Das System verwendet neben künstlicher Intelligenz auch Satellitenbilder und wurde bereits erfolgreich getestet, um die Leistung von Kartoffeln zu antizipieren.
Forscher des Fernerkundungslabors (LATUV) von die Universität von Valladolid (UVa) haben einen neuen Vegetationsindex entwickelt, mit dem sich Modelle zur Vorhersage von Kulturpflanzen verbessern lassen. Die neue Technik, die ESA Sentinel-2-Satellitenbilder sowie Techniken des maschinellen Lernens und der künstlichen Intelligenz verwendet, wurde erfolgreich bei der Vorhersage des Ernteertrags von Kartoffeln und Weizen getestet.
Die landwirtschaftliche Produktion hängt von einer Vielzahl menschlicher und ökologischer Faktoren ab, die bei den Landwirten große Unsicherheit schaffen. Technologie kann jedoch ein wichtiger Verbündeter sein, um sie zu reduzieren. Dies ist der Fall bei Rechenmodellen, die das Verhalten einer Kultur unter bestimmten Bedingungen simulieren möchten, z. B. Boden, Klima oder landwirtschaftliche Praktiken, und in Abhängigkeit von dieser erwarteten Entwicklung die landwirtschaftliche Produktion schätzen.
„Es gibt viele Modelle, die normalerweise für jede Art von Kultur spezifisch sind“, erklärt Diego Gómez, LATUV-Forscher und Erstautor von zwei kürzlich veröffentlichten Studien in den Fachzeitschriften International Journal of Remote Sensing und Agricultural and Forest Meteorology.
Diese traditionellen Wachstumsmodelle weisen jedoch einige Einschränkungen auf, z. B. „die Unfähigkeit, die Variabilität innerhalb desselben Pakets räumlich zu modellieren“ oder die Vielzahl der erforderlichen Eingabedaten, die „aufgrund der hohen Zeit- und Geldkosten für deren Erfassung normalerweise nicht erhalten werden . ”
Kartoffelanbaugebiet, für das die Schätzungen vorgenommen wurden / D. Gómez
Daher setzen wir in den letzten Jahren auf eine Technologie, die Fernerkundung, die Spektralbilder verwendet, die von optischen Sensoren (installiert auf Satelliten, Flugzeugen, Drohnen usw.) aufgenommen wurden und die diese traditionellen Modelle in einigen Fällen ergänzen und sogar ersetzen können. Diese Spektralbilder liefern Daten über den Zustand oder die Phänologie der Kultur - die sichtbaren äußeren Veränderungen im Pflanzenentwicklungsprozess -, die in Modelle integriert sind, die diese Eingabeinformationen anpassen, um Pflanzen vorherzusagen.
„Spektralbilder decken den Bedarf an Eingabedaten ab, ermöglichen den Zugriff auf entfernte Standorte und sind kostengünstig. Sie sind auch in der Lage, Informationen zu erhalten, die sich auf die Produktionskapazität der Kultur beziehen “, bemerkt der LATUV-Forscher, der sich daran erinnert, dass einer der Spektralindizes - mathematische Formeln, die Spektralbänder kombinieren - der Vegetation am häufigsten zur Abschätzung der Vitalität oder der Vegetation verwendet wird Die Vegetationsdichte - die letztendlich die Pflanzenproduktivität vorhersagt - ist der NDVI (NDVI).
Die Verwendung von Zeitreihen dieses Index zur Erstellung von Vorhersagemodellen für Kulturpflanzen ist in der wissenschaftlichen Literatur sehr verbreitet. Dieser Index verwendet das Vegetationsreflexionsvermögen - die Fähigkeit der Vegetation, Licht zu reflektieren - in zwei Spektralbändern, rot und nahezu rot, die sich auf einen Teil des für die Photosynthese verwendeten Lichts bzw. die Zellstruktur der Blätter beziehen.
Ein neuer Vegetationsindex
LATUV-Forscher haben einen neuen Index namens PPI entwickelt, der auf ESA Sentinel-2-Satellitenbildern basiert und zusätzlich zu den spektralen Informationen, die an der Photosynthese beteiligt sind - 400 bis 700 Nanometer - Informationen aus anderen Bereichen des elektromagnetischen Spektrums -704 berücksichtigt Nanometer, Red Edge-Band und 945 Nanometer, Wasserdampf-Absorptionsband, das andere wichtige Informationen über den Zustand der Kultur liefern kann, wie z. B. den Wasserstress, wenn die Pflanze mehr Wasser benötigt als sie hat.
Die Forscher verglichen die Vorhersagekapazität der beiden Vegetationsindizes NDVI und PPI mit mehr Daten aus Satellitenbildern. Zu diesem Zweck verwendeten sie zwei Algorithmen für künstliche Intelligenz und maschinelles Lernen (Random Forest und Support Vector Machine) und generierten verschiedene Modelle, in denen sie diese Indizes mit den anderen Satellitenbändern kombinierten.
"Die Hypothese war, dass durch die Verwendung eines Index, der andere Bänder verwendet, die nicht im beliebten NDVI-Index enthalten sind, und andererseits mit einem gewissen Potenzial zur Bereitstellung sensibler Ernteinformationen die Vorhersagemodelle besser wären", sagt Gómez, der Fortschritte macht dass schließlich die Vorhersagekapazität der Modelle "zunahm, wenn einer oder beide Vegetationsindizes einbezogen wurden", was "die Verwendung dieser Daten in Kombination mit bestimmten einzelnen Satellitenbändern" bewertet.
Genauere Vorhersagen im Kartoffelanbau
Die Ergebnisse zeigen, dass der PPI-Index bei Verwendung des Support Vector Machine-Algorithmus ähnliche Informationen wie NDVI liefert und bei Verwendung des Random Forest-Algorithmus wesentlich informativer ist als NDVI. Dies verspricht vielversprechende Ergebnisse, „die einen neuen Vegetationsindex auf den Tisch legen, der die Vorhersage verbessern kann Erntemodelle basierend auf Satellitenbildern “.
Bisher wurde der neue Index für den Kartoffelanbau in einem relativ lokalisierten Untersuchungsgebiet getestet. Kartoffeln sind nach Getreide eine der wichtigsten Nahrungspflanzen weltweit. Es spielt eine Schlüsselrolle für die Ernährungssicherheit der Entwicklungsländer und hat auch im europäischen Agrarsektor ein großes Gewicht, wobei Deutschland, Frankreich, die Niederlande und Polen die Hauptproduzenten sind. Es wurde auch in Weizen mit Daten aus Mexiko getestet.
Die Idee der Ausrüstung besteht darin, die Anzahl der Daten zu erhöhen, um die Solidität des Modells zu verbessern, ein größeres Untersuchungsgebiet abzudecken, um die räumliche Variabilität zu erhöhen und neue Kulturen einzubeziehen. Perspektiven, die von der Kontinuität der Finanzierung abhängen und den Landwirten helfen können, ihre Ernte in Zukunft zuverlässiger vorherzusagen.