Kaukokartoituksen kasvillisuusindeksit muuttavat perunan satoennusteita

Peruna on yksi maailman tärkeimmistä ravintokasveista ja se on miljoonien ihmisten peruselintarvike. Ensinnäkin perunakasvien kasvutavan tunteminen ja niiden sadon ennustaminen auttavat viljelijöitä hallitsemaan kastelua, lannoitusta ja tuholaistorjuntaa tehokkaammin.

Toiseksi, elintarvikkeiden jalostajat ja varastointilaitokset voivat suunnitella logistiikkaa ja työvoimaa paremmin, kun niillä on luotettavat satoarviot. Perinteiset menetelmät – kuten pelloilla käveleminen ja kasvien mittaaminen käsin – ovat kuitenkin aikaa vieviä ja alttiita inhimillisille virheille.

Siksi tiedemiehet ovat siirtyneet kaukokartoitukseen, jossa käytetään satelliittien, droonien tai kannettavien laitteiden kameroita ja antureita perunan kasvun seuraamiseen ja sadon ennustamiseen nopeammin ja tarkemmin.

Perunan satoennusteiden ymmärtäminen

Viimeisten kahden vuosikymmenen aikana kiinnostus kaukokartoituksen soveltamiseen perunatutkimuksessa on kasvanut huomattavasti. Itse asiassa systemaattinen katsaus tunnisti 482 alun perin seulotusta artikkelista 79 tutkimusta, jotka julkaistiin vuosina 2000–2022 tästä aiheesta.

Läpinäkyvyyden ja toistettavuuden varmistamiseksi kirjoittajat noudattivat vakiintuneita ohjeita (Kitchenham & Charters 2007; PRISMA-viitekehys) ja tekivät hakuja kahdeksasta merkittävästä tietokannasta – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis ja SpringerLink – käyttäen termejä, kuten “perunan sadon ennustaminen” JA “kaukokartoitus”.”

Näin ollen mukaan otettiin vain alkuperäisiä englanninkielisiä tutkimuksia, joissa käytettiin kaukokartoitusdataa kasvun seurantaan tai sadon arviointiin. Lisäksi kustakin valitusta artikkelista tiedot poimittiin neljän keskeisen kysymyksen perusteella:

• Mitä tunnistusalustaa käytettiin (satelliitti, miehittämätön ilma-alus vai maanpäällinen)?
• Mitä kasvillisuusindeksejä tai spektriominaisuuksia arvioitiin?
• Mitä viljelykasvien ominaisuuksia seurattiin (biomassa, lehtipinta-ala, klorofylli, typpi)?
• Kuinka tarkasti lopullinen mukulasato voitaisiin ennustaa (määrityskerroin, R²)?

Nämä kysymykset auttoivat arvioijia kartoittamaan nykytilanteen ja tunnistamaan aukkoja, joihin tuleva tutkimus voisi keskittyä.

Kaukokartoitusalustat ja kasvillisuusindeksit

Tutkijat ovat käyttäneet kolmenlaisia kaukokartoitusalustoja, joilla kullakin on omat etunsa ja rajoituksensa. Ensinnäkin optiset satelliitit, kuten Sentinel-2 (10 m spatiaalinen resoluutio, 5 päivän uudelleentarkastelu) ja Landsat 5–8 (30 m, 16 päivän uudelleentarkastelu), tarjoavat laajan kattavuuden ja usein ilmaisen datan saatavuuden.

Toiseksi satelliitit, kuten MODIS/TERRA/Aqua (250–1000 m, päivittäin tai kahden päivän uudelleenkäynnistys), ja kaupalliset järjestelmät, kuten PlanetScope (3 m, päivittäin, kustannukset noin $218 / 100 km²), mahdollistavat useammin tapahtuvan tai tarkemman seurannan, vaikka kustannukset voivatkin olla tekijä.

Kolmanneksi miehittämättömät ilma-alukset (UAV), joissa on monispektrisiä tai hyperspektrisiä kameroita, tarjoavat erittäin korkean resoluution (jopa muutama senttimetri pikseliä kohden) ja niitä voidaan lentää tarvittaessa, mutta ne kattavat pienempiä alueita ja vaativat enemmän logistiikkaa.

Lopuksi, maanpäälliset anturit – kuten kädessä pidettävät NDVI-mittarit ja SPAD-klorofyllimittarit – antavat erittäin tarkkoja pistemittauksia, vaikkakin ne ovat aikaa vieviä suurilla kentillä käytettäessä.

Kasvillisuusindeksit (VI) muuntavat raakat heijastuskykyarvot mielekkäiksi arvioiksi kasvin ominaisuuksista. Yleisimpiä indeksejä perunatutkimuksissa ovat:

• NDVI (normalisoitu kasvillisuusindeksi): (NIR – Punainen) / (NIR + Punainen)
• GNDVI (vihreä NDVI): (NIR – vihreä) / (NIR + vihreä)
• NDRE (Normalisoitu erotus punareunassa): (NIR – punainen reuna) / (NIR + punainen reuna)
• OSAVI (Optimoitu maaperään mukautettu kasvillisuusindeksi): 1,16 × (NIR – Punainen) / (NIR + Punainen + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen ja muita. .

Nämä indeksit valitaan niiden herkkyyden perusteella latvuston peittävyydelle, klorofyllipitoisuudelle ja maaperän taustalle. Näin ollen ne toimivat perustana kasvien terveyden arvioinnille ja sadon ennustamiselle.

Perunan kasvun seuranta ja sadon ennustaminen

Kaukokartoituksen avulla tutkijat seuraavat perunan keskeisiä ominaisuuksia – maanpäällistä biomassaa (AGB), lehtipinta-alaa (LAI), latvuskasvuston klorofyllipitoisuutta (CCC) ja lehtien typpipitoisuutta – ja yhdistävät nämä sitten lopulliseen mukulasatoon.

Ensinnäkin AGB:n arvioiminen pelkästään viskositeetin indeksiarvojen avulla voi olla haastavaa, kun latvusto on tiheä, koska monet indeksit saturoituvat; siksi viskositeetin indeksiarvojen yhdistäminen kasvien korkeuteen tai tekstuuriominaisuuksiin koneoppimismalleissa usein parantaa tarkkuutta.

Toiseksi, LAI:n – kokonaislehtipinta-alan yksipuolisen lehden pinta-alan suhteessa maan pinta-alaan – arvioinnissa on saavutettu jopa 0,84:n R²-arvoja käyttämällä sekä miehittämättömien ilma-alusten hyperspektraali- että satelliittien monispektraalisista antureista saatua aikasarjadataa.

Kolmanneksi, CCC-arviot, jotka on johdettu indekseistä, kuten CIred-edge, CIgreen, TCARI/OSAVI ja TCARI + OSAVI, saavuttivat R² ≈ 0,85:n kasvuvaiheessa, mikä viittaa vahvaan korrelaatioon laboratoriossa mitatun klorofyllin kanssa.

Lopuksi ennustettiin lehtien typpipitoisuutta, joka on elintärkeää terveelle kasvulle. R²-kerroin vaihteli välillä 0,52–0,95 käytettäessä maanpäällisiä antureita sekä regressio- tai satunnaismetsämalleja.

Mukuloiden sadon ennustamisessa erottuu kaksi pääasiallista mallinnusmenetelmää:

Empiiriset regressiomallit: Tässä yksi VI – useimmiten NDVI, GNDVI tai NDRE – sovitetaan perustuotettavuuteen. Raportoidut NDVI:n ja tuoton R²-arvot vaihtelevat välillä 0,23–0,84 (mediaani ≈ 0,67), kun taas NDRE:n ja tuoton väliset korrelaatiot vaihtelevat välillä 0,12–0,85 (mediaani ≈ 0,61).

Koneoppimismallit: Näitä ovat satunnaismetsämallit, tukivektorikoneet ja neuroverkot, jotka yhdistävät useita vis-indikaattoreita, spektrikaistoja ja ei-spektrisiä tekijöitä, kuten säätä, maaperää ja hallintaa. Tällaiset mallit ovat nostaneet R²:n jopa 0,93:een joissakin tutkimuksissa.

Lisäksi tiedonkeruun ajoitus vaikuttaa suuresti ennusteiden tarkkuuteen. Useissa tutkimuksissa istutuksen jälkeen 36–55 päivää tehdyt viskositeettimittaukset osoittivat korkeimmat korrelaatiot lopullisen mukulasadon kanssa.

Tämä vaihe on yhdenmukainen suurimman maanpeitteen ja mukuloiden kasvun alkamisen kanssa, mikä tekee kasvin rakenteesta parhaiten osoituksen lopullisesta sadosta. Joitakin keskeisiä löydettyjä tilastoja:

• Havaituista 482 tutkimuksesta 79 (2000–2022) täytti arviointikriteerit.
• Keskittymisalueet: satoennuste (37 %), lehtien typpistatus (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Käytetyimmät satelliittialustat: Sentinel-2, Landsat, MODIS; kaupallinen: PlanetScope.
• R²-alueet: NDVI–saanto (0,23–0,84), NDRE–saanto (0,12–0,85), GNDVI–saanto (0,26–0,75).

Perunan sadon ennustamisen suositukset

Näiden havaintojen perusteella ammattilaisten tulisi ensin valita tavoitteilleen sopiva alusta. Alueellisia satoennusteita varten ilmainen Sentinel-2-data tarjoaa luotettavan kattavuuden 10 metrin tarkkuudella ja 5 päivän tarkistusaikataululla.

Paikallisten arvioiden tarkentamiseksi noin 36–55 päivää istutuksen jälkeen suunnitellut miehittämättömien ilma-alusten lennot tallentavat kriittisiä latvusdynamiikkoja ja parantavat satelliittimallien kalibrointia. Maanpäällisiä antureita käytetään parhaiten pistokokeisiin ja etähavaintojen kalibrointiin, erityisesti yhdistettäessä spektritietoja kenttämittauksiin.

Kasvillisuusindeksien osalta ammattilaisten tulisi priorisoida NDVI:tä, NDRE:tä ja CI:n _punareunaa lopullisen sadon ennustamisessa, koska ne osoittavat jatkuvasti vahvoja korrelaatioita.

Klorofylli- ja typpipitoisuutta arvioitaessa tarkimmat tulokset saadaan yhdistämällä punareunaindeksit maaperään kompensoituihin viskositeetin indeksilukuihin – kuten TCARI/OSAVI. Biomassan arvioinnissa viskositeetin indeksilukujen integrointi kasvien korkeuteen tai tekstuuriominaisuuksiin koneoppimiskehyksissä parantaa tarkkuutta entisestään.

Mallinnuksen osalta yksinkertaiset lineaariset tai epälineaariset regressiot, jotka käyttävät yhtä indeksiä, ovat tehokkaita, kun pohjadataa on rajoitetusti. Kun saatavilla on useita indeksejä ja apudataa (sää, maaperä, metsänhoito), koneoppimismenetelmät, kuten satunnaismetsäanalyysi tai neuroverkot, tarjoavat paremman suorituskyvyn. Tärkeää on, että ajoituskuvat noin 36–55 päivää istutuksen jälkeen ovat ratkaisevan tärkeitä, koska tämä aikaväli tuottaa jatkuvasti korkeimman ennustetarkkuuden.

Johtopäätös

Yhteenvetona voidaan todeta, että kaukokartoitus tarjoaa nopean, joustavan ja tarkan työkalupakin perunan kasvun seurantaan ja mukulasadon ennustamiseen. Valitsemalla sopivan alustan, valitsemalla informatiivisimmat kasvillisuusindeksit, ajoittamalla tiedonkeruun noin 36–55 päivän ikääntymispäivään ja soveltamalla sopivia mallinnustekniikoita tutkijat ja käytännön työntekijät voivat parantaa merkittävästi satoennusteita.

Tämä lähestymistapa ei ainoastaan säästä aikaa, vaan tukee myös älykkäämpiä johtopäätöksiä, mikä hyödyttää viime kädessä viljelijöitä, agronomeja ja koko perunan toimitusketjua.

Viite: Mukiibi, A., Machakaire, ATB, Franke, AC. ym. Perunan kasvun seurannan ja mukulasadon ennustamisen kasvillisuusindeksien systemaattinen katsaus kaukokartoitukseen. Peruna Res. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7