Earth Observation and machine learning for advanced crop yield forecasting

673 Millionen Menschen waren im Jahr 2024 von Hunger betroffen, während der Klimawandel und eine wachsende Weltbevölkerung die globale Landwirtschaft zusätzlich unter Druck setzen. Angesichts der Tatsache, dass 13% der weltweiten Nahrungsmittelproduktion in der Lieferkette verschwendet werden, ist ein optimiertes Ressourcenmanagement unerlässlich, um sowohl Lebensmittelverschwendung als auch Hunger zu reduzieren. Ernteertragsvorhersagen ermöglichen es Entscheidungsträgern, Vorräte besser zu verwalten und den Import und Export von Getreiden zu steuern. Trotz enormer Anstrengungen in den vergangenen Jahrzehnten, zuverlässige Ernteertragsvorhersagen bereitzustellen, ist deren Genauigkeit aufgrund von Datenknappheit und der Unterschätzung der Auswirkungen von Extremereignissen wie Dürren auf Ernteerträge oft unzureichend. Derzeit verwendete Modelle - sowohl maschinelles Lernen als auch prozessbasierte - zeigen unzureichende Leistungen, wenn zu wenig Ernteertragsoder Prädiktorendaten für eine bestimmte Region oder bestimmte Bedingungen verfügbar sind. Daher konzentrierte ich mich in dieser Arbeit auf drei Forschungsfragen: Wie schneiden Ernteertragsvorhersagesysteme basierend auf maschinellem Lernen und EO in Dürrejahren ab? Wie können wir die Ernteertragsvorhersage in Situation mit Datenmangel verbessern? Können wir diese Informationen auch nutzen, um Ertragsverluste zu schätzen, die durch andere Extreme verursacht werden, wie etwa kriegsbedingte Ertragsverluste?In der ersten Veröffentlichung dieser Arbeit zeigte ich, wie dürrebedingte Ernteertragsverluste frühzeitig erkannt werden können, in aktuellen Ernteertragsvorhersagesystemen jedoch unterschätzt bleiben. Daher kam ich zu dem Schluss, dass zusätzliche Daten aus Dürrejahren erforderlich sind, um die Auswirkungen von Dürren auf Ernteerträge genau zu erfassen. In der zweiten Veröffentlichung zeigte ich, wie Transfer Learning - eine neuartige Technik des maschinellen Lernens, die ein Modell über verschiedene Domänen hinweg trainiert und testet - das Problem der Datenknappheit angehen kann. Konkret trainierte ich ein Ernteertragsvorhersagemodell für einzelne Felder auf regionaler Ebene und verwendete nur eine begrenzte Anzahl von Stichproben auf Feldebene für eine Feinjustierung des Models. In der dritten Veröffentlichung kehrte ich zur Vorhersage von Ernteerträgen während Extremereignissen zurück: Der Schätzung kriegsbedingter Ernteertagsverluste in der Ukraine mittels Transfer Learning. Obwohl die Ernteertagsverluste unterschätzt blieben, führte Transfer Learning zu signifikant verbesserten Ernteertragsvorhersagen sowohl in durchschnittlichen Jahren als auch während des Krieges.Für die Zukunft identifizierte ich zwei Hauptschritte zur weiteren Verbesserung der Ernteertragsvorhersage: (1) die Ausweitung der Nutzung von Transfer Learning für die Ernteertragsvorhersage in datenarmen Situationen, und (2) die weitere Verbesserung der Vorhersage während Extremereignissen wie Dürren und Konflikten. Durch diese Arbeit trug ich zu verbesserten Ernteertragsvorhersagen in datenarmen Situationen und während Extremereignissen was Entscheidungsträgern ermöglichen wird, Vorräte besser zu verwalten und Importe und Exporte zu steuern, um den Hunger in einem sich verändernden Klima zu reduzieren.