TESSERA-Embeddings steigern Erntetyp-Klassifikation im Senegal‑Erdnussbecken um 28 %

In einer neuen Studie aus dem arXiv-Repository wird gezeigt, dass Embedding‑basierte Modelle die Klassifikation von Erntetypen in kleinen Agrargesellschaften deutlich verbessern können. Der Fokus liegt auf dem Erdnussbecken in Senegal, einer Region, in der traditionelle satellitenbasierte Methoden oft an ihre Grenzen stoßen.

Die Forscher haben vier zentrale Kriterien definiert, die ein nützliches Embedding‑Modell erfüllen muss: hohe Leistung, Plausibilität der Ergebnisse, Übertragbarkeit auf andere Zeiträume und Regionen sowie Zugänglichkeit für Anwender. Auf dieser Basis wurden die Modelle TESSERA und AlphaEarth mit herkömmlichen Baselines verglichen.

Ergebnisse zeigen, dass TESSERA die Auswahlkriterien am besten erfüllt. In einem Test zur zeitlichen Übertragbarkeit konnte das Modell die Genauigkeit um 28 % steigern im Vergleich zum nächstbesten Verfahren. Diese Leistung unterstreicht das Potenzial von TESSERA‑Embeddings für die Erntetyp‑Klassifikation und -Kartierung in Senegal und vermutlich auch in vergleichbaren Agrarregionen weltweit.