solo, a contaminac¸ ˜ ao do solo por metais ˜ pesados e a quantificac¸ao dos nutrientes do solo. Mais concretamente, os Nutrientes do Solo s ˜ ao de ˜ grande importancia. Por exemplo para compreender qual a cultura que melhor se adapta ao solo, os ˆ nutrientes do solo devem ser identificados. No entanto, a amostragem do solo e uma tarefa trabalhosa ´ e dispendiosa, que pode ser impulsionada pela percepc¸ao remota e pela aprendizagem autom ˜ atica. ´ Ja foram desenvolvidos v ´ arios estudos sobre este assunto, embora ainda existam muitas lacunas. ´ Entre eles, a falta de avaliac¸oes cruzadas dos algoritmos existentes, e tamb ˜ em a curva de aprendiza- ´ gem acentuada para o campo de Observac¸ao da Terra que impede muitos investigadores de enveredar ˜ por este campo. Neste sentido, propomos TSTK, um toolkit em python que aborda estes desafios. Neste trabalho, e explorada a possibilidade de usar a Percepc¸ ´ ao Remota juntamente com os algo- ˜ ritmos de Aprendizagem Automatica para realizar a Estimativa de Nutrientes do Solo. Al ´ em disso, ´ e´ proposto um toolkit de estimativa de nutrientes e tambem um pipeline para o devido efeito, a efetividade ´ do toolkit e testada num caso de estudo de Estimac¸ ´ ao de Nutrientes no Solo. ˜ Este toolkit e capaz de simplificar as experi ´ encias de Percepc¸ ˆ ao Remota e visa reduzir a barreira ˜ de entrada no campo da Observac¸ao da Terra. Para avaliar a usabilidade do toolkit, foram executadas ˜ experiencias com cinco culturas diferentes, nomeadamente Trigo, Cevada, Milho, Girassol e Vinha. Este ˆ caso de estudo deu visibilidade a um problema subjacente de dados desiquilibrados, o qual nao˜ e bem ´ identificado no Estado da Arte atual.
A agricultura intensiva poe em perigo a qualidade do solo de v ˜ arias formas. Os investigadores ´ mostram que, se continuarmos com estas praticas, a humanidade ser ´ a confrontada com quest ´ oes de ˜ produc¸ao alimentar. Para este efeito, a Observac¸ ˜ ao da Terra, mais concretamente o Sensoriamento ˜ do Solo, juntamente com a aprendizagem automatica, podem ser utilizadas para monitorizar v ´ arios ´ indicadores da degradac¸ao do solo, tais como a salinidade do solo, a contaminac¸ ˜ ao do solo por metais ˜ pesados e a quantificac¸ao dos nutrientes do solo. Mais concretamente, os Nutrientes do Solo s ˜ ao de ˜ grande importancia. Por exemplo para compreender qual a cultura que melhor se adapta ao solo, os ˆ nutrientes do solo devem ser identificados. No entanto, a amostragem do solo e uma tarefa trabalhosa ´ e dispendiosa, que pode ser impulsionada pela percepc¸ao remota e pela aprendizagem autom ˜ atica. ´ Ja foram desenvolvidos v ´ arios estudos sobre este assunto, embora ainda existam muitas lacunas. ´ Entre eles, a falta de avaliac¸oes cruzadas dos algoritmos existentes, e tamb ˜ em a curva de aprendiza- ´ gem acentuada para o campo de Observac¸ao da Terra que impede muitos investigadores de enveredar ˜ por este campo. Neste sentido, propomos TSTK, um toolkit em python que aborda estes desafios. Neste trabalho, e explorada a possibilidade de usar a Percepc¸ ´ ao Remota juntamente com os algo- ˜ ritmos de Aprendizagem Automatica para realizar a Estimativa de Nutrientes do Solo. Al ´ em disso, ´ e´ proposto um toolkit de estimativa de nutrientes e tambem um pipeline para o devido efeito, a efetividade ´ do toolkit e testada num caso de estudo de Estimac¸ ´ ao de Nutrientes no Solo. ˜ Este toolkit e capaz de simplificar as experi ´ encias de Percepc¸ ˆ ao Remota e visa reduzir a barreira ˜ de entrada no campo da Observac¸ao da Terra. Para avaliar a usabilidade do toolkit, foram executadas ˜ experiencias com cinco culturas diferentes, nomeadamente Trigo, Cevada, Milho, Girassol e Vinha. Este ˆ caso de estudo deu visibilidade a um problema subjacente de dados desiquilibrados, o qual nao˜ e bem ´ identificado no Estado da Arte atual.
Description
Keywords
Deteção remota Estimação de nutrientes no solo Toolkit Imagens por satélite Deteção do solo Sensoriamento do solo Remote sensing Soil nutrient estimation Python Satellite imagery Soil sensing Informatics Engineering . Faculdade de Ciências Exatas e da Engenharia