Biometriniai augalų indeksai padeda prognozuoti bulvių derlių

Bulvės yra vienas svarbiausių maistinių augalų pasaulyje, tarnaujantis milijonams žmonių. Pirma, žinojimas, kaip auga bulvės, ir gebėjimas numatyti jų derlių padeda ūkininkams veiksmingiau valdyti drėkinimą, tręšimą ir kenkėjų kontrolę.

Antra, maisto perdirbėjai ir sandėliavimo įmonės gali geriau planuoti logistiką ir darbo jėgą, kai turi patikimus derliaus įvertinimus. Tačiau tradiciniai metodai, pavyzdžiui, fiziškai vaikščiojimas po laukus ir augalų matavimas rankomis, užima daug laiko ir yra linkę į žmogiškąsias klaidas.

Todėl mokslininkai kreipėsi į nuotolinį stebėjimą, kai naudojamos palydovuose, dronuose ar nešiojamuose įrenginiuose esančios kameros ir jutikliai, siekiant greičiau ir tiksliau stebėti bulvių augimą ir prognozuoti derlių.

Bulvių derliaus prognozių supratimas

Per pastaruosius du dešimtmečius susidomėjimas nuotolinio stebėjimo taikymu bulvių tyrimams labai išaugo. Iš tiesų, sisteminėje apžvalgoje iš 482 iš pradžių atrinktų straipsnių buvo nustatyti 79 tyrimai šia tema, paskelbti 2000–2022 m.

Siekdami užtikrinti skaidrumą ir atkuriamumą, autoriai vadovavosi nustatytomis gairėmis (“Kitchenham & Charters”, 2007 m.; “PRISMA” sistema), ieškodami aštuoniose pagrindinėse duomenų bazėse – „Google Scholar“, „ScienceDirect“, „Scopus“, „Web of Science“, „IEEE Xplore“, MDPI, „Taylor & Francis“ ir „SpringerLink“ – vartodami tokius terminus kaip „bulvių derliaus prognozavimas“ IR „nuotolinis stebėjimas“.”

Todėl buvo įtraukti tik originalūs tyrimai anglų kalba, kuriuose augimo stebėsenai ar derliaus įvertinimui buvo naudojami nuotolinio stebėjimo duomenys. Be to, kiekvieno pasirinkto straipsnio duomenys buvo atrinkti pagal keturis pagrindinius klausimus:

• Kokia stebėjimo platforma buvo naudojama (palydovinė, bepilotė orlaivių ar antžeminė)?
• Kokie augmenijos indeksai ar spektriniai požymiai buvo įvertinti?
• Kurie pasėlių požymiai buvo stebimi (biomasė, lapų plotas, chlorofilas, azotas)?
• Kaip tiksliai galima būtų numatyti galutinį gumbų derlių (determinacijos koeficientas, R²)?

Šie klausimai padėjo recenzentams nustatyti esamą padėtį ir spragas, į kurias galėtų būti sutelkti būsimi tyrimai.

Nuotolinio stebėjimo platformos ir augmenijos indeksai

Tyrėjai naudojo tris pagrindinius nuotolinio stebėjimo platformų tipus, kurių kiekvienas turi savų privalumų ir trūkumų. Pirma, optiniai palydovai, tokie kaip „Sentinel-2“ (10 m erdvinė skiriamoji geba, 5 dienų pakartotinis apsilankymas) ir „Landsat 5–8“ (30 m, 16 dienų pakartotinis apsilankymas), siūlo plačią aprėptį ir dažnai nemokamą prieigą prie duomenų.

Antra, tokie palydovai kaip MODIS/TERRA/Aqua (250–1000 m, kasdien arba kas 2 dienas) ir komercinės sistemos, tokios kaip „PlanetScope“ (3 m, kasdien, kainuoja apie $218 / 100 km²), leidžia atlikti dažnesnį arba didesnės skiriamosios gebos stebėjimą, nors išlaidos gali būti svarbus veiksnys.

Trečia, bepiločiai orlaiviai (UAV), turintys multispektrines arba hiperspektrines kameras, pasižymi labai didele skiriamąja geba (iki kelių centimetrų pikseliui) ir gali būti naudojami pagal poreikį, tačiau jie apima mažesnes teritorijas ir reikalauja daugiau logistikos.

Galiausiai, antžeminiai jutikliai, tokie kaip nešiojamieji NDVI matuokliai ir SPAD chlorofilo matuokliai, atlieka labai tikslius taškinius matavimus, nors, naudojant dideliuose laukuose, jie užima daug laiko.

Vegetacijos indeksai (VI) neapdorotas atspindžio vertes paverčia reikšmingais augalo savybių įverčiais. Dažniausiai bulvių tyrimuose naudojami indeksai yra šie:

• NDVI (normalizuotas augmenijos skirtumo indeksas): (NIR – raudonas) / (NIR + raudonas)
• GNDVI (žalias NDVI): (NIR – žalias) / (NIR + žalias)
• NDRE (normalizuotas raudonojo krašto skirtumas): (NIR – raudonas kraštas) / (NIR + raudonas kraštas)
• OSAVI (Optimizuotas dirvožemio pakoreguotas augmenijos indeksas): 1,16 × (NIR – raudonas) / (NIR + raudonas + 0,16)
• EVI (patobulintas augmenijos indeksas), „CIred-edge“, „CIgreen“ ir kt. .

Šie indeksai parenkami atsižvelgiant į jų jautrumą medžių lajos dangai, chlorofilo kiekiui ir dirvožemio fonui. Todėl jie yra pagrindas augalų sveikatai įvertinti ir derliui prognozuoti.

Bulvių augimo stebėjimas ir derliaus prognozavimas

Naudodami nuotolinį stebėjimą, tyrėjai stebi pagrindines bulvių derliaus savybes – antžeminę biomasę (AGB), lapų ploto indeksą (LAI), lajos chlorofilo kiekį (CCC) ir lapų azoto būseną – ir susieja jas su galutiniu gumbų derliumi.

Pirma, AGB įvertinimas naudojant vien tik VI gali būti sudėtingas, kai lajų danga yra tanki, nes daugelis indeksų yra persotinti; todėl VI derinimas su augalų aukščiu ar tekstūros ypatybėmis mašininio mokymosi modeliuose dažnai pagerina tikslumą.

Antra, vertinant LAI – bendrą vienpusių lapų plotą, tenkantį žemės plotui, – naudojant laiko eilučių duomenis iš bepiločių orlaivių hiperspektrinių ir palydovinių multispektrinių jutiklių, buvo pasiektos R² vertės iki 0,84.

Trečia, CCC įverčiai, gauti iš tokių indeksų kaip „CIred-edge“, „CIgreen“, TCARI/OSAVI ir TCARI + OSAVI, vegetacinės stadijos metu pasiekė R² ≈ 0,85, o tai rodo stiprią koreliaciją su laboratorijoje išmatuotu chlorofilo kiekiu.

Galiausiai, naudojant antžeminius jutiklius ir regresinius arba atsitiktinių miškų modelius, buvo prognozuojamas lapų azoto kiekis, kuris yra gyvybiškai svarbus sveikam augimui, o R² svyravo nuo 0,52 iki 0,95.

Kalbant apie gumbų derliaus prognozavimą, išsiskiria du pagrindiniai modeliavimo metodai:

Empiriniai regresiniai modeliai: čia vienas VI – dažniausiai NDVI, GNDVI arba NDRE – yra pritaikomas prie išeigos duomenų, kurie atitinka tikėtiną išeigą. Pateiktos NDVI ir išeigos R² vertės svyruoja nuo 0,23 iki 0,84 (mediana ≈ 0,67), o NDRE ir išeigos koreliacijos svyruoja nuo 0,12 iki 0,85 (mediana ≈ 0,61).

Mašininio mokymosi modeliai: tai atsitiktinių miškų, atraminių vektorių mašinos ir neuroniniai tinklai, kurie sujungia kelis VI, spektrinius diapazonus ir nespektrinius veiksnius, tokius kaip orai, dirvožemis ir valdymas. Kai kuriuose tyrimuose tokie modeliai padidino R² iki 0,93.

Be to, duomenų rinkimo laikas labai veikia prognozavimo tikslumą. Atliekant kelis tyrimus, VI matavimai, atlikti praėjus 36–55 dienoms po pasodinimo (DAP), parodė didžiausią koreliaciją su galutiniu gumbų derliumi.

Šis etapas sutampa su maksimaliu žemės padengimu ir gumbų augimo pradžia, todėl augalo struktūra labiausiai rodo galutinį derlių. Kai kurie pagrindiniai nustatyti statistiniai duomenys:

• 79 tyrimai (2000–2022 m.) iš 482 nustatytų atitiko peržiūros kriterijus.
• Fokusinės sritys: derliaus prognozavimas (37 %), lapų azoto būsena (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Dažniausiai naudojamos palydovų platformos: „Sentinel-2“, „Landsat“, MODIS; komercinės: „PlanetScope“.
• R² diapazonai: NDVI – išeiga (0,23–0,84), NDRE – išeiga (0,12–0,85), GNDVI – išeiga (0,26–0,75).

Bulvių derliaus prognozavimo rekomendacijos

Remdamiesi šiais rezultatais, praktikai pirmiausia turėtų pasirinkti tinkamą platformą savo tikslams pasiekti. Regioninėms derliaus prognozėms nemokami „Sentinel-2“ duomenys užtikrina patikimą aprėptį su 10 m skiriamąja geba ir 5 dienų pakartotinio apsilankymo grafiku.

Siekiant patikslinti vietinius įvertinimus, bepiločių orlaivių skrydžiai, suplanuoti maždaug 36–55 dienas po pasodinimo, fiksuoja svarbią debesies dinamiką ir pagerina palydovinių modelių kalibravimą. Antžeminiai jutikliai geriausiai naudojami atsitiktiniams patikrinimams ir nuotolinių stebėjimų kalibravimui, ypač derinant spektrinius duomenis su lauko matavimais.

Kalbant apie augmenijos indeksus, specialistai, prognozuodami galutinį derlių, turėtų teikti pirmenybę NDVI, NDRE ir CI _{raudonojo krašto rodikliams} , nes šie rodikliai nuolat rodo stiprią koreliaciją.

Vertinant chlorofilo ir azoto kiekį, tiksliausius rezultatus galima gauti derinant raudonojo krašto indeksus su dirvožemio atžvilgiu pakoreguotais VI, pvz., TCARI/OSAVI. Biomasės vertinimo tikslumą dar labiau padidina VI integravimas su augalo aukščiu ar tekstūros ypatybėmis mašininio mokymosi sistemose.

Kalbant apie modeliavimą, paprastos tiesinės arba netiesinės regresijos, naudojant vieną indeksą, yra veiksmingos, kai yra riboti faktiniai duomenys. Tačiau, kai yra keli indeksai ir pagalbiniai duomenys (orai, dirvožemis, valdymas), geresnius rezultatus užtikrina mašininio mokymosi metodai, tokie kaip atsitiktinių miškų arba neuroniniai tinklai. Svarbu tai, kad labai svarbu laiku matuoti vaizdus maždaug 36–55 dienas po pasodinimo, nes šis laikotarpis nuolat užtikrina didžiausią prognozavimo tikslumą.

Išvada

Apibendrinant galima teigti, kad nuotolinis stebėjimas siūlo greitą, lanksčią ir tikslią bulvių augimo stebėjimo ir gumbų derliaus prognozavimo priemonę. Pasirinkdami tinkamą platformą, informatyviausius vegetacijos rodiklius, duomenų rinkimo laiką maždaug 36–55 DAP ir taikydami tinkamus modeliavimo metodus, tyrėjai ir praktikai gali gerokai pagerinti derliaus prognozes.

Toks požiūris ne tik taupo laiką, bet ir padeda priimti išmanesnius valdymo sprendimus, o tai galiausiai naudinga ūkininkams, agronomams ir visai bulvių tiekimo grandinei.

Nuoroda: Mukiibi, A., Machakaire, ATB, Franke, AC. ir kt. Sisteminė vegetacijos indeksų, skirtų bulvių augimo stebėsenai ir gumbų derliaus prognozavimui nuotoliniu būdu, apžvalga. Bulvių rez. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7