The first global agricultural field boundary map at 10m resolution

Technische Samenvatting: De Eerste Wereldwijde Kaart van Agrarische Veldgrenzen met 10 m Resolutie

Probleemstelling
Het agrarische veld is de fundamentele eenheid voor aanplant, beheer, regulering en rapportage van gewassen. De meeste wereldwijde producten voor landbouwgerelateerde remote sensing (bijvoorbeeld maskers voor akkerland, vegetatie-indices) werken echter op pixelniveau en behandelen het landschap als een continu oppervlak. Dit creëert een aanhoudend misverstand tussen satellietgebaseerde monitoring en de organisatie van de landbouw op de grond. Hoewel er hoogwaardige gegevens op veldniveau bestaan voor delen van Europa via perceelsregisters (LPIS) of voor individuele landen via machine learning (ML)-producten, heeft tot nu toe geen openbaar beschikbaar, wereldwijd consistent kaartbeeld van agrarische veldgrenzen bestaan. Bestaande regionale modellen kunnen geen vergelijkbare kwaliteit over landsgrenzen heen garanderen, en handmatige digitalisering is te traag en duur voor wereldwijde schalen. Bovendien is het totale aantal agrarische velden wereldwijd onbekend, wat een ontbrekende basislijn vormt voor kwantitatieve analyse van wereldwijde voedselproductie en landgebruik.

Methodologie
De auteurs presenteren een drie-trapsbenadering om de eerste wereldwijde dataset van veldgrenzen met 10 m resolutie voor 2024 en 2025 te genereren:

1. Modeltraining: De studie gebruikte het PRUE-model, een U-Net-architectuur met een EfficientNet-B7-encoder, getraind op de benchmarkdataset "Fields of The World" (FTW). FTW biedt 1,6 miljoen veldpolygonen uit 24 landen, gekoppeld aan bi-temporele Sentinel-2-beelden. Het model voert semantische segmentatie uit in drie klassen (veldomgeving, veldgrens, achtergrond) met 10 m resolutie.
2. Mosaïekgeneratie en Wereldwijde Inferentie: Wolkenvrije Sentinel-2-mosaïeken werden gegenereerd voor de oogst- en aanplantseizoenen over alle landoppervlakten tussen 60°Z en 84°N. De auteurs selecteerden scènes met <20% bewolking en berekenden per-pixel mediaanwaarden voor de rode, groene, blauwe en nabij-infraroodbanden. Inferentie werd uitgevoerd op overlappende 256×256 pixelpatches met behulp van een cluster van 256 NVIDIA A10G GPU's. Voorspellingen werden samengevoegd met behulp van Gaussisch gewogen middeling, en individuele veldinstanties werden geëxtraheerd via connected component-analyse op de voorspelde veldomgeving-klasse.
3. Validatie en Vertrouwensmodellering:
   • Validatie: Het model werd geëvalueerd tegen grondwahrheidsgegevens in 24 landen (recall op pixelniveau) en tegen volledige nationale LPIS/INVEKOS-databases in Oostenrijk, Letland en Finland (precisie, recall, F1).
   • Vertrouwenslaag: Om het gebrek aan referentiegegevens in het grootste deel van de wereld aan te pakken, werd een 500 m vertrouwenslaag ontwikkeld. Deze laag voorspelt of een 500 m-cel waarachtig positieve veldvoorspellingen bevat. Deze werd getraind met een Random Forest-classificator op kenmerken afgeleid van modeloutput (entropie, voorspellingdichtheid) en, in sommige configuraties, overeenstemming met acht onafhankelijke wereldwijde akkerlandproducten. Het model onderscheidt gebieden met echte velden van gebieden waar het model mogelijk spurious patronen produceert (bijvoorbeeld boven bossen of moerassen).

Belangrijkste Bijdragen

• Wereldwijde Dataset: De release van de eerste wereldwijde dataset van veldgrenzen met 10 m resolutie, bestaande uit 3,17 miljard remote-sensing veldpolygonen over 241 landen en gebieden (1,62 miljard in 2024 en 1,55 miljard in 2025).
• Vertrouwenslaag: De introductie van een 500 m vertrouwensraster dat gebieden identificeert waar voorspellingen betrouwbaar zijn. Deze laag behaalde een Area Under the Receiver Operating Characteristic Curve (AUC) van 0,82 tegen grondwahrheid, uitsluitend gebruikmakend van modelinterne kenmerken.
• Open Data-producten: De dataset wordt vrijgegeven onder een CC-BY-licentie in cloud-native formaten, met drie distincte producten:
  1. Een standaard dataset van veldgrenzen met een vertrouwensdrempel (behoudt ongeveer 844 miljoen velden in 2025 bij vertrouwenswaarde ≥0,4).
  2. De volledige, niet-gefilterde dataset voor aangepast gebruik.
  3. Een continu-waardig vertrouwensraster voor gebruik als gewicht per cel of filterbare eigenschap.

Resultaten

• Recall op Pixelniveau: Geverifieerd tegen grondwahrheidsgrenzen in 24 landen, behaalde de kaart een gemiddelde recall op pixelniveau van 0,85. Veertien landen overschreden een recall van 0,90, waarbij Brazilië (0,970), Litouwen (0,955) en Frankrijk (0,953) de hoogste prestaties lieten zien. Een lagere recall in regio's zoals Luxemburg en Cambodja werd toegeschreven aan landschapsheterogeniteit of misalignering van grondwahrheidsgegevens.
• Validatie op Landniveau: Tegen nationale databases leverden de ongefilterde voorspellingen van 2024 F1-scores op van 0,89 in Oostenrijk, 0,88 in Letland en 0,74 in Finland. De prestaties in Finland degradeerden aanzienlijk op hogere breedtegraden (F1 < 0,13 in Lapland) door overvoorspelling op boreale boskapgebieden en moerassen, een faalmodus die wordt vastgelegd door de vertrouwenslaag.
• Vergelijking op Verdelingsniveau: In Zambia, waar geen grondwahrheid beschikbaar is, werden de PRUE-gegevens van 2025 vergeleken met een onafhankelijk, door ML afgeleid dataset. Hoewel PRUE een vergelijkbaar aantal polygonen produceerde, vertoonde het over-fragmentatie, waarbij individuele kleine velden werden afgebeeld als clusters van pixel-schaal polygonen met lagere geometrische fideliteit (mediaan oppervlakte 0,07 ha versus 0,31 ha in de referentie).
• Prestaties van de Vertrouwenslaag: Het vertrouwensmodel behaalde een AUC van 0,82 bij 5-voudige cross-validatie. Een leave-one-country-out-evaluatie bevestigde geografische overdraagbaarheid met een gemiddelde AUC van 0,84.

Betekenis en Beweringen
Het paper stelt dat dit werk een kritieke kloof in wereldwijde landbouwmonitoring aanpakt door de eerste "wall-to-wall" dekking te bieden met ruimtelijk expliciete kwaliteitsinformatie. De betekenis ligt in:

• Verschuiving van de Analyse-eenheid: De overstap van pixelniveau naar veldniveau-analyse maakt nieuwe berekenbare metrieken mogelijk, zoals geaggregeerde boerstructuur, gewastypekaarten met bewustzijn van grenzen, en meting, rapportage en verificatie (MRV) op veldniveau voor behoudsprogramma's.
• Wereldwijde Consistentie: In tegenstelling tot het samenvoegen van regionale modellen, zorgt een enkel wereldwijd ingezet model voor een intern consistente laag die over landsgrenzen heen kan worden vergeleken zonder gebruikerssamenstelling.
• Toegankelijkheid: Door de data openbaar vrij te geven onder een CC-BY-licentie, beogen de auteurs de drempels te verlagen voor instellingen die geen toegang hebben tot proprietair LPIS-data of middelen om equivalente datasets in opdracht te nemen, waaronder nationale statistiekbureaus en NGO's.
• Gelaagde Nuttigheid: De opname van de vertrouwenslaag maakt een gelaagd toegangsmodel mogelijk, waardoor gebruikers kunnen kiezen voor precisie/recall-trade-offs die geschikt zijn voor hun specifieke toepassingen (bijvoorbeeld algemene monitoring versus beleidsrapportage).

De auteurs wijzen expliciet op beperkingen, waaronder de trainingsomvang van het model (alleen eenjarige gewassen, zonder weide en meerjarige gewassen), geografische vertekeningen in de trainingsdata (sterk Europees) en het feit dat de 500 m-vertrouwensindicatoren geen geometrische nauwkeurigheid op polygon-niveau vastleggen. Zij benadrukken dat de dataset bedoeld is voor onderzoek en monitoring, en niet als kadastraal product of product voor landbezit.