[논문 리뷰] Remote Sensing and Machine Learning for Food Crop Production Data in Africa Post-COVID-19

Racine Ly, Khadim Dia외 1명|arXiv (Cornell University)|2021. 07. 14.

Smart Agriculture and AI참고 문헌 11인용 수 5

한 줄 요약

이 논문은 2020년 수확 전에 아프리카 전역에서 옥수수, 고구마, 쌀, 밀의 농작물 수확량을 예측하기 위해 위성 유도 원격 감지 데이터—NDVI, LST, 강수량, 증발산발산량—을 사용하는 기계학습 모델을 제안한다. 이는 코로나19 패an데믹 기간 동안 조기 정책 대응을 가능하게 하며, AAgWa 플랫폼 통해 지리공간적으로 분할된 공개 가능한 수확량 예측을 제공함으로써 데이터 기반 의사결정을 통한 식량시스템 회복력을 강화한다.

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.

연구 동기 및 목표

• 특히 코로나19 패안데믹과 같은 위기 상황에서 조기 정확한 농업 데이터의 부족을 해결한다.
• 수확 후 가정 설문 조사에 의존하는 전통적인 농업 데이터 수집 방법의 지연을 극복한다.
• 원격 감지와 기계학습을 활용해 수확량 부족을 조기에 탐지함으로써 식량안보 준비를 향상시킨다.
• 정책 입안자와 이해관계자에게 작동 가능한 지리공간적으로 분리된 농작물 수확량 예측을 제공하는 확장 가능한 공개 플랫폼(AAgWa)을 개발한다.
• 원격 감지와 AI와 같은 신기술을 통해 데이터 기반 의사결정을 제도화함으로써 아프리카 식량시스템의 회복력을 강화한다.

제안 방법

• 예측 특성으로 정규화된 차이 식생지수(NDVI), 일일 지표면 온도(LST), 강수량, 증발산발산량(ET)을 포함한 생물지리학적 원격 감지 제품을 사용한다.
• 아프리카 지역 전역의 농작물 수확량 수준을 추정하기 위해 인공 신경망(ANNs)을 예측 모델링 프레임워크로 활용한다.
• 역사적 및 실시간 위성 데이터를 기반으로 훈련된 기계학습 파이프라인을 활용해 수확 시즌 전에 수확량을 예측한다.
• 모델의 강건성 향상과 지역 및 국가 수준에서의 예측 해석을 위해 메타데이터와 지리공간적 맥락을 통합한다.
• 최종 예측 결과를 공개 가능한 웹 플랫폼인 AAgWa에 배포하여 이해관계자 접근과 정책 활용을 가능하게 한다.
• 클라우드 기반 인프라와 이동식 데이터 수집 도구(예: GPS가 탑재된 태블릿)에 의존하여 원격 감지 입력과의 데이터 품질 및 통합을 향상시킨다.

실험 결과

연구 질문

• RQ1 코로나19 패안데믹 기간 동안 위성 유도 생물지리학적 변수가 아프리카 수확 전 농작물 수확량을 예측할 수 있는가?
• RQ2 원격 감지 데이터를 활용한 기계학습 모델이 데이터가 부족한 아프리카 환경에서 농업 통계의 시기적 적절성과 정확성을 얼마나 향상시킬 수 있는가?
• RQ3 AAgWa와 같은 공개 플랫폼이 패안데믹 이후 아프리카 식량 시스템의 조기 경고 및 정책 대응성을 어떻게 향상시킬 수 있는가?
• RQ4 메타데이터와 지리공간 데이터 통합은 농업 생산 예측 모델의 강건성 향상에 어떤 역할을 하는가?
• RQ5 원격 감지와 기계학습과 같은 신기술이 아프리카에서 장기적인 식량 시스템 회복력을 강화하기 위해 어떻게 제도화될 수 있는가?

주요 결과

• 모델은 2020년 수확 전 아프리카 지역 전역에서 옥수수, 고구마, 쌀, 밀의 농작물 수확량을 성공적으로 예측하여 조기 정책 기획을 가능하게 하였다.
• NDVI, LST, 강수량, ET 데이터를 인공 신경망에 통합함으로써 신뢰할 수 있는 지리공간적으로 분할된 수확량 예측을 도출하였다.
• 예측된 수확량 수준은 AAgWa 플랫폼 통해 공개되어 정책 입안자와 이해관계자의 접근성을 높였다.
• 이 연구는 원격 감지와 기계학습이 전통적인 데이터 수집이 방해받는 위기 상황에서 아프리카 농업의 데이터 부족 문제를 극복할 수 있음을 입증하였다.
• 이러한 접근은 지연된 가정 수준의 설문 조사에 대한 의존도를 줄이고 농업 성과의 실시간 모니터링을 가능하게 하였다.
• 연구 결과는 기술 기반 데이터 시스템이 아프리카의 취약한 농업 시스템에서 식량안보와 정책 대응성을 향상시킬 잠재력을 지니고 있음을 강조한다.