Detection of manure application on crop fields leveraging satellite data and Machine Learning

Detecting application of manure on crop fields is crucial for remotely assessing the correct management of crops; this is important to various goals such as maintaining soil fertility, productivity, environmental compliance, and - in the EU - also for verifying farmers’ observance with the nitrates directive. In the framework outlined above, this thesis research aims at developing an automated, Machine Learning (ML) based, method for detecting manure application leveraging Earth Observation (EO) satellite data. Time series of spectral indexes (radar, optical and thermal) have been extracted from specific regions of interest (ROIs), located in Spain and Italy, using different EO satellites; a Python library, made available for public use, has been developed to efficiently accomplish this purpose. After that, the spectral indexes most impacted by manure application have been identified and selected as input to different ML models, which have been compared - especially for what regards their generalization capabilities. Tests have been conducted over both ROIs, including mixed cases where training was carried out on fields from one country and classification on fields located in another (or same). In short, results suggest that the spectral signature of manure application is homogeneous within fields located in the same country, and that combining optical and thermal data allows achieving the best classification performances. Radar data, instead, provides no significant contribution to system performances. The proposed method provides a valuable foundation toward development of a tool to monitor manure application in crop fields and ensure compliance with environmental regulations.

Rilevazione delle operazioni di concimazione tramite dati satellitari e tecniche di Machine Learning. L’individuazione dell’applicazione di concime sui campi coltivati è fondamentale per valutare a distanza la corretta gestione delle colture; ciò è importante per vari obiettivi quali il mantenimento della fertilità del suolo, la produttività, la conformità ambientale, e - nell’UE - anche per verificare il rispetto della direttiva sui nitrati da parte degli agricoltori. Nel quadro di cui sopra, questa tesi di ricerca mira a sviluppare un metodo automatizzato, basato sul Machine Learning (ML), per rilevare l’applicazione di concime sfruttando dati satellitari per l’osservazione della Terra. Serie temporali di indici spettrali (radar, ottici e termici) sono state estratte da specifiche regioni di interesse, situate in Spagna e Italia, utilizzando diversi satelliti; una libreria Python, resa disponibile per uso pubblico, è stata sviluppata per realizzare efficacemente questo scopo. In seguito, gli indici spettrali maggiormente influenzati dall’applicazione del concime sono stati identificati e selezionati come input per diversi modelli di ML, che sono stati successivamente confrontati - specialmente per quanto riguarda le loro capacità di generalizzazione. I test sono stati condotti su entrambe le regioni di interesse, compresi casi misti in cui il training è stato effettuato su campi di un paese e la classificazione su campi situati in un altro (o lo stesso). In breve, i risultati suggeriscono che la firma spettrale dell’applicazione del concime è omogenea all’interno di campi situati nello stesso paese e che la combinazione di dati ottici e termici consente di ottenere le migliori prestazioni di classificazione. I dati radar, invece, non forniscono alcun contributo significativo alle prestazioni del sistema. Il metodo proposto fornisce una base preziosa per lo sviluppo di uno strumento per monitorare l’applicazione di concime nei campi coltivati e garantire il rispetto delle normative ambientali.