Kaugseire taimestikuindeksid muudavad kartulisaagi prognoosimist

Kartul on üks maailma olulisemaid toidukultuure, mis on miljonitele inimestele põhitoiduks. Esiteks aitab kartulitaimede kasvupõhimõtted ja saagikuse ennustamine põllumeestel tõhusamalt hallata niisutust, väetamist ja kahjuritõrjet.

Teiseks saavad toiduainete töötlejad ja ladustamisasutused logistikat ja tööjõudu paremini planeerida, kui neil on usaldusväärsed saagikuse hinnangud. Traditsioonilised meetodid – näiteks põldude läbimine ja taimede käsitsi mõõtmine – on aga aeganõudvad ja altid inimlikele vigadele.

Seetõttu on teadlased pöördunud kaugseire poole, mis kasutab satelliitidel, droonidel või pihuarvutitel olevaid kaameraid ja andureid, et jälgida kartuli kasvu ja prognoosida saagikust kiiremini ja täpsemalt.

Kartulisaagi prognooside mõistmine

Viimase kahe aastakümne jooksul on huvi kaugseire rakendamise vastu kartuliuuringutes märkimisväärselt kasvanud. Tegelikult tuvastas süstemaatiline ülevaade 482 esialgselt läbivaadatud artiklist 79 uuringut, mis avaldati sellel teemal aastatel 2000–2022.

Läbipaistvuse ja reprodutseeritavuse tagamiseks järgisid autorid kehtestatud suuniseid (Kitchenham & Charters 2007; PRISMA raamistik), otsides kaheksast suuremast andmebaasist – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis ja SpringerLink –, kasutades termineid nagu “kartuli saagikuse ennustus” JA “kaugseire”.”

Seega kaasati ainult ingliskeelsed originaaluuringud, mis kasutasid kaugseireandmeid kasvu jälgimiseks või saagikuse hindamiseks. Lisaks eraldati iga valitud artikli andmed nelja põhiküsimuse alusel:

• Millist sensorplatvormi kasutati (satelliit, mehitamata õhusõiduk või maapealne)?
• Milliseid taimestiku indekseid või spektraalseid tunnuseid hinnati?
• Milliseid põllukultuuride omadusi jälgiti (biomass, lehtede pindala, klorofüll, lämmastik)?
• Kui täpselt saab ennustada mugulate lõplikku saagikust (määramiskordaja, R²)?

Need küsimused aitasid retsensentidel kaardistada hetkeseisu ja tuvastada lünki, millele edaspidised uuringud võiksid keskenduda.

Kaugseireplatvormid ja taimestiku indeksid

Teadlased on kasutanud kolme peamist tüüpi kaugseireplatvorme, millel kõigil on oma eelised ja piirangud. Esiteks pakuvad optilised satelliidid, näiteks Sentinel-2 (10 m ruumiline lahutusvõime, 5-päevane kordusvisiit) ja Landsat 5–8 (30 m, 16-päevane kordusvisiit), laia leviala ja sageli tasuta juurdepääsu andmetele.

Teiseks võimaldavad satelliidid nagu MODIS/TERRA/Aqua (250–1000 m, iga päev kuni kahepäevase korduskülastuseni) ja kommertssüsteemid nagu PlanetScope (3 m, iga päev, maksumus umbes $218 100 km² kohta) sagedasemat või suurema eraldusvõimega seiret, kuigi kulud võivad olla teguriks.

Kolmandaks, mehitamata õhusõidukid (UAV-d), mis kannavad multispektraalseid või hüperspektraalseid kaameraid, pakuvad väga kõrget eraldusvõimet (kuni paar sentimeetrit piksli kohta) ja neid saab nõudmisel lennutada, kuid need katavad väiksemaid alasid ja vajavad rohkem logistikat.

Lõpuks annavad maapealsed andurid – näiteks pihuarvutid NDVI-meetrid ja SPAD-klorofülli meetrid – väga täpseid punktmõõtmisi, kuigi need on suurtel põldudel kasutamisel aeganõudvad.

Taimestiku indeksid (VI-d) teisendavad toorpeegeldusväärtused taimeomaduste sisukateks hinnanguteks. Kartuliuuringutes kõige levinumad indeksid on järgmised:

• NDVI (normaliseeritud taimestiku erinevusindeks): (NIR – punane) / (NIR + punane)
• GNDVI (roheline NDVI): (NIR – roheline) / (NIR + roheline)
• NDRE (normaliseeritud erinevus punase serva suhtes): (NIR – punane serv) / (NIR + punane serv)
• OSAVI (optimeeritud mulla järgi kohandatud taimestikuindeks): 1,16 × (NIR – punane) / (NIR + punane + 0,16)
• EVI (täiustatud taimestiku indeks), CIred-edge, CIgreen ja palju muud. .

Need indeksid valitakse võrastiku katte, klorofülli sisalduse ja mulla tausta suhtes tundlikkuse põhjal. Seega on need aluseks taimede tervise hindamisele ja saagikuse ennustamisele.

Kartuli kasvu jälgimine ja saagikuse ennustamine

Kaugseire abil jälgivad teadlased kartuli saagi peamisi omadusi – maapealset biomassi (AGB), lehtede pindala indeksit (LAI), võra klorofülli sisaldust (CCC) ja lehtede lämmastikusisaldust – ning seostavad need seejärel mugulate lõpliku saagikusega.

Esiteks võib AGB hindamine ainult VI-de abil olla keeruline, kui võrade katvus on tihe, kuna paljud indeksid on küllastunud; seetõttu parandab VI-de kombineerimine masinõppe mudelites sageli täpsust.

Teiseks, LAI – ühepoolsete lehtede kogupindala maapinna kohta – hindamisel on saavutatud R² väärtused kuni 0,84, kasutades nii mehitamata õhusõidukite hüperspektraalsete kui ka satelliitidelt saadud multispektraalsete andurite aegridade andmeid.

Kolmandaks, CCC hinnangud, mis on tuletatud sellistest indeksitest nagu CIred-edge, CIgreen, TCARI/OSAVI ja TCARI + OSAVI, jõudsid vegetatiivses staadiumis R² ≈ 0,85-ni, mis näitab tugevat korrelatsiooni laboris mõõdetud klorofülliga.

Lõpuks ennustati lehtede lämmastikusisaldust, mis on terve kasvu jaoks ülioluline, R²-ga vahemikus 0,52 kuni 0,95, kasutades maapealseid andureid koos regressiooni- või juhusliku metsa mudelitega.

Mugulate saagikuse ennustamisel paistavad silma kaks peamist modelleerimismeetodit:

Empiirilised regressioonimudelid: siin sobitatakse üks VI – enamasti NDVI, GNDVI või NDRE – tõepõhi all oleva saagikuse andmetega. NDVI ja saagikuse seose R² väärtused on vahemikus 0,23 kuni 0,84 (mediaan ≈ 0,67), samas kui NDRE ja saagikuse korrelatsioonid on vahemikus 0,12 kuni 0,85 (mediaan ≈ 0,61).

Masinõppe mudelid: nende hulka kuuluvad juhuslik mets, tugivektormasinad ja närvivõrgud, mis kombineerivad mitut VI-d, spektraalribasid ja mittespektraalseid tegureid, nagu ilm, pinnas ja majandamine. Mõnedes uuringutes on sellised mudelid tõstnud R² väärtuse 0,93-ni.

Lisaks mõjutab andmete kogumise ajastus oluliselt ennustuse täpsust. Mitmetes uuringutes andsid 36–55 päeva pärast istutamist tehtud VI mõõtmised kõrgeima korrelatsiooni lõpliku mugulasaagiga.

See etapp langeb kokku maksimaalse maakattega ja mugulate arengu algusega, mistõttu taime struktuur on lõpliku saagikuse kõige näitajam. Mõned peamised leitud statistilised andmed:

• 482 tuvastatud uuringu hulgast vastas läbivaatamise kriteeriumidele 79 uuringut (2000–2022).
• Fookusvaldkonnad: saagikuse ennustamine (37 %), lehtede lämmastiku staatus (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Kõige enamkasutatavad satelliidiplatvormid: Sentinel-2, Landsat, MODIS; kommertskasutuseks: PlanetScope.
• R² vahemikud: NDVI – saagis (0,23–0,84), NDRE – saagis (0,12–0,85), GNDVI – saagis (0,26–0,75).

Kartulisaagi ennustamise soovitused

Nende leidude põhjal peaksid praktikud kõigepealt valima oma eesmärkide saavutamiseks sobiva platvormi. Piirkondlike saagikuse prognooside jaoks pakuvad tasuta Sentinel-2 andmed usaldusväärset katvust 10-meetrise resolutsiooniga ja 5-päevase kordusgraafikuga.

Kohalike hinnangute täpsustamiseks jäädvustatakse umbes 36–55 päeva pärast maandumist mehitamata õhusõidukite lende, mis jäädvustatakse võra kriitilise dünaamika jäädvustamiseks ja satelliidimudelite kalibreerimise parandamiseks. Maapealseid andureid on kõige parem kasutada pistelisteks kontrollideks ja kaugvaatluste kalibreerimiseks, eriti spektraalandmete kombineerimisel välimõõtmistega.

Taimestiku indeksite osas peaksid praktikud lõpliku saagikuse ennustamisel prioriteediks seadma NDVI, NDRE ja CI _punaserva , kuna need näitavad järjepidevalt tugevat korrelatsiooni.

Klorofülli ja lämmastikusisalduse hindamisel annab kõige täpsemad tulemused punase serva indeksite kombineerimine mulla suhtes korrigeeritud viskoossusindeksitega (nt TCARI/OSAVI). Biomassi hindamisel suurendab täpsust veelgi viskoossusindeksite integreerimine taime kõrguse või tekstuuri tunnustega masinõppe raamistikes.

Mis puutub modelleerimisse, siis lihtsad lineaarsed või mittelineaarsed regressioonid, mis kasutavad ühte indeksit, on tõhusad, kui tõepäraseid andmeid on piiratud. Kui aga on saadaval mitu indeksit ja abiandmeid (ilm, muld, majandamine), pakuvad masinõppe meetodid, näiteks juhuslik mets või närvivõrgud, paremat jõudlust. Oluline on see, et ajastuskujutised umbes 36–55 päeva pärast istutamist on üliolulised, kuna see aken annab järjepidevalt suurima ennustustäpsuse.

Kokkuvõte

Kokkuvõtteks pakub kaugseire kiiret, paindlikku ja täpset tööriistakomplekti kartuli kasvu jälgimiseks ja mugulate saagikuse prognoosimiseks. Sobiva platvormi valimise, kõige informatiivsemate vegetatsiooniindeksite valimise, andmete kogumise ajastamise umbes 36–55 päeva vanuseks saagiks ja sobivate modelleerimistehnikate rakendamise abil saavad teadlased ja praktikud saagikuse prognoose oluliselt parandada.

See lähenemisviis mitte ainult ei säästa aega, vaid toetab ka targemaid juhtimisotsuseid, millest saavad lõppkokkuvõttes kasu põllumehed, agronoomid ja kogu kartuli tarneahela.

Viide: Mukiibi, A., Machakaire, ATB, Franke, AC. jt. Kartuli kasvu seire ja mugulate saagikuse ennustamise kaugseire abil taimestikuindeksite süstemaatiline ülevaade. Kartuliuuringud. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7