I ricercatori del MIT mappano da remoto i raccolti, campo per campo

Sono sempre più frequenti le applicazioni informatiche che, approfittando della notevole disponibilità di immagini raster, aeree e satellitari e di dati cartografici, abilitano i tecnici agronomi ad operare dai loro uffici nell’analisi del tipo di coltivazioni, del loro stato di sviluppo e di salute. Analoghi studi possono essere effettuati per stimare le produzioni delle coltivazioni di una determinata area, o nazione in un dato anno e come esse possano cambiare, con il cambiamento climatico. Le valutazioni che possono essere effettuate possono aver rilievo ai fini della programmazione territoriale delle risorse disponibili, ma anche dell’attività di singoli professionisti che risulta più agevole e priva di tanti sopralluoghi un tempo necessari

E’ un settore di studi in forte espansione, che si avvale delle maggiori capacità di calcolo e della maggiore memoria temporanea dei più recenti computer, che quindi consentono elaborazioni un tempo impossibili.
La novità dell’informatica nell’ultimo anno è stata l’implementazione dell’intelligenza artificiale che, sebbene osteggiata da alcuni gruppi, ha trovato anche molti entusiasti e gruppi di ricercatori che l’hanno subito utilizzata nella pratica operativa.

Un gruppo di ricercatori dell’Istituto di Tecnologia del Massachussetts (MIT) ha utilizzato il meccanismo di apprendimento automatico dei software d’intelligenza artificiale, per analizzare le immagini satellitari di Google Street View, arrivando in tal modo ad etichettare e mappare in modo rapido e accurato le differenti coltivazioni attuate, senza procedere azienda per azienda attraverso sopralluoghi.

Negli ultimi anni, servizi come Google Street View sono riusciti ad accedere a paesi a basso e medio reddito e, nel caso della Thailandia, tale servizio ha recentemente effettuato foto ad alta risoluzione, che inquadrano un territorio in cui vi è forte presenza di piccole aziende agricole.
Pertanto sebbene le foto non fossero mirate specificamente a riprodurre i raccolti delle coltivazioni, esse, secondo quanto riportato dai ricercatori del MIT, si sarebbero rivelate soddisfacenti ai fine dell’uso che essi ne volevano fare.

La questione, di base, segnalata è che nei paesi più sviluppati c’è maggiore disponibilità di risorse economiche necessaria a finanziare la più costosa raccolta diretta dei dati, ovvero in campo. In tal caso è possibile effettuate rilevazioni dirette e regolari, finalizzate a prevedere l’entità dei raccolti in arrivo.

Nelle nazioni povere ciò non è invece possibile, come ha affermato Sherrie Wang, assistente presso il Dipartimento di ingegneria meccanica del MIT e presso l'Institute for Data, Systems, and Society (IDSS): ‘C’è una lacuna di lunga data nella conoscenza di ciò che viene coltivato in tutto il mondo.
L’obiettivo finale è comprendere i risultati agricoli come la resa e come coltivare in modo più sostenibile. Uno dei passaggi preliminari chiave è quello di mappare ciò che viene coltivato: più granularmente puoi mappare, più sono le domande a cui puoi rispondere’.

Il metodo utilizzato è stato provato nella rilevazione delle coltivazioni in corso in Thailandia, nel cui caso, la proprietà agricola risulta molto frazionata per presenza prevalente di tante piccole aziende agricole indipendenti, su terreni in proprietà. Tale situazione è frequente anche in altre zone della terra: secondo alcuni dati, i 2/3 della popolazione mondiale sopravvivere attraverso produzioni provenienti da aziende agricole di piccole dimensioni, che si ritiene producano l’80% del cibo.

Siccome però la dimensione delle aziende è inversamente proporzionale allo sviluppo economico delle nazioni e alla produttività dell’agricoltura, tali dati ci segnalano anche che la maggior parte delle piccole aziende agricole si trova nelle nazioni più povere, nelle quali c’è anche scarsità di risorse economiche per raccogliere dal vivo i dati relativi alle colture praticate, alle relative rese e alla produttività aziendale.

I ricercatori hanno effettuato il loro studio a partire da oltre 200.000 immagini GSV campionate casualmente in tutta la Thailandia. Sono poi state escluse le immagini che raffiguravano edifici, alberi e vegetazione in generale: ne restavano circa 81.000 correlate alla presenza di coltivazioni, tra le quali ne sono state seleziona 2.000 e inviate a un agronomo, che ha determinato ed etichettato a occhio ogni tipo di coltura raffigurata in mappa.

A questo punto i ricercatori hanno addestrato una rete neurale a generare automaticamente etichette di colture per le altre 79.000 immagini, inizialmente escluse. A quel punto a tutte le immagini selezionate era stata attribuita una delle quattro colture: riso, mais, canna da zucchero o manioca. Quando il team ha cercato di vedere se le etichette della mappa corrispondevano alle etichette degli esperti ha trovato una corrispondenza del 93%.

Il gruppo di ricercatori del MIT ha quindi addestrato, tramite intelligenza artificiale, un secondo modello a creare associazioni tra i dati delle posizioni satellitari di una località durante una singola stagione di crescita e la corrispondente etichetta del raccolto. In breve tali dati sono stati, in tal modo, anche, geo-referenziati.

Lo stesso modello è stato poi utilizzato per elaborare i dati satellitari rilevati nella parte restante della Thailandia, per la quale le etichette delle colture non erano state generate o rese disponibili. In tal modo il modello, servendosi delle associazioni precedentemente apprese, ha assegnato etichette alle colture di tutta la Thailandia, generando una mappa nazionale dei tipi di colture, con una risoluzione di 10 metri quadrati.
I ricercatori hanno potuto alla fine creare mappe della Thailandia per le 4 colture più praticate: riso, manioca, canna da zucchero e mais, raggiungendo una precisione complessiva del 93% che, secondo i ricercatori, è paragonabile agli sforzi di mappatura sul campo attuati nei paesi ad alto reddito e con grandi aziende agricole.

Come ha affermato Laguarta Soler: ‘Ciò che manca nei paesi a basso e medio reddito è questa etichetta che possiamo associare ai segnali satellitari. Ottenere queste verità fondamentali per addestrare un modello è stato limitato nella maggior parte del mondo’.

Il gruppo di ricercatori dal MIT sta ora applicando la tecnica di mappatura ad altre nazioni, come ad esempi l’India, in cui un tessuto economico di piccole aziende agricole forniscono la maggior parte delle derrate alimentari disponibili. E’ però, finora, mancato un rilievo statistico delle colture maggiormente praticate.
E’ quindi necessario cercare di mappare i raccolti in tutta l’India, approfittando della circostanza che, negli ultimi tempi, siano state rese disponibili immagini dei bordi delle strade, tramite Google Street View e altri servizi.

Come afferma Wang: ‘Ci sono oltre 150 milioni di piccoli agricoltori in India. L’India è ricoperta di agricoltura, quasi tutte fattorie, ma aziende molto piccole e, storicamente, è stato molto difficile creare mappe dell’India perché le etichette sul terreno sono molto sparse’. Sembra, cioè, verificarsi che le coltivazioni siano immerse nella vegetazione, per cui gli appezzamenti identificabili come coltivati, non risulterebbero disposti con continuità sulla mappa.

In conclusione Wang segnala lo stato dell’arte di queste attività all’interno della confederazione degli Stati Uniti d’America: ‘Negli Stati Uniti, stiamo riscontrando una precisione superiore al 90%, mentre con il lavoro precedente in India, abbiamo visto solo il 75%, perché le etichette sul terreno sono limitate. Ora possiamo creare queste etichette in modo economico e automatizzato. Ciò che sarebbe interessante è creare queste mappe nel tempo. Allora si potrebbe iniziare a vedere le tendenze e possiamo provare a collegare queste cose a qualcosa come i cambiamenti climatici e le politiche’.