CropHype – CODE-DE-Lab

Verbesserung der Identifizierung von Feldfrüchten im Westen Kenias auf der Grundlage hyperspektraler EnMAP-Daten mit Hilfe von Geo Engine.

Kleinbäuerliche Landwirtschaft leistet einen zentralen Beitrag zur Lebensmittelversorgung Südwestafrikas. Der Umwelt- und Klimawandel bedroht zunehmend die landwirtschaftlichen Erträge und somit die Existenzgrundlage der kleinbäuerlich tätigen Bevölkerung und die Ernährungssicherheit der Region.

In einem gemeinsamen Projekt der AG Klimatologie und Fernerkundung (LCRS) der Philipps-Universität Marburg und der Geo Engine GmbH wird hierfür ein wichtiger Baustein zur Problembewältigung geschaffen.

Ziel des CropHype-Projekts ist es, auf Basis von hybridisierten multispektralen Sentinel-2-Daten und hyperspektralen EnMap-Aufnahmen ein Modell zur intra-saisonalen Feldfruchtkartierung für West-Kenia zu entwickeln. Das Modell soll einen Grundstein für zuverlässige und aktuelle Ertragsvorhersagemodelle liefern und dazu beitragen, die Ernährungssicherheit zu verbessern.

Die AG Klimatologie und Fernerkundung übernimmt dabei die methodische Entwicklung des KI-Modells. Hier kommen Methoden der hyperspektralen Feature-Analyse, Spectral Unmixing, sowie Bildfusionsmethoden und diverse Ansätze des maschinellen Lernens zum Einsatz.

Die Geo Engine wird im Projekt als Data-Access-Plattform und Cloud-Dienst auf EO-Lab bereitgestellt. Sie gewährleistet zum einen die Bereitstellung, Aufbereitung und Prozessierung der hyperspektralen EnMap-Daten. Zum anderen bietet sie auch eine Anbindung an Sentinel-2-Satellitendaten, weitere Umweltmodellen sowie der projekteigenen Feld-Polygone. Mithilfe von Workflows können die verschiedenartigen Zeitreihendaten vorprozessiert, kombiniert und dann in Trainingsprozesse für maschinelle Lernverfahren gestreamed werden. Ziel des Projekts ist es, die trainierten Modelle operationell in die Geo Enigne zu integrieren und als Dienst bereitzustellen.

Beispiel eines Geo-Engine-Workflows, der NDVI aus EnMap-Daten berechnet und zeitlich aggregiert mit Feldzentroiden verknüpft. Diese Daten werden unter anderem zum Training des KI-Modells benötigt.

Für die Erhebung von Referenz- und Trainingsdaten vor Ort kooperiert das Team mit der AgriBORA GmbH, welche in direkter Zusammenarbeit mit den kleinbäuerlichen Betreiben in West-Kenia und mit Hilfe von Crowdsourcing die Datenerhebung durchführt.

Weiterführende Informationen

Weitere Informationen zu diesem Produkt finden Sie auch auf den folgenden externen Seiten:

Projekthomepage: https://uni-marburg.de/Gj2blR
Geo Engine GmbH: https://www.geoengine.de
AgriBORA GmbH: https://agribora.com