Satelliten sollen Nutzpflanzen „verstehen“: Die Geheimnisse der hyperspektralen Bildsegmentierungstechnologie für kleine Stichproben werden enthüllt

In der modernen Landwirtschaft verändert die Fernerkundungstechnologie schrittweise unsere Wahrnehmung und Bewirtschaftung von Land. Insbesondere die hyperspektrale Fernerkundung verleiht Satelliten eine Art zweites Leben."Chemischer Geruchssinn" Sie kann feinste Unterschiede bei Pflanzen erkennen. Im Vergleich zu herkömmlichen Kameras, die nur Rot, Grün und Blau aufzeichnen können, erfassen Hyperspektralkameras Hunderte von kontinuierlichen Spektralbändern und „sehen“ so präzise die Unterschiede zwischen verschiedenen Nutzpflanzen, Böden und sogar Schädlingen und Krankheiten.

Die breite Anwendung dieser Technologie in der Landwirtschaft steht jedoch weiterhin vor einer großen Herausforderung: dem Mangel an markierten Proben. Beispielsweise erfordert das Training eines Modells zur Identifizierung von Maisanbauflächen und krankheitsbefallenen Flächen eine große Anzahl manuell markierter Proben, was sowohl zeitaufwändig als auch kostspielig ist. Insbesondere in abgelegenen ländlichen Gebieten oder Entwicklungsländern ist die Sammlung ausreichender Proben nahezu unmöglich.

Dies hat eine neue Technologie hervorgebracht:Segmentierung hyperspektraler Bilder mit kleinen Stichproben Ziel ist es, mit weniger Aufwand mehr zu erreichen – ein Modell soll trainiert werden, das anhand minimaler Datenmengen automatisch Pflanzenarten oder Schädlings- und Krankheitsbefall erkennt. Forscher haben neuronale Netze entwickelt, die dem visuellen Cortex des Gehirns ähneln, beispielsweise 3D-CNN, GCN und Transformer-Strukturen, indem sie räumliche und spektrale Informationen kombinieren. Dadurch kann das Modell die spektralen Eigenschaften von Pixeln verstehen und gleichzeitig Form und Textur von Bereichen erkennen.

Darüber hinaus haben Wissenschaftler eine Strategie des „Transferlernens“ eingeführt, die es dem Modell ermöglicht, zunächst aus öffentlich verfügbaren Fernerkundungsdaten „Grundwissen zu erlernen“ und es anschließend mithilfe kleiner landwirtschaftlicher Stichproben zu „verfeinern“, um eine schnelle Anpassung zu erreichen. Andere Forscher haben Methoden zur „Datenerweiterung“ entwickelt, die es dem Modell ermöglichen, durch Rotation und Perturbation der Daten „selbstständig zu üben“.

Zukünftig wird diese Technologie Landwirten mithilfe von Mobiltelefonen oder Drohnen nahezu in Echtzeit Informationen über den Zustand ihrer Pflanzen liefern, Erträge prognostizieren und Problemzonen identifizieren. Sie wird die Intelligenz und Präzision des Agrarmanagements verbessern und neue Instrumente zur Sicherung der Ernährung bereitstellen.