Un progetto di citizen science per combattere la fame nel mondo e garantire a tutti il corretto approvvigionamento alimentare per soddisfare le esigenze di tutta la popolazione. Si partecipa scaricando una app e rispondendo a delle domande.

L’International Institute for Applied System Analysis (IIASA) e l’ESA, in collaborazione con il Wilson Center, la Earth Day Network e il Dipartimento di Stato americano, stanno offrendo ai cittadini l’opportunità di essere coinvolti in uno dei problemi più difficili del mondo: combattere la fame nel mondo garantendo un corretto approvvigionamento alimentare a tutti per soddisfare le esigenze della crescente popolazione globale.

Bisogna “solo” scaricare una APP in cui viene chiesto ai volontari di tutto il mondo di interpretare ed etichettare diverse fotografie a livello stradale di sei principali tipi di colture.

Ma come può servire il riconoscimento di fotografie di colture a combattere la fame nel mondo?

La mancanza di mappe accurate rende difficile attuare una corretta politica di investimenti per migliorare la sicurezza alimentare.

Secondo il team coinvolto, attualmente non esiste un set di dati globale della distribuzione spaziale delle colture di base nel mondo. Questa mancanza di mappe accurate rende difficile attuare una corretta politica di investimenti per migliorare la sicurezza alimentare.

A livello globale, informazioni dettagliate sulle colture possono aiutare a identificare dove gli investimenti potrebbero essere più efficaci per aumentare la produttività agricola, mentre a livello regionale queste informazioni possono essere utilizzate per aiutare a comprendere gli effetti della siccità e di altri disastri sulla produzione alimentare.

Questo innovativo approccio di citizen science che aiuterà l’etichettatura delle fotografie a livello stradale dei tipi di colture sarà collegato agli archivi globali di osservazione della Terra attraverso la piattaforma Euro Data Cube.

L’attività, finanziata dall’ESA, fornisce la possibilità di collegare le informazioni inviate dai cittadini con i confini delle zone agricole di derivazione automatica.

Insieme, forniranno gli input essenziali agli approcci di machine learning che consentono di derivare mappe di tipo “crop” ad alta risoluzione su aree estese.

 

 

Potrebbe interessarti: