[論文レビュー] Remote Sensing and Machine Learning for Food Crop Production Data in Africa Post-COVID-19

Racine Ly, Khadim Dia+1 more|arXiv (Cornell University)|Jul 14, 2021

Smart Agriculture and AI参考文献 11被引用数 5

ひとこと要約

本論文は、2020年の収穫前におけるアフリカ全域の食料作物（トウモロコシ、ジャガイモ、イネ、コムギ）の生産を予測するために、衛星由来のリモートセンシングデータ（NDVI、LST、降雨量、蒸発散量）を用いた機械学習モデルを提案する。COVID-19パンデミック期の早期政策対応を可能にする。モデルはAAgWaプラットフォームを通じて、地理的に細分化された、公開可能な生産予測を提供し、タイムリーでデータ駆動型の意思決定によって食料システムのレジリエンスを強化する。

ABSTRACT

In the agricultural sector, the COVID-19 threatens to lead to a severe food security crisis in the region, with disruptions in the food supply chain and agricultural production expected to contract between 2.6% and 7%. From the food crop production side, the travel bans and border closures, the late reception and the use of agricultural inputs such as imported seeds, fertilizers, and pesticides could lead to poor food crop production performances. Another layer of disruption introduced by the mobility restriction measures is the scarcity of agricultural workers, mainly seasonal workers. The lockdown measures and border closures limit seasonal workers' availability to get to the farm on time for planting and harvesting activities. Moreover, most of the imported agricultural inputs travel by air, which the pandemic has heavily impacted. Such transportation disruptions can also negatively affect the food crop production system. This chapter assesses food crop production levels in 2020 -- before the harvesting period -- in all African regions and four staples such as maize, cassava, rice, and wheat. The production levels are predicted using the combination of biogeophysical remote sensing data retrieved from satellite images and machine learning artificial neural networks (ANNs) technique. The remote sensing products are used as input variables and the ANNs as the predictive modeling framework. The input remote sensing products are the Normalized Difference Vegetation Index (NDVI), the daytime Land Surface Temperature (LST), rainfall data, and agricultural lands' Evapotranspiration (ET). The output maps and data are made publicly available on a web-based platform, AAgWa (Africa Agriculture Watch, www.aagwa.org), to facilitate access to such information to policymakers, deciders, and other stakeholders.

研究の動機と目的

• 特にCOVID-19パンデミックのような危機時における、アフリカにおけるタイムリーで正確な農業データの著しい不足に対処すること。
• 収穫後における家庭調査に依存する従来の農業データ収集方法に起因する遅延を克服すること。
• リモートセンシングと機械学習を活用して、生産不足の早期検出を可能にすることで、食料安全保障の準備を向上させること。
• 意思決定者や関係者に行動可能な、地理的に分解能の高い作物生産予測を提供する、スケーラブルで公開可能なプラットフォーム（AAgWa）の開発。
• リモートセンシングやAIなどの新興技術を活用して、データ駆動型意思決定を制度化することで、アフリカの食料システムレジリエンスを強化すること。

提案手法

• 入力特徴量として、正規化差分緑化指数（NDVI）、日中の地表面温度（LST）、降雨量、蒸発散量（ET）からなるバイオジオフィジカルリモートセンシング製品を用いる。
• アフリカの地域ごとの食料作物生産水準を推定するための予測モデリングフレームワークとして、人工ニューラルネットワーク（ANNs）を採用する。
• 歴史的およびリアルタイムの衛星データに基づいてトレーニングされた機械学習パイプラインを活用し、収穫期の前に行われる作物収量の予測を行う。
• メタデータと地理空間的文脈を統合することで、地域的および国レベルでの予測の整合性とモデルの頑健性を向上させる。
• 最終的な予測出力を、関係者によるアクセスと政策利用を目的とした、公開可能なウェブプラットフォームAAgWaにデプロイする。
• クラウドベースのインfrastrutureとモバイルデータ収集ツール（例：GPS搭載タブレット）に依存することで、データ品質の向上とリモートセンシング入力との統合を強化する。

実験結果

リサーチクエスチョン

• RQ1 COVID-19パンデミック期に、衛星由来のバイオジオフィジカル変数が、収穫前のアフリカにおける食料作物生産水準を予測できるか。
• RQ2 リモートセンシングデータを用いた機械学習モデルは、データが乏しいアフリカの文脈において、農業統計のタイムリーネスと正確性をどの程度向上できるか。
• RQ3 AAgWaのような公開可能なプラットフォームは、パンデミック後のアフリカの食料システムにおいて、早期警戒と政策対応性をどのように向上させるか。
• RQ4 メタデータと地理空間データ統合は、農業生産予測のためのモデルの頑健性を向上させるために果たす役割は何か。
• RQ5 リモートセンシングや機械学習などの新興技術は、どのようにしてアフリカにおける長期的な食料システムのレジリエンスを強化するために制度化できるか。

主な発見

• モデルは、2020年の収穫前に、アフリカの地域におけるトウモロコシ、ジャガイモ、イネ、コムギの作物生産水準を成功裏に予測し、早期政策計画を可能にした。
• NDVI、LST、降雨量、ETデータの人工ニューラルネットワークへの統合により、信頼性の高い、地理的に細分化された生産予測が得られた。
• 予測された生産水準は、AAgWaプラットフォームを通じて公開され、意思決定者や関係者のアクセス性が向上した。
• 本研究は、特に従来のデータ収集が妨げられる危機時において、リモートセンシングと機械学習がアフリカ農業におけるデータ不足を克服できることを示した。
• このアプローチにより、遅延する家庭レベルの調査に依存するのを減らし、農業生産のニアリアルタイム監視が可能になった。
• 研究結果は、技術駆動型データシステムが、脆弱なアフリカのサハラ以南地域の農業システムにおける食料安全保障と政策対応性を強化する潜在能力を示している。