Система использует спутниковые изображения наряду с искусственным интеллектом и уже была успешно протестирована для прогнозирования урожайности картофеля.
Исследователи из Лаборатории дистанционного зондирования (LATUV) г. Университет Вальядолида (UVa) разработали новый вегетационный индекс, способный улучшить модели прогнозирования урожая. Новый метод, использующий спутниковые изображения ESA Sentinel-2, машинное обучение и методы искусственного интеллекта, был успешно протестирован для прогнозирования урожайности картофеля и пшеницы.
Сельскохозяйственное производство зависит от большого количества факторов, как человеческих, так и экологических, которые создают большую неопределенность среди фермеров. Но технологии могут быть важным союзником в его сокращении. Это относится к вычислительным моделям, которые стремятся имитировать поведение сельскохозяйственных культур в определенных условиях, например, почве, климате или сельскохозяйственных методах, и, в зависимости от этого ожидаемого развития, оценивать сельскохозяйственное производство.
«Существует множество моделей, и они обычно специфичны для каждого типа сельскохозяйственных культур», - объясняет Диего Гомес, исследователь LATUV и первый автор двух недавно опубликованных исследований в журналах International Journal of Remote Sensing and Agricultural and Forest Meteorology.
Но эти традиционные модели роста имеют некоторые ограничения, такие как «невозможность пространственного моделирования изменчивости в пределах одного и того же участка» или множество требуемых входных данных, которые «обычно не получаются из-за высокой стоимости времени и денег, затрачиваемых на их сбор. . »
Площадь выращивания картофеля, по которой произведена оценка / Д. Гомес
Таким образом, в последние годы мы делаем ставку на технологию дистанционного зондирования, которая использует спектральные изображения, полученные с помощью оптических датчиков (установленных на спутниках, самолетах, дронах и т. Д.), И которая может дополнять и даже заменять в некоторых случаях эти традиционные модели. Эти спектральные изображения предоставляют данные о состоянии или фенологии сельскохозяйственных культур - видимых внешних изменениях в процессе развития растений - которые интегрируются в модели, которые корректируют эту входную информацию для прогнозирования урожая.
«Спектральные изображения покрывают потребности во входных данных, обеспечивают доступ к удаленным объектам и имеют низкую стоимость. Они также могут получать информацию, относящуюся к продуктивности урожая », - отмечает исследователь LATUV, который напоминает, что один из спектральных показателей - математических формул, объединяющих спектральные полосы - растительности, наиболее часто используемый для оценки силы роста или роста растений. плотность растительности, которая в конечном итоге позволяет прогнозировать урожайность сельскохозяйственных культур, - это NDVI (NDVI).
Использование временных рядов этого индекса для создания прогнозных моделей сельскохозяйственных культур очень распространено в научной литературе. В этом индексе используется коэффициент отражения растительности - ее способность отражать свет - в двух спектральных полосах, красном и почти красном, которые связаны с частью света, используемого для фотосинтеза, и клеточной структурой листьев, соответственно.
Новый индекс вегетации
Исследователи LATUV разработали новый индекс PPI на основе спутниковых изображений ESA Sentinel-2, который, помимо учета спектральной информации, связанной с фотосинтезом - от 400 до 700 нанометров - учитывает информацию из других областей электромагнитного спектра -704 нанометров, полоса Red Edge и 945 нанометров, полоса поглощения водяного пара -, которые могут предоставить другую ключевую информацию о состоянии культуры, например, о ее водном стрессе - когда растение требует больше воды, чем имеет.
Исследователи сравнили прогностическую способность обоих индексов растительности, NDVI и PPI, а также других данных со спутниковых изображений. Для этого они использовали два алгоритма искусственного интеллекта и машинного обучения (так называемые «случайный лес» и «машина опорных векторов») и сгенерировали различные модели, в которых они объединили эти индексы с другими спутниковыми полосами.
«Гипотеза заключалась в том, что при использовании индекса, который использует другие диапазоны, не включенные в популярный индекс NDVI, и, с другой стороны, с некоторым потенциалом для предоставления конфиденциальной информации о сельскохозяйственных культурах, прогнозные модели будут лучше», - говорит Гомес, что, наконец, прогностическая способность моделей «увеличилась при включении одного или обоих индексов растительности», что означает «использование этих данных в сочетании с определенными отдельными спутниковыми полосами».
Более точные прогнозы при выращивании картофеля
Результаты показывают, что индекс PPI предоставляет информацию, аналогичную NDVI при использовании алгоритма машины опорных векторов, и значительно более информативен, чем NDVI при использовании алгоритма случайного леса, многообещающие результаты, «которые помещают в таблицу новый индекс растительности, который может улучшить прогнозные результаты». модели урожая на основе спутниковых снимков ».
Пока что новый индекс тестировался на выращивании картофеля в достаточно локализованном районе исследования. После зерновых культур картофель является одной из важнейших продовольственных культур в мире. Он играет ключевую роль в обеспечении продовольственной безопасности развивающихся стран, а также имеет большой вес в европейском сельскохозяйственном секторе, где основными производителями являются Германия, Франция, Нидерланды и Польша. Он также был протестирован на пшенице с данными, полученными в Мексике.
Идея оборудования состоит в том, чтобы увеличить количество данных для повышения надежности модели, охватить большую исследуемую область, чтобы увеличить пространственную изменчивость и включить новые культуры. Перспективы, которые зависят от непрерывности финансирования и могут помочь фермерам более надежно прогнозировать урожай в будущем.
Источник: https://ru.potatoes.news