面向可持续与韧性农业的大地数据与机器学习

来自卫星或其他平台（如无人机和手机）的大体量地球影像流正以低成本或零成本且增强的空间与时间分辨率日益可用。本论文认识到当今高质量和开放获取的地球观测数据所提供的前所未有的机遇，并引入新颖的机器学习和大数据方法以妥善利用它们，从而开发面向可持续与韧性农业的应用。论文涉及三个不同的主题领域，即共同农业政策（Common Agricultural Policy, CAP）监测、粮食安全监测以及面向智能与韧性农业的应用。与这三个主题领域相关的开发在方法上的创新解决了以下问题：i) 大体量地球观测（Earth Observation, EO）数据处理，ii) 用于机器学习模型训练的标注数据稀缺，以及 iii) 机器学习输出与可操作建议之间的鸿沟。本论文展示了数据立方体、分布式学习、关联开放数据和语义增强等大数据技术如何被用于利用数据洪流并提取知识以满足真实用户需求。此外，本论文论证了半监督与无监督机器学习模型的重要性，它们规避了普遍存在的标注稀缺挑战，从而允许模型在时空上泛化。具体而言，论文展示了仅用极少地面真值数据即可生成高质量作物类型图和作物物候估计。最后，本论文指出在真实场景中的模型推断与决策之间存在相当大的价值距离，并由此展示了因果与可解释机器学习在弥合这一鸿沟中的威力。