Een Sentinel-shake voor het vroeg in kaart brengen van gewassen

Op een hoogte van meer dan 750 km boven het aardoppervlak bekijken de satellieten Sentinel-1 en Sentinel-2 constant onze planeet. Wij combineren deze gegevens met ultramoderne remote sensing-technologie om vroege gewaskaarten op regionale schaal binnen handbereik te hebben.

In kaart brengen van gewastypen: een uitdagende taak

Het in kaart brengen van gewastypen is een uitdagende taak. De meesten van ons herkennen wel een veld met maïsplanten, maar het wordt al iets lastiger om een aardappelveld te herkennen. Het onderscheiden van wintertarwe en wintergerst is waarschijnlijk een taak die alleen voor experts is weggelegd.

Als gewastype-informatie op locatie niet beschikbaar is, zijn we afhankelijk van technieken die dit op afstand kunnen. Het mooie aan het gebruik van satellieten voor deze taak is dat we elke regio ter wereld met dezelfde instrumenten kunnen bekijken zonder dat we ooit alle velden hoeven te bezoeken. Maar er zijn factoren die het extreem lastig maken om gewastypen met satellietgegevens te identificeren:

• verschillende plantdata,
• specifieke beheermethoden,
• onregelmatige velden,
• gewassoorten die op elkaar lijken,
• verschillen tussen regionale groeiseizoenen,
• wolken die het zicht vanuit de ruimte blokkeren

Door echter de juiste satellietgegevens te gebruiken en deze met de allernieuwste softwaretechnologie te combineren kunnen we deze problemen het hoofd bieden en een gewastypekaart uit de ruimte halen die uiteindelijk kan helpen voedselvoorraden wereldwijd te garanderen.

Sleutelconcepten om het probleem aan te pakken

Om verschillende soorten gewassen op regionale schaal in kaart te brengen dient de basisinvoer correct te zijn.  Bij onze benadering voor het in kaart brengen van gewassen zijn we afhankelijk van drie belangrijke concepten om de moeilijkheden en verstorende elementen het hoofd te kunnen bieden.

1. Automatische detectie van landbouwpercelen om het signaal op te schonen
Door naar het hele veld ineens te kijken in plaats van naar individuele pixels met een resolutie van 10 m zijn we beter in staat om de subtiele verschillen tussen gewassoorten te zien. Daarom worden via een benadering op basis van deep learning beelden van Sentinel-2 gebruikt om individuele percelen automatisch aan te geven. Van daaruit voeren we verdere analyses uit op perceelniveau, wat veel schonere satellietsignalen oplevert.

Een diep convolutioneel neuraal netwerk haalt automatisch de grenzen tussen landbouwpercelen uit Sentinel-2 beelden

2. Nauwlettend in het oog houden van het groeiseizoen om gewassoorten te scheiden
Kijken naar één beeld uit de ruimte is niet voldoende om subtiele verschillen tussen gewastypen te detecteren. In het algemeen zien ze er van boven allemaal groen uit op een bepaald moment in het groeiseizoen! Voor een goede identificatie is het van belang om nauwlettend deze velden in het oog te houden als de gewassen beginnen te groeien, gaan bloeien, volwassen worden en uiteindelijk geoogst worden. Alleen dan worden de verschillen tussen gewassoorten echt duidelijk.

Sentinel-2 FAPAR-waarden voor een wintertarwe- en aardappelveld laten de grote verschillen tussen de groeiseizoenen voor deze twee gewassoorten zien, waarbij de wintertarwe veel eerder in het seizoen zijn piek heeft dan de aardappelen.

3. Aanvullen van optische beelden met radar om detectie te optimaliseren
Terwijl de meer traditionele optische beelden van Sentinel-2 ons in staat stellen om naar biofysische eigenschappen van planten te kijken (bv. gezondheid en productiviteit), kunnen deze nu worden aangevuld door Sentinel-1, een radarsensor waarmee wij ook naar de structurele eigenschappen van planten kunnen kijken (bv. de lange plantstructuren van maïs tegenover de lage, gesloten bladstructuren van aardappelen). De Sentinel-1-radar kan ook door de wolken heen kijken. Dit vergroot ons vermogen om gewassoorten vanuit een satellietbeeld te identificeren enorm.

Wij gebruiken een diep neuraal netwerk dat is getraind om met deze zeer verschillende signalen van Sentinel-1 en Sentinel-2 om te gaan om de verschillende gewastypen te identificeren.

Een belgische gewaskaart in de praktijk

Deze drie concepten zijn gebruikt om een gewaskaart voor België vroeg in het seizoen te produceren. De invoergegevens bestaan uit tijdreeksen van Sentinel-1 en Sentinel-2 van 1 januari t/m 15 juni. Wij richten ons op de grootste gewastypen in België: maïs, wintertarwe, wintergerst, aardappelen en bieten. Daarnaast brengen wij grasland en fruitbomen in kaart, en houden we een klasse apart voor akkerbouwgewassen die minder vaak worden geteeld.

Een beeld van de gewaskaart die een eerste schatting geeft van het landbouwlandschap in België voor 2018. Klik op de afbeelding om in te zoomen of ontdek de toepassing via app.watchitgrow.be/cropmap  

Door deze resultaten te vergelijken met door boeren aangegeven perceelgrenzen hebben we ontdekt dat de nauwkeurigheid van deze gewaskaart 87% is. Wintertarwe en wintergerst worden nauwkeurig geïdentificeerd, aangezien deze gewassen het einde van hun groeiseizoen al bijna bereikt hebben. Voor andere gewassen die pas op de helft van hun groeiseizoen zitten is er een iets hogere kans op verwarring. Aardappelen en bieten worden bijvoorbeeld op dit punt in het seizoen soms door elkaar gehaald.

De weg voorwaarts

Op 15 juni kwam het groeiseizoen net pas op gang. Daarnaast begon het groeiseizoen in 2018 met een hele droge periode, waardoor er een grote variatie was in de plantdata. Hierdoor wordt de classificatie een uitdagende taak!

Voor nu geeft de gewaskaart een eerste schatting van het landbouwlandschap voor 2018 in België. De huidige veelbelovende algehele nauwkeurigheid van 87% zal waarschijnlijk toenemen als de beelden uit de tweede helft van juni en uit juli aan de classificatieprocedure worden toegevoegd. Deze gewaskaart is derhalve een dynamisch product dat gedurende het groeiseizoen constant verbeterd dient te worden naarmate er meer satellietbeelden binnenkomen. Vanaf volgend seizoen gaan we deze gewaskaart integreren in WatchITgrow, de gewasbewakingstool voor alle akkers in België.

Uiteindelijk kunnen we deze procedure met wat regiospecifieke aanpassingen gebruiken om gewaskaarten te produceren voor verschillende regio’s ter wereld, waarbij we een sleutelelement leveren in de wereldwijde strijd tegen voedseltekorten.