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

Stel je voor dat je een enorme, rommelige doos met LEGO probeert te sorteren waarbij elk stukje er bijna precies hetzelfde uitziet, maar sommige bedoeld zijn als rode auto's en andere als blauwe vrachtwagens. Stel je nu voor dat je dit niet met je handen doet, maar vanuit de ruimte, kijkend naar een lappendeken van boerderijen waar kleine velden in elkaar verstrengeld liggen als een knoop van wol. Dit is de uitdaging van "gewasclassificatie" in de kleinschalige landbouw. Wetenschappers gebruiken satellieten om foto's van de aarde te maken, maar wanneer boeren direct naast elkaar verschillende gewassen planten in kleine, onregelmatige percelen, vervagen de kleuren (of "spectrale signaturen") van de planten vaak met elkaar. Het is alsof je het verschil probeert te zien tussen een aardbei en een framboos door alleen naar een wazige foto te kijken vanaf een mijl afstand. Om dit op te lossen, moeten onderzoekers slim zijn over wanneer ze de foto maken. Net zoals een rups er anders uitziet dan een vlinder, veranderen gewassen hun "outfit" (kleur en vorm) terwijl ze door de seizoenen groeien. Door te wachten op het perfecte moment in de levenscyclus van de plant en krachtige computers te gebruiken om de gegevens te analyseren, kunnen wetenschappers de knoop ontwarren en precies zien wat waar groeit. Dit is belangrijk omdat weten wat boeren verbouwen ons helpt bij het beheren van water, het voorspellen van voedselvoorraden en het beschermen van het milieu.

---

Het Grote Detectiveverhaal over Gewassen: Het Ontrafelen van de Iraanse Boerderijpuzzel

In het hart van de Iraanse provincie Chaharmahal-Va Bakhtiari ligt de provincie Saman, een plek die beroemd is om haar amandelen en perziken. Maar hier komt de crux: het landschap is een chaotische, prachtige bende. Stel je een gigantische salade voor waarin boomgaarden met fruitbomen gemengd zijn met velden van tarwe, rijst en gerst, allemaal gepropt in kleine, onregelmatige percelen. Voor een satelliet die naar beneden kijkt, ziet dit eruit als een verwarrende groene waas. De bomen en de graangewassen zien er vaak zo vergelijkbaar uit dat standaard satellietfoto's ze niet uit elkaar kunnen houden. Het is alsof je een specifiek persoon probeert te identificeren in een menigte waar iedereen dezelfde groene hoodie draagt.

Een team van onderzoekers besloot deze code te kraken met een superkrachtige digitale speeltuin genaamd Google Earth Engine (GEE). Zie GEE als een enorme, cloud-gebaseerde bibliotheek die bijna elke foto bevat die de Sentinel-2 satellieten ooit hebben genomen. In plaats van terabytes aan gegevens naar één enkele computer te downloaden, gebruikten de onderzoekers deze cloudreus om razendsnel door jaren aan beelden te zoeken.

Het "Wanneer" is Belangrijker dan het "Wat"

De eerste grote hindernis was de timing. Als je in het midden van de winter een foto maakt van een perzikboom en een tarweveld, zien ze er allebei bruin en in rust uit. Als je in het vroege voorjaar een foto maakt, kunnen ze er allebei uitzien als generieke groene vlekken. De onderzoekers realiseerden zich dat ze, om ze uit elkaar te houden, ze op het exacte moment moesten betrappen waarop hun "persoonlijkheden" uiteenlopen.

Ze behandelden de gewassen als acteurs op een podium, elk met hun eigen schema. Sommige gewassen, zoals kersen en walnoten, piekten vroeg in de zomer (mei tot juli) en begonnen daarna te vervagen na de oogst. Andere, zoals perziken en amandelen, waren de laatbloeiers; ze bleven stil in de vroege zomer en explodeerden daarna in groene groei in augustus en september. Druiven waren de gestage types, die het hele seizoen lang langzaam en constant groeiden.

Om het perfecte moment te vinden om de foto te maken, gebruikten het team een wiskundig instrument genaamd de Transformed Divergence (TD) index. Je kunt TD zien als een "verschilmeter". Het meet hoeveel twee groepen gewassen van elkaar verschillend lijken. Als de meter laag staat, lijken de gewassen te veel op elkaar (slecht voor het sorteren). Als de meter hoog staat, zien ze er duidelijk verschillend uit (geweldig voor het sorteren).

Door deze "verschilmeter" te draaien op maandelijkse gegevens van 2020 tot 2022, ontdekten ze een gouden venster: mei tot september. Tijdens deze vijf maanden waren de gewassen op hun meest onderscheidend. De "verschilmeter" liet zien dat de gewassen zichzelf duidelijk van elkaar scheidden, waardoor het mogelijk werd om met een hoog vertrouwen een perzikboom van een tarweveld te onderscheiden. Ze ontdekten dat ze niet elke beschikbare foto nodig hadden; slechts vijf zorgvuldig gekozen maandelijkse momentopnames waren genoeg om de klus te klaren, wat het datavolume met ongeveer 60% verminderde terwijl de nauwkeurigheid extreem hoog bleef.

Het Toevoegen van de "Topografie"-aanwijzing

Maar zelfs met de perfecte timing zagen sommige gewassen er nog steeds te veel hetzelfde uit. Amandelen en kersen kunnen bijvoorbeeld, of walnoten en appels, vanuit de ruimte erg op elkaar lijken. Daarom voegden de onderzoekers een geheim wapen toe: topografie.

Stel je het landschap voor als een gigantische, ongelijke taart. Sommige delen zijn vlak, sommige zijn steil, en sommige liggen in de zon terwijl andere in de schaduw liggen. De onderzoekers realiseerden zich dat verschillende gewassen specifieke "favoriete plekjes" op deze taart hebben.

• Rijst groeit alleen op de vlakke, laaggelegen plekken waar water zich verzamelt (zoals een overstroomde badkuip).
• Perziken houden van de zonnige, zuidwaarts gerichte hellingen.
• Walnoten geven de koelere, noordwaarts gerichte zijden om vocht vast te houden.
• Amandelen zijn taai en hangen rond op de hete, droge zuidelijke hellingen op grotere hoogten.

Door de computer een kaart van de hoogte van het land (DEM), helling en richting (aspect) te voeren, gaven de onderzoekers het algoritme een "geografisch geheugen". Het gokte niet meer alleen op basis van kleur; het zei: "Dit groene stukje ligt op een steile, noordwaarts gerichte heuvel, dus het is waarschijnlijk een walnoot, geen appel." Deze extra laag informatie hielp om de gewassen die er nog steeds te veel hetzelfde uitzagen, te ontwarren.

Het Magische Algoritme: Random Forest

Met de perfecte timing en de topografische aanwijzingen in handen, gebruikte het team een machine learning-algoritme genaamd Random Forest (RF). Als je een bos van besluitvormers voor je ziet, waarbij elke besluitvormer een simpele vraag stelt zoals "Is het mei?" of "Is de helling steil?", dan is de Random Forest een menigte van honderden van deze besluitvormers die samen stemmen. Omdat er zoveel "bomen" stemmen, is de uiteindelijke beslissing ontzettend slim en ongevoelig voor fouten.

Ze trainden dit digitale bos met 1.500 echte punten die ze met GPS-apparaten in het veld hadden bezocht. Ze lieten de computer 70% van deze punten zien om patronen te leren, en testten het vervolgens op de resterende 30% om te zien of het zonder hulp correct kon raden.

De Resultaten: Een Succespercentage van 95%

Het resultaat was een verbazingwekkend nauwkeurige kaart van het hele graafschap. De computer identificeerde de gewassoorten 95% van de tijd correct. Dat is een enorm succes voor een zo rompig, ingewikkeld landschap.

• Amandelen waren de koningen van de heuvel en besloegen meer dan 65% van de landbouwgrond.
• Perziken en walnoten kwamen op de tweede en derde plaats.
• De eenjarige gewassen zoals rijst en tarwe/gerst waren de kleinste, verspreide stukjes van de puzzel.

De onderzoekers controleerden hun werk zelfs tegen officiële overheidsgegevens (het Jaarboek voor Landbouwstatistieken). De kaart die zij maakten, kwam bijna perfect overeen met de cijfers van de overheid, met een correlatiescore van 0,96. Dit betekent dat de kaart niet alleen een mooi plaatje was; het was een betrouwbaar hulpmiddel dat men kon vertrouwen om gewassen nauwkeurig te tellen.

Waarom dit ertoe doet

Deze studie bewijst dat je geen supercomplex of duur systeem nodig hebt om kleine, rommelige boerderijen in kaart te brengen. Door slimme timing te combineren (wachten op het juiste seizoen), kennis van het landschap (topografie) en een krachtige cloudcomputer te gebruiken, kun je zelfs de meest verwarrende agrarische landschappen ontwarren.

De onderzoekers lieten zien dat door huizen en rivieren (die op gewassen kunnen lijken en de computer in verwarring kunnen brengen) te maskeren en te focussen op de specifieke maanden waarin gewassen het meest verschillend zijn, je een helder beeld krijgt van wat er groeit. Dit helpt lokale planners om water beter te beheren, oogsten te voorspellen en ervoor te zorgen dat het land duurzaam wordt gebruikt. Het is een herinnering aan het feit dat soms de beste manier om het hele bos te zien, is door te wachten op het juiste seizoen en de bomen vanuit de juiste hoek te bekijken.