机器学习和卫星图像可以帮助保护世界上最重要的农作物

北卡罗来纳州罗利 — 新北卡罗来纳州州立大学的研究将卫星图像与机器学习技术相结合，帮助更快、更准确地模拟水稻作物生产力。该工具可以帮助世界各地的决策者更好地评估如何以及在哪里种植水稻，水稻是世界上一半以上人口的主要能源。

该研究重点关注世界第三大稻米生产国孟加拉国。该国也是世界上第六个最容易受到气候变化影响的国家，因为洪水摧毁了水稻作物，导致粮食不安全。

该研究的主要作者、北卡罗来纳州立大学博士生瓦伦·蒂瓦里 (Varun Tiwari) 表示，传统的农作物监测技术已经跟不上气候变化的步伐。

– 为了估算作物生产力，孟加拉国人使用实地数据。他们亲自到田间收割庄稼，然后采访农民，然后据此撰写报告。这是一个耗时且费力的过程。此外，当水稻产量估算仅基于少数样本而不是所有田地的数据时，该方法会增加不准确性，从而难以将其升级到国家水平。”Tiwari 说。– 这意味着他们无法及时获得这些信息来做出出口、进口或农作物定价的决策。它还限制了他们做出长期决策的能力，例如改变作物、引入适应气候变化的水稻品种或改变水稻种植模式。”

研究人员使用定期记录的同一地点的一系列图像（称为时间序列卫星图像）来测量这些地点的植被和生长条件、作物含水量和土壤状况。通过将卫星数据与实地数据相结合，研究人员训练了他们的机器学习模型，以更准确地估计 2002 年至 2021 年期间的水稻作物生产力。

– 通过此模型，我们可以看到一个区域表现良好，而另一个区域则表现不佳。如果我们有一个高生产力的地区，我们可以决定在该地区建立更多的存储能力或在该地区的运输方面进行更多投资，”蒂瓦里说。– 由于信息可以更早地获得，因此决策者有足够的时间来就如何分配资源做出正确的选择。 –

虽然该模型处于研究的早期阶段，但结果是积极的。准确度在 90-92% 之间，不确定性约为 2%，这是指模型的误差幅度。蒂瓦里说，当进一步开发时，该模型可以适应不同景观中的不同作物。

– 孟加拉国是我们理想的起点，因为 90% 的人口将大米纳入日常饮食。农业，主要是水稻种植，贡献了其国民生产总值的六分之一左右。对他们来说，做出正确的估计非常重要，而我们可以满足这一需求。”蒂瓦里说。– 如果我们可以从其他地区获得类似的数据集，我们就可以在那里应用相同的框架。无论是美国、印度还是非洲国家，我们都希望这种方法能够重现。”

这项研究是利益相关者、研究人员和政策制定者之间的合作。除了北卡罗来纳州之外，美国农业部、国际玉米和小麦改良中心以及孟加拉国水稻研究所等组织也参与其中，以确保利用最佳科学实践来做出明智的决策。

论文“推进粮食安全：使用时间序列卫星数据和机器学习的稻米产量估算框架”发表于公共科学图书馆一号。共同作者包括 Kelly Thorp、Mirela G. Tulbure、Joshua Gray、Mohammad Kamruzzaman、Timothy J. Krupnik、A. Sankarasubramanian 和 Marcelo Ardon。

这项研究的资金来自比尔及梅琳达·盖茨基金会和美国国际开发署通过南亚谷物系统倡议和国际农业研究磋商小组南亚农业食品系统转型区域综合倡议。

研究摘要如下。

– 推进粮食安全：使用时间序列卫星数据和机器学习的水稻产量估算框架， –

作者：Varun Tiwari、Kelly Thorp、Mirela G. Tulbure、Joshua Gray、Mohammad Kamruzzaman、Timothy J. Krupnik、A. Sankarasubramanian、Marcelo Ardon。

发布日期：2024 年 12 月 12 日

DOI：10.1371/journal.pone.0309982

摘要：及时准确地估算水稻产量对于支持孟加拉国等水稻生产国的粮食安全管理、农业政策制定和适应气候变化至关重要。为了满足这一需求，本研究引入了一个工作流程，可以在分区范围内（1000米空间分辨率）实现及时、精确的水稻产量估算。然而，在应用遥感方法进行政府报告的高空间分辨率粮食安全管理稻米产量估算方面存在重大差距。目前的方法仅限于特定区域，主要用于研究，缺乏与国家报告系统的整合。

此外，在分区范围内没有一致的年度硼罗稻产量图，阻碍了当地的农业决策。该工作流程利用 MODIS 和年度区级产量数据来训练随机森林模型，用于估算 2002 年至 2021 年分辨率为 1,000 米的 boro 稻产量。结果显示，平均百分比均方根误差 (RMSE) 为 8.07%，当分别使用报告的地区产量和作物减产产量数据进行验证时，为 12.96%。此外，孟加拉国的 boro 稻产量估计值各不相同，不确定性范围在每公顷 0.40 至 0.45 吨之间。

此外，使用修正的 Mann-Kendall 趋势检验和 95% 置信区间 (p < 0.05) 对 2002 年至 2021 年估计的 boro 稻产量数据进行了趋势分析。

在孟加拉国，23%的水稻面积呈现增加趋势，0.11%呈现下降趋势，76.51%的面积呈现无趋势。