Systém využívá vedle umělé inteligence satelitní snímky a již byl úspěšně testován, aby předvídal výkon brambor.
Vědci z laboratoře dálkového průzkumu Země (LATUV) v University of Valladolid (UVa) navrhli nový vegetační index schopný zlepšit modely predikce plodin. Nová technika, která využívá satelitní snímky ESA Sentinel-2 a techniky strojového učení a umělé inteligence, byla úspěšně testována při předpovědi výnosu brambor a pšenice.
Zemědělská výroba závisí na velkém počtu faktorů, jak lidských, tak environmentálních, které vytvářejí mezi zemědělci velkou nejistotu. Technologie však může být důležitým spojencem při jejím snižování. To je případ výpočetních modelů, které se snaží simulovat chování plodiny za konkrétních podmínek, například v půdě, klimatu nebo zemědělských postupech, a v závislosti na tomto očekávaném vývoji odhadují zemědělskou produkci.
„Existuje mnoho modelů a obvykle jsou specifické pro každý druh plodiny,“ vysvětluje Diego Gómez, výzkumný pracovník LATUV a první autor dvou nedávno publikovaných studií v časopisech International Journal of Remote Sensing a Agricultural and Forest Meteorology.
Ale tyto tradiční modely růstu mají určitá omezení, například „neschopnost prostorově modelovat variabilitu ve stejné parcele“ nebo velké množství vstupních dat, která vyžadují, „že se obvykle nezískávají kvůli vysokým nákladům na čas a peníze spojené s jejich sběrem . “
Plocha pěstování brambor, na které byly provedeny odhady / D. Gómez
V posledních letech tedy sázíme na technologii dálkového průzkumu Země, která využívá spektrální snímky pořízené optickými senzory (instalovanými na satelitech, letadlech, dronech atd.) A která může tyto tradiční modely v některých případech doplnit a dokonce nahradit. Tyto spektrální obrazy poskytují údaje o stavu nebo fenologii plodiny - viditelné vnější změny v procesu vývoje rostlin - které jsou integrovány do modelů, které upravují tyto vstupní informace tak, aby předpovídaly plodiny.
„Spektrální obrázky pokrývají potřebu vstupních dat, umožňují přístup ke vzdáleným webům a mají nízkou cenu. Jsou také schopni získat informace, které souvisejí s produktivní kapacitou plodiny, “poznamenává výzkumný pracovník LATUV, který připomíná, že jeden ze spektrálních indexů - matematické vzorce, které kombinují spektrální pásy - vegetace, které se nejčastěji používají k odhadu ráznosti nebo hustota vegetace - která nakonec předpovídá produktivitu plodin - je NDVI (NDVI).
Použití časové řady tohoto indexu ke generování prediktivních modelů plodin je ve vědecké literatuře velmi běžné. Tento index využívá vegetační odrazivost - schopnost vegetace odrážet světlo - ve dvou spektrálních pásmech, červené a téměř červené, které souvisejí s částmi světla použitého pro fotosyntézu a buněčnou strukturou listů.
Nový vegetační index
Vědci z LATUV vyvinuli nový index s názvem PPI založený na satelitních snímcích ESA Sentinel-2, který kromě zohlednění spektrálních informací obsažených ve fotosyntéze - 400 až 700 nanometrů - zohledňuje informace z jiných oblastí elektromagnetického spektra -704 nanometry, pásmo Red Edge a 945 nanometrů, pásmo absorpce vodní páry -, které může poskytnout další klíčové informace o stavu plodiny, jako je její vodní stres - když rostlina vyžaduje více vody, než má.
Vědci porovnali prediktivní kapacitu obou vegetačních indexů, NDVI a PPI, spolu s více daty ze satelitních snímků. K tomu použili dva algoritmy umělé inteligence a strojového učení (zvané Random Forest a Support Vector Machine) a vygenerovali různé modely, ve kterých tyto indexy kombinovaly s ostatními satelitními pásmy.
„Hypotéza spočívala v tom, že pomocí indexu, který používá jiná pásma, která nejsou zahrnuta v populárním indexu NDVI, a na druhé straně s určitým potenciálem poskytovat citlivé informace o plodinách by byly prediktivní modely lepší,“ říká Gómez, který postupuje že konečně prediktivní kapacita modelů „vzrostla, když byl zahrnut jeden nebo oba vegetační indexy“, což oceňuje „využití těchto dat v kombinaci s určitými jednotlivými satelitními pásmy“.
Přesnější předpovědi při pěstování brambor
Výsledky ukazují, že index PPI poskytuje informace podobné NDVI při použití algoritmu Support Vector Machine a je podstatně více informativní než NDVI při použití algoritmu Random Forest, což slibuje výsledky, „které dají na stůl nový vegetační index, který může zlepšit prediktivní modely sklizně založené na satelitních snímcích “.
Dosud byl nový index testován na pěstování brambor v poměrně lokalizované studijní oblasti. Po obilovinách je brambor jednou z nejdůležitějších potravinových plodin na světě. Hraje klíčovou roli v zajišťování potravin v rozvojových zemích a má také velkou váhu v evropském zemědělském odvětví, jehož hlavními producenty jsou Německo, Francie, Nizozemsko a Polsko. Byl také testován na pšenici s údaji získanými v Mexiku.
Myšlenkou zařízení je zvýšit počet dat, aby se zlepšila pevnost modelu, pokrýt větší studijní plochu, zvýšit prostorovou variabilitu a začlenit nové plodiny. Perspektivy, které závisí na kontinuitě financování a mohou zemědělcům pomoci v budoucnu spolehlivěji předpovídat jejich sklizeň.