Earth Observation and machine learning for advanced crop yield forecasting

Abstract

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.

673 million people faced hunger in 2024, while climate change and a growing world population put further pressure on global agriculture. Given that 13% of global food production goes to waste in the supply chain, optimised resource management is essential to reduce both food waste and hunger. Crop yield forecasts enable decision-makers to better manage stocks and guide the import and export of crops. Despite enormous efforts over the past decades to provide reliable crop yield forecasts, their accuracy is often inadequate due to data scarcity and the underestimation of the impact of extreme events, such as droughts, on crop yields. Currently used models - both machine learning and process-based - perform insufficiently when too little crop yield data or predictor data is available for a certain region or conditions. Therefore, in this thesis, I focused on three research question: How do machine learning and EO based crop yield forecasting systems perform in drought years? How can we improve crop yield forecasting in data-scarce situations? Can we use this information to also estimate yield losses caused by other extremes, like war-related yield losses?In the first paper of this thesis, I demonstrated how drought-related crop yield losses can be detected early but remain underestimated in current crop yield forecasting systems. Thus, I concluded that additional data from drought years is required to accurately capture the impacts of droughts on crop yields. In the second paper, I showed how transfer learning — a novel machine learning technique that trains and tests a model across different domains — can address the issue of data scarcity. Specifically, I trained a field-scale crop yield forecasting model at the regional scale and fine-tuned it using only a limited number of field-scale samples. In the third paper, I returned to forecasting crop yields during extreme events: estimating war-related crop yield losses in Ukraine using transfer learning. Although crop yield losses remained underestimated, transfer learning led to significantly improved crop yield forecasts in both average years and during the war.Going forward, I identified two main steps to further advance crop yield forecasting: (1) expand the use of transfer learning for crop yield forecasting in any data-scarce situation, and (2) further improve forecasting during extreme events such as droughts and conflicts. Through this thesis, I contributed to improved crop yield forecasting in data-scarce situations and during extreme events, which will allow decision-makers to better manage stocks and guide imports and exports to reduce hunger in a changing climate.