[论文解读] 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 5

一句话总结

本文提出一种机器学习模型，利用卫星获取的遥感数据（NDVI、LST、降雨量和蒸散发）预测2020年非洲玉米、木薯、水稻和小麦的作物产量，且在收获前完成预测，从而在新冠疫情背景下实现早期政策干预。该模型通过AAgWa平台提供具有地理空间分辨率的公开可访问产量预测，借助及时、数据驱动的决策，提升粮食系统的韧性。

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.

研究动机与目标

• 解决非洲在危机（如新冠疫情）期间缺乏及时、准确农业数据的严峻问题。
• 克服依赖收获后家庭调查的传统农业数据收集方法所导致的延迟。
• 通过遥感与机器学习技术，实现对产量不足的早期检测，提升粮食安全准备能力。
• 开发一个可扩展、公开可访问的平台（AAgWa），向政策制定者和利益相关方提供可操作的、具有地理空间分辨率的作物产量预测。
• 通过新兴技术（如遥感与人工智能）的制度化应用，增强非洲粮食系统的长期韧性。

提出的方法

• 将生物物理遥感产品——归一化植被指数（NDVI）、白天地表温度（LST）、降雨量和蒸散发（ET）——作为输入特征。
• 采用人工神经网络（ANNs）作为预测建模框架，估算非洲各区域的粮食作物产量水平。
• 应用基于历史和实时卫星数据训练的机器学习流程，在收获季节前预测作物产量。
• 整合元数据和地理空间上下文信息，以增强模型的稳健性，并在区域和国家层面实现预测的上下文化解释。
• 将最终的预测结果部署在公开可访问的网络平台AAgWa上，供利益相关方访问和政策使用。
• 依赖基于云的基础设施和移动数据采集工具（如带GPS的平板电脑）以提升数据质量，并实现与遥感输入的整合。

实验结果

研究问题

• RQ1 在新冠疫情背景下，能否利用卫星衍生的生物物理变量在收获前预测非洲的粮食作物产量？
• RQ2 在数据匮乏的非洲背景下，使用遥感数据的机器学习模型在多大程度上能提升农业统计数据的及时性和准确性？
• RQ3 像AAgWa这样的公开平台如何在疫情后提升非洲粮食系统的早期预警能力和政策响应速度？
• RQ4 元数据和地理空间数据整合在提升农业产量预测模型稳健性方面发挥什么作用？
• RQ5 如何将遥感与机器学习等新兴技术制度化，以增强非洲粮食系统长期的韧性？

主要发现

• 该模型成功在2020年收获前预测了非洲各区域玉米、木薯、水稻和小麦的作物产量，支持了早期政策规划。
• 将NDVI、LST、降雨量和ET数据整合到人工神经网络中，生成了可靠、具有地理空间分辨率的产量预测。
• 预测的产量水平通过AAgWa平台公开发布，提高了政策制定者和利益相关方的可及性。
• 本研究证明，遥感与机器学习技术能够克服非洲农业中的数据匮乏问题，尤其在传统数据收集受阻的危机时期。
• 该方法减少了对延迟的、基于家庭层面调查的依赖，实现了农业表现的近实时监测。
• 研究结果强调了技术驱动的数据系统在提升撒哈拉以南非洲脆弱农业系统粮食安全和政策响应能力方面的潜力。