DeepField: Automatisierter Feldkalender mittels Fernerkundung und maschinellem Lernen

• Forschungsstelle: BLW
• Projektnummer: 18.07

Schlüsselwörter (Deutsch)

Feldkalender, N-Status, Deep Learning, Satellitenbildanalyse, Biodiversität

Schlüsselwörter (Englisch)

Field calendar, N status, deep learning, satellite image analysis, biodiversity

Schlüsselwörter (Französisch)

Calendrier de terrain, statut N, deep learning, apprentissage approfondi, analyse d'images satellite, biodiversité

Schlüsselwörter (Italienisch)

Calendario di campo, stato di N, deep learning, analisi di immagini satellitari, biodiversità

Kurzbeschreibung (Deutsch)

Dieses Projekt soll Satellitenbilder und neueste Methoden des maschinellen Lernens zur Bildinterpretation verknüpfen, um grossflächig in der Schweiz Feldkalenderinformationen landwirtschaftlicher Flächen zu erfassen und mit Phänologie und Statusinformationen anzureichern. So können Abläufe beim Landwirt, Vollzug und Monitoring effizienter gestaltet werden. Gleichzeitig soll maschinelles Lernen zu einem hohen Automatisierungsgrad und somit insgesamt mittelfristig zur Kostenreduktion beitragen, indem Verwaltungsaufwand verringert wird sowohl auf Seiten der Betriebe als auch auf Seiten des Bundes und der Kantone. Ausserdem werden so vollständigere Daten höherer Homogenität und Qualität erfasst, um Entscheidungsprozesse auf Betriebs-, Kantons- und auf Bundesebene transparenter und fundierter zu gestalten. Ziel ist, für alle Agrarflächen der Schweiz ein kontinuierliches Monitoring der Kulturen mit Hilfe von Satellitenbildern durchzuführen. Aufbauend auf kontinuierlich aktualisierten Kulturstatusinformationen sollen darüber hinaus Abschätzungen zu N-Status und Biodiversität getroffen werden. Die zu entwickelnden Ansätze werden auf deep learning Methoden basieren und Satellitenbilder der ESA Konstellation Sentinel nutzen. Diese Satelliten sind speziell für die Überwachung und Analyse von Vegetation entwickelt worden, bieten teils eine 10m x 10m Pixelgrösse am Boden, was eine Anwendung auch in kleinräumig strukturierten Landschaften wie der Schweiz ermöglicht.

Projektziele (Deutsch)

Dieses Projekt behandelt drei grosse Forschungsschwerpunkte. Es sollen Feldkalender schweizweit automatisch und kontinuierlich mittels Satellitenbildern und deep learning erstellt werden. Im zweiten Projektteil werden Verfahren zur Schätzung des N-Status der zuvor erkannten Kulturen entwickelt. Im dritten Projektteil werden zuvor entwickelte Methoden kombiniert und fliessen ein in Modelle zur Schät-zung von Parametern der Biodiversität sowie deren Veränderung über die Zeit.

Abstract (Deutsch)

Im Projekt DeepField wurden Satellitenbilder und neueste Methoden des maschinellen Lernens zur Bildinterpretation verknüpft, um grossflächig in der Schweiz Feldkalenderinformationen landwirtschaftlicher Flächen zu erfassen und mit Phänologie und Statusinformationen anzureichern. So können Abläufe beim Landwirt, Vollzug und Monitoring effizienter gestaltet werden. Gleichzeitig sollte maschinelles Lernen zu einem hohen Automatisierungsgrad und somit insgesamt mittelfristig zur Kostenreduktion beitragen, indem Verwaltungsaufwand verringert wird sowohl auf Seiten der Betriebe als auch auf Seiten des Bundes und der Kantone. Ausserdem war das Ziel, so vollständigere Daten höherer Homogenität und Qualität zu erfassen, um Entscheidungsprozesse auf Betriebs-, Kantons- und auf Bundesebene transparenter und fundierter zu gestalten. Ziel war es, für alle Agrarflächen der Schweiz ein kontinuierliches Monitoring der Kulturen mit Hilfe von Satellitenbildern durchführen zu können.

In den ersten drei Jahren konnte erfolgreich eine deep learning Methode entwickelt werden, die Zeitserien von Satellitenbildern der ESA Konstellation Sentinel auswertet und für den Kanton Zürich eine Genauigkeit von 88% für 48 verschiedene Kulturen erzielt. Im vierten Jahr des Projekts wurde dieser Ansatz auf die ganze Schweiz übertragen und eine Genauigkeit von 82.7% erzielt. Aufbauend auf kontinuierlich aktualisierten Kulturstatusinformationen sind darüber hinaus in den ersten drei Projektjahren Abschätzungen zu N-Status und Biodiversität getroffen worden. Die entwickelten Methoden zur Abschätzung des N-Status sind erfolgreich in Feldversuchen getestet worden und wurden im vierten Projektjahr mit Informationen aus dem AGIS und anderen nationalen Datenquellen kombiniert. Im Bereich Biodiversität wurde im vierten Projektjahr eine Methode entwickelt, um mit Hilfe von Zeitserien von Satellitenbildern den Schnittzeitpunkt im Grünland festzustellen. Ausserdem wurde eine Methode entwickelt, um die räumlich-zeitliche Veränderung der Bodenbedeckung innerhalb der landwirtschaftlichen Nutzfläche zu erfassen, insbesondere die Darstellung unbedeckten Bodens im Ackerland.