This project is a part of the CX5 AgroLuege Group at Data Science FHNW.
Our Challenge-X project is inspired by and adapted from the ZueriCrop Paper (Turkoglu et al., 2021).
In the current scenario, farmers are required to manually input their land areas on AgriPortal to receive state direct payments. This process not only consumes time but also poses the risk of errors.
Our goal is to provide farmers with more time for their actual work. We leverage the power of Deep Learning and satellite imagery to automatically identify which crops are cultivated on specific land areas. This cutting-edge technology is designed not only to save time but also to minimize error susceptibility.
We have developed advanced Deep Learning models capable of classifying various crops on agricultural land. By analyzing satellite images, we can efficiently and accurately gather information about the cultivation on these areas.
- Deep Learning
- Computer Vision
- Explorative Dataanalysis
- Data Visualization
- Remote Sensing
- Crop Classification
- Big Data
- Python
- PyTorch
- torchgeo
- wandb
- numpy
- pandas
- seaborn
- eodal
- sentinelhub
- geopandas
- h5py
- rasterio
- MSConvStar Model
-
Labels Züricrop: Verständnis der Labels und deren Hierarchien. Verbindung zwischen LNF Codes (=Landwirtschaftliche Nutzflächen) und Label. Dies dient einerseits zum Verständnis des ZüriCrop Datensatzes und andererseits zur Erstellung des Berndatensatzes, wo wir als Ground Truth nur die LNF-Codes haben und in die gleice Label-Hierarchie bringen müssen wie der ZüriCrop Datensatz
-
Detaillierte EDA für Fold 3: Verständnis geschärft im Rahmen DLBS. Untersucht die Label- und Feld-Instanzen und deren Verteilung im Fold 3. Zusätzlich werden die Bilder untersucht. Dies dient zum Verständnis des ZüriCrop Datensatzes.
-
Label Verteilung pro Fold ZüriCrop: Um einen verbesserten stratified Fold zu erhalten, haben wir die bestehenden Folds detailliert untersucht und deren Erkenntnisse festgehalten:
-
EDA GIS Daten Bern: Die GIS Daten Bern entsprechen der Ground Truth auf Label und Feld-Instanz Ebene. Dient als Grundlage für die Bestimmung des Perimeters für den Bern-Datensatz.
-
Rastern Bern: Rastern der Ground Truth von Bern sowie Export von Verbindung Label zu Feld-Instanz. Bounding Box erstellen für ETHZ für Abfrage in ihrer Datenbank für die Sentinel2 Bilder.
-
Tiles-Erstellung von SAFE: Die Sentinel2 Daten von der ETHZ wurden im SAFE Format übergeben. Dieses Notebook bringt diese in das richtige Koordinatensystem, plottet diese und legt den Perimeter des Bern-Datensatzes drüber,um zu erkennen, welche Tiles und die damit zugehörigen Daten der ETH für uns wichtig sind. Untersucht des weiteren die Umlaufbahnen.
-
Erstellung Bern-Datensatz: Erstellung des hdf5 file. Zusammenstellung der gerasterten Ground Truth sowie die Sentinel2 Daten. Ziel: gleiche Datenstruktur wie ZüriCrop Datensatz.
Here you find our reports of the various experiments:
- Reproduction Report of of ZueriCrop Paper
- Reduction of Noise
- Increasing Model Complexity
- Initialisation and Tuning experiments
- open
cmd cd /your/local/github/repofolder/pipenv install- Restart VS Code
- Choose the newly created "AgroLuege" Virtual Environment python Interpreter
- open
cmd cd /your/local/github/repofolder/pipenv sync
| Folder | Subfolders | Description |
|---|---|---|
| data | Directory for data processing, handling and download | |
| eda | Exploratory Data Analysis files | |
| models | Directory for model architecture files | |
| raw_data | BernCrop, LANDKULT, ZueriCrop | Raw data files like HDF5, labels and vector features |
| └── BernCrop | tiles | folder for single tiles of BernCrop (only local) |
| └── LANDKULT | data, metadata, symbol, table | Raw data for LANDKULT data, ground truth and vector features |
| └── data | tiles | Data shapes for tiles |
| └── metadata | layer | Metadata for LANDKULT |
| └── ZueriCrop | Raw data for ZueriCrop (only local) | |
| scripts | Scripts and code files | |
| src | Source code files for DL pipeline |