Verbesserung der Pflanzenklassifikation mit kombinierten Daten

Die genaue Klassifizierung von Pflanzen während der Wachstumszeit ist echt wichtig. Diese Klassifizierung hilft dabei, die Ernteproduktion abzuschätzen und landwirtschaftliche Flächen zu überwachen. Aber die Klassifizierung kann knifflig sein wegen der natürlichen Wachstungsmuster und wie sie sich über die Zeit und in verschiedenen Regionen ändern.

Neue Methoden mit Deep Learning zeigen vielversprechende Ergebnisse, aber die meisten basieren nur auf einer Art von Daten, wie Satellitenbildern oder Fruchtfolgemustern. Unsere neue Methode kombiniert verschiedene Datentypen, um die Genauigkeit über verschiedene Erntezeiten und Länder hinweg zu verbessern.

#Der Ansatz

Unser Ansatz nutzt drei Datentypen:

1. Fernmessdaten: Beobachtungen von Satelliten, speziell Sentinel-2 und Landsat 8.

2. Fruchtfolgedaten: Infos darüber, welche Pflanzen in vorherigen Saisons auf einem Stück Land angebaut wurden.

3. Lokale Verteilungsdaten: Verständnis darüber, wie Pflanzen in einem bestimmten Gebiet verteilt sind.

Um unsere Methode zu testen, haben wir einen neuen Datensatz erstellt, der Informationen von etwa 7,4 Millionen landwirtschaftlichen Parzellen in Frankreich und den Niederlanden enthält. Jede Parzelle ist mit Zeitreihendaten verknüpft, die Oberflächenreflexionsmessungen und wichtige Variablen zur Pflanzen Gesundheit umfassen. Ausserdem haben wir eine neue Methode entwickelt, um Pflanzentypen zu gruppieren, die bei der Bewertung der Modellleistung hilft.

#Ergebnisse und Leistung

Die Leistung unserer Methode wurde mit verschiedenen Gruppierungen von Pflanzentypen getestet, die von 151 bis nur 8 Typen reichten. Die Genauigkeit lag zwischen 91 % und 95 % für die Niederlande und 85 % bis 89 % für Frankreich. Durch das Training mit einem grösseren Datensatz zeigte unsere Methode auch die Fähigkeit, sich anzupassen und gut in anderen Ländern zu funktionieren.

Das Vortraining an einem Datensatz half, die Leistung unseres Modells zu verbessern, wenn es auf einen anderen angewendet wurde, was es ihm ermöglichte, sich besser an neue Aufgaben mit eingeschränkten Beispielen anzupassen.

#Bedeutung der Kartierung von Pflanzentypen

Die Kartierung von Pflanzentypen ist wichtig für die Überwachung der landwirtschaftlichen Produktion und der globalen Ernährungssicherheit. Satellitensysteme liefern wertvolle Daten, weil sie grosse Flächen konsistent und wiederholbar beobachten können. Seit 2015 bietet das Copernicus-Programm der Europäischen Union, insbesondere von Sentinel-1 und Sentinel-2, zuverlässige Daten in hoher Auflösung.

Die meisten aktuellen Methoden zur Klassifizierung von Pflanzen konzentrieren sich nur auf Daten aus der Wachstumszeit, was wichtige jährliche Veränderungen in den Anbaumethoden ignoriert.

Unsere Methode kombiniert Fruchtfolgedaten mit Fernmessdaten und lokalen Informationen und bietet so einen umfassenderen Überblick über Pflanzentypen über die Zeit. Wir haben auch einen Datensatz aus mehreren Jahren Zeitreihendaten von denselben Parzellen erstellt, was eine bessere Analyse ermöglicht.

#Verwandte Arbeiten zur Klassifizierung von Pflanzen

Die Forschung zur Klassifizierung von Pflanzen wurde in mehrere Bereiche unterteilt, die sich auf folgende Punkte konzentrieren:

1. Nur Fernmessdaten verwenden: Einige Studien klassifizieren Pflanzen auf Parzellenebene mithilfe von Daten von Satelliten wie Sentinel-2. Diese Studien vergleichen oft Deep Learning-Modelle wie Transformer und Long-Short-Term Memory-Netzwerke (LSTM).

2. Integration von Fruchtfolgedaten: Es gibt auch Forschung, die Fernmessung mit Fruchtfolgedaten kombiniert. Diese Methoden verwenden jedoch oft einfachere Modelle und erfassen nicht effektiv die Komplexität der Pflanzenvariationen über die Zeit.

3. Frühe Saisonsklassifizierung: Die Identifizierung von Pflanzentypen zu Beginn der Wachstumszeit wird zunehmend in den Fokus gerückt. Einige Studien haben begonnen, spezielle Methoden zu verwenden, um die prädiktiven Fähigkeiten in der frühen Saison zu verbessern.

Trotz dieser Fortschritte haben nur wenige Studien versucht, verschiedene Datenmodalitäten effektiv zu integrieren, insbesondere wie sich saisonale Dynamiken ändern.

#Unsere Methodik: Kombination verschiedener Datentypen

Unsere Methode hebt sich ab, indem sie Fruchtfolge-, Fernmess- und lokale Verteilungsdaten kombiniert. Wir verwenden neuronale Netzwerke, um diese Modalitäten zusammen zu verarbeiten, in einer hierarchischen Struktur, die bei der Analyse von kurz- und langfristigen Pflanzenmustern hilft.

1. Fruchtfolge: Dies wird wie eine Abfolge von Wörtern in einem Satz behandelt, mit einer Methode, die ähnlich wie bei Sprachmodellen in der natürlichen Sprachverarbeitung ist. Durch die Modellierung von Pflanzenfolgen können wir zukünftige Pflanzen besser vorhersagen.

2. Fernmessdaten: Die Daten von Sentinel-2 und Landsat 8 werden verwendet, um unser Verständnis von Pflanzen Gesundheit und Merkmalen über die Zeit zu bereichern.

3. Lokale Verteilung von Pflanzen: Diese Einsichten helfen uns zu verstehen, wie landwirtschaftliche Praktiken und Klima die Verteilung von Pflanzen beeinflussen.

Durch die Integration dieser Datentypen auf strukturierte Weise können wir die Fähigkeit des Modells verbessern, Pflanzentypen genauer zu analysieren.

#Erstellung eines neuen Datensatzes

Wir haben einen neuen Datensatz veröffentlicht, der detaillierte Pflanzeninformationen zusammen mit Fernmessdaten bietet, die mehrere Wachstumszeiten von 2016 bis 2020 abdecken. Unser Datensatz umfasst über 7,4 Millionen Parzellen und bietet eine bedeutende Ressource für weitere Forschung und Entwicklung.

#Datensammlung

Die Daten wurden aus zwei Ländern gesammelt: Frankreich und die Niederlande, die aufgrund ihrer zugänglichen Aufzeichnungen und der Vielfalt der landwirtschaftlichen Praktiken ausgewählt wurden. Wir haben sichergestellt, dass die Parzellen Daten aus mehreren Saisons harmonisiert wurden, um genaue Vergleiche zu ermöglichen.

#Struktur des Datensatzes

Der Datensatz umfasst:

• Pflanzentypen-Kennzeichnungen für jede Parzelle.
• Fernmess-Zeitreihendaten, die Einblicke in den Blattflächenindex (LAI) und den Anteil der absorbierten fotosynthetisch aktiven Strahlung (FAPAR) bieten.
• Historische Daten darüber, welche Pflanzen in den vorherigen Jahren angebaut wurden.

Dieser reiche Datensatz bietet grossartige Möglichkeiten für den Aufbau von Modellen, die Pflanzentypen genauer vorhersagen können.

#Bewertung und Vergleich von Modellen

Die Leistung unserer Methode wurde mit bestehenden Ansätzen verglichen, wobei mehrere Bewertungs Kriterien wie Präzision, Recall und F1-Werte verwendet wurden. Unsere Ergebnisse zeigen, dass die Integration verschiedener Datentypen zu einer höheren Genauigkeit führte als traditionelle Einzel-Daten-Methoden.

#Frühe Saisonsklassifizierung

Ein wichtiger Aspekt unserer Forschung ist die Verbesserung der Frühsaisonsklassifizierung. Wir haben eine Datenaugmentierungstechnik implementiert, die es dem Modell ermöglicht, Vorhersagen auf der Grundlage von Teil-Daten zu treffen und so Pflanzen sogar noch vor dem Ende der Wachstumszeit zu klassifizieren.

#Ländervergleich

Wir haben auch untersucht, wie gut unser Modell Wissen zwischen Ländern übertragen konnte. Diese Analyse zeigte, dass Modelle, die in einem Land trainiert wurden, effektiv angepasst werden konnten, um gut in einem anderen zu funktionieren, was die Robustheit unserer Methode unterstreicht.

#Herausforderungen in der Pflanzenklassifizierung angehen

Die Pflanzenklassifizierung steht vor verschiedenen Herausforderungen, darunter:

1. Datenvariabilität: In verschiedenen Regionen gibt es unterschiedliche landwirtschaftliche Praktiken, was es schwierig macht, universelle Modelle zu erstellen.

2. Unzureichende Informationen: Viele bestehende Modelle basieren stark auf spezifischen Daten und ignorieren die Komplexität der landwirtschaftlichen Systeme.

3. Saisonale Dynamik: Die Art und Weise, wie sich Pflanzen über die Zeit ändern, muss in Modellen genau dargestellt werden, um effektiv zu sein.

Unsere Methode geht diese Herausforderungen an, indem sie eine breite Palette von Datentypen und eine anspruchsvollere Modellstruktur einsetzt, die die Komplexität der landwirtschaftlichen Dynamik erfasst.

#Zukünftige Richtungen

In der Zukunft gibt es mehrere Wege für weitere Forschungen:

1. Erweiterung der Datensätze: Die Hinzufügung weiterer Länder und Regionen kann helfen, die Modellgenauigkeit und -generalisierung zu verbessern.

2. Verfeinerung der Modelle: Das Testen verschiedener Architekturen und Konfigurationen kann die Leistung weiter steigern.

3. Eingliederung von Wetterdaten: Die Einbeziehung meteorologischer Daten könnte zusätzliche Einblicke geben, wie Klima das Pflanzenwachstum und die Klassifizierung beeinflusst.

4. Entwicklung regionaler Modelle: Der Fokus auf spezifische Gebiete kann helfen, Modelle zu erstellen, die besser auf lokale landwirtschaftliche Praktiken abgestimmt sind.

5. Verwendung fortschrittlicher Techniken: Der Einsatz von Methoden wie Meta-Learning könnte die Klassifizierung mit wenigen Beispielen verbessern und Herausforderungen bei saisonalen Variationen angehen.

Zusammenfassend zeigt unsere Studie eine neue Methode zur Klassifizierung von Pflanzen, indem sie eine Vielzahl von Datenquellen und fortschrittliche Modellierungstechniken nutzt. Durch die erfolgreiche Kombination von Fernmessung, Fruchtfolgedaten und lokalen Verteilungen haben wir die Grundlage für eine genauere und effizientere landwirtschaftliche Überwachung gelegt. Unsere Ergebnisse tragen erheblich zum Bereich des Agrarmanagements bei und bieten vielversprechende Ansätze zur Verbesserung der Bewertung der Ernährungssicherheit.