(AGENPARL) - Roma, 16 Febbraio 2024

[lid] Il team ha utilizzato l’apprendimento automatico per analizzare le immagini satellitari e stradali delle aree in cui predominano le piccole aziende agricole e i dati agricoli sono scarsi.

Le mappe delle colture aiutano scienziati e politici a tenere traccia delle forniture alimentari globali e a stimare come potrebbero cambiare con il cambiamento climatico e la crescita della popolazione. Ma ottenere mappe accurate dei tipi di colture coltivate di fattoria in fattoria spesso richiede indagini sul campo che solo una manciata di paesi hanno le risorse per mantenere.

Ora, gli ingegneri del MIT hanno sviluppato un metodo per etichettare e mappare in modo rapido e accurato i tipi di colture senza richiedere valutazioni di persona di ogni singola azienda agricola. Il metodo del team utilizza una combinazione di immagini di Google Street View, apprendimento automatico e dati satellitari per determinare automaticamente i raccolti coltivati ??in una regione, da una frazione di acro a quella successiva. 

I ricercatori hanno utilizzato la tecnica per generare automaticamente la prima mappa nazionale delle colture della Thailandia, un paese di piccoli proprietari terrieri in cui le piccole aziende agricole indipendenti costituiscono la forma predominante di agricoltura. Il team ha creato una mappa da confine a confine delle quattro principali colture della Thailandia – riso, manioca, canna da zucchero e mais – e ha determinato quale delle quattro tipologie veniva coltivata, ogni 10 metri e senza interruzioni, in tutto il paese. La mappa risultante ha raggiunto una precisione del 93%, che secondo i ricercatori è paragonabile agli sforzi di mappatura sul campo nei paesi ad alto reddito e con grandi aziende agricole.

Il team sta applicando la tecnica di mappatura ad altri paesi come l’India, dove le piccole aziende agricole sostengono la maggior parte della popolazione, ma il tipo di colture coltivate da fattoria a fattoria è stata storicamente scarsamente registrata.

“Si tratta di una lacuna di lunga data nella conoscenza di ciò che viene coltivato in tutto il mondo”, afferma Sherrie Wang, professoressa assistente per lo sviluppo della carriera d’Arbeloff 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 chiave è quello di mappare ciò che viene coltivato: più granularmente puoi mappare, più domande a cui puoi rispondere”.

Wang, insieme allo studente laureato del MIT Jordi Laguarta Soler e Thomas Friedel della società agtech PEAT GmbH, presenteranno un documento che descrive in dettaglio il loro metodo di mappatura alla fine di questo mese alla Conferenza AAAI sull’intelligenza artificiale.

Realtà di base

Le piccole aziende agricole sono spesso gestite da una sola famiglia o agricoltore, che sopravvive grazie ai raccolti 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. Tenere sotto controllo ciò che viene coltivato e dove è essenziale per monitorare e prevedere le forniture alimentari in tutto il mondo. Ma la maggior parte di queste piccole aziende agricole si trova in paesi a reddito medio-basso, dove poche risorse sono destinate a tenere traccia dei tipi di raccolto e dei rendimenti delle singole aziende agricole.

Gli sforzi di mappatura delle colture vengono condotti principalmente nelle regioni ad alto reddito come gli Stati Uniti e l’Europa, dove le agenzie agricole governative supervisionano le indagini sui raccolti e inviano valutatori alle aziende agricole per etichettare i raccolti da un campo all’altro. Queste etichette di “verità sul terreno” vengono poi inserite in modelli di apprendimento automatico che creano collegamenti tra le etichette sul terreno delle colture reali e i segnali satellitari degli stessi campi. Quindi etichettano e mappano aree più ampie di terreni agricoli che gli assessori non coprono ma che i satelliti fanno automaticamente.

“Ciò che manca nei paesi a basso e medio reddito è questa etichetta di terra che possiamo associare ai segnali satellitari”, afferma Laguarta Soler. “Ottenere queste verità fondamentali 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 abbiano le risorse per condurre indagini sui raccolti, potrebbero potenzialmente utilizzare un’altra fonte di dati terrestri: immagini del bordo della strada, catturate da servizi come Google Street View e Mapillary, che inviano auto in tutta una regione a scatta immagini continue a 360 gradi con dashcam e telecamere sul tetto.

Negli ultimi anni, tali servizi sono riusciti ad accedere ai paesi a basso e medio reddito. Anche se l’obiettivo di questi servizi non è specificamente quello di catturare immagini dei raccolti, il team del MIT ha visto che potevano cercare le immagini lungo la strada per identificare i raccolti.

Immagine ritagliata

Nel loro nuovo studio, i ricercatori hanno lavorato con le immagini di Google Street View (GSV) scattate in tutta la Thailandia, un paese che il servizio ha recentemente fotografato in modo abbastanza approfondito e che consiste prevalentemente di piccole aziende agricole.

Partendo da oltre 200.000 immagini GSV campionate casualmente in tutta la Thailandia, il team ha filtrato le immagini che raffiguravano edifici, alberi e vegetazione in generale. Circa 81.000 immagini erano relative alle colture. Ne hanno messi da parte 2.000, che hanno inviato a un agronomo, che ha determinato ed etichettato a occhio ogni tipo di coltura. Hanno quindi addestrato una rete neurale convoluzionale per generare automaticamente etichette di colture per le altre 79.000 immagini, utilizzando vari metodi di formazione, tra cui iNaturalist, un database di biodiversità basato sul crowdsourcing basato sul web, e GPT-4V, un “modello multimodale di linguaggio di grandi dimensioni” che consente a un utente per inserire un’immagine e chiedere al modello di identificare ciò che l’immagine raffigura. Per ciascuna delle 81.000 immagini, il modello ha generato un’etichetta di una delle quattro colture che l’immagine probabilmente raffigurava: riso, mais, canna da zucchero o manioca.

I ricercatori hanno poi accoppiato ciascuna immagine etichettata con i corrispondenti dati satellitari rilevati nella stessa posizione durante una singola stagione di crescita. Questi dati satellitari includono misurazioni su più lunghezze d’onda, come il verde di un luogo e la sua riflettività (che può essere un segno di acqua). 

“Ogni tipo di raccolto presenta una certa caratteristica in queste diverse fasce, che cambia nel corso della stagione di crescita”, osserva Laguarta Soler.

Il team ha addestrato un secondo modello per creare associazioni tra i dati satellitari di una località e la corrispondente etichetta del raccolto. Hanno poi utilizzato questo modello per elaborare i dati satellitari rilevati nel resto del paese, dove le etichette delle colture non erano state generate o disponibili. Dalle associazioni apprese dal modello, sono state poi assegnate etichette alle colture in tutta la Thailandia, generando una mappa nazionale dei tipi di colture, con una risoluzione di 10 metri quadrati.

Questa mappa delle colture, prima nel suo genere, includeva posizioni corrispondenti alle 2.000 immagini GSV che i ricercatori avevano originariamente messo da parte, che erano state etichettate dagli arboricoltori. Queste immagini etichettate da esseri umani sono state utilizzate per convalidare le etichette della mappa e, quando il team ha cercato di vedere se le etichette della mappa corrispondevano alle etichette degli esperti, “gold standard”, lo ha fatto nel 93% dei casi.

“Negli Stati Uniti, stiamo riscontrando una precisione superiore al 90%, mentre con il lavoro precedente in India, abbiamo riscontrato solo il 75% perché le etichette sul terreno sono limitate”, afferma Wang. “Ora possiamo creare queste etichette in modo economico e automatizzato”.

I ricercatori si stanno muovendo per mappare i raccolti in tutta l’India, dove recentemente sono diventate disponibili immagini dei bordi delle strade tramite Google Street View e altri servizi.

“Ci sono oltre 150 milioni di piccoli agricoltori in India”, afferma Wang. “L’India è ricoperta di agricoltura, quasi tutte le fattorie, ma aziende molto piccole, e storicamente è stato molto difficile creare mappe dell’India perché ci sono etichette sul terreno molto sparse.”

Il team sta lavorando per generare mappe delle colture in India, che potrebbero essere utilizzate per informare le politiche che hanno a che fare con la valutazione e il rafforzamento dei raccolti, man mano che le temperature globali e le popolazioni aumentano.

“Ciò che sarebbe interessante sarebbe creare queste mappe nel tempo”, afferma Wang. “Allora potresti iniziare a vedere le tendenze e possiamo provare a collegare queste cose a qualcosa come i cambiamenti climatici e le politiche”.