A deep learning methodology for crop yield prediction with remote sensing

The goal of this thesis is that of developing a deep learning-based methodology for predicting corn and soybeans crops yield at county level in Illinois using multisource optic satellites data, namely Landsat/Sentinel data with a spatial resolution of 30m and a 16-days land coverage cycle and MODIS data with a spatial resolution of 250m and an 8-days land coverage cycle. After an extensive analysis of the state of the art, a methodology made up of three main blocks has been identified. The first block uses Landsat/Sentinel data to produce a percentage crop coverage per each county by adopting a segmentation algorithm. The second block uses MODIS time series to produce a preliminary prediction of crops yield, by using a deep learning approach with data reduced to histograms of pixel counts and Gaussian processes. Finally, the third block fuses the outputs of the previous two blocks to produce the final prediction. The results obtained allows to prove that the implemented methodology outperforms the current state of the art for the given problem. Moreover, by using a systematic and experimental approach, further issues have been investigated: - the performance of deep learning-based approaches, considered by the scientific community the breakthrough technology for remotely-sensed data, compared to that of statistical-based approaches; - the key factors in determining crop growth; - the top performant deep learning algorithm to process sequential data, as the one available. To conclude, the thesis also discusses some feature works, which have as starting point the implemented methodology. Among these some methods to improve the results based on different kinds of data, further analysis to prove results shown just empirically and a test to prove an apparent relation between corn and soybeans crops.

Questa tesi ha l’obiettivo di sviluppare una metodologia basata sul deep learning per la realizzazione di un modello in grado di predire la resa delle colture del mais e della soia a livello di contea nello stato dell’Illinois, utilizzando dati satellitari ottici provenienti da diverse sorgenti. Nello specifico i dati considerati sono dati Landsat/Sentinel con risoluzione spaziale di 30m e ciclo di copertura di 16 giorni e dati MODIS con risoluzione spaziale di 250m e ciclo di copertura di 8 giorni. Dopo un’estensiva analisi dello stato dell’arte, è stata definita una metodologia che consta di tre blocchi principali. Un primo blocco utilizza i dati Landsat/Senitnel e, per ogni contea, produce la percentuale di area coperta da campi utilizzando un algoritmo di segmentazione. Un secondo blocco utilizza la serie storica dei dati MODIS e produce una predizione preliminare della resa delle colture, riducendo i dati ad istogrammi per processarli con tecniche di deep learning e tramite l’uso di processi Gaussiani. Il terzo blocco, infine, fonde l’output dei due blocchi precedenti per produrre la predizione finale. I risultati ottenuti dai test permettono di dimostrare che la metodologia implementata migliora le prestazioni dello stato dell’arte per questo tipo di problema. Inoltre, tramite un approccio sistematico e sperimentale altre problematiche sono state studiate. Nello specifico: - le performance dell’approccio basato sul deep learning, considerato dalla comunità scientifica la tecnologia emergente con dati satellitari, rispetto all’approccio statistico; - i fattori rilevanti per la determinazione della crescita delle colture; - l’algoritmo di deep learning migliore per processare dati sequenziali come quelli disponibili. In ultima istanza, la tesi presenta alcuni spunti per sviluppi futuri a partire dalla metodologia implementata. Tra questi vengono proposti alcuni metodi per migliorare i risultati ottenuti, considerando anche altri tipi di dati, delle analisi per dare una dimostrazione sperimentale ad alcuni risultati provati solo empiricamente ed un test per la dimostrazione di una apparente relazione tra le colture del mais e della soia.