Forscher nutzten diese Technik, um automatisch die erste landesweite Anbaukarte Thailands zu erstellen. In Thailand, einem Land mit überwiegend Kleinbauern, sind kleine, unabhängige Betriebe die vorherrschende Form der Landwirtschaft. Das Team erstellte eine lückenlose Karte der vier wichtigsten Anbauprodukte Thailands – Reis, Maniok, Zuckerrohr und Mais – und ermittelte alle zehn Meter, welche dieser vier Produkte angebaut werden. Die resultierende Karte erreichte eine Genauigkeit von 93 Prozent, was laut den Forschern vergleichbar ist mit Kartierungsprojekten vor Ort in einkommensstarken Ländern mit großen landwirtschaftlichen Betrieben.

Das Team wendet seine Kartierungsmethode auch auf andere Länder wie Indien an, wo Kleinbauern den Großteil der Bevölkerung ernähren, die Art der von den einzelnen Bauernhöfen angebauten Feldfrüchte aber historisch gesehen nur unzureichend dokumentiert wurde.

„Es besteht eine enorme Datenlücke in unserem Wissen darüber, was weltweit angebaut wird“, sagt Sherrie Wang, d’Arbeloff-Assistenzprofessorin für berufliche Weiterbildung am MIT-Institut für Maschinenbau und am Institut für Daten, Systeme und Gesellschaft (IDSS). „Das übergeordnete Ziel ist es, landwirtschaftliche Ergebnisse wie den Ertrag zu verstehen und nachhaltigere Anbaumethoden zu entwickeln. Ein wichtiger erster Schritt ist die Kartierung der Anbauflächen – je detaillierter die Kartierung, desto mehr Fragen lassen sich beantworten.“.

Wang wird zusammen mit dem MIT-Absolventen Jordi Laguarta Soler und Thomas Friedel vom Agrartechnologieunternehmen PEAT GmbH Ende dieses Monats auf der AAAI-Konferenz für Künstliche Intelligenz eine Arbeit vorstellen, in der sie ihre Kartierungsmethode detailliert beschreiben.

Kleinbetriebe werden typischerweise von einer einzelnen Familie oder einem einzelnen Landwirt bewirtschaftet, der von den selbst erzeugten Feldfrüchten und gehaltenen Tieren lebt. Schätzungen zufolge ernähren Kleinbetriebe zwei Drittel der ländlichen Bevölkerung weltweit und produzieren 80 Prozent der globalen Nahrungsmittel. Die Überwachung der Anbauarten und -orte ist unerlässlich für die Nachverfolgung und Prognose der globalen Nahrungsmittelversorgung. Die meisten dieser Kleinbetriebe befinden sich jedoch in Ländern mit niedrigem und mittlerem Einkommen, wo nur wenige Ressourcen für die Erfassung von Anbauarten und Erträgen auf einzelnen Betrieben zur Verfügung stehen.

Die Kartierung von Anbauflächen erfolgt hauptsächlich in einkommensstarken Regionen wie den USA und Europa. Dort überwachen staatliche Landwirtschaftsbehörden die Ernteerhebungen und entsenden Gutachter zu den Betrieben, um die Anbauflächen vor Ort zu erfassen. Diese vor Ort erhobenen Daten werden dann in Modelle des maschinellen Lernens eingespeist, die Verbindungen zwischen den Daten der tatsächlichen Anbauflächen und Satellitensignalen derselben Felder herstellen. Mithilfe dieser Modelle können dann größere landwirtschaftliche Flächen kartiert werden, die von den Gutachtern nicht erfasst werden, aber von Satelliten automatisch abgedeckt werden.

„Was in Ländern mit niedrigem und mittlerem Einkommen fehlt, ist diese terrestrische Kennzeichnung, die wir mit Satellitensignalen verbinden können“, sagt Laguarta Soler. „Zuallererst war es in den meisten Teilen der Welt schwierig, diese grundlegenden Informationen zu gewinnen, um ein Modell zu trainieren.“.

Dem Team wurde klar, dass viele Entwicklungsländer zwar nicht über die Ressourcen verfügen, um Feldstudien durchzuführen, sie aber eine andere Quelle für terrestrische Daten nutzen könnten: Bilder vom Straßenrand, die von Diensten wie Google Street View und Mapillary aufgenommen werden. Diese Dienste schicken Autos durch eine Region, um mit Dashcams und auf dem Dach montierten Kameras kontinuierlich 360-Grad-Bilder aufzuzeichnen.

In den letzten Jahren haben diese Dienste auch in Ländern mit niedrigem und mittlerem Einkommen an Bedeutung gewonnen. Obwohl der Zweck dieser Dienste nicht primär darin besteht, Bilder von Nutzpflanzen zu erfassen, stellte das MIT-Team fest, dass sie mithilfe von Straßenrandbildern Nutzpflanzen identifizieren können.

Ausschnitt

In ihrer neuen Studie arbeiteten die Forscher mit Google Street View (GSV)-Bildern, die in ganz Thailand aufgenommen wurden, einem Land, das der Dienst in letzter Zeit sehr detailliert fotografiert hat und das überwiegend aus kleinen Bauernhöfen besteht.

Aus über 200.000 zufällig in ganz Thailand aufgenommenen GSV-Bildern filterte das Team Aufnahmen von Gebäuden, Bäumen und allgemeiner Vegetation heraus. Rund 81.000 Bilder zeigten Nutzpflanzen. Davon wurden 2.000 ausgewählt und einem Agronomen zur Identifizierung und Beschriftung übergeben