Et team af ingeniører fra MIT har udviklet en revolutionerende metode til kortlægning af afgrødesorter på tværs af hele regioner uden at være afhængige af personlige undersøgelser. Denne nye teknik udnytter en kombination af billeder fra Google Street View, maskinlæring og satellitdata til automatisk at identificere og kortlægge afgrødesorter med høj præcision. Forskerne har med succes anvendt denne metode til at skabe det første nationale afgrødekort over Thailand og opnået en imponerende nøjagtighed på 93%.
Traditionelt set har kortlægning af afgrødefordeling været en tidskrævende og ressourcekrævende proces, der er baseret på jordundersøgelser foretaget af landbrugsmyndigheder. Disse undersøgelser udføres imidlertid typisk i højindkomstlande, hvilket efterlader en videnkløft i lav- til mellemindkomstområder, hvor småbrug udgør en stor del af landbrugssektoren. Manglen på data om afgrødesorter og udbytter i disse områder skaber udfordringer for sporing og forudsigelse af globale fødevareforsyninger.
For at tackle dette problem vendte MIT-teamet sig til vejrelaterede billeder, der blev fanget af tjenester som Google Street View. Selvom disse billeder ikke er specifikt beregnet til afgrødeidentifikation, indså forskerne, at de kunne udnytte dem til at identificere afgrøder. De indsamlede over 200.000 billeder fra Google Street View fra Thailand og trænede et konvolutionelt neuralt netværk til at generere afgrødeetiketter for billederne ved hjælp af forskellige træningsmetoder.
De etiketterede billeder blev derefter parret med satellitdata, der blev taget af de samme steder i løbet af en vækstsæson. Ved at analysere flere målinger fra satellitdata, såsom grønhed og reflektivitet, trænede teamet en anden model til at associere satellitdata med afgrødeetiketter. Denne model blev derefter brugt til at behandle satellitdata for resten af landet og generere et kort med høj opløsning over afgrødesorter.
Denne banebrydende tilgang eliminerer behovet for omfattende jordundersøgelser, hvilket gør det muligt at kortlægge afgrødesorter hurtigt og præcist på stor skala. Forskerne anvender nu deres metode i andre lande, herunder Indien, hvor småbrug spiller en afgørende rolle i fødevareproduktionen, men mangler registrerede data om afgrødesorter.
Ved at udfylde videnkløften om global afgrødefordeling baner denne innovative kortlæggelsesteknik vejen for bedre forståelse af landbrugsresultater og fremme af bæredygtige landbrugspraksisser. Med mere detaljerede kort over afgrøder kan forskere besvare kritiske spørgsmål omkring udbytteoptimering og fødevaresikkerhed.
FAQ-sektion:
1. Hvad er den revolutionerende metode, udviklet af MIT-ingeniører?
– MIT-ingeniørerne har udviklet en metode til kortlægning af afgrødesorter på tværs af hele regioner uden at være afhængige af personlige undersøgelser.
2. Hvordan fungerer denne nye teknik?
– Teknikken anvender en kombination af billeder fra Google Street View, maskinlæring og satellitdata til automatisk identifikation og kortlægning af afgrødesorter med høj præcision.
3. Hvilken nøjagtighed blev opnået ved kortlægning af afgrøder i Thailand?
– Forskerne opnåede en imponerende nøjagtighed på 93% ved oprettelse af det første nationale afgrødekort over Thailand.
4. Hvorfor er traditionel kortlægning af afgrødefordeling tidskrævende og ressourcekrævende?
– Traditionel kortlægning er baseret på jordundersøgelser foretaget af landbrugsmyndigheder, hvilket er tidskrævende og ressourcekrævende.
5. Hvilke regioner dækkes typisk af jordundersøgelser til kortlægning af afgrøder?
– Jordundersøgelser udføres typisk i højindkomstlande, hvilket efterlader en videnkløft i lav- til mellemindkomstområder.
6. Hvilken datamangel skaber manglen på oplysninger om afgrødesorter og udbytter i lav- til mellemindkomstområder?
– Manglen på data om afgrødesorter og udbytter i disse områder skaber udfordringer for sporing og forudsigelse af globale fødevareforsyninger.
7. Hvordan udnyttede MIT-teamet billederne fra Google Street View til identifikation af afgrøder?
– MIT-teamet indsamlede over 200.000 billeder fra Google Street View fra Thailand og trænede et konvolutionelt neuralt netværk til at generere afgrødeetiketter for billederne.
8. Hvad var satellitdataens rolle i kortlægningsprocessen?
– Satellitdata taget af de samme steder i løbet af en vækstsæson blev parret med de etiketterede billeder for at træne en model, der forbinder satellitdata med afgrødeetiketter.
9. Hvordan eliminerer denne tilgang behovet for omfattende jordundersøgelser?
– Ved hjælp af billeder fra Google Street View og maskinlæring eliminerer denne tilgang behovet for omfattende jordundersøgelser og gør det muligt at kortlægge afgrødesorter hurtigt og præcist på stor skala.
10. Hvilket land har MIT-teamet planer om at anvende deres metode på næste gang?
– MIT-teamet har planer om at anvende deres metode i Indien, hvor småbrug spiller en afgørende rolle i fødevareproduktionen, men mangler registrerede data om afgrødesorter.
Nøglebegreber:
– Maskinlæring: Et felt inden for kunstig intelligens, der gør det muligt for computere at lære og forbedre sig gennem erfaring uden at være eksplicit programmeret.
– Konvolutionelt neuralt netværk: En type kunstig neuralt netværk, der ofte anvendes til analyse af visuelle billeder.
Foreslået relateret link:
TheWorldCounts (En hjemmeside, der giver information om globale emner relateret til mad og landbrug)
The source of the article is from the blog rugbynews.at