Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

Stellen Sie sich vor, Sie versuchen, eine riesige, unordentliche Kiste mit LEGO-Steinen zu sortieren, bei denen jedes Teil fast identisch aussieht, aber einige rote Autos und andere blaue LKWs sein sollen. Stellen Sie sich nun vor, Sie tun dies nicht mit Ihren Händen, sondern aus dem Weltraum heraus, während Sie auf eine Patchwork-Decke aus Bauernhöfen hinabblicken, bei denen winzige Felder wie ein Knoten aus Garn ineinander verschlungen sind. Dies ist die Herausforderung des „Crop Type Mapping“ (Anbauart-Kartierung) in der kleinbäuerlichen Landwirtschaft. Wissenschaftler nutzen Satelliten, um Bilder der Erde aufzunehmen, aber wenn Landwirte direkt nebeneinander verschiedene Nutzpflanzen auf kleinen, unregelmäßigen Parzellen anbauen, verschwimmen die Farben (oder „spektralen Signaturen“) der Pflanzen oft ineinander. Es ist, als würde man versuchen, den Unterschied zwischen einer Erdbeere und einer Himbeere zu erkennen, indem man nur ein unscharfes Foto aus einer Meile Entfernung betrachtet. Um dies zu lösen, müssen Forscher klug entscheiden, wann sie das Foto machen. Genau wie eine Raupe im Laufe ihrer Entwicklung anders aussieht als ein Schmetterling, ändern auch Nutzpflanzen im Laufe der Jahreszeiten ihr „Outfit“ (Farbe und Form). Indem sie auf den perfekten Moment im Lebenszyklus der Pflanze warten und leistungsstarke Computer zur Analyse der Daten nutzen, können Wissenschaftler das Chaos entwirren und genau sehen, was wo wächst. Das ist wichtig, denn zu wissen, was die Landwirte anbauen, hilft uns, Wasser zu bewirtschaften, Nahrungsmittelvorräte vorherzusagen und die Umwelt zu schützen.

---

Die große Detektivgeschichte der Nutzpflanzen: Das Entwirren des iranischen Farm-Rätsels

Im Herzen der iranischen Provinz Chaharmahal-Va Bakhtiari liegt der Landkreis Saman, ein Ort, der berühmt für seine Mandeln und Pfirsiche ist. Aber hier ist der Haken: Die Landschaft ist ein chaotisches, schönes Durcheinander. Stellen Sie sich ein riesiges Salatbuffet vor, in dem Obstplantagen mit Obstbäumen mit Feldern aus Weizen, Reis und Gerste vermischt sind, die alle in winzigen, unregelmäßigen Parzellen zusammengedrängt liegen. Für einen Satelliten, der von oben herabblickt, sieht das wie ein verwirrender grüner Schleier aus. Die Bäume und die Getreidekulturen sehen sich oft so ähnlich, dass Standard-Satellitenfotos sie nicht unterscheiden können. Es ist, als versuche man, eine bestimmte Person in einer Menge zu identifizieren, in der alle denssten grünen Kapuzenpullover tragen.

Ein Team von Forschern beschloss, diesen Code mithilfe eines superstarken digitalen Spielplatzes namens Google Earth Engine (GEE) zu knacken. Betrachten Sie GEE als eine riesige, cloudbasierte Bibliothek, die fast jedes Foto enthält, das die Sentinel-2-Satelliten jemals aufgenommen haben. Anstatt Terabytes an Daten auf einen einzelnen Computer herunterzuladen, nutzten die Forscher diesen Cloud-Giganten, um in Sekundenschnelle durch Jahre von Bildern zu sieben.

Das „Wann“ zählt mehr als das „Was“

Die erste große Hürde war das Timing. Wenn man im tiefsten Winter ein Foto von einem Pfirsichbaum und einem Weizenfeld macht, sehen beide braun und ruhend aus. Wenn man im frühen Frühling ein Foto macht, könnten beide wie generische grüne Klumpen aussehen. Den Forschern wurde klar, dass sie die Pflanzen genau in dem Moment erfassen mussten, in dem sich ihre „Persönlichkeiten“ voneinander abheben mussten, um sie unterscheiden zu können.

Sie behandelten die Nutzpflanzen wie Schauspieler auf einer Bühne, jeder mit seinem eigenen Zeitplan. Einige Kulturen, wie Kirschen und Walnüsse, erreichten ihren Höhepunkt im frühen Sommer (Mai bis Juli) und begannen dann zu verblassen, während sie geerntet wurden. Andere, wie Pfirsiche und Mandeln, waren die Spätentwickler, die im frühen Sommer eher ruhig blieben und dann im August und September in ein explosives Grün explodierten. Weintrauben waren die Beständigen, die das ganze Jahr über langsam und stetig wuchsen.

Um den perfekten Zeitpunkt für das Foto zu finden, nutzte das Team ein mathematisches Werkzeug namens Transformed Divergence (TD)-Index. Sie können sich TD als einen „Differenzmesser“ vorstellen. Er misst, wie sehr sich zwei Gruppen von Nutzpflanzen voneinander unterscheiden. Wenn der Messwert niedrig ist, sehen die Pflanzen sich zu ähnlich (schlecht zum Sortieren). Wenn er hoch ist, sind sie deutlich unterscheidbar (gut zum Sortieren).

Durch die Anwendung dieses „Differenzmessers“ auf monatliche Daten von 2020 bis 2022 entdeckten sie ein goldenes Zeitfenster: Mai bis September. In diesen fünf Monaten waren die Nutzpflanzen am deutlichsten voneinander abgegrenzt. Der „Differenzmesser“ zeigte, dass sich die Kulturen klar voneinander absetzten, was es möglich machte, einen Pfirsichbaum mit hoher Zuversicht von einem Weizenfeld zu unterscheiden. Sie fanden heraus, dass sie nicht jedes verfügbare Foto benötigten; fünf sorgfältig ausgewählte monatliche Schnappschüsse reichten aus, um die Aufgabe zu erledigen, wodurch das Datenvolumen um etwa 60 % reduziert wurde, während die Genauigkeit extrem hoch blieb.

Das topografische Indiz hinzufügen

Doch selbst mit dem perfekten Timing sahen einige Kulturen immer noch zu ähnlich aus. Mandeln und Kirschen beispielsweise oder Walnüsse und Äpfel können aus dem Weltraum betrachtet sehr ähnlich aussehen. Deshalb setzten die Forscher eine Geheimwaffe ein: die Topografie.

Stellen Sie sich die Landschaft wie eine riesige, unebene Torte vor. Einige Teile sind flach, einige steil, und einige liegen in der Sonne, während andere im Schatten liegen. Die Forscher erkannten, dass verschiedene Kulturen spezifische „Lieblingsplätze“ auf dieser Torte haben.

• Reis wächst nur in den flachen, tiefliegenden Gebieten, in denen sich Wasser sammelt (wie in einer überfluteten Badewanne).
• Pfirsiche lieben die sonnigen, nach Süden ausgerichteten Hänge.
• Walnüsse bevorzugen die kühleren, nach Norden ausgerichteten Seiten, um die Feuchtigkeit zu halten.
• Mandeln sind robust und halten sich an den heißen, trockenen Südhängen in größeren Höhen auf.

Indem sie dem Computer eine Karte der Geländehöhe (DEM), der Hangneigung und der Ausrichtung (Aspekt) einspeisten, gaben die Forscher dem Algorithmus ein „geografisches Gedächtnis“. Er rät nicht mehr nur basierend auf der Farbe; er sagt: „Dieses grüne Stück liegt auf einem steilen, nach Norden gerichteten Hügel, also ist es wahrscheinlich eine Walnuss und kein Apfel.“ Diese zusätzliche Informationsebene half dabei, die Nutzpflanzen zu entwirren, die sich immer noch zu ähnlich sahen.

Der magische Algorithmus: Random Forest

Mit dem perfekten Timing und den topografischen Hinweisen in der Hand nutzte das Team einen Machine-Learning-Algorithmus namens Random Forest (RF). Wenn Sie sich einen Wald von Entscheidungsträgern vorstellen, von denen jeder eine einfache Frage stellt wie „Ist es Mai?“ oder „Ist der Hang steil?“, dann ist der Random Forest eine Menge von Hunderten dieser Entscheidungsträger, die gemeinsam abstimmen. Da so viele „Bäume“ abstimmen, ist die endgültige Entscheidung unglaublich intelligent und resistent gegen Fehler.

Sie trainierten diesen digitalen Wald mit 1.500 realen Punkten, die sie mit GPS-Geräten vor Ort besuchten. Sie zeigten dem Computer 70 % dieser Punkte, damit er die Muster lernt, und testeten ihn dann an den verbleibenden 30 %, um zu sehen, ob er ohne Hilfe korrekt raten konnte.

Die Ergebnisse: Eine Erfolgsquote von 95 %

Das Ergebnis war eine beeindruckend genaue Karte des gesamten Landkreises. Der Computer identifizierte die Nutzparten in 95 % der Fälle korrekt. Das ist ein gewaltiger Erfolg für eine so unordentliche, komplizierte Landschaft.

• Mandeln waren die Könige der Hügel und bedeckten über 65 % der landwirtschaftlichen Fläche.
• Pfirsiche und Walnüsse folgten auf den zweiten und dritten Platz.
• Die einjährigen Kulturen wie Reis und Weizen/Gerste waren die kleinsten, verstreuten Teile des Puzzles.

Die Forscher überprüften ihre Arbeit sogar anhand offizieller Regierungsdaten (Agricultural Statistical Yearbook). Die von ihnen erstellte Karte stimmte fast perfekt mit den Zahlen der Regierung überein, mit einem Korrelationswert von 0,96. Das bedeutet, dass die Karte nicht nur ein schönes Bild war, sondern ein zuverlässiges Werkzeug, mit dem man die Kulturen präzise zählen konnte.

Warum das wichtig ist

Diese Studie beweist, dass man kein superkomplexes, teures System benötigt, um kleine, unordentliche Farmen zu kartieren. Indem man kluges Timing (Warten auf die richtige Saison), Wissen über die Beschaffenheit des Landes (Topografie) und einen leistungsstarken Cloud-Computer kombiniert, kann man selbst die verwirrendsten Agrarlandschaften entwirren.

Die Forscher zeigten, dass man – indem man Häuser und Flüsse ausblendet (die wie Nutzpflanzen aussehen und den Computer verwirren können) und sich auf die spezifischen Monate konzentriert, in denen die Kulturen am unterschiedlichsten aussehen – ein klares Bild davon bekommt, was dort wächst. Dies hilft lokalen Planern, Wasser besser zu bewirtschaften, Ernten vorherzusagen und sicherzustellen, dass das Land nachhaltig genutzt wird. Es ist eine Erinnerung daran, dass der beste Weg, den ganzen Wald zu sehen, manchmal darin besteht, auf die richtige Jahreszeit zu warten und die Bäume aus dem richtigen Winkel zu betrachten.