© unsplash/@nicolasp
Kulturpflanzenklassifikation für die EU-Subventionskontrolle (GAP)
Hintergrund
In der Gemeinsamen Agrarpolitik (GAP) legen die EU-Mitgliedstaaten die Politik für den europäischen Agrarmarkt fest. Das Gesamtbudget für die Jahre 2021 - 2027 beträgt 391,4 Milliarden Euro. Ein großer Teil dieses Budgets wird in Subventionen für Landwirte investiert. Um zu kontrollieren, ob die Bedingungen für Subventionen erfüllt sind, müssen die EU-Mitgliedstaaten Daten über die auf Parzellenebene angebauten Kulturen sammeln.
Dazu riet die Europäische Kommission den Mitgliedstaaten, Satellitenbilder zu nutzen und die Bilder automatisch mit Machine Learning (ML) zu analysieren. Darüber hinaus kann die automatisierte Pflanzenklassifizierung die Effizienz für die Landwirte hinsichtlich der Dokumentationspflichten erhöhen.
Herausforderungen
Die Automatisierung der Klassifizierung von Nutzpflanzen und der Lokalisierung landwirtschaftlicher Flächen erfordert den Einsatz von Erdbeobachtungs- und Fernerkundungsmethoden und -daten. Mehrere Open-Source-Daten (z.B. von den Sentinel-Satelliten der Europäischen Weltraumorganisation) können verwendet werden, um einen geeigneten Trainingsdatensatz zu erstellen.
Dies sollte die Hauptaufgabe vor der Entwicklung eines ML-Modells sein, denn es erfordert einen großen und vielfältigen Datensatz, der alle möglichen Kulturarten und Wachstumsphasen sowie markierte andere Vegetationstypen abdeckt.
Um die relevanten Informationen aus den Satellitendaten zu extrahieren, muss das ML-Modell die etikettierten Satellitendaten verarbeiten und sollte in der Lage sein, Muster zu erkennen, wie z.B. unterschiedliche Farben oder Wachstumsniveaus der überwachten landwirtschaftlichen Flächen.
Lösungsansatz
Open-Source-Datensätze, wie z.B. die Daten aus dem Sentinel-1- und Sentinel-2-Programm der ESA, liefern optische und Radar-Satellitendaten, die als Trainingsdaten verwendet werden können, wobei die verschiedenen Kulturarten gelabelt werden müssen.
Das ML-Modell kann die Pflanzenarten klassifizieren, indem Bildsegmentierungs- und Klassifizierungsalgorithmen implementiert werden, bei denen es sich normalerweise um Convolutional Neural Neworks (CNN) handelt, wie z.B. eine U-Net- oder Mask R-CNN-Architektur. Sie können Unterschiede in Farbe und Wuchshöhe der Nutzpflanzen und anderer Vegetation im optischen und Radarspektrum erkennen und auf dieser Basis die Nutzpflanzentypen sowie die Grenzen zwischen verschiedenen Äckern und Wäldern klassifizieren.
Um zusätzliche Informationen aus verschiedenen Wachstumsphasen extrahieren zu können, könnte eine Zeitreihenbeobachtung von Satellitenbildern eingesetzt werden, z.B. in Form von Pixel-Set Encoder und Temporal Self-Attention.