Verwendung von Strassenansichten für die Erntekartierung

Die Kartierung von Pflanzenarten ist wichtig, um Ernteerträge zu überwachen, die Lebensmittelproduktion vorherzusagen und landwirtschaftliche Politiken zu planen. Allerdings kann es in einkommensschwachen und mittleren Ländern schwierig sein, genaue Karten zu erstellen, da die Kosten und der Aufwand für die Datensammlung vor Ort hoch sind. Während traditionelle Felduntersuchungen eine grosse Genauigkeit bieten, benötigen sie viel Zeit und Ressourcen.

In letzter Zeit sind Strassenbilder von Diensten wie Google Street View als mögliche Lösung aufgetaucht. Diese Bilder können wertvolle Informationen über die in bestimmten Gebieten wachsenden Pflanzen liefern. Durch die Verwendung dieser Bilder in Kombination mit Deep Learning-Technologie können wir automatisierte Systeme zur Kartierung von Pflanzen erstellen.

#Der Bedarf an Pflanzenartenkarten

Die Ernährungssicherheit ist eine grosse Herausforderung, vor der wir heute stehen. Mit einer wachsenden globalen Bevölkerung und dem Klimawandel brauchen wir präzise Informationen, um die landwirtschaftliche Produktion zu steuern. Pflanzenkarten helfen uns zu verstehen, welche Pflanzen wachsen und wie gut sie gedeihen. Leider können sich nur wenige einkommensstarke Länder die Erstellung grossflächiger Pflanzenkarten leisten. Das lässt viele Regionen, insbesondere solche mit Kleinbetrieben, ohne wichtige Informationen zurück.

Die meisten Kleinbauernhöfe befinden sich in einkommensschwachen und mittleren Ländern. Diese Höfe unterstützen einen grossen Teil der Weltbevölkerung, doch oft fehlen ihnen genaue Pflanzenartenkarten. Die hohen Kosten für die Beschaffung dieser Informationen haben Forscher dazu geführt, nach alternativen Datenquellen zu suchen.

#Nutzung von Strassenbildern

Strassenbilder von Diensten wie Google Street View können wertvoll sein, um Pflanzendaten zu sammeln. Diese Bilder werden von Fahrzeugen mit Kameras aufgenommen und sind in den meisten Ländern kostengünstig zugänglich. Sie werden regelmässig aktualisiert, sodass man sehen kann, welche Pflanzen über die Zeit wachsen.

Jüngste Studien haben gezeigt, dass Strassenbilder für verschiedene Anwendungen genutzt werden können, von Stadtplanung bis Umweltüberwachung. Am wichtigsten ist, dass sie jetzt helfen können, Pflanzenartenkarten zu erstellen, indem sie genaue Referenzdaten ohne umfangreiche manuelle Kennzeichnung generieren.

#Unser Ansatz

Wir haben ein System entwickelt, das Deep Learning mit Google Street View-Bildern kombiniert, um automatisch Bezugnahmen auf Pflanzenarten zu generieren. So funktioniert es:

1. Bilder sammeln: Wir kuratieren eine Sammlung von Strassenbildern mit Pflanzfeldern.
2. Modell trainieren: Ein Deep-Learning-Modell wird mit diesen Bildern trainiert, um Pflanzenarten vorherzusagen. Wir nutzen schwache Labels aus verschiedenen Online-Quellen, um unser System zu unterstützen.
3. Pflanzenkarten erstellen: Die vorhergesagten Pflanzenarten werden dann mit Fernerkundungsdaten kombiniert, um eine umfassende Pflanzenartenkarte zu erstellen.

In unserer Studie in Thailand konnten wir eine Pflanzenartenkarte erstellen, die eine hohe Genauigkeit (93 %) für Hauptkulturen wie Reis und Zuckerrohr erreichte.

#Hintergrund zur Pflanzenkartierung

Um die Ernährungssicherheit zu gewährleisten, sind präzise Pflanzeninformationen erforderlich, insbesondere in Regionen mit Kleinbetrieben. Diese Höfe sind entscheidend für die Ernährung eines erheblichen Teils der globalen Bevölkerung. Leider mangelt es einkommensschwachen Ländern oft an Ressourcen, um Pflanzendaten zu sammeln.

Die meisten bestehenden Methoden basieren auf teuren Datenerhebungen vor Ort oder erfassen nicht die einzigartigen Landschaften von Kleinbauernregionen. Die Komplexität der ländlichen Strasseninfrastruktur und Hindernisse durch Vegetation erschweren ebenfalls die Sammlung visueller Daten.

Forscher haben Technologien wie Google Street View genutzt, die eine Fülle visueller Daten von Strassen bereitstellen. Diese Daten können als kostengünstige Alternative zur Sammlung von Informationen über Pflanzenarten dienen.

#Das Studiengebiet: Thailand

Wir haben Thailand für unsere Studie gewählt, da es eine hohe Anzahl kleiner Betriebe und eine grosse Sammlung von Google Street View-Bildern gibt. In den letzten Jahren hat die Verfügbarkeit dieser Bilder erheblich zugenommen. Der Grossteil der landwirtschaftlichen Flächen in Thailand wird für den Reisanbau genutzt, während auch Pflanzen wie Zuckerrohr, Maniok und Mais wichtige Rollen spielen.

Durch die Nutzung von Google Street View-Bildern sammelten wir Pflanzendaten während der feuchten Wachstumsperiode, um eine genaue Pflanzenartenkarte zu erstellen.

#Finden und Filtern von Bildern

Der erste Schritt in unserem Verfahren besteht darin, potenzielle Felder entlang der Strassen mit geografischen Daten zu identifizieren. Wir haben eine öffentliche Datenbank verwendet, um Standorte zu finden und gleichmässige Punkte entlang der Strassen in regelmässigen Abständen zu generieren.

Anschliessend haben wir diese Punkte anhand bestehender Landnutzungs-Karten gefiltert, um uns auf Bereiche zu konzentrieren, in denen Pflanzen wahrscheinlich sichtbar sind. Nur Bilder, die während der Wachstumsperiode aufgenommen wurden, wurden berücksichtigt, um die Chancen zu erhöhen, Pflanzen auf den Fotos zu sehen.

Durch den Einsatz verschiedener Filtertechniken haben wir die Qualität unserer Bildsammlung erheblich verbessert und eine bessere Sichtbarkeit der Pflanzfelder sichergestellt.

#Klassifizieren von Feldbildern

Nachdem wir die Bilder gesammelt hatten, mussten wir bestimmen, welche Pflanzen enthielten. Wir haben ein Modell trainiert, um Bilder auszuschliessen, die keine Felder zeigten. Dieses Modell erreichte eine beeindruckende Genauigkeit, sodass wir uns auf relevante Daten konzentrieren konnten.

Sobald wir die Feldbilder identifiziert hatten, bestand der nächste Schritt darin, die Art der Pflanze in jedem Bild vorherzusagen. Wir haben einen Trainingsdatensatz aus Online-Quellen zusammengestellt, sodass das Modell lernen konnte, Pflanzen effektiv zu klassifizieren.

Diese Methode erwies sich als effektiv, selbst bei Bildern mit unterschiedlicher Qualität und Eigenschaften. Das Modell klassifizierte Strassenbilder erfolgreich in spezifische Pflanzenarten mit hoher Genauigkeit.

#Datenkombination für die Pflanzenkartierung

Sobald wir unsere Vorhersagen zur Pflanzenart hatten, arbeiteten wir daran, diese Labels mit Fernerkundungsdaten zu integrieren. Fernerkundung bedeutet, Satellitenbilder zu verwenden, um Informationen über die Erdoberfläche zu sammeln. Wir extrahierten Merkmale aus Satellitendaten, um unsere Pflanzenklassifizierungsbemühungen weiter zu unterstützen.

Durch die Kombination der Vorhersagen aus unseren Deep-Learning-Modellen mit Satellitendaten erzeugten wir eine umfassende Pflanzenartenkarte, die grosse Flächen abdeckt.

#Ergebnisse und Genauigkeit

Unser System zeigte beeindruckende Ergebnisse, als es auf die landwirtschaftliche Landschaft Thailands angewendet wurde. Die Genauigkeit der Pflanzenartenkarten, die wir generierten, übertraf die traditioneller Methoden, die ausschliesslich auf Expertenkennzeichnung basierten.

Durch den automatisierten Prozess produzierten wir einen umfangreicheren und genaueren Datensatz als das, was manuell erzielt werden könnte. Selbst wenn die Vorhersagen einige Ungenauigkeiten aufwiesen, half das enorme Volumen der generierten Daten, die Gesamtleistung zu verbessern.

#Bedeutung von Online-Bildern

Ein bedeutender Aspekt unseres Ansatzes war die Verwendung von Online-Bildern zur Unterstützung der Pflanzenklassifizierung. Während diese Bilder Rauschen enthielten und nicht immer perfekt waren, stellten sie vielfältige Daten bereit, die halfen, unsere Modelle effektiv zu trainieren. Durch die Kombination von Bildern aus verschiedenen Quellen konnten wir die Leistung des Modells verbessern.

Es ist jedoch wichtig zu erkennen, dass die Expertenkennzeichnung in bestimmten Situationen von unschätzbarem Wert bleibt. Die Kombination von rauschhaften Online-Bildern mit einer kleineren Menge an Experten-kennzeichneten Daten führte zu den besten Ergebnissen in Bezug auf die Genauigkeit.

#Herausforderungen und Einschränkungen

Trotz der Erfolge unseres Ansatzes gibt es Herausforderungen und Einschränkungen zu berücksichtigen. Zum Beispiel erforderte das Kennzeichnen von Bildern als Felder oder nicht-Felder etwas manuellen Aufwand, was weniger anstrengend ist als das Kennzeichnen von Pflanzenarten, aber dennoch Aufmerksamkeit erfordert.

Darüber hinaus können die unterschiedlichen Aktualisierungsfrequenzen von Strassenbildern und deren ungleichmässige Verteilung auf der ganzen Welt die Verfügbarkeit von Daten beeinträchtigen. Diese Ungleichmässigkeit hebt den potenziellen Wert von Strassenbildern für globale Pflanzenkartierungsbemühungen hervor.

#Fazit

Die Kombination von Deep Learning mit Strassenbildern hat es uns ermöglicht, die Generierung von Pflanzenartenreferenzen effektiv zu automatisieren. Unser System hat gezeigt, dass auch in Regionen mit begrenzten Ressourcen hochgenaue Pflanzenkarten erstellt werden können.

In Thailand führte unser Ansatz zu einer Pflanzenartenkarte mit über 81.000 automatisierten Referenzen und erzielte bessere Ergebnisse als traditionelle Methoden, die auf kleineren, von Experten gekennzeichneten Datensätzen basierten.

Der Zugang zu Online-Bildern kann die Fähigkeit zur Klassifizierung von Pflanzen erheblich verbessern, während gut gekennzeichnete Bodendaten für bestimmte Anwendungen nach wie vor entscheidend bleiben. Während wir vorankommen, wird die Integration verschiedener Datenquellen entscheidend sein, um die landwirtschaftlichen Kartierungsbemühungen weltweit voranzutreiben.

Diese Arbeit hebt das Potenzial innovativer Technologien hervor, traditionelle Herausforderungen in der Landwirtschaft und Ernährungssicherheit anzugehen und den Weg für informiertere Entscheidungen im Agrarsektor zu ebnen.