NERDMANKI-Fotos sagen Ernte voraus — besser als Satelliten
Forscher testen, ob KI-Fotos von Feldern die Ernte in Afrika besser vorhersagen können als Satellitenbilder. Das Ergebnis ist klar.
Was konkret passiert ist
Sie nutzten zwei KI-Modelle, Prithvi-EO und ViT-Base, um Bilder von Maisfeldern zu analysieren. Diese "Embeddings" wurden gegen traditionelle Satelliten-Spektraldaten (Sentinel-2) gestellt. Der Test war hart: Leave-One-Country-Out.
Zahlenbox
- 3 Länder** — Maisfelder in Subsahara-Afrika
- Leave-One-Country-Out** — Härtester Generalisierungs-Test
- Prithvi-EO-100M** — Geospatial Foundation Model
Wie funktioniert das?
Die KI-Modelle wurden nicht auf Ernte spezialisiert. Sie generieren allgemeine "Embeddings" aus den Feldbildern. Diese Datenvektoren werden dann für die Yield-Prediction verwendet. Ein zweistufiger Prozess.
⚖️ Vergleich: KI vs. Satelliten
- Genauigkeit:** Foundation Model Embeddings gewinnen
- Generalisierung:** Überträgt besser auf neue Länder
- Datenbasis:** Gleiche Sentinel-2 Bilder
- Ansatz:** Foundation Model vs. traditionelle Features
Was das bedeutet
Die meisten Benchmarks messen nur innerhalb eines Landes. Das überschätzt die Leistung. Dieser Test zeigt, was die Modelle wirklich können — wenn sie in ein unbekanntes Land müssen. Für Nahrungsmittelsicherheit entscheidend.
