Een team van ingenieurs van MIT heeft een revolutionaire methode ontwikkeld om gewastypes in hele regio’s in kaart te brengen zonder te vertrouwen op persoonlijke enquêtes. Deze nieuwe techniek maakt gebruik van een combinatie van Google Street View-beelden, machine learning en satellietgegevens om automatisch gewastypes te identificeren en in kaart te brengen met een hoge nauwkeurigheid. De onderzoekers hebben deze methode succesvol toegepast om de eerste landelijke gewasmap van Thailand te maken, met een indrukwekkende nauwkeurigheidsgraad van 93%.
Traditioneel gezien is het in kaart brengen van gewasdistributie een tijdrovend en arbeidsintensief proces, waarbij vertrouwd wordt op terreinonderzoeken uitgevoerd door landbouwinstellingen. Deze onderzoeken worden echter meestal uitgevoerd in landen met een hoog inkomen, waardoor er een kennislacune ontstaat in regio’s met een laag tot middeninkomen waar kleinschalige boerderijen een aanzienlijk deel van de landbouwsector uitmaken. Het gebrek aan gegevens over gewastypes en -opbrengsten in deze gebieden vormt uitdagingen voor het volgen en voorspellen van wereldwijde voedselvoorraden.
Om dit probleem aan te pakken, richtte het MIT-team zich op beelden die langs de weg zijn vastgelegd door diensten zoals Google Street View. Hoewel deze beelden niet specifiek bedoeld zijn voor gewasherkenning, realiseerden de onderzoekers zich dat ze deze beelden konden benutten om gewassen te identificeren. Ze verzamelden meer dan 200.000 Google Street View-beelden uit Thailand en hebben een convolutioneel neuraal netwerk getraind om gewaslabels te genereren voor de beelden met behulp van verschillende trainingsmethoden.
De gelabelde beelden werden vervolgens gekoppeld aan satellietgegevens die op dezelfde locaties gedurende een groeiseizoen waren genomen. Door meerdere metingen van de satellietgegevens, zoals groenheid en reflectiviteit, te analyseren, heeft het team een tweede model getraind om de satellietgegevens te associëren met gewaslabels. Dit model werd vervolgens gebruikt om satellietgegevens voor de rest van het land te verwerken, waarbij een gedetailleerde kaart van gewastypes werd gegenereerd.
Deze baanbrekende aanpak elimineert de noodzaak van uitgebreide terreinonderzoeken, waardoor het mogelijk is om snel en nauwkeurig gewastypes op grote schaal in kaart te brengen. De onderzoekers passen hun methode nu toe op andere landen, waaronder India, waar kleine boerderijen een cruciale rol spelen in voedselproductie, maar waar geen geregistreerde gegevens beschikbaar zijn over gewastypes.
Door de kennislacune over wereldwijde gewasdistributie te overbruggen, legt deze innovatieve mappingtechniek de weg vrij voor een beter begrip van landbouwresultaten en de bevordering van duurzame landbouwpraktijken. Met gedetailleerdere gewasmapping kunnen onderzoekers essentiële vragen stellen met betrekking tot optimalisatie van opbrengsten en voedselzekerheid.
Veelgestelde vragen:
1. Wat is de revolutionaire methode die door MIT-ingenieurs is ontwikkeld?
– De MIT-ingenieurs hebben een methode ontwikkeld om gewastypes in hele regio’s in kaart te brengen zonder te vertrouwen op persoonlijke enquêtes.
2. Hoe werkt deze nieuwe techniek?
– De techniek maakt gebruik van een combinatie van Google Street View-beelden, machine learning en satellietgegevens om automatisch gewastypes te identificeren en in kaart te brengen met een hoge nauwkeurigheid.
3. Welke nauwkeurigheidsgraad is bereikt bij het in kaart brengen van gewassen in Thailand?
– De onderzoekers hebben een indrukwekkende nauwkeurigheidsgraad van 93% behaald bij het maken van de eerste landelijke gewasmap van Thailand.
4. Waarom is traditioneel in kaart brengen van gewasdistributie tijdrovend en arbeidsintensief?
– Traditioneel in kaart brengen is afhankelijk van terreinonderzoeken uitgevoerd door landbouwinstellingen, wat veel tijd en middelen kost.
5. Welke regio’s worden typisch gedekt door terreinonderzoeken voor gewasmapping?
– Terreinonderzoeken worden meestal uitgevoerd in landen met een hoog inkomen, waardoor er een kennislacune ontstaat in gebieden met een laag tot middeninkomen.
6. Welke gegevenslacune veroorzaakt het gebrek aan informatie over gewastypes en -opbrengsten in gebieden met een laag tot middeninkomen?
– Het gebrek aan gegevens over gewastypes en -opbrengsten in deze regio’s zorgt voor uitdagingen bij het volgen en voorspellen van wereldwijde voedselvoorraden.
7. Hoe heeft het MIT-team Google Street View-beelden gebruikt voor gewasherkenning?
– Het MIT-team verzamelde meer dan 200.000 Google Street View-beelden uit Thailand en heeft een convolutioneel neuraal netwerk getraind om gewaslabels voor de beelden te genereren.
8. Wat was de rol van satellietgegevens in het mappingproces?
– Satellietgegevens die op dezelfde locaties gedurende een groeiseizoen waren genomen, werden gekoppeld aan de gelabelde beelden om een model te trainen dat de satellietgegevens associeert met gewaslabels.
9. Hoe elimineert deze aanpak de noodzaak van uitgebreide terreinonderzoeken?
– Door gebruik te maken van Google Street View-beelden en machine learning, elimineert deze aanpak de noodzaak van uitgebreide terreinonderzoeken, waardoor het mogelijk is om snel en nauwkeurig gewastypes op grote schaal in kaart te brengen.
10. Op welk land is het MIT-team van plan om hun methode als volgende toe te passen?
– Het MIT-team is van plan om hun methode toe te passen op India, waar kleine boerderijen een cruciale rol spelen in voedselproductie, maar waar geen geregistreerde gegevens beschikbaar zijn over gewastypes.
Belangrijke termen:
– Machine learning: Een tak van kunstmatige intelligentie die computers in staat stelt te leren en te verbeteren op basis van ervaring zonder expliciet geprogrammeerd te zijn.
– Convolutioneel neuraal netwerk: Een soort kunstmatig neuraal netwerk dat veel wordt gebruikt bij de analyse van visuele beelden.
Voorgestelde gerelateerde link:
TheWorldCounts (Een website die informatie biedt over wereldwijde vraagstukken met betrekking tot voedsel en landbouw)
The source of the article is from the blog agogs.sk