研究人员逐地远程绘制作物地图

作物地图有助于科学家和政策制定者跟踪全球粮食供应，并估计它们可能如何随着气候变化和人口增长而变化。但是，要想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，往往需要进行实地调查，而只有少数国家有资源来维持

现在，麻省理工学院的工程师开发了一种方法，可以快速准确地标记和绘制作物类型，而无需亲自评估每个农场。该团队的方法结合了谷歌街景图像、机器学习和卫星数据，自动确定整个地区的作物种植情况，从一英亩到下一英亩。他们的工作发表在arXiv预印本服务器上

研究人员使用这项技术自动生成了泰国的第一张全国作物地图。泰国是一个小农户国家，小型独立农场构成了主要的农业形式。该团队绘制了泰国四种主要作物——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的哪一种在全国每10米种植一次，没有缺口。研究人员表示，由此绘制的地图的准确率为93%，与高收入、大型农业国家的实地测绘工作相当

该团队正在将他们的测绘技术应用于印度等其他国家，这些国家的小农场维持了大部分人口，但从一个农场到另一个农场种植的作物类型历来记录不佳

麻省理工学院机械工程系和数据、系统与社会研究所的d’Arbeloff职业发展助理教授Sherrie Wang说：“这是关于世界各地发展的知识的长期差距。”。“最终目标是了解农业成果，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正在种植的作物的地图——你能绘制的地图越细，你能回答的问题就越多。”

Wang与麻省理工学院研究生Jordi Laguarta Soler和agtech公司PEAT GmbH的Thomas Friedel一起，将在本月晚些时候的AAAI人工智能会议上发表一篇论文，详细介绍他们的绘图方法

事实上，小农户农场通常由一个家庭或农民经营，他们以种植的作物和牲畜为生。据估计，小农户农场养活了世界三分之二的农村人口，生产了世界80%的粮食。密切关注种植的作物和地点对于跟踪和预测世界各地的粮食供应至关重要。但这些小型农场大多位于中低收入国家，这些国家几乎没有资源用于跟踪单个农场的作物类型和产量

作物测绘工作主要在美国和欧洲等高收入地区进行，这些地区的政府农业机构负责监督作物调查，并向农场派遣评估员，从一块田地到另一块田地对作物进行标记。然后，这些“地面实况”标签被输入机器学习模型，该模型在实际作物的地面标签和同一田地的卫星信号之间建立联系。然后，他们对评估人员没有覆盖但卫星自动覆盖的更大范围的农田进行标记和地图绘制。

“中低收入国家缺乏的是我们可以将其与卫星信号联系起来的地面标签，”Laguarta Soler说。“在世界上大多数地区，首先让这些地面实况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：谷歌街景和Mapillary等服务捕捉的路边图像，它将汽车发送到整个地区，用行车记录仪和屋顶摄像头拍摄连续的360度图像

近年来，这些服务已经能够进入中低收入国家。虽然这些服务的目标并不是专门捕捉农作物的图像，但麻省理工学院的团队发现，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，研究人员使用了在泰国各地拍摄的谷歌街景（GSV）图像。该服务最近对泰国进行了相当彻底的成像，该国主要由小农户组成

从泰国各地随机采样的200000多张GSV图像开始，该团队过滤出了描绘建筑物、树木和一般植被的图像。大约81000张图像与作物有关。他们把其中的2000种放在一边，交给农学家，由他用肉眼确定并标记每种作物类型

然后，他们训练了一个卷积神经网络，使用各种训练方法自动为其他79000张图像生成作物标签，包括iNaturalist——一个基于网络的众包生物多样性数据库，以及GPT-4V——一个“多模式大语言模型”，使用户能够输入图像并要求模型识别图像所描绘的内容。对于81000张图像中的每一张，该模型都生成了图像可能描绘的四种作物之一的标签——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位置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结果，例如一个位置的绿色度和反射率（这可能是水的迹象）

Laguarta Soler指出：“每种作物在不同的波段都有特定的特征，在整个生长季节都会发生变化。”

该团队训练了第二个模型，以在一个位置的卫星数据与其对应的作物标签之间建立关联。然后他们使用这个模型来