Wskaźniki roślinności oparte na teledetekcji zmieniają prognozowanie plonów ziemniaków

Ziemniaki są jedną z najważniejszych upraw spożywczych na świecie, stanowiąc podstawę wyżywienia milionów ludzi. Po pierwsze, wiedza o tym, jak rosną ziemniaki i możliwość przewidywania ich plonów, pomaga rolnikom skuteczniej zarządzać nawadnianiem, nawożeniem i zwalczaniem szkodników.

Po drugie, zakłady przetwórstwa żywności i magazyny mogą lepiej planować logistykę i nakład pracy, dysponując wiarygodnymi szacunkami plonów. Jednak tradycyjne metody – takie jak fizyczne przechodzenie przez pola i ręczne mierzenie roślin – są czasochłonne i podatne na błędy ludzkie.

Dlatego naukowcy zwrócili się w stronę teledetekcji, wykorzystując kamery i czujniki na satelitach, dronach lub urządzeniach przenośnych, aby szybciej i dokładniej monitorować wzrost ziemniaków i prognozować plony.

Zrozumienie prognoz plonów ziemniaków

W ciągu ostatnich dwóch dekad zainteresowanie zastosowaniem teledetekcji w badaniach nad ziemniakami znacznie wzrosło. W rzeczywistości, przegląd systematyczny zidentyfikował 79 badań opublikowanych w latach 2000-2022 na ten temat, spośród 482 wstępnie przeanalizowanych artykułów.

Aby zapewnić przejrzystość i powtarzalność, autorzy zastosowali się do ustalonych wytycznych (Kitchenham & Charters 2007; framework PRISMA), przeszukując osiem głównych baz danych — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis i SpringerLink — stosując terminy takie jak “prognozowanie plonów ziemniaków” ORAZ “teledetekcja”.”

W związku z tym uwzględniono wyłącznie oryginalne badania w języku angielskim, wykorzystujące dane teledetekcyjne do monitorowania wzrostu lub szacowania plonów. Ponadto dane z każdego wybranego artykułu zostały wyodrębnione zgodnie z czterema kluczowymi pytaniami:

• Jaką platformę czujnikową zastosowano (satelitarną, bezzałogową czy naziemną)?
• Jakie wskaźniki roślinności lub cechy widmowe poddano ocenie?
• Jakie cechy upraw monitorowano (biomasę, powierzchnię liści, chlorofil, azot)?
• Jak dokładnie można przewidzieć końcowy plon bulw (współczynnik determinacji R²)?

Pytania te pomogły recenzentom określić stan wiedzy i zidentyfikować luki, na których można by skupić przyszłe badania.

Platformy teledetekcyjne i wskaźniki roślinności

Naukowcy wykorzystali trzy główne typy platform teledetekcyjnych, z których każda ma swoje zalety i ograniczenia. Po pierwsze, satelity optyczne, takie jak Sentinel‑2 (rozdzielczość przestrzenna 10 m, rewizyta 5 dni) i Landsat 5–8 (30 m, rewizyta 16 dni), oferują szeroki zasięg i często bezpłatny dostęp do danych.

Po drugie, satelity takie jak MODIS/TERRA/Aqua (250–1000 m, codzienne lub dwudniowe przeglądy) i systemy komercyjne takie jak PlanetScope (3 m, codzienne, kosztujące około $218 za 100 km²) umożliwiają częstsze monitorowanie lub monitorowanie z wyższą rozdzielczością, choć koszty mogą mieć znaczenie.

Po trzecie, bezzałogowe statki powietrzne (UAV) wyposażone w kamery multispektralne lub hiperspektralne zapewniają bardzo wysoką rozdzielczość (nawet kilka centymetrów na piksel) i mogą być wykorzystywane na żądanie, ale obejmują mniejszy obszar i wymagają większej logistyki.

Wreszcie czujniki naziemne — takie jak przenośne mierniki NDVI i mierniki chlorofilu SPAD — umożliwiają pomiary punktowe o wysokiej precyzji, choć ich stosowanie na dużych polach jest czasochłonne.

Wskaźniki wegetacji (VI) przekształcają surowe wartości współczynnika odbicia światła w miarodajne szacunki cech roślin. Do najczęściej stosowanych wskaźników w badaniach nad ziemniakami należą:

• NDVI (znormalizowany wskaźnik różnicowy roślinności): (NIR – czerwony) / (NIR + czerwony)
• GNDVI (Zielony NDVI): (NIR – Zielony) / (NIR + Zielony)
• NDRE (Normalizowana różnica czerwonej krawędzi): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (zoptymalizowany wskaźnik roślinności dostosowany do gleby): 1,16 × (NIR – czerwony) / (NIR + czerwony + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen i inne. .

Indeksy te są dobierane na podstawie ich wrażliwości na zwarcie koron drzew, zawartość chlorofilu i podłoże glebowe. W związku z tym stanowią podstawę do oceny kondycji roślin i prognozowania plonów.

Monitorowanie wzrostu ziemniaków i prognozowanie plonów

Za pomocą teledetekcji naukowcy monitorują kluczowe cechy upraw ziemniaków – biomasę nadziemną (AGB), wskaźnik powierzchni liści (LAI), zawartość chlorofilu w koronie (CCC) i status azotu w liściach – a następnie odnoszą te dane do końcowego plonu bulw.

Po pierwsze, szacowanie AGB wyłącznie przy użyciu wskaźników VI może być trudne, gdy pokrywa koron drzew jest gęsta, ponieważ wiele wskaźników ulega nasyceniu; w związku z tym łączenie wskaźników VI z cechami wysokości lub tekstury roślin w modelach uczenia maszynowego często poprawia dokładność.

Po drugie, ocena LAI — całkowitej jednostronnej powierzchni liści na powierzchni gruntu — pozwoliła na osiągnięcie wartości R² na poziomie 0,84 dzięki wykorzystaniu danych szeregów czasowych pochodzących zarówno z hiperspektralnych czujników bezzałogowych statków powietrznych, jak i multispektralnych czujników satelitarnych.

Po trzecie, szacunki CCC, pochodzące z indeksów takich jak CIred‑edge, CIgreen, TCARI/OSAVI i TCARI + OSAVI, osiągnęły R² ≈ 0,85 w fazie wegetatywnej, co wskazuje na silną korelację z laboratoryjnie mierzonym chlorofilem.

Na koniec, status azotu w liściach, niezbędny do prawidłowego wzrostu, przewidywano przy R² w zakresie od 0,52 do 0,95 przy użyciu czujników naziemnych oraz modeli regresji lub lasu losowego.

Jeśli chodzi o prognozowanie plonów bulw, wyróżnia się dwa główne podejścia do modelowania:

Empiryczne modele regresji: W tym przypadku pojedynczy wskaźnik VI — najczęściej NDVI, GNDVI lub NDRE — jest dopasowywany do danych dotyczących plonów rzeczywistych. Podane wartości R² dla NDVI w funkcji plonu wahają się od 0,23 do 0,84 (mediana ≈ 0,67), natomiast korelacje NDRE–wydajność wahają się od 0,12 do 0,85 (mediana ≈ 0,61).

Modele uczenia maszynowego: Należą do nich lasy losowe, maszyny wektorów nośnych oraz sieci neuronowe łączące wiele VI, pasma widmowe i czynniki niespektralne, takie jak pogoda, gleba i zarządzanie. W niektórych badaniach takie modele podniosły R² do 0,93.

Co więcej, moment zbierania danych ma ogromny wpływ na dokładność prognoz. W wielu badaniach pomiary VI wykonane w okresie 36–55 dni po posadzeniu (DAP) wykazały najwyższą korelację z końcowym plonem bulw.

Ten etap zbiega się z maksymalnym pokryciem gleby i początkiem zawiązywania bulw, co sprawia, że struktura rośliny jest najbardziej miarodajna dla ostatecznego plonu. Oto kilka kluczowych statystyk:

• Spośród 482 zidentyfikowanych badań 79 (2000–2022) spełniło kryteria przeglądu.
• Obszary zainteresowania: prognozowanie plonu (37 %), status azotu w liściach (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Najczęściej używane platformy satelitarne: Sentinel‑2, Landsat, MODIS; komercyjne: PlanetScope.
• Zakresy R²: NDVI–wydajność (0,23–0,84), NDRE–wydajność (0,12–0,85), GNDVI–wydajność (0,26–0,75).

Zalecenia dotyczące prognozowania plonów ziemniaków

Na podstawie tych ustaleń praktycy powinni najpierw wybrać platformę odpowiednią do swoich celów. W przypadku regionalnych prognoz plonów, bezpłatne dane Sentinel‑2 zapewniają wiarygodne pokrycie z rozdzielczością 10 m i 5-dniowym harmonogramem rewizyt.

Aby doprecyzować lokalne szacunki, loty bezzałogowych statków powietrznych (UAV) zaplanowane na około 36–55 dni po posadzeniu roślin rejestrują krytyczną dynamikę koron drzew i poprawiają kalibrację modeli satelitarnych. Czujniki naziemne najlepiej sprawdzają się w przypadku kontroli punktowych i kalibracji zdalnych obserwacji, zwłaszcza w przypadku łączenia danych spektralnych z pomiarami terenowymi.

Jeśli chodzi o wskaźniki roślinności, praktycy powinni w przewidywaniu plonów końcowych priorytetowo traktować wskaźniki NDVI, NDRE i CI _red-edge , ponieważ stale wykazują one silne korelacje.

Przy szacowaniu zawartości chlorofilu i azotu, połączenie wskaźników krawędzi czerwonej z wskaźnikami VI skorygowanymi o glebę – takimi jak TCARI/OSAVI – daje najdokładniejsze wyniki. W przypadku szacowania biomasy, integracja wskaźników VI z wysokością lub teksturą roślin w ramach uczenia maszynowego dodatkowo zwiększa dokładność.

Jeśli chodzi o modelowanie, proste regresje liniowe lub nieliniowe z wykorzystaniem jednego indeksu są skuteczne, gdy dane bazowe są ograniczone. Jednak w przypadku dostępności wielu indeksów i danych pomocniczych (pogoda, gleba, zarządzanie) metody uczenia maszynowego, takie jak las losowy lub sieci neuronowe, oferują lepszą wydajność. Co ważne, kluczowe znaczenie ma czas wykonania zdjęć około 36–55 dni po posadzeniu, ponieważ ten okres niezmiennie zapewnia najwyższą dokładność prognoz.

Wniosek

Podsumowując, teledetekcja oferuje szybki, elastyczny i dokładny zestaw narzędzi do monitorowania wzrostu ziemniaków i prognozowania plonów bulw. Wybierając odpowiednią platformę, najbardziej informatywne wskaźniki wegetacji, ustalając czas zbierania danych na 36–55 DAP oraz stosując odpowiednie techniki modelowania, naukowcy i praktycy mogą znacząco udoskonalić prognozy plonów.

Takie podejście nie tylko oszczędza czas, ale także pozwala podejmować mądrzejsze decyzje zarządcze, co ostatecznie przynosi korzyści rolnikom, agronomom i całemu łańcuchowi dostaw ziemniaków.

Odniesienie: Mukiibi, A., Machakaire, ATB, Franke, AC. i wsp. Systematyczny przegląd wskaźników wegetacji do monitorowania wzrostu ziemniaków i prognozowania plonów bulw za pomocą teledetekcji. Res. ziemniaków. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7