Tālizpētes veģetācijas indeksi pārveido kartupeļu ražas prognozēšanu

Kartupeļi ir viena no pasaulē svarīgākajām pārtikas kultūrām, kas kalpo par pamatproduktu miljoniem cilvēku. Pirmkārt, zināšanas par to, kā aug kartupeļu augi, un spēja prognozēt to ražu palīdz lauksaimniekiem efektīvāk pārvaldīt apūdeņošanu, mēslošanu un kaitēkļu apkarošanu.

Otrkārt, pārtikas pārstrādātāji un uzglabāšanas uzņēmumi var labāk plānot loģistiku un darbaspēku, ja tiem ir uzticamas ražas aplēses. Tomēr tradicionālās metodes, piemēram, fiziska pastaiga pa laukiem un augu mērīšana ar rokām, ir laikietilpīgas un pakļautas cilvēciskām kļūdām.

Tāpēc zinātnieki ir pievērsušies tālizpētei, kurā tiek izmantotas kameras un sensori uz satelītiem, droniem vai rokas ierīcēm, lai ātrāk un precīzāk uzraudzītu kartupeļu augšanu un prognozētu ražu.

Kartupeļu ražas prognožu izpratne

Pēdējo divu desmitgažu laikā interese par tālizpētes pielietošanu kartupeļu pētniecībā ir ievērojami pieaugusi. Faktiski sistemātiskā pārskatā no 482 sākotnēji pārbaudītiem rakstiem tika identificēti 79 pētījumi, kas publicēti laikā no 2000. līdz 2022. gadam par šo tēmu.

Lai nodrošinātu pārredzamību un atkārtojamību, autori ievēroja noteiktās vadlīnijas (Kitchenham & Charters 2007; PRISMA sistēma), meklējot astoņās lielākajās datubāzēs — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis un SpringerLink —, lietojot tādus terminus kā “kartupeļu ražas prognozēšana” UN “tālizpēte”.”

Līdz ar to tika iekļauti tikai oriģināli pētījumi angļu valodā, kuros augšanas monitoringam vai ražas novērtēšanai tika izmantoti tālizpētes dati. Turklāt dati no katra atlasītā raksta tika iegūti atbilstoši četriem galvenajiem jautājumiem:

• Kura sensoru platforma tika izmantota (satelīts, bezpilota lidaparāts vai uz zemes bāzēta)?
• Kuri veģetācijas indeksi vai spektrālās pazīmes tika novērtētas?
• Kuras kultūraugu īpašības tika uzraudzītas (biomasa, lapu platība, hlorofils, slāpeklis)?
• Cik precīzi varētu prognozēt galīgo bumbuļu ražu (noteikšanas koeficients, R²)?

Šie jautājumi palīdzēja recenzentiem noteikt pašreizējo situāciju un noteikt nepilnības, uz kurām varētu koncentrēties turpmākie pētījumi.

Tālizpētes platformas un veģetācijas indeksi

Pētnieki ir izmantojuši trīs galvenos tālizpētes platformu veidus, katram no tiem ir savas priekšrocības un ierobežojumi. Pirmkārt, optiskie satelīti, piemēram, Sentinel-2 (10 m telpiskā izšķirtspēja, 5 dienu atkārtota vizīte) un Landsat 5–8 (30 m, 16 dienu atkārtota vizīte), piedāvā plašu pārklājumu un bieži vien bezmaksas piekļuvi datiem.

Otrkārt, tādi satelīti kā MODIS/TERRA/Aqua (250–1000 m, dienā līdz divu dienu apmeklējumam) un komerciālas sistēmas, piemēram, PlanetScope (3 m, dienā, izmaksas aptuveni $218 uz 100 km²), ļauj veikt biežāku vai augstākas izšķirtspējas uzraudzību, lai gan izmaksas var būt faktors.

Treškārt, bezpilota lidaparāti (UAV), kas pārvadā multispektrālas vai hiperspektrālas kameras, nodrošina ļoti augstu izšķirtspēju (līdz dažiem centimetriem uz pikseli) un tos var lidot pēc pieprasījuma, taču tie aptver mazākas teritorijas un prasa lielāku loģistiku.

Visbeidzot, uz zemes bāzēti sensori, piemēram, rokas NDVI mērītāji un SPAD hlorofila mērītāji, sniedz ļoti precīzus punktveida mērījumus, lai gan tie ir laikietilpīgi, ja tos izmanto lielos laukos.

Veģetācijas indeksi (VI) pārvērš neapstrādātas atstarošanas vērtības jēgpilnos augu īpašību novērtējumos. Kartupeļu pētījumos visbiežāk izmantotie indeksi ir:

• NDVI (normalizēts veģetācijas diferenciālais indekss): (NIR – sarkanais) / (NIR + sarkanais)
• GNDVI (zaļš NDVI): (NIR – zaļš) / (NIR + zaļš)
• NDRE (normalizēta sarkanās malas atšķirība): (NIR – sarkanā mala) / (NIR + sarkanā mala)
• OSAVI (Optimizēts augsnes koriģēts veģetācijas indekss): 1,16 × (NIR – sarkanais) / (NIR + sarkanais + 0,16)
• EVI (Uzlabotais veģetācijas indekss), CIred-edge, CIgreen un citi. .

Šie indeksi tiek izvēlēti, pamatojoties uz to jutību pret vainaga segumu, hlorofila saturu un augsnes fonu. Līdz ar to tie kalpo par pamatu augu veselības novērtēšanai un ražas prognozēšanai.

Kartupeļu augšanas uzraudzība un ražas prognozēšana

Ar tālizpētes palīdzību pētnieki uzrauga galvenās kartupeļu kultūraugu īpašības — virszemes biomasu (AGB), lapu laukuma indeksu (LAI), lapotnes hlorofila saturu (CCC) un lapu slāpekļa statusu — un pēc tam saista tās ar galīgo bumbuļu ražu.

Pirmkārt, AGB novērtēšana, izmantojot tikai VI, var būt sarežģīta, ja vainagu segums ir blīvs, jo daudzi indeksi ir piesātināti; tāpēc VI apvienošana ar augu augstuma vai tekstūras pazīmēm mašīnmācīšanās modeļos bieži vien uzlabo precizitāti.

Otrkārt, novērtējot LAI — kopējo vienpusējo lapu laukumu uz zemes platību —, izmantojot laikrindu datus gan no bezpilota lidaparātu hiperspektrālajiem, gan satelītu multispektrālajiem sensoriem, ir sasniegtas R² vērtības līdz pat 0,84.

Treškārt, CCC aplēses, kas iegūtas no tādiem indeksiem kā CIred-edge, CIgreen, TCARI/OSAVI un TCARI + OSAVI, veģetatīvās stadijas laikā sasniedza R² ≈ 0,85, kas norāda uz spēcīgu korelāciju ar laboratorijā izmērīto hlorofila līmeni.

Visbeidzot, lapu slāpekļa statuss, kas ir vitāli svarīgs veselīgai augšanai, tika prognozēts ar R² no 0,52 līdz 0,95, izmantojot uz zemes bāzētus sensorus kopā ar regresijas vai nejaušo mežu modeļiem.

Runājot par bumbuļu ražas prognozēšanu, izceļas divas galvenās modelēšanas pieejas:

Empīriskās regresijas modeļi: Šeit viens VI — visbiežāk NDVI, GNDVI vai NDRE — tiek pielāgots pamatpatiesības ražas datiem. Ziņotās R² vērtības NDVI un ražas attiecībai svārstās no 0,23 līdz 0,84 (mediāna ≈ 0,67), savukārt NDRE un ražas korelācijas svārstās no 0,12 līdz 0,85 (mediāna ≈ 0,61).

Mašīnmācīšanās modeļi: tie ietver nejaušo mežu, atbalsta vektoru mašīnas un neironu tīklus, kas apvieno vairākus VI, spektrālās joslas un nespektrālus faktorus, piemēram, laikapstākļus, augsni un apsaimniekošanu. Šādi modeļi dažos pētījumos ir palielinājuši R² līdz 0,93.

Turklāt datu vākšanas laiks būtiski ietekmē prognozēšanas precizitāti. Vairākos pētījumos VI mērījumi, kas veikti 36–55 dienas pēc iesēšanas (DAP), uzrādīja visaugstāko korelāciju ar galīgo bumbuļu ražu.

Šis posms sakrīt ar maksimālo zemes seguma veidošanos un bumbuļu veidošanās sākumu, padarot auga struktūru par visprecīzāko rādītāju galīgajai ražai. Daži no galvenajiem konstatētajiem statistikas datiem:

• 79 pētījumi (2000.–2022. g.) no 482 identificētajiem atbilda pārskatīšanas kritērijiem.
• Fokusa jomas: ražas prognozēšana (37 %), lapu N statuss (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Visbiežāk izmantotās satelītu platformas: Sentinel-2, Landsat, MODIS; komerciālās: PlanetScope.
• R² diapazoni: NDVI – raža (0,23–0,84), NDRE – raža (0,12–0,85), GNDVI – raža (0,26–0,75).

Kartupeļu ražas prognozēšanas ieteikumi

Pamatojoties uz šiem atklājumiem, praktiķiem vispirms jāizvēlas saviem mērķiem atbilstoša platforma. Reģionālajām ražas prognozēm bezmaksas Sentinel-2 dati nodrošina uzticamu pārklājumu ar 10 m izšķirtspēju un 5 dienu atkārtotas apmeklējuma grafiku.

Lai precizētu lokālos aprēķinus, bezpilota lidaparātu (UAV) lidojumi, kas plānoti aptuveni 36–55 dienas pēc stādīšanas, fiksē kritisko kupolu dinamiku un uzlabo satelītu modeļu kalibrēšanu. Zemes sensorus vislabāk izmantot nejaušām pārbaudēm un attālo novērojumu kalibrēšanai, īpaši, apvienojot spektrālos datus ar lauka mērījumiem.

Runājot par veģetācijas indeksiem, praktiķiem galīgās ražas prognozēšanai prioritāte jāpiešķir NDVI, NDRE un CI _{sarkanajai malai} , jo tie pastāvīgi uzrāda spēcīgu korelāciju.

Novērtējot hlorofila un slāpekļa saturu, visprecīzākos rezultātus iegūst, apvienojot sarkanās malas indeksus ar augsnes koriģētiem VI, piemēram, TCARI/OSAVI. Biomasas novērtēšanai VI integrēšana ar auga augstuma vai tekstūras pazīmēm mašīnmācīšanās sistēmās vēl vairāk palielina precizitāti.

Runājot par modelēšanu, vienkāršas lineāras vai nelineāras regresijas, izmantojot vienu indeksu, ir efektīvas, ja ir ierobežoti ticami dati. Tomēr, ja ir pieejami vairāki indeksi un palīgdati (laika apstākļi, augsne, apsaimniekošana), mašīnmācīšanās metodes, piemēram, nejauša meža vai neironu tīkli, piedāvā labāku veiktspēju. Svarīgi ir tas, ka laika attēli aptuveni 36–55 dienas pēc stādīšanas ir ļoti svarīgi, jo šis logs pastāvīgi nodrošina visaugstāko prognozēšanas precizitāti.

Secinājums

Noslēgumā jāsaka, ka tālizpēte piedāvā ātru, elastīgu un precīzu rīku komplektu kartupeļu augšanas uzraudzībai un bumbuļu ražas prognozēšanai. Izvēloties atbilstošu platformu, informatīvākos veģetācijas indeksus, datu vākšanas laiku aptuveni 36–55 dienu vecumā un piemērojot piemērotas modelēšanas metodes, pētnieki un praktiķi var ievērojami uzlabot ražas prognozes.

Šī pieeja ne tikai ietaupa laiku, bet arī atbalsta gudrākus vadības lēmumus, galu galā dodot labumu lauksaimniekiem, agronomiem un visai kartupeļu piegādes ķēdei.

Atsauce: Mukiibi, A., Machakaire, ATB, Franke, AC. u.c. Kartupeļu augšanas monitoringa un bumbuļu ražas prognozēšanas veģetācijas indeksu sistemātisks pārskats, izmantojot tālizpēti. Kartupeļu rez. 68, 409.–448. lpp. (2025. g.). https://doi.org/10.1007/s11540-024-09748-7