Daljinska istraživanja indeksa vegetacije mijenjaju prognoziranje prinosa krumpira

Krumpir je jedna od najvažnijih svjetskih prehrambenih kultura, služeći kao osnovna namirnica za milijune ljudi. Prvo, poznavanje načina na koji krumpir raste i mogućnost predviđanja njegovog prinosa pomaže poljoprivrednicima učinkovitije upravljati navodnjavanjem, gnojidbom i suzbijanjem štetnika.

Drugo, prerađivači hrane i skladišta mogu bolje planirati logistiku i radnu snagu kada imaju pouzdane procjene prinosa. Međutim, tradicionalne metode – poput fizičkog obilaska polja i ručnog mjerenja biljaka – dugotrajne su i sklone ljudskim pogreškama.

Stoga su se znanstvenici okrenuli daljinskom istraživanju (remote sensing), koje koristi kamere i senzore na satelitima, bespilotnim letjelicama ili ručnim uređajima, kako bi brže i točnije pratili rast krumpira i predviđali prinose.

Predviđanje prinosa krumpira

Tijekom protekla dva desetljeća značajno je porastao interes za primjenu daljinskih istraživanja u istraživanju krumpira. Zapravo, sustavni pregled identificirao je 79 studija objavljenih između 2000. i 2022. na ovu temu, od 482 izvorno pregledana članka.

Kako bi se osigurala transparentnost i ponovljivost, autori su se pridržavali uspostavljenih smjernica (Kitchenham & Charters 2007; PRISMA okvir), pretražujući osam glavnih baza podataka—Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis i SpringerLink—koristeći pojmove poput “potato yield prediction” I “remote sensing”.”

Posljedično, uključena su samo izvorna istraživanja na engleskom jeziku koja su koristila podatke daljinskih istraživanja za praćenje rasta ili procjenu prinosa. Nadalje, podaci iz svakog odabranog rada prikupljeni su prema četiri ključna pitanja:

• Koja je korištena platforma senzora (satelit, bespilotna letjelica ili zemaljska)?
• Koji su vegetacijski indeksi ili spektralne značajke evaluirani?
• Koje su se biljne osobine pratile (biomasa, lisna površina, klorofil, dušik)?
• Koliko točno predviđeni konačni prinos krumpira (koeficijent determinacije, R²)?

Ova pitanja pomogla su recenzentima da mapiraju trenutno stanje i identificiraju praznine gdje bi se buduća istraživanja mogla fokusirati.

Platforme za daljinska istraživanja i Indeksi vegetacije

Istraživači su koristili tri glavne vrste platformi za daljinsko istraživanje, od kojih svaka ima svoje prednosti i nedostatke. Prvo, optički sateliti kao što su Sentinel-2 (prostorna rezolucija 10 m, ponovni posjet svakih 5 dana) i Landsat 5–8 (30 m, ponovni posjet svakih 16 dana) nude široku pokrivenost i često besplatan pristup podacima.

Drugo, sateliti poput MODIS/TERRA/Aqua (250–1000 m, s ponovnim posjetom od dnevnog do 2 dana) i komercijalni sustavi poput PlanetScope (3 m, dnevni, stoji oko $218 po 100 km²) omogućuju češće praćenje ili praćenje više rezolucije, iako troškovi mogu biti faktor.

Treće, bespilotne letjelice (UAV) opremljene multispektralnim ili hiperspektralnim kamerama pružaju vrlo visoku rezoluciju (do nekoliko centimetara po pikselu) i mogu se letjeti na zahtjev, ali pokrivaju manje površine i zahtijevaju više logistike.

Naposljetku, senzori temeljeni na zemlji – poput ručnih NDVI metara i SPAD metara za klorofil – daju precizna mjerenja na licu mjesta, iako su dugotrajni kada se koriste na velikim poljima.

Vegetacijski indeksi (VI-evi) pretvaraju sirove vrijednosti refleksije u smislene procjene biljnih svojstava. Najčešći indeksi u istraživanjima krumpira uključuju:

• NDVI (Indeks normalizirane razlike vegetacije): (BLN – Crvena) / (BLN + Crvena)
• GNDVI (Zeleni NDVI): (NIR – Zeleni) / (NIR + Zeleni)
• NDRE (Normalizirani razmak crvenog ruba): (bliske infracrvene - crveni rub) / (bliske infracrvene + crveni rub)
• OSAVI (Optimizirani indeks vegetacije prilagođen tlu): 1.16 × (NIR – Crveno) / (NIR + Crveno + 0.16)
• EVI (Poboljšani vegetacijski indeks), CIred‑edge, CIgreen i više. .

Ovi indeksi odabrani su na temelju njihove osjetljivosti na pokrovnost krošnjama, sadržaj klorofila i pozadinu tla. Posljedično, oni služe kao temelj za procjenu zdravlja biljaka i predviđanje prinosa.

Praćenje rasta krumpira i predviđanje prinosa

Kroz daljinska istraživanja, istraživači prate ključne osobine usjeva krumpira – nadzemnu biomasu (AGB), indeks lisne površine (LAI), sadržaj klorofila u krošnji (CCC) i status dušika u lišću – te ih zatim povezuju s konačnim prinosom gomolja.

Prvo, procjena ukupne suhe biomase (AGB) samo pomoću vizualnih indeksa (VIs) može biti izazovna kada je pokrovnost krošanja gusta jer se mnogi indeksi zasićuju; stoga kombiniranje VI-ova s visinom biljke ili teksturalnim značajkama u modelima strojnog učenja često poboljšava točnost.

Drugo, procjena LAI-a — ukupne jednostrane površine lista po površini tla — postigla je R² vrijednosti do 0,84 korištenjem podataka vremenskih serija iz hiperspektralnih senzora besposadnih zrakoplova i multispektralnih satelitskih senzora.

Treće, CCC procjene, izvedene iz indeksa kao što su CIred‑edge, CIgreen, TCARI/OSAVI i TCARI + OSAVI, dosegle su R² ≈ 0,85 tijekom vegetativne faze, što ukazuje na jaku korelaciju s klorofilom izmjerenim u laboratoriju.

Naposljetku, status dušika u lišću, ključan za zdrav rast, predviđen je s R² u rasponu od 0,52 do 0,95 kada su korišteni senzori temeljeni na tlu uz regresijske ili modele slučajnih šuma.

Kada je riječ o predviđanju prinosa gomolja, izdvajaju se dva glavna modelarska pristupa:

Empirijski regresijski modeli: Ovdje se pojedinačni VI — najčešće NDVI, GNDVI ili NDRE — povezuje s podacima o prinosu dobivenim na terenu. Prijavljene R² vrijednosti za NDVI u odnosu na prinos kreću se od 0,23 do 0,84 (medijan ≈ 0,67), dok se korelacije NDRE–prinos kreću od 0,12 do 0,85 (medijan ≈ 0,61).

Modeli strojnog učenja: To uključuje slučajne šume, potporne vektorske strojeve i neuronske mreže koje kombiniraju više VI-ova, spektralne pojaseve i nespektralne čimbenike poput vremena, tla i upravljanja. Takvi su modeli u nekim studijama povećali R² do 0,93.

Nadalje, vremenski razmak prikupljanja podataka značajno utječe na točnost predviđanja. Prema višestrukim studijama, mjerenja VI provedena 36–55 dana nakon sadnje (DAP) dala su najveće korelacije s konačnim prinosom gomolja.

Ova faza odgovara maksimalnom pokrivanju tla i početku formiranja gomolja, čime struktura biljke najviše ukazuje na konačni prinos. Neke od ključnih pronađenih statistika:

• 79 studija (2000. – 2022.) ispunilo je kriterije pregleda, od identificiranih 482.
• Područja fokusa: predviđanje prinosa (37%), status N lišća (21%), AGB (15%), LAI (15%), CCC (12%).
• Najviše korištene satelitske platforme: Sentinel-2, Landsat, MODIS; komercijalne: PlanetScope.
• R² rasponi: NDVI–prinos (0,23–0,84), NDRE–prinos (0,12–0,85), GNDVI–prinos (0,26–0,75).

Preporuke za predviđanje prinosa krumpira

Na temelju ovih nalaza, praktičari bi prvo trebali odabrati odgovarajuću platformu za svoje ciljeve. Za prognoze regionalnih prinosa, besplatni Sentinel-2 podaci pružaju pouzdanu pokrivenost s rezolucijom od 10 m i učestalošću ponovnog snimanja od 5 dana.

Za preciznije lokalne procene, letovi bespilotnih letelica zakazani oko 36–55 dana nakon sadnje hvataju ključne dinamike krošnje i poboljšavaju kalibraciju satelitskih modela. Zemaljski senzori se najbolje koriste za povremene provere i kalibraciju daljinskih posmatranja, posebno prilikom kombinovanja spektralnih podataka sa merenjima na terenu.

Što se tiče vegetacijskih indeksa, praktičari bi trebali dati prednost NDVI, NDRE i CI_red-edge za predviđanje konačnog prinosa, jer oni dosljedno pokazuju snažne korelacije.

Pri procjeni sadržaja klorofila i dušika, kombiniranje indeksa crvenog ruba s VIs prilagođenim tlu – poput TCARI/OSAVI – daje najtočnije rezultate. Za procjenu biomase, integracija VIs-a s visinom biljke ili teksturnim značajkama unutar okvira strojnog učenja dodatno povećava točnost.

Kad je riječ o modeliranju, jednostavne linearne ili nelinearne regresije koje koriste jedan indeks učinkovite su kada su podaci o stvarnom stanju ograničeni. Međutim, kada su dostupni višestruki indeksi i dodatni podaci (vrijeme, tlo, upravljanje), metode strojnog učenja kao što su nasumična šuma ili neuronske mreže nude superiorne performanse. Važno je napomenuti da je snimanje slika oko 36–55 dana nakon sadnje ključno, jer taj vremenski period dosljedno pruža najvišu točnost predviđanja.

Zaključak

Zaključno, daljinska istraživanja nude brzi, fleksibilni i točni skup alata za praćenje rasta krumpira i predviđanje prinosa gomolja. Odabirom odgovarajuće platforme, odabirom najinformativnijih indeksa vegetacije, tempiranjem prikupljanja podataka oko 36–55 DAP (dana nakon nicanja) i primjenom prikladnih tehnika modeliranja, istraživači i praktičari mogu značajno poboljšati prognoze prinosa.

Ovaj pristup ne samo da štedi vrijeme, već podržava i donošenje pametnijih upravljačkih odluka, što u konačnici koristi poljoprivrednicima, agronomima i cijelom lancu opskrbe krumpirom.

ReferencaMukiibi, A., Machakaire, A.T.B., Franke, A.C. i sur. Sustavni pregled vegetacijskih indeksa za praćenje rasta krumpira i predviđanje prinosa gomolja iz daljinskog istraživanja. Krumpir. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7