Een baanbrekende techniek voor het in kaart brengen van gewastypen over grote gebieden is ontwikkeld door een team van ingenieurs bij MIT. Deze revolutionaire methode maakt traditionele persoonlijke enquêtes overbodig en maakt in plaats daarvan gebruik van een combinatie van Google Street View-afbeeldingen, machine learning en satellietgegevens om gewastypen nauwkeurig te identificeren en in kaart te brengen.
De onderzoekers hebben deze techniek succesvol toegepast om de eerste nationale gewaskaart van Thailand te creëren, met een indrukwekkende nauwkeurigheid van 93%. In het verleden was het in kaart brengen van de verspreiding van gewassen een tijdrovend en arbeidsintensief proces dat afhankelijk was van terreinonderzoeken uitgevoerd door landbouworganisaties. Deze methode is echter vaak beperkt tot landen met een hoog inkomen, waardoor er een kenniskloof ontstaat in regio’s met een laag tot gemiddeld inkomen waar kleinschalige boerderijen een belangrijke rol spelen in de agrarische sector.
Om deze gegevenskloof te overbruggen, richtte het MIT-team zich op beelden van de weg die worden vastgelegd door diensten zoals Google Street View. Hoewel deze beelden niet specifiek bedoeld zijn voor de identificatie van gewassen, bevatten ze een schat aan informatie die kan worden benut. Er werden meer dan 200.000 Google Street View-afbeeldingen uit Thailand verzameld en gebruikt om een convolutioneel neuraal netwerk te trainen. Dit neurale netwerk genereerde gewaslabels voor de afbeeldingen met behulp van verschillende trainingsmethoden.
Bovendien werden de gelabelde afbeeldingen gecombineerd met satellietgegevens die op dezelfde locaties gedurende een groeiseizoen werden genomen. Door meerdere metingen van de satellietgegevens te analyseren, zoals groenheid en reflectiviteit, trainden de onderzoekers een tweede model om de satellietgegevens te koppelen aan de gewaslabels. Dit model kon vervolgens satellietgegevens verwerken voor de rest van het land, wat resulteerde in een kaart met hoge resolutie van gewastypen.
Deze nieuwe aanpak revolutioneert het in kaart brengen van gewassen door de noodzaak van uitgebreide terreinonderzoeken te elimineren. Door gebruik te maken van Google Street View-afbeeldingen en machine learning wordt het mogelijk om snel en nauwkeurig gewastypen op grote schaal in kaart te brengen. In de toekomst is het plan van het MIT-team om hun methode toe te passen op andere landen, waaronder India, waar kleine boerderijen een cruciale rol spelen in voedselproductie maar waar geen gegevens zijn over de gewastypen.
Door de kennislacune over wereldwijde gewasverdeling te vullen, opent deze innovatieve in kaart brengende techniek deuren naar een beter begrip van agrarische resultaten en duurzame landbouwpraktijken. Met gedetailleerde gewaskaarten kunnen onderzoekers kritieke vragen stellen met betrekking tot het optimaliseren van de opbrengst en voedselzekerheid. Met een meer uitgebreid en actueel begrip van gewastypen kunnen wereldwijde voedselvoorraden beter worden gevolgd en voorspeld, wat leidt tot effectievere landbouwstrategieën.
The source of the article is from the blog lokale-komercyjne.pl