ESA pályázat disszeminációja
Az Afrika és Európa közötti együttműködés a Föld-megfigyelés (EO)
területén évtizedes múltra tekint vissza. Az Európai Űrügynökség EO for Africa 2024
szimpóziumot rendezett az Afrikai Unió Bizottságával (AUC), az Afrikai
Környezeti Távérzékelési Szövetséggel (AARSE), az Európai Bizottsággal (EB), az
Európai Meteorológiai Műholdak Hasznosításának Európai Szervezetével (EUMETSAT)
és a Nemzeti Repülési és Űrhajózási Hivatallal (NASA) partnerségben. A
szimpóziumra az Európai
Űrügynökség olaszországi központjában került sor.
Ennek keretében mutattuk be az elnyert és
egyben sikeresen lezárt "Olive Trees Health and Yield Prediction through
EO data and Machine Learning" pályázat utolsó disszeminációját. A poszter a pályázatban folytatott kutatás
eredményét mutatta be, melyet Prof. Dr. Lóczy Dénes
egyetemi tanár (PTE TTK Földrajzi és Földtudományi Intézet, Természet-
és Környezetföldrajzi Tanszék) és Dudás Kószó
Katalin projekt támogatási koordinátor (PTE MIK) prezentált.
"A poszteren bemutatott kutatás célja az olajfák egészségének felmérése földmegfigyelési (Earth Observation, EO) adatok felhasználásával. Egy digitális terménytérképezési megközelítést alkalmaztak egy 6,2 hektáros olajfaligetben, három különböző forrásból származó nagyfelbontású multispektrális képekkel: drónfelvételek 2 cm-es felbontással, a Mohammed VI műhold képei 50 cm-es felbontással, valamint Sentinel-2 műholdképek 10 méteres felbontással.
A kutatás során három gépi tanulási (Machine Learning, ML) algoritmust (Random Forest, Cubist és Extreme Gradient Boosting) alkalmaztak a levelek klorofilltartalmának előrejelzésére, amelyet egy SPAD mérőműszer segítségével mértek 75 fán. Az eredmények szerint a Random Forest modell mutatta a legkisebb hibaértékeket (RMSE). Bár a drónfelvételek részletessége volt a legmagasabb, a költsége jelentősen magasabb volt. A Mohammed VI műholdas adatok jó egyensúlyt biztosítottak a részletesség és a lefedettség között, míg az ingyenesen elérhető Sentinel-2 adatok a Random Forest modellel versenyképes eredményeket adtak, így költséghatékony megoldást nyújtanak nagy területek megfigyelésére.
A
kutatás kiemeli az EO adatok és a fejlett gépi tanulási technikák
integrálásának lehetőségét a költséghatékony és nagy léptékű
olajfa-egészségügyi felmérésekhez, ami fontos lehet a precíziós mezőgazdaság és
a fenntartható ültetvénykezelés szempontjából."
