农作物分布图帮助科学家和决策者跟踪全球粮食供应，并估计它们如何随着气候变化和人口增长而变化。但是，要获得从一个农场到另一个农场种植的作物类型的准确地图，往往需要实地调查，而只有少数几个国家有资源维持这种调查。
现在，麻省理工学院的工程师已经开发出一种方法，可以快速准确地标记和绘制作物类型，而无需亲自对每个农场进行评估。该团队的方法结合了谷歌街景图像、机器学习和卫星数据，从一英亩到另一英亩，自动确定整个地区的作物种植情况。
这组科学家利用这项技术自动生成了泰国的第一张全国范围的作物地图。泰国是一个小农户国家，小型独立农场构成了农业的主要形式。该团队绘制了一幅泰国四种主要作物——水稻、木薯、甘蔗和玉米的边界到边界地图，并确定了四种作物中哪一种在全国范围内每隔10米种植，而且没有缝隙。最终绘制的地图准确率达到93%，研究人员表示，这与高收入、大农场国家的地面测绘工作相当。
该团队正在将他们的测绘技术应用到印度等其他国家，在这些国家，小农场养活了大部分人口，但从历史上看，从一个农场到另一个农场种植的作物类型记录得很少。
麻省理工学院机械工程系和数据、系统与社会研究所(IDSS)的达贝洛夫职业发展助理教授谢莉·王(Sherrie Wang)说:“这是一个长期存在的知识缺口。”王是麻省理工学院苏世民计算机学院和麻省理工学院各院系共同聘用的新教员之一，他说:“最终目标是了解农业成果，比如产量，以及如何更可持续地耕种。关键的初步步骤之一是绘制出正在生长的作物的分布图，绘制得越精细，就能回答越多的问题。”
王与麻省理工学院的研究生Jordi Laguarta Soler和农业技术公司PEAT GmbH的Thomas Friedel将在本月晚些时候的AAAI人工智能会议上发表一篇论文，详细介绍他们的地图绘制方法。
地面实况
小农农场通常由一个家庭或农民经营，他们靠自己饲养的作物和牲畜为生。据估计，小农农场养活了世界三分之二的农村人口，生产了世界上80%的粮食。密切关注种植的品种和地点，对于跟踪和预测世界各地的粮食供应至关重要。但这些小农场大多位于中低收入国家，这些国家很少有资源用于跟踪单个农场的作物类型和产量。
作物测绘工作主要是在美国和欧洲等高收入地区开展的，在这些地区，政府农业机构监督作物调查，并派遣评估人员到农场给不同的作物贴上标签。然后，这些“地面真实”标签被输入机器学习模型，该模型将实际作物的地面标签与同一块田地的卫星信号联系起来。然后，他们对评估人员没有覆盖但卫星自动覆盖的更广泛的农田进行标记和绘制。
“低收入和中等收入国家所缺乏的是我们可以与卫星信号联系起来的地面标签，”Laguarta Soler说。“首先，在世界上大多数地方，获得这些基本事实来训练模型是有限的。”
该团队意识到，虽然许多发展中国家没有资源来维持作物调查，但他们可能会使用另一种地面数据来源:路边图像，由谷歌街景和Mapillary等服务捕获，这些服务会派汽车在一个地区内用行车记录仪和屋顶摄像头连续拍摄360度图像。
近年来，这些服务已经能够进入低收入和中等收入国家。虽然这些服务的目标不是专门捕捉农作物的图像，但麻省理工学院的研究小组发现，他们可以搜索路边的图像来识别农作物。
裁剪图像
在他们的新研究中，研究人员使用了谷歌街景(GSV)在泰国各地拍摄的图像——该服务最近对泰国进行了相当彻底的成像，泰国主要由小农农场组成。
研究小组从泰国各地随机抽取的20多万张GSV图像开始，过滤掉了描绘建筑物、树木和一般植被的图像。大约8.1万张图片与农作物有关。他们把其中的2000个寄给了一位农学家，农学家用眼睛确定并标记了每种作物的类型。然后，他们训练了一个卷积神经网络，使用各种训练方法，包括iNaturalist(一个基于网络的众包生物多样性数据库)和GPT-4V(一个“多模态大型语言模型”，允许用户输入图像并要求模型识别图像所描绘的内容)，为其他79000张图像自动生成作物标签。对于81,000张图片中的每一张，该模型都为图片可能描绘的四种作物中的一种生成了一个标签——水稻、玉米、甘蔗或木薯。
然后，研究人员将每个标记的图像与在单个生长季节在同一地点拍摄的相应卫星数据配对。这些卫星数据包括多个波长的测量数据，比如一个地点的绿化率和反射率(这可能是有水的迹象)。
“每种作物在这些不同的波段上都有特定的特征，这些特征在整个生长季节都会发生变化，”拉瓜塔·索勒指出。
该团队训练了第二个模型，在一个地点的卫星数据和相应的作物标签之间建立联系。然后，他们使用这个模型来处理从该国其他地区获取的卫星数据，这些地区没有生成或可用的作物标签。然后，该模型根据所学到的关联，在泰国各地分配作物标签，生成一幅分辨率为10平方米的全国作物类型地图。
这张独一无二的作物地图包含了与研究人员最初搁置的2000张GSV图像相对应的位置，这些图像由树木学家标记。这些人为标记的图像被用来验证地图的标签，当研究小组观察地图的标签是否与专家的“黄金标准”标签相匹配时，93%的情况下是这样的。
Wang说:“在美国，我们的准确率也超过了90%，而在印度，由于地面标签的限制，我们的准确率只有75%。”“现在我们可以用一种廉价和自动化的方式来制作这些标签。”
研究人员正着手绘制印度各地的农作物地图，通过谷歌街景(Google Street View)和其他服务提供的路边图像最近已经可用。
“印度有超过1.5亿小农，”王说。“印度到处都是农业，几乎到处都是农场，但都是很小的农场。从历史上看，绘制印度地图非常困难，因为地面标签非常稀少。”
该团队正在印度制作农作物地图，随着全球气温和人口的上升，这些地图可以用来为评估和提高产量的政策提供信息。
Wang说:“随着时间的推移，绘制这些地图会很有趣。”“然后你就可以开始看到趋势，我们可以尝试将这些事情与气候和政策变化等任何事情联系起来。”
作者：Jennifer Chu | MIT新闻
链接：https://news.mit.edu/2024/mit-researchers-remotely-map-crops-fields-0215
著作权归作者所有。
声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：152 6451 3609，邮箱：1027830374@qq.com
地址：山东省烟台市开发区南昌大街48号
