A Remote Approach to Cashew Orchard Detection: Leveraging Active Learning with Satellite Imagery in Guinea-Bissau
Di cosa parla
Usando immagini satellitari, il lavoro mette a punto un metodo scalabile e a basso costo per individuare le piantagioni di anacardio in Guinea‑Bissau. Impiega tecniche di apprendimento automatico — cioè metodi che imparano dai dati — insieme a una strategia per selezionare i punti più informativi per l’addestramento; il risultato è una mappa nazionale per il 2021 e due dataset resi pubblici su GitHub.
Cosa permette di osservare
Permette di esplorare come l’uso di immagini da satellite e di strategie che scelgono i dati più utili possa servire a mappare coltivazioni su scala nazionale e a collegare queste mappe a questioni come deforestazione, perdita di biodiversità e fragilità economica locale.
Dalla fonte
Cashew production is a widespread economic activity in Guinea-Bissau, as well as other countries in West Africa. However, unregulated cashew production can be directly associated with increasing regionwide deforestation rates, biodiversity losses, and a fragile economic structure. There is no nationwide database for listing or georeferencing cashew orchards, so there is a clear need to remotely map their locations. In recent years, multiple methods for detecting orchards have been developed, though they have only been applied on a regional level. This work expands regional analyses to a nationwide scale. It develops a scalable and cost-effective remote approach, based on Sentinel-2 satellite imagery, using Machine Learning techniques to detect cashew orchards automatically. Margin-based Active Learning techniques were employed to develop an optimal training set in terms of the number of…