MIT 엔지니어들은 Google 스트리트 뷰 이미지, 머신러닝 및 위성 데이터의 조합을 사용하여 1에이커에서 다음 에이커까지 지역 전체에서 재배되는 작물을 자동으로 결정함으로써 작물 유형에 신속하고 정확하게 라벨을 지정하고 매핑하는 방법을 개발했다. (제공: 연구원 및 Google 스트리트 뷰)

작물 지도는 과학자와 정책 입안자들이 전 세계 식량 공급을 추적하고 기후 변화와 인구 증가에 따라 식량 공급이 어떻게 변할 수 있는지 추정하는 데 도움이 된다. 소규모 농장은 세계 농촌 인구의 2/3를 부양하고 세계 식량의 80%를 생산하는 것으로 추산된다.

전 세계 식량 공급을 추적하고 예측하려면 무엇이 재배되고 어디에서 재배되는지 감시하는 것이 중요하다. 하지만 정확한 지도를 만들 수 있는 자원을 보유한 국가는 소수에 불과하다.

그래서 MIT 엔지니어들은 Google 스트리트 뷰 이미지, 머신러닝, 위성 데이터를 조합하여 모든 단일 농장을 직접 평가할 필요 없이 지역 전체에서 재배되는 작물을 자동으로 결정했다.

태국 최초의 전국 작물 지도

연구원들은 이 기술을 사용하여 태국의 4대 주요 작물인 쌀, 카사바, 사탕수수, 옥수수에 대한 최초의 전국 작물 지도를 93%의 정확도로 생성했다.

MIT 기계공학과 d'Arbeloff 경력 개발 조교수인 셰리 왕(Sherrie Wang)은 이는 고소득, 대농업 국가의 현장 매핑 노력과 비슷하다고 말한다.

수백만 명의 인도 소규모 농민 지도 작성

연구원들은 이제 인도 전역의 작물 지도로 이동하고 있으며, 최근 길가 이미지를 Google 스트리트 뷰 및 기타 서비스에서 사용할 수 있게 되었다. 왕은 “인도에는 1억 5천만 명 이상의 소규모 농민이 있다.

"인도는 농업으로 덮여 있으며 거의 벽에서 벽까지 농장이지만 농장은 매우 작다. 역사적으로 지상 라벨이 매우 드물기 때문에 인도 지도를 만드는 것이 매우 어려웠다."

매핑 방법

왕은 IDSS((데이터, 시스템, 사회 연구소 Institute for Data, Systems, and Society), 대학원생 및 Jagtech 회사 PEAT GmbH와 함께 이달 말 인공지능에 관한 AAAI 컨퍼런스에서 매핑 방법을 자세히 설명하는 논문을 발표할 예정이다.

왕은 “시간이 지남에 따라 이러한 지도를 만드는 것이 흥미로울 것이다.”라고 말했다. "그러면 추세를 볼 수 있고 이러한 것들을 기후 및 정책 변화와 같은 것과 연관시키려고 노력할 수 있다."