Ein neuer technologischer Ansatz, der von Forschern der University of Minnesota entwickelt wurde, wird es wichtigen Interessengruppen ermöglichen, wichtige Pflanzenarten früher als je zuvor in der Saison zu identifizieren.
Satellitenbilder werden seit langem von landwirtschaftlichen Behörden verwendet, um festzustellen, welche Pflanzen auf dem Feld angebaut werden. Auf diese Weise können Interessengruppen Getreidevorräte vorhersagen, Ernteschäden aufgrund von Umweltfaktoren bewerten und die Logistik der Lieferkette koordinieren.
Obwohl diese Informationen von entscheidender Bedeutung sind, sind derzeit verfügbare Produkte zur Kartierung von Feldfrüchten nicht in der Lage, diese Statistiken zu Beginn der Landwirtschaftssaison bereitzustellen. Beispielsweise wird der Crop Data Layer (CDL), ein nationales Erntekartenprodukt des USDA National Agricultural Statistics Service, oft erst vier bis sechs Monate nach der Herbsternte veröffentlicht. Dies ist auf den langwierigen Erfassungsprozess von Bodeninformationen zurückzuführen, der zum Trainieren des Backend-Algorithmus zum Trennen von Pflanzen aus Satellitenbildern erforderlich ist.
In einer kürzlich veröffentlichten Studie in Fernerkundung der Umwelterklären Forscher der University of Minnesota ihre Entwicklung einer neuen Methode, die es den Beteiligten ermöglichen würde, bereits im Juli zu wissen, wo Mais- und Sojabohnenkulturen angebaut werden, mit ähnlicher Genauigkeit wie beim USDA CDL und ohne die Notwendigkeit von Bodenuntersuchungen.
Mit der schnell wachsenden Verfügbarkeit von Satellitendaten und den Fortschritten in der künstlichen Intelligenz und im Cloud-Computing hat sich der Engpass der satellitengestützten Kartierung von Pflanzenarten in Richtung eines Mangels an Ground-Truth-Etiketten verlagert, bei denen es sich um Aufzeichnungen von Pflanzenarten an bestimmten Standorten handelt. In solchen Fällen haben Wissenschaftler versucht, veraltete Etiketten zu verwenden, um Nutzpflanzen im Zieljahr zu identifizieren.
Um beispielsweise Pflanzenarten im Jahr 2022 zu kartieren, würden Wissenschaftler ein Modell entwickeln, das Etiketten verwendet, die 2021, 2020 oder sogar früher gesammelt wurden, um ein Modell zu entwickeln, wenn eine neue Bodenvermessung nicht verfügbar oder nicht durchführbar ist. Diese Art von Modell versagt jedoch häufig, da Änderungen des Bodens, des Wetters und der Bewirtschaftungspraktiken in einem bestimmten Jahr das Aussehen der Pflanzen auf Satellitenbildern verändern können.
Um die Notwendigkeit des Sammelns von Bodenetiketten zu umgehen, generiert die von diesem Forschungsteam entwickelte Methode Pseudo-Etiketten (sie werden „Pseudo“ genannt, weil diese Etiketten nicht von Feldern gesammelt werden) in jedem Zieljahr auf der Grundlage historischer Karten von Pflanzenarten.
Diese Methode ahmt nach, wie Menschen Objekte anhand ihrer relativen Positionen (auch als Topologiebeziehungen bezeichnet) auf einem Bild identifizieren, und verwendet ein Computer-Vision-Modell, um Mais und Sojabohnen anhand ihrer Topologiebeziehungen in einem zweidimensionalen Raum zu identifizieren, der aus Satellitenbildern abgeleitet wurde. Diese generierten Pseudo-Etiketten haben eine ähnliche Qualität wie auf dem Feld gesammelte Etiketten und können für die wichtige Aufgabe der Kartierung von Pflanzenarten in der frühen Saison verwendet werden.
„Dies ist ein Paradigmenwechsel-Ansatz, der die Computer-Vision-Technologie verwendet, um nachzuahmen, wie Menschen verschiedene Dinge auf Fotos erkennen. Das macht nicht nur Spaß, sondern ist auch wirkungsvoll, weil es hilft, Zeit und Arbeit bei der Durchführung von Feldstudien zu sparen, und es uns ermöglicht, genaue Vorhersagen zu treffen Pflanzenarten bereits im Juli“, sagte Zhenong Jin, Ph.D., Assistenzprofessor in der Abteilung für Bioprodukte und Biosystemtechnik an der Universität von Minnesota.
„Wir haben festgestellt, dass stabile topologische Beziehungen für verschiedene Pflanzen in verschiedenen Jahren und verschiedenen Ländern bestehen, was darauf hinweist, dass unser Ansatz das Potenzial hat, auf einen allgemeinen Rahmen erweitert zu werden, der für viele verschiedene Szenarien funktioniert“, sagte Chenxi Lin, Ph.D. Kandidat und Erstautor der von Jin beratenen Arbeit.
Die Studie ergab außerdem:
Darüber hinaus sind die aus dem vorgeschlagenen Ansatz generierten qualitativ hochwertigen Karten der Fruchtarten für die frühe Saison auch für eine Vielzahl anderer Aktivitäten nützlich.
Eine umfassende und zeitnahe Überwachung der versicherten Ackerflächen ist für Versicherungsunternehmen von Vorteil, um ihre Produkte besser zu gestalten. Darüber hinaus können die Anbauflächen- und Produktionsschätzung Rohstoffhändlern dabei helfen, die Preise besser zu prognostizieren und sich entsprechend abzusichern.
Mit Blick auf die Zukunft erkennen die Forscher an, dass die Umsetzung dieses Ansatzes auf ausreichenden historischen Ground-Truth-Etiketten beruht, was für ressourcenreiche Regionen wie die Vereinigten Staaten kein Problem darstellt, für Regionen wie Afrika jedoch eine begrenzte Ressource darstellt.
Die Umsetzung des Ansatzes in unterentwickelten Ländern wie vielen in Afrika könnte jedoch tiefgreifendere Auswirkungen auf das Endziel haben, eine ernährungssichere Welt zu erreichen. Das Team plant, das in dieser Studie vorgestellte Framework auf diese Regionen auszudehnen, indem es andere fortschrittliche Deep-Learning-Algorithmen integriert, um den Bedarf an historischen Labels zu reduzieren.
Chenxi Lin et al, Früh- und In-Saison-Erntetypkartierung ohne Grundwahrheit des laufenden Jahres: Generieren von Etiketten aus historischen Informationen über einen topologiebasierten Ansatz, Fernerkundung der Umwelt (2022). DOI: 10.1016/j.rse.2022.112994