Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping
Diese Studie evaluiert zehn Algorithmen des maschinellen Lernens unter Verwendung von Harmonized Landsat-Sentinel-Bilddaten und Fruchtfolge-Daten, um zu demonstrieren, dass Support Vector Machines Mais in Iowa und Mandeln in Kalifornien mit einer Auflösung von 30 m bis Anfang Juni präzise kartieren können, was ein Werkzeug für die landwirtschaftliche Überwachung während der Saison und für Notfallmaßnahmen in Echtzeit bereitstellt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Landwirt oder ein Lebensmittelsicherheitsbeauftragter, der versucht zu erraten, welche Nutzpflanzen gerade auf einem Feld wachsen, mitten in der Wachstumsperiode. Normalerweise teilt die Regierung (USDA) erst nach der Ernte – oft Monate später – mit, was gepflanzt wurde. Aber wenn jetzt eine Flut oder ein Schädlingsbefall auftritt, müssen Sie es sofort wissen.
Dieses Papier ist wie ein riesiger „Kochwettbewerb“, bei dem zehn verschiedene Computer-Köche (Maschinelle Lernalgorithmen) versuchen herauszufinden, was auf den Feldern wächst, indem sie einfach nur Fotos aus dem Weltraum betrachten. Das Ziel ist es zu sehen, welcher Koch die Pflanzenart am genauesten bis Anfang Juni erraten kann, noch vor der Ernte.
Hier ist eine einfache Aufschlüsselung dessen, was sie gemacht haben und was sie herausgefunden haben:
Die Zutaten (Daten)
Den Köchen wurden zwei Hauptzutaten zur Verfügung gestellt:
- Weltraumfotos: Sie verwendeten eine spezielle Mischung aus Satellitenbildern (von NASA- und europäischen Satelliten), die alle paar Tage Bilder der Erde aufnehmen. Sie untersuchten, wie die Pflanzen das Licht reflektieren (so wie ein rotes T-Shirt anders aussieht als ein grünes) und wie sich dies im Laufe der Zeit verändert.
- Die Familiengeschichte: Man gab den Computern auch einen „Stammbaum“ des Landes. Sie schauten sich an, was in genau dieser Stelle in den letzten vier Jahren gepflanzt wurde. Wenn zum Beispiel an einer Stelle vier Jahre hintereinander Mandeln angebaut wurden, ist es sehr wahrscheinlich, dass dort auch wieder Mandeln wachsen.
Die Teilnehmer (Die Algorithmen)
Die Forscher testeten zehn verschiedene Arten von Computergehirnen (Algorithmen). Einige waren wie einfache Regelbefolger, andere wie komplexe Mustererkennungssysteme. Sie testeten sie bei zwei sehr unterschiedlichen Herausforderungen:
- Die Iowa-Mais-Challenge: In Iowa sind die Felder riesig und bestehen hauptsächlich aus Mais und Soja. Das Problem hier ist, dass Mais und Soja sich sehr ähnlich sehen, als würde man versuchen, zwei identische Zwillinge voneinander zu unterscheiden.
- Die Kalifornien-Mandel-Challenge: In Kalifornien sind die Farmen kleiner und mit vielen verschiedenen Kulturen gemischt (Walnüsse, Trauben, Tomaten). Das Problem hier ist, dass Mandeln in diesem Mix selten sind, wie das Finden einer bestimmten Nadel in einem Heuhaufen voller anderer Nadeln.
Die Spielregeln
Um einen fairen Test zu gewährleisten, ließen sie die Computer nicht einfach mit den Daten des letzten Jahres üben, um dann im nächsten Jahr zu raten. Stattdessen nutzten sie einen „Jährlichen Kreuztest“.
- Sie trainierten die Computer mit Daten aus vier Jahren (z. B. 2018–2021).
- Dann baten sie die Computer, die Pflanze für das fünfte Jahr (2022) zu erraten, das sie noch nie gesehen hatten.
- Diesen Vorgang wiederholten sie fünfmal, wobei das Jahr, das als „Testjahr“ diente, jeweils wechselte. Dies ist entscheidend, da sich das Wetter jedes Jahr ändert und ein Modell, das in einem nassen Jahr funktioniert, in einem trockenen Jahr versagen kann.
Die Ergebnisse: Wer hat gewonnen?
Nachdem sie tausende verschiedene Einstellungen durchlaufen hatten (wie das Abschmecken einer Speise), fanden sie heraus:
Die besten Köche: Die Gewinner waren Support Vector Machines (SVMs). Betrachten Sie diese als die präzisesten Köche, die in der Lage sind, sehr scharfe Linien zwischen verschiedenen Nutzpflanzen zu ziehen.
- Für die Kalifornischen Mandeln erreichte das beste Modell einen Wert von 0,74 (von 1,0). Das bedeutet, es war ziemlich gut darin, Mandeln früh in der Saison zu entdecken.
- Für den Iowa-Mais lag das beste Modell bei einem Wert von 0,59. Dieser Wert war niedriger, weil Mais und Soja so ähnlich sind, dass selbst der beste Computer Schwierigkeiten hatte, sie in einem frühen Stadium zu unterscheiden.
Früh vs. Spät: Überraschenderweise schnitten die Modelle, die nur Fotos bis Anfang Juni sahen, genauso gut ab wie Modelle, die die Fotos des gesamten Jahres betrachteten. Es stellt sich heraus, dass die „Familiengeschichte“ (was zuvor dort wuchs) kombiniert mit den Fotos der ersten Monate ausreichte, um eine gute Vermutung anzustellen. Man muss nicht bis zum Ende der Saison warten.
Die Überraschung bei der „Stichprobengröße“: Die Forscher dachten, sie müssten den Computern jeden einzelnen Pixel an Daten füttern (Millionen von Punkten). Aber sie fanden heraus, dass es genauso gut funktionierte, wenn sie dem Computer nur 0,1 % der Daten (eine winzige Stichprobe) fütterten. Es ist wie beim Probieren eines Löffels Suppe, um zu wissen, ob sie Salz braucht; man muss nicht den ganzen Topf essen, um den Geschmack zu kennen.
Der Haken: Das Wetter ist unvorhersehbar
Die wichtigste Erkenntnis war nicht nur, welcher Algorithmus gewann, sondern wie stark die Ergebnisse von Jahr zu Jahr schwankten.
- In einigen Jahren waren die Modelle großartig. In anderen hatten sie Schwierigkeiten.
- Warum? Weil sich die Landwirtschaft verändert. Im Jahr 2020 beispielsweise verdreifachte sich die Menge der Mandelflächen in Kalifornien plötzlich. Der Computer, der auf alten Mustern trainiert war, wurde verwirrt, weil die „Familiengeschichte“ nicht mit der neuen Realität übereinstimmte.
- Das bedeutet, dass es keine einzige „perfekte“ Einstellung gibt, die jedes Jahr funktioniert. Die besten Einstellungen für ein nasses Jahr könnten für ein trockenes Jahr falsch sein.
Das Fazament
Diese Studie beweist, dass wir Computermodelle entwickeln können, die Nutzpflanzen kartieren, während sie noch wachsen, was für die Reaktion auf Katastrophen wie Überschwemmungen oder Schädlingsbefall lebenswichtig ist. Das beste Werkzeug für diesen Job ist eine Support Vector Machine, aber wir müssen akzeptieren, dass die Genauigkeit je nach Wetter und den landwirtschaftlichen Entscheidungen dieses spezifischen Jahres schwanken wird.
Die Autoren schlagen vor, dass wir in Zukunft diese Modelle mit zusätzlichen Informationen (wie Wetterprognosen oder Wirtschaftsnachrichten) kombinieren könnten, um den Computern zu helfen, diese überraschenden Jahre besser zu bewältigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.