Nous avons mis au point une technique d'apprentissage automatique pour détecter et identifier les obstructions nuageuses. D'abord, nous devons aider FieldViewMC à apprendre à quoi ressemblent les nuages. Notre outil d'imagerie de la santé des parcelles a été bâti pour analyser les images de cultures. En un sens, nous avons dû « enseigner » ou « entraîner » FieldView à identifier un nuage. Ce processus est couramment appelé « apprentissage automatique ». Mais comment enseigner à une technologie?
our les humains, une photo est un objet. Un ordinateur, par contre, traitera une image comme un ensemble de pixels. Quand FieldView reçoit une image de santé d'une parcelle, il balaie individuellement chaque pixel de la photo à la recherche de couleurs et de motifs spécifiques. Quand il rencontre un nuage blanc ou une ombre foncée, il signale un potentiel problème de santé de la culture, alors qu'en réalité, ils n'en est probablement rien.
Notre solution a été de créer ce qu'on appelle un « classificateur » pour séparer automatiquement les parties de l'image qui montrent des signes d'obstruction nuageuse. Nous avons enseigné au classificateur à le faire en utilisant des centaines de milliers d'images de nuages de toutes formes, tailles et transparence. Ces images ont été analysées dans différents paysages et à différents moments de la saison de croissance, ce qui a permis au classificateur d'apprendre à identifier les nuages. Cette innovation permet à FieldView de fournir une bonne image de la santé d'une parcelle, même si une partie de l'image a été obstruée par les nuages.