Regierung & Öffentlicher Sektor
Die Bestimmung und Beobachtung von Agrarflächen sind für die Kontrolle von Subventionen und Anbaumethoden, z.B. genutzte Düngemittel, sowie für Predictive Analytics in der Lebensmittelproduktion von immenser Bedeutung. Vor-Ort-Kontrollen und manuelle Dokumentationen sind aufgrund der großen Agrarflächen und ihres Zeitaufwands nur begrenzt geeignet. Durch die automatische Analyse von Fernerkundungsdaten können Agrarflächen frühzeitig klassifiziert und deren zeitliche Entwicklung überwacht werden.
Motivation
Ein wesentlicher Aspekt der Agrarpolitik sind Subventionen für die Landwirtschaft. In der Gemeinsamen Agrarpolitik (GAP) der EU beispielsweise wird der Großteil des Gesamtbudgets in Subventionen investiert. Um zu kontrollieren, ob die Bedingungen für Subventionen erfüllt sind, müssen Daten über die auf Parzellenebene angebauten Kulturen gesammelt und dokumentiert werden. Darüber hinaus kann die automatisierte Pflanzenklassifizierung und Subventionskontrolle die Dokumentationspflicht für die Landwirte weniger bürokratisch machen.
Außerdem können mit der automatischen Analyse von Agrarflächen mittels Fernerkundungsdaten die Einhaltung von Richtlinien und Nachhaltigkeit der Anbaumethoden überwacht sowie Vorhersagen zum Ernteertrag für die Lebensmittelversorgung der Bevölkerung gemacht werden. Dadurch sind frühzeitige Maßnahmen und Durchsetzung von Richtlinien möglich.
Herausforderungen
Die Automatisierung der Klassifizierung von Nutzpflanzen und Lokalisierung landwirtschaftlicher Flächen erfordert den Einsatz von Erdbeobachtungs- und Fernerkundungsmethoden und -daten. ML-Algorithmen werden mittlerweile standardmäßig zur Analyse dieser großen Datenmengen und multispektralen Informationen eingesetzt. Mehrere Datensätze zu Open-Source-Satellitendaten, z.B. von den Sentinel-Satelliten der ESA, können hierfür verwendet werden. In der Regel müssen mehrere Quellen von Satellitendaten und Geoinformationen zu einem Datensatz kombiniert und vereinheitlicht werden, um einen geeigneten Trainingsdatensatz zu erstellen. Dieser muss zudem markierte und annotierte Kulturarten und Wachstumsphasen sowie andere Vegetationstypen beinhalten.
Lösungsansätze
Open-Source-Datensätze, wie z.B. die Daten aus dem Sentinel-1- und Sentinel-2-Programm der ESA, liefern optische und radarbasierte Satellitendaten und somit verschiedene spektrale Informationen über die Erdoberfläche. ML-Algorithmen sind in der Lage, diese verschiedenen Informationen und Features zur Identifizierung von Kulturpflanzen gleichzeitig zu verarbeiten.
Zur Klassifizierung von Pflanzenarten werden Algorithmen zur Bildsegmentierung implementiert, bei denen es sich normalerweise um Convolutional Neural Networks (CNN) handelt. Sie können Unterschiede in Farbe, Wuchshöhe und Feuchtigkeit der Nutzpflanzen und anderer Vegetation über die spektralen Informationen identifizieren und auf dieser Basis die Nutzpflanzenarten sowie die Grenzen zwischen verschiedenen Äckern und Wäldern klassifizieren.
Um zusätzliche Informationen aus verschiedenen Wachstumsphasen extrahieren und die zeitliche Entwicklung der Flächen beobachten zu können, werden Zeitreihen von Satellitenbildern eingesetzt und durch Transformer-Modelle die zeitabhängigen Relationen analysiert.
Dadurch kann beispielsweise frühzeitig im Jahr der angebaute Pflanzentyp einer Ackerfläche bestimmt und nachgeprüft werden, ob die Bedingungen für die Genehmigung von Subventionen erfüllt sind oder die vom Landwirt angegebenen Informationen stimmen.
