Come i satelliti e l'IA svelano le rotazioni delle colture in Thailandia?

Sapere dove e che cosa si coltiva è fondamentale per un’agricoltura sostenibile e per garantire il cibo al futuro. In Thailandia, però, mappare le colture è difficile: i campi sono piccoli, frammentati e il cielo è spesso coperto da nuvole. Per superare questi ostacoli, un team di ricercatori ha combinato dati satellitari ottici e radar con algoritmi di machine learning, come Random Forest, Support Vector Machine e Gradient Tree Boosting.

Sono stati raccolti più di 8 000 punti di riferimento sul campo, distribuiti su tre stagioni di coltivazione nel 2023, nelle province di Chaiyaphum e Suphan Buri. Con questi dati, hanno creato mappe dettagliate di 12‑13 tipi di colture, tra cui riso, canna da zucchero e manioca. L’algoritmo Random Forest ha dato i risultati migliori, superando l’85 % di accuratezza complessiva e oltre il 90 % per riso e canna da zucchero.

Le mappe mostrano che riso, canna da zucchero e manioca dominano il paesaggio agricolo, fornendo agli agricoltori e ai decisori informazioni tempestive per gestire le colture in modo più efficiente. Questo studio dimostra come l’osservazione della Terra dallo spazio, unita all’intelligenza artificiale, possa trasformare la gestione agricola, rendendola più resiliente e pronta a sfide come il cambiamento climatico.

Il modello Random Forest (RF) è un ensemble di alberi decisionali che opera mediante bagging: ogni albero è addestrato su un sottoinsieme casuale di dati e di variabili, riducendo la varianza e migliorando la robustezza contro l’overfitting. In questo studio, la RF ha beneficiato della combinazione di dati ottici (spettri visibili e infrarossi) e radar (backscatter SAR), che forniscono informazioni complementari: gli spettri ottici catturano la risposta fotosintetica delle piante, mentre il radar penetra la copertura nuvolosa e rileva la struttura della vegetazione. La fusione multitemporale ha permesso di tracciare l’intero ciclo fenologico delle colture, distinguendo fasi di germinazione, crescita vegetativa e maturazione.

Le metriche di performance includono l’Overall Accuracy (OA) e la Kappa coefficient, con OA >85% e Kappa >0.80, indicando una forte concordanza tra le classi predette e le osservazioni di campo. Inoltre, le curve ROC per le classi principali (riso, canna da zucchero) mostrano AUC superiori a 0.95, segno di eccellente capacità discriminante. L’analisi di importanza delle variabili ha evidenziato che le bande del vicino infrarosso (NIR) e la polarizzazione HH del SAR erano le più informative per distinguere riso da canna da zucchero, grazie alle differenze nella struttura fogliare e nella densità della chioma. Questo approccio integrato può essere scalato ad altre regioni tropicali, dove la copertura nuvolosa limita l’uso esclusivo di dati ottici, aprendo la strada a sistemi di monitoraggio agricolo più affidabili e a costi ridotti.

Le prospettive future includono l’adozione di reti neurali convoluzionali (CNN) per l’analisi spaziale dei pixel e l’integrazione di dati meteorologici in tempo reale, al fine di prevedere le rese agricole con maggiore precisione. Inoltre, la creazione di un repository aperto di punti di riferimento, aggiornato annualmente, migliorerebbe la generalizzabilità dei modelli e favorirebbe la collaborazione internazionale.