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

Immagina di cercare di smistare una scatola gigante e disordinata di LEGO dove ogni pezzo sembra quasi identico, ma alcuni dovrebbero essere auto rosse e altri camion blu. Ora, immagina di farlo non con le tue mani, ma dallo spazio, guardando verso il basso un mosaico di fattorie dove piccoli campi sono intrecciati insieme come un nodo di lana. Questa è la sfida della "mappatura del tipo di coltura" nell'agricoltura dei piccoli proprietari. Gli scienziati usano i satelliti per scattare foto della Terra, ma quando gli agricoltori piantano colture diverse proprio l'una accanto all'altra in lotti piccoli e irregolari, i colori (o "firme spettrali") delle piante spesso si confondono tra loro. È come cercare di distinguere una fragola da un lampone guardando solo una foto sfocata da un miglio di distanza. Per risolvere questo, i ricercatori devono essere intelligenti su quando scattare la foto. Proprio come un bruco appare diverso da una farfalla, le colture cambiano il loro "outfit" (colore e forma) mentre crescono durante le stagioni. Aspettando il momento perfetto nel ciclo di vita della pianta e usando computer potenti per analizzare i dati, gli scienziati possono districare il caos e vedere esattamente cosa sta crescendo dove. Questo è importante perché sapere cosa coltivano gli agricoltori ci aiuta a gestire l'acqua, prevedere le scorte alimentari e proteggere l'ambiente.

---

La Grande Storia del Detective delle Colture: Svelare l'Enigma delle Fattorie Iraniane

Nel cuore della provincia di Chaharmahal-Va Bakhtiari, in Iran, si trova la contea di Saman, un luogo famoso per i suoi mandorli e i suoi peschi. Ma ecco il problema: il paesaggio è un caos bellissimo. Immagina un'insalata gigante dove frutteti di alberi da frutto sono mescolati a campi di grano, riso e orzo, tutti stipati in lotti piccoli e irregolari. Per un satellite che guarda dall'alto, questo appare come una confusione sfocata di verde. Gli alberi e le colture cerealicole spesso sembrano così simili che le foto satellitari standard non riescono a distinguerli. È come cercare di identificare una persona specifica in una folla dove tutti indossano la stessa felpa con cappuccio verde.

Un team di ricercatori ha deciso di decifrare questo codice usando un parco giochi digitale super potente chiamato Google Earth Engine (GEE). Pensa a GEE come a una gigantesca biblioteca basata sul cloud che contiene quasi tutte le foto che i satelliti Sentinel-2 abbiano mai scattato. Invece di scaricare terabyte di dati su un singolo computer, i ricercatori hanno usato questo gigante del cloud per setacciare anni di immagini istantaneamente.

Il "Quando" Conta Più del "Cosa"

Il primo grande ostacolo era il tempismo. Se scatti una foto a un pesco e a un campo di grano nel mezzo dell'inverno, entrambi appaiono marroni e dormienti. Se scatti una foto all'inizio della primavera, potrebbero apparire entrambi come generici blob verdi. I ricercatori si sono resi conto che, per distinguerli, dovevano coglierli esattamente nel momento in cui le loro "personalità" divergevano.

Hanno trattato le colture come attori su un palco, ognuno con il proprio programma. Alcune colture, come ciliegi e noci, raggiungevano il picco all'inizio dell'estate (maggio-luglio) e poi iniziavano a svanire man mano che venivano raccolte. Altre, come peschi e mandorli, erano le "ritardatrici", rimanendo silenziose all'inizio dell'estate per poi esplodere con una crescita verde in agosto e settembre. L'uva era la costante, crescendo lentamente e regolarmente per tutta la stagione.

Per trovare il momento perfetto per scattare la foto, il team ha utilizzato uno strumento matematico chiamato indice di Divergenza Trasformata (TD). Puoi pensare al TD come a un "misuratore di differenza". Misura quanto due gruppi di colture appaiono diversi l'uno dall'altro. Se il misuratore legge un valore basso, le colture sembrano troppo simili (male per la classificazione). Se legge un valore alto, sembrano distinte (ottimo per la classificazione).

Eseguendo questo "misuratore di differenza" su dati mensili dal 2020 al 2022, hanno scoperto una finestra d'oro: da maggio a settembre. Durante questi cinque mesi, le colture erano al loro punto di massima distinzione. Il "misuratore di differenza" mostrava che le colture si stavano chiaramente separando, rendendo possibile distinguere un pesco da un campo di grano con alta fiducia. Hanno scoperto che non avevano bisogno di ogni singola foto disponibile; bastavano cinque scatti mensili accuratamente scelti per fare il lavoro, riducendo il volume dei dati di circa il 60% pur mantenendo l'accuratezza altissima.

Aggiungere l'Indizio della "Topografia"

Ma anche con il tempismo perfetto, alcune colture sembravano ancora troppo simili. Mandorli e ciliegi, ad esempio, o noci e mele, possono sembrare molto simili dallo spazio. Così, i ricercatori hanno aggiunto un'arma segreta: la topografia.

Immagina il paesaggio come una torta gigante e irregolare. Alcune parti sono piatte, altre ripide, e alcune sono rivolte al sole mentre altre si nascondono nell'ombra. I ricercatori si sono resi conto che diverse colture hanno i loro "posti preferiti" su questa torta.

• Il riso cresce solo nei punti bassi e pianeggianti dove l'acqua ristagna (come una vasca da bagno allagata).
• I peschi amano i pendii soleggiati rivolti a sud.
• Le noci preferiscono i lati più freschi rivolti a nord per mantenere l'umidità.
• Gli mandorli sono resistenti e frequentano i pendii caldi e secchi rivolti a sud ad altitudini elevate.

Nutrendo il computer con una mappa dell'altezza del terreno (DEM), della pendenza e dell'orientamento (aspect), i ricercatori hanno dato all'algoritmo una "memoria geografica". Non stava più solo indovinando in base al colore; stava dicendo: "Questa macchia verde si trova su una collina ripida rivolta a nord, quindi probabilmente è un noce, non una mela". Questo strato extra di informazioni ha aiutato a districare le colture che sembravano ancora troppo simili.

L'Algoritmo Magico: Random Forest

Con il tempismo perfetto e gli indizi topografici in mano, il team ha utilizzato un algoritmo di machine learning chiamato Random Forest (RF). Se immagini una foresta di decisori, ognuno dei quali pone una domanda semplice come "È maggio?" o "La pendenza è ripida?", la Random Forest è una folla di centinaia di questi decisori che votano insieme. Poiché così tanti "alberi" stanno votando, la decisione finale è incredibilmente intelligente e resistente agli errori.

Hanno addestrato questa foresta digitale utilizzando 1.500 punti reali che hanno visitato sul campo con dispositivi GPS. Hanno mostrato al computer il 70% di questi punti per imparare i modelli, e poi lo hanno testato sul restante 30% per vedere se riusciva a indovinare correttamente senza aiuto.

I Risultati: Un Tasso di Successo del 95%

Il risultato è stata una mappa incredibilmente accurata dell'intera contea. Il computer ha identificato correttamente i tipi di coltura il 95% delle volte. Questo è un successo enorme per un paesaggio così disordinato e complicato.

• Gli mandorli erano i re della collina, coprendo oltre il 65% delle terre agricole.
• I peschi e le noci arrivavano al secondo e terzo posto.
• Le colture annuali come il riso e il grano/orzo erano i pezzi più piccoli e sparsi del puzzle.

I ricercatori hanno persino verificato il loro lavoro confrontandolo con i registri ufficiali del governo (l'Annuario Statistico Agricolo). La mappa creata corrispondeva quasi perfettamente ai numeri del governo, con un punteggio di correlazione di 0,96. Ciò significa che la mappa non era solo una bella immagine; era uno strumento affidabile che poteva essere usato per contare accuratamente le colture.

Perché Questo è Importante

Questo studio dimostra che non serve un sistema super complesso ed costoso per mappare piccole fattorie disordinate. Combinando un tempismo intelligente (aspettare la stagione giusta), conoscendo la conformazione del terreno (topografia) e usando un potente computer in cloud, si può districare anche i paesaggi agricoli più confusi.

I ricercatori hanno dimostrato che, isolando le case e i fiumi (che possono sembrare colture e confondere il computer) e concentrandosi sui mesi specifici in cui le colture appaiono più diverse, si può ottenere un'immagine chiara di ciò che sta crescendo. Questo aiuta i pianificatori locali a gestire meglio l'acqua, prevedere i raccolti e garantire che la terra sia utilizzata in modo sostenibile. È un promemoria del fatto che, a volte, il modo migliore per vedere l'intera foresta è aspettare la stagione giusta e guardare gli alberi dall'angolo giusto.