Нет двух одинаковых фермеров, выращивающих кофе. Размер фермы очень мало говорит о том, кто они такие и насколько хорошо они знают свое дело. Назвать их «мелкими землевладельцами» - это чрезмерное упрощение того, что представляет собой огромную вселенную различных форм производства с разнообразными потребностями, ограничениями и возможностями. Во времена большей нестабильности полезно знать больше о фермерах, с которыми вы работаете. Поскольку инициативы в области устойчивого развития продолжают превращаться в стратегии управления рисками, данные имеют решающее значение.

Сбор данных в сельском хозяйстве затруднен. Большие расстояния и высокая степень измельчения при производстве кофе затрудняют (и делают дорогостоящим) сбор надежной информации. Но, может быть, времена меняются. Новые научные и технологические достижения делают более разумным решение этих проблем. Спутниковое наблюдение Земли в сочетании с искусственным интеллектом и машинным обучением можно использовать для получения информации о производстве кофе, как это уже происходит в других производственно-сбытовых цепочках. Для нетехнических читателей связь между солнцем, растительностью и электромагнитным излучением - один из самых богатых источников данных о природе (не паникуйте, не хотите, чтобы вы пережили какие-либо травмы из школьной физики).

Сельскохозяйственные культуры обладают отчетливым «спектральным поведением». Это сигналы с различной длиной волны излучения, отраженные от растительности, и ключевые характеристики сельскохозяйственных культур, такие как структура, фенологическая стадия, плотность растительности, производственная система, пространственная ориентация и влияние почвы. Как показано в научных публикациях, касающихся кофе и других культур, вегетационные индексы чувствительны к фенологическим изменениям и коррелируют с продуктивностью сельского хозяйства. Таким образом, независимо от того, насколько скудной или труднодоступной информации может быть кофейная ферма, (из космоса) кофейные деревья всегда выделяют данные. И много этого.

Однако кофе сложно увидеть и интерпретировать сверху. Это многолетняя культура, которая будет оставаться на ландшафте около 10 лет, ее будет трудно отличить от других форм растительности в затененных производственных системах, и последнее (но не менее важное) кофе растет в склонных к облачности тропических регионах мира. . Некоторые инициативы предполагают использование радара с синтезированной апертурой (SAR) для просмотра сквозь облака, но кофе также может расти на пересеченной местности, что затрудняет спутниковые наблюдения на основе SAR. Несколько лет назад это действительно было кошмарным сценарием для ученых, занимающихся дистанционным зондированием. К счастью, достижения в области спутниковых технологий (больше типов спутников, большая плотность данных), алгоритмов машинного обучения и растущего сообщества практикующих, препятствия на пути к инновациям быстро исчезают.

Несколько месяцев назад нам было поручено исследовать мелкие кофейные фермы в Уганде с помощью открытых спутниковых датчиков. В рамках исследовательского Proof of Concept (PoC) с NKG Bloom Neumann Kaffee Gruppe нам был предоставлен набор из 26 анонимных GPS-полигонов небольших кофейных ферм, которые являются частью их инновационной программы микрофинансирования. Стремясь заложить основу для статистической оценки кофейных ферм и снизить стоимость предоставления услуг, наша цель состояла в том, чтобы протестировать свободно доступные изображения дистанционного зондирования и стандартные индексы растительности, чтобы определить новый способ удаленной оценки и сегментации потенциала фермерских хозяйств.

Спутниковые данные с Sentinel-2 были выбраны с учетом их способности дать достоверное представление о фенологических циклах растений. Для интерпретации данных был реализован «слепой тест» или U контролируемая характеристика полигонов. Поскольку многоугольники были анонимными и не содержали дополнительной информации (например, исторической продуктивности), неконтролируемый «слепой тест» включает в себя получение информации, основанной на взаимосвязи между случайными элементами в группе. Например, обычно ожидается, что более квалифицированные фермеры будут следовать хорошо структурированным моделям выращивания, в то время как менее опытные фермеры будут менее организованы в обработке почвы на фермах. Неконтролируемая характеристика может обнаружить эти закономерности и автоматически классифицировать полигоны по этой и другим объектам, которые она сочтет статистически значимыми.

Для целей этого PoC было выбрано одно изображение Sentinel 2 без облачных вычислений, полученное 25 января 2017 года, для анализа полигонов кофейной фермы. Индекс растительности с поправкой на почву (SAVI) был выбран для анализа, потому что он отражает спектральное поведение как растительности, так и фона почвы лучше, чем другие индексы. Для каждого полигона были извлечены средний показатель SAVI, коэффициент вариации (% CV) и площадь фермы, которые использовались для ранжирования полигонов. Наша гипотеза заключалась в том, что для удаленной оценки и сегментации потенциала фермы хорошие кофейные фермы должны иметь высокий SAVI (указывающий на плотность растительности или жизнеспособность растений), низкий% CV в SAVI (указывающий на однородность фермы) и большую площадь фермы . Метод иерархической кластеризации применялся для группировки полигонов в кластеры на основе их сходства, указывающего на потенциал / состояние. Алгоритм начинается с обработки каждого многоугольника как одноэлементного кластера, а затем объединяется с ближайшим подобным, пока все кластеры не будут объединены в группы и ранжированы. Результаты разделили 26 полигонов на 4 группы, и была разработана простая система классификации для оценки полигонов и их соответствующих фермеров как «Очень хорошо», «Хорошо», «Средне» и «Плохо».

Были получены несколько хороших уроков. В отсутствие данных о производительности полученная система классификации сравнивалась с «кредитным лимитом» NKG Bloom для выбранной фермы, и была получена положительная корреляция, равная 0,354579. Другими словами, спектральное поведение фермы может удаленно прогнозировать до трети вероятности фермерского потенциала. Не так уж плохо, но недостаточно хорошо, чтобы построить статистически значимый прогнозирующий фактор для сегментации и классификации небольших кофейных хозяйств. Требуется больше данных! Кроме того, в дорожной карте развития были выявлены интересные проблемы. Учитывая близость к экватору, при спутниковом наблюдении за производством кофе всегда необходимо учитывать влияние атмосферы на значения коэффициента отражения, слабые места в обнаружении облаков и ограниченную доступность изображений без облачности. Существуют современные подходы для компенсации этого, но мы считаем, что есть более простые способы обойти эту проблему с базовым пониманием агрономии кофе и несколькими хорошими изображениями в ключевых точках цикла сбора урожая. Интеграция таких методов приведет к гармонизации данных разновременных временных рядов, что обеспечит более сильную интерпретирующую ценность по сравнению с анализом изображений на основе одной сцены.

Анализ спутниковых изображений в сочетании с альтернативными источниками данных (например, осадки, температура, почва, топография) и надежные полевые наблюдения могут уточнить, как удаленно оценить потенциал кофейной фермы и автоматизировать сегментацию фермы. Такая информация, как историческое производство кофе на фермах, может направлять анализ и объективно оценивать кластеризацию (контролируемая характеристика), а также служить в качестве непрерывного цикла обратной связи для обучения алгоритмов машинного обучения. Предварительное финансирование фермерами - это лишь верхушка айсберга, когда речь идет о потенциальных вариантах использования и преимуществах более разумной сегментации фермеров. Среди других преимуществ:

  • Помогите фермерам принимать более обоснованные агрономические и финансовые решения на основе рекомендаций, учитывающих особенности местности и не влияющих на климат.
  • Снижение административных расходов на одного фермера, выращивающего кофе, и максимальное увеличение объема кофе в зависимости от типа фермера с минимальным личным взаимодействием.
  • Отслеживайте кофейные ландшафты на предмет ключевых фенологических моментов урожая (например, цветения), чтобы оценить сроки сбора урожая и урожайность.
  • Модели предоставления услуг, основанные на последовательном и объективном принятии решений на основе доказательств, сводят к минимуму человеческую ошибку или предвзятость.
  • Отслеживаемость обновлений: отслеживайте поставщиков, подверженных риску, и воздействие производства кофе на окружающую среду (например, вырубка лесов)

Подход «одного размера для всех» к мелким фермерским хозяйствам, выращивающим кофе, уже истек. Один из наших основных девизов - не бывает плохих фермеров, выращивающих кофе, а есть только фермеры с разной степенью информированности, рычагов воздействия или стимулов. Что, если бы были возможны эффективные средства сглаживания этого трения? Как мы могли бы сделать это сегодня действенным? Какая единственная задача могла бы проложить 80% пути с помощью 20% усилий? 30 лет назад кофе был колыбелью устойчивой торговли, и мы думаем, что пора подумать о следующих 30 годах.

Спасибо, что прочитали, следите за нашей следующей статьей. Есть вопросы? Протяни руку, поздоровайся.