Come possiamo identificare i campi abbandonati e salvare la sicurezza alimentare?

I campi abbandonati sono una minaccia per la sicurezza alimentare e l'uso sostenibile del suolo. Ma come possiamo identificarli in modo efficiente? Un nuovo studio ha trovato una soluzione innovativa. Gli scienziati hanno unito tre dataset di copertura del suolo: ESA WorldCover, ESRI Land Cover e CRLC. Utilizzando Google Earth Engine, hanno estratto caratteristiche da questi dati e creato campioni di addestramento di alta qualità. Per ottimizzare il modello, hanno usato un algoritmo genetico (NSGA-II) combinato con XGBoost, migliorando la velocità di identificazione del 75% senza perdere accuratezza. Il modello ha raggiunto un'accuratezza del 98,17% e un punteggio Kappa di 0,9633. Per interpretare i risultati, hanno usato SHAP e LIME. SHAP ha mostrato che caratteristiche come SAVG, B3_p25, Road, DEM e Population sono le più importanti. LIME ha rivelato che alcune aree hanno influenze locali diverse, come la pendenza e SAVG. Questo studio offre un framework pratico per identificare e gestire i campi abbandonati, bilanciando precisione, interpretabilità ed efficienza.

Il modello proposto combina NSGA-II e XGBoost per ottimizzare la classificazione dei campi abbandonati. NSGA-II è un algoritmo genetico che trova soluzioni ottimali per problemi con più obiettivi, mentre XGBoost è un algoritmo di boosting che migliora la precisione del modello. La combinazione di questi due metodi ha permesso di ridurre il tempo di calcolo e migliorare l'accuratezza. SHAP e LIME sono tecniche di interpretabilità che aiutano a capire come il modello prende decisioni. SHAP valuta l'importanza globale delle caratteristiche, mentre LIME spiega le decisioni locali del modello. Questo approccio globale-locale fornisce una visione completa dei fattori che influenzano l'abbandono dei campi.