Фото: із відкритих джерел
Дослідники Кембриджського університету протестували супутниковий AI-інструмент Tessera для картографування культур у «арахісовому басейні» Сенегалу. За даними публікації в Environmental Research: Food Systems, система класифікувала типи культур із точністю 84% і потребувала менше розмічених польових даних, ніж типові підходи.
Про це повідомляє сайт Аграрії разом з посиланням на сайт Global Agriculture.
Команда Кембриджського університету розробила супутниковий інструмент штучного інтелекту Tessera, який, за даними дослідження, зміг коректно визначати типи культур у регіоні вирощування арахісу в Сенегалі з точністю 84%. Результати опубліковані 29 вересня в журналі Environmental Research: Food Systems.
Випробування проводили у співпраці зі Всесвітньою продовольчою програмою (World Food Programme) в так званому «groundnut basin» — зоні, де дрібні фермери вирощують арахіс разом із просом, сорго та іншими базовими культурами на невеликих ділянках неправильної форми. Саме такі поля, як зазначається в матеріалі, є складними для супутникових систем картографування культур через мозаїчність і мінливість посівів.
Як працює підхід Tessera
У матеріалі наголошується, що більшість AI-систем для класифікації культур із супутникових знімків потребують великих масивів розмічених даних (ground-truth) — тобто полів, де наперед відомо, яка культура вирощується. Збір таких даних у дрібнотоварних системах господарювання Африки та Південної Азії є дорогим і обмеженим, що гальмує масштабування супутникового моніторингу.
Tessera описують як foundation model: модель попередньо навчають на великому обсязі загальних супутникових даних, а потім адаптують до конкретного завдання з меншим обсягом додаткових розмічених прикладів.
За описом авторів, система аналізує повний рік супутникових зображень для кожної ділянки розміром 10 м і перетворює сезонні зміни відбивної здатності (від посіву до росту й збирання) на компактне числове представлення — embedding. Після цього для розподілу таких embedding за класами культур застосовують «простішi, легко калібровані алгоритми», що, як стверджується, зменшує потребу і в польових еталонних даних, і в обчислювальних ресурсах.
Результати тестування
У публікації зазначено, що Tessera перевіряли на супутникових даних за 2018, 2019 і 2021 роки. За підсумками тестів інструмент правильно класифікував типи культур у 84% випадків. Також повідомляється, що в одному зі сценаріїв модель перевершила найближчу порівнювану модель на 28% і при цьому використовувала лише частку обчислювальних ресурсів.
Окремо автори відзначають здатність моделі працювати при перенесенні навчання між роками: коли систему навчали на даних одного року, а застосовували до іншого, який вона «не бачила» раніше, результати залишалися високими. Це важливо для дрібних господарств, де межі полів, схеми посівів і навіть набір культур можуть змінюватися сезон до сезону.
Що це може дати агросектору
Описаний підхід потенційно корисний там, де бракує якісних польових обстежень і детальної статистики: супутникове картографування культур із меншими вимогами до ground-truth може спростити регулярне оновлення карт посівів у регіонах із дрібноконтурними полями. У матеріалі підкреслюється, що саме дефіцит розмічених даних є одним із бар’єрів для ширшого впровадження супутникового моніторингу в Африці та Південній Азії.
Інструмент Tessera розробила команда з Department of Computer Science and Technology Кембриджського університету під керівництвом Madeline Lisaius (співавтори: S. Keshav, A. Blake, C. Atzberger). Фінансування дослідження, за даними матеріалу, забезпечили UK Research and Innovation та Mantle Labs, а також партнерство зі Всесвітньою продовольчою програмою.