I ricercatori hanno utilizzato questa tecnica per generare automaticamente la prima mappa nazionale delle colture della Thailandia, un paese di piccoli agricoltori dove le piccole aziende agricole indipendenti rappresentano la forma predominante di agricoltura. Il team ha creato una mappa completa delle quattro principali colture thailandesi – riso, manioca, canna da zucchero e mais – e ha determinato quale di queste fosse coltivata, con intervalli di 10 metri e senza interruzioni, in tutto il paese. La mappa risultante ha raggiunto un'accuratezza del 93%, che secondo i ricercatori è paragonabile alle mappature effettuate sul campo nei paesi ad alto reddito con grandi aziende agricole.
Il team sta applicando la sua tecnica di mappatura ad altri paesi, come l'India, dove le piccole aziende agricole sostengono la maggior parte della popolazione, ma storicamente le tipologie di colture praticate da un'azienda all'altra sono state registrate in modo inadeguato.
"C'è un'enorme lacuna di dati nella nostra conoscenza di ciò che viene coltivato in tutto il mondo", afferma Sherrie Wang, professoressa associata di sviluppo professionale presso il Dipartimento di Ingegneria Meccanica del MIT e l'Institute for Data, Systems, and Society (IDSS). "L'obiettivo finale è comprendere i risultati agricoli, come la resa, e come coltivare in modo più sostenibile. Uno dei passaggi preliminari fondamentali è mappare ciò che viene effettivamente coltivato: più dettagliata è la mappatura, più domande si possono rispondere".
Wang, insieme allo studente laureato del MIT Jordi Laguarta Soler e a Thomas Friedel dell'azienda di tecnologie agricole PEAT GmbH, presenterà un articolo che illustra nel dettaglio il loro metodo di mappatura alla conferenza AAAI sull'intelligenza artificiale, nel corso di questo mese.
Le piccole aziende agricole sono in genere gestite da una singola famiglia o da un singolo agricoltore che si sostiene grazie alle colture e al bestiame che alleva. Si stima che le piccole aziende agricole sostengano due terzi della popolazione rurale mondiale e producano l'80% del cibo mondiale. Monitorare cosa viene coltivato e dove è essenziale per tracciare e prevedere l'approvvigionamento alimentare globale. Tuttavia, la maggior parte di queste piccole aziende agricole si trova in paesi a basso e medio reddito, dove sono disponibili poche risorse per monitorare le tipologie di colture e le rese delle singole aziende.
Le attività di mappatura delle colture vengono svolte principalmente in regioni ad alto reddito come gli Stati Uniti e l'Europa, dove le agenzie agricole governative supervisionano i censimenti delle colture e inviano periti nelle aziende agricole per etichettare le colture campo per campo. Queste etichette "sul campo" vengono poi inserite in modelli di apprendimento automatico che stabiliscono correlazioni tra le etichette reali delle colture e i segnali satellitari provenienti dagli stessi campi. Questi modelli etichettano e mappano quindi porzioni più ampie di terreno agricolo non coperte dai periti, ma automaticamente rilevate dai satelliti.
"Ciò che manca nei paesi a basso e medio reddito è quell'etichetta terrestre che possiamo associare ai segnali satellitari", afferma Laguarta Soler. "Innanzitutto, ottenere queste informazioni di base per addestrare un modello è stato limitato nella maggior parte del mondo.".
Il team si è reso conto che, sebbene molti paesi in via di sviluppo non dispongano delle risorse per condurre studi sulle colture, potrebbero utilizzare un'altra fonte di dati terrestri: le immagini stradali, catturate da servizi come Google Street View e Mapillary, che inviano auto in giro per una regione per registrare immagini continue a 360 gradi con telecamere di bordo e telecamere montate sul tetto.
Negli ultimi anni, questi servizi hanno esteso la loro diffusione ai paesi a basso e medio reddito. Sebbene lo scopo di questi servizi non sia specificamente quello di acquisire immagini di coltivazioni, il team del MIT ha scoperto che è possibile analizzare le immagini a bordo strada per identificare le colture.
Immagine ritagliata
Nel loro nuovo studio, i ricercatori hanno lavorato con immagini di Google Street View (GSV) scattate in tutta la Thailandia, un paese che il servizio ha recentemente fotografato con notevole dettaglio e che è composto prevalentemente da piccole aziende agricole.
Tra le oltre 200.000 immagini GSV scattate a caso in tutta la Thailandia, il team ha filtrato quelle che ritraevano edifici, alberi e vegetazione in generale. Circa 81.000 immagini erano relative a colture. Ne hanno selezionate 2.000 e le hanno inviate a un agronomo, che le ha identificate ed etichettate
