Indicii de teledetecție pentru vegetație transformă prognoza recoltei de cartofi

Cartoful este una dintre cele mai importante culturi alimentare din lume, servind drept bază pentru alimentația a milioane de oameni. În primul rând, cunoașterea modului în care cresc plantele de cartof și capacitatea de a le prezice recolta ajută fermierii să gestioneze mai eficient irigațiile, fertilizarea și combaterea dăunătorilor.

În al doilea rând, procesatorii de alimente și centrele de depozitare pot planifica mai bine logistica și forța de muncă atunci când au estimări fiabile ale recoltei. Cu toate acestea, metodele tradiționale—cum ar fi mersul fizic prin câmpuri și măsurarea plantelor manual—sunt consumatoare de timp și predispuse la erori umane.

Prin urmare, oamenii de știință s-au orientat către teledetecție, care utilizează camere și senzori pe sateliți, drone sau dispozitive portabile, pentru a monitoriza creșterea cartofilor și a prognoza randamentul mai rapid și mai precis.

Înțelegerea prognozelor privind recolta de cartofi

În ultimele două decenii, interesul pentru aplicarea teledetecției în cercetarea cartofului a crescut substanțial. Într-adevăr, o analiză sistematică a identificat 79 de studii publicate între 2000 și 2022 pe această temă, din 482 de articole selectate inițial.

Pentru a asigura transparența și reproductibilitatea, autorii au urmat ghiduri stabilite (Kitchenham & Charters 2007; PRISMA framework), căutând în opt baze de date majore — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis și SpringerLink — folosind termeni precum “potato yield prediction” ȘI “remote sensing”.”

În consecință, au fost incluse doar cercetări originale în limba engleză care au utilizat date de teledetecție pentru monitorizarea creșterii sau estimarea recoltei. Mai mult, datele din fiecare lucrare selectată au fost extrase conform a patru întrebări cheie:

• Ce platformă de senzorizare a fost utilizată (satelit, vehicul aerian fără pilot sau bazată la sol)?
• Ce indici de vegetație sau caracteristici spectrale au fost evaluate?
• Ce trăsături ale culturilor au fost monitorizate (biomasă, suprafață a frunzei, clorofilă, azot)?
• Cât de precis ar putea fi prezis randamentul final al tuberculilor (coeficient de determinare, R²)?

Aceste întrebări i-au ajutat pe recenzenți să cartografieze stadiul actual și să identifice lacunele unde cercetările viitoare s-ar putea concentra.

Platforme de teledetecție și indici de vegetație

Cercetătorii au utilizat trei tipuri principale de platforme de teledetecție, fiecare cu propriile avantaje și limitări. În primul rând, sateliții optici precum Sentinel-2 (rezoluție spațială de 10 m, revenire în 5 zile) și Landsat 5-8 (30 m, revenire în 16 zile) oferă o acoperire largă și, adesea, acces gratuit la date.

În al doilea rând, sateliții precum MODIS/TERRA/Aqua (250–1000 m, revizuire zilnică la 2 zile) și sistemele comerciale precum PlanetScope (3 m, zilnic, costând aproximativ $218 per 100 km²) permit monitorizarea mai frecventă sau la rezoluție mai înaltă, deși costurile pot fi un factor.

În al treilea rând, vehiculele aeriene fără pilot (UAV) echipate cu camere multispectrale sau hiperspectrale oferă o rezoluție foarte înaltă (până la câțiva centimetri pe pixel) și pot fi operate la cerere, dar acoperă zone mai mici și necesită o logistică mai complexă.

În cele din urmă, senzorii terestri—cum ar fi metrii NDVI portabili și metrii de clorofilă SPAD—oferă măsurători punctuale de înaltă precizie, deși sunt consumatoare de timp atunci când sunt utilizați pe câmpuri mari.

Indicii de vegetație (IV) traduc valorile brute de reflectanță în estimări semnificative ale trăsăturilor plantelor. Cei mai comuni indici utilizați în studiile privind cartoful includ:

• NDVI (Indicele de Vegetatie Normalizat Diferential): (NIR – Rosu) / (NIR + Rosu)
• GNDVI (NDVI Verde): (NIR – Verde) / (NIR + Verde)
• NDRE (Diferența Normalizată Red-Edge): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (Indice Optimizat de Vegetație Ajustat la Sol): 1,16 × (NIR – Red) / (NIR + Red + 0,16)
• EVI (Indice de Vegetatie Îmbunătățit), CIred‑edge, CIgreen, și altele. .

Acești indici sunt aleși pe baza sensibilității lor la acoperirea coronamentului, conținutul de clorofilă și fondul solului. Prin urmare, aceștia servesc drept bază pentru estimarea sănătății plantelor și predicția recoltei.

Monitorizarea creșterii cartofului și predicția recoltei

Prin teledetecție, cercetătorii monitorizează caracteristici cheie ale culturilor de cartofi—biomasa aeriană (AGB), indicele de suprafață a frunzelor (LAI), conținutul de clorofilă din foliaj (CCC) și starea azotului din frunze—și apoi le corelează cu producția finală de tuberculi.

În primul rând, estimarea AGB utilizând doar VI-urile poate fi dificilă atunci când acoperirea coroanei este densă, deoarece multe indici se saturează; prin urmare, combinarea VI-urilor cu caracteristicile de înălțime sau textură ale plantelor în modele de învățare automată îmbunătățește adesea precizia.

În al doilea rând, evaluarea LAI – suprafața totală unilaterală a frunzelor pe unitatea de suprafață la sol – a atins valori R² de până la 0,84 prin utilizarea datelor din serii temporale atât de la senzori hiperspectrali UAV, cât și de la senzori multispectrali satelitari.

În al treilea rând, estimările CCC, derivate din indici precum CIred‑edge, CIgreen, TCARI/OSAVI și TCARI + OSAVI, au atins R² ≈ 0,85 în timpul stadiului vegetativ, indicând o corelație puternică cu clorofila măsurată în laborator.

În cele din urmă, starea azotului din frunze, vitală pentru o creștere sănătoasă, a fost prezisă cu un R² variind de la 0,52 la 0,95 atunci când s-au utilizat senzori la sol plus modele de regresie sau random forest.

Când vine vorba de predicția culturilor de tuberculi, două abordări principale de modelare se remarcă:

Modele empirice de regresie: Aici, un singur VI - cel mai adesea NDVI, GNDVI sau NDRE - este potrivit pentru datele de randament obținute la sol. Valorile raportate ale R² pentru NDVI vs. randament variază de la 0,23 la 0,84 (mediană ≈ 0,67), în timp ce corelațiile NDRE-randament variază de la 0,12 la 0,85 (mediană ≈ 0,61).

Modele de învățare automată: Acestea includ păduri aleatorii, mașini cu vectori suport și rețele neuronale care combină mai mulți indici de vegetație (VI), benzi spectrale și factori non-spectrali precum vremea, solul și managementul. Astfel de modele au împins R² până la 0,93 în unele studii.

În plus, momentul colectării datelor afectează în mare măsură acuratețea predicției. În multiple studii, măsurătorile VI efectuate la 36–55 de zile după plantare (DAP) au generat cele mai înalte corelații cu randamentul final al tuberculilor.

Această etapă corespunde acoperirii maxime a solului și debutului inițierii tuberculilor, făcând structura plantei cea mai indicativă pentru randamentul final. Unele dintre statisticile cheie găsite:

• 79 de studii (2000–2022) au îndeplinit criteriile de revizuire, din 482 identificate.
• Domenii de concentrare: predicția recoltei (37%), starea azotului din frunze (21%), AGB (15%), LAI (15%), CCC (12%).
• Platforme satelitare cele mai utilizate: Sentinel-2, Landsat, MODIS; comerciale: PlanetScope.
• Intervalele R²: NDVI–recoltă (0,23–0,84), NDRE–recoltă (0,12–0,85), GNDVI–recoltă (0,26–0,75).

Recomandări pentru predicția recoltei de cartofi

Pe baza acestor constatări, practicienii ar trebui mai întâi să selecteze platforma potrivită pentru obiectivele lor. Pentru prognozele privind recoltele regionale, datele gratuite Sentinel‑2 oferă o acoperire fiabilă, cu o rezoluție de 10 m și un program de revizuire la fiecare 5 zile.

Pentru a rafina estimările locale, zborurile cu drone programate la aproximativ 36–55 de zile după plantare captează dinamica critică a coroanei și îmbunătățesc calibrarea modelelor satelitare. Senzorii la sol sunt cel mai bine utilizați pentru verificări punctuale și pentru a calibra observațiile de la distanță, în special atunci când se combină date spectrale cu măsurători pe teren.

În ceea ce privește indicii de vegetație, practicienii ar trebui să acorde prioritate NDVI, NDRE și CI_red‑edge pentru prezicerea producției finale, deoarece aceștia arată în mod constant corelații puternice.

Atunci când se estimează conținutul de clorofilă și azot, combinarea indicilor red-edge cu VIs ajustate la sol – cum ar fi TCARI/OSAVI – oferă cele mai precise rezultate. Pentru estimarea biomasei, integrarea VIs cu înălțimea plantelor sau caracteristicile texturale în cadrul de machine learning sporește și mai mult acuratețea.

În ceea ce privește modelarea, regresii liniare sau non-liniare simple utilizând un singur index sunt eficiente atunci când datele de referință sunt limitate. Cu toate acestea, atunci când sunt disponibili mai mulți indici și date auxiliare (vreme, sol, gestionare), metodele de învățare automată, cum ar fi pădurea aleatorie sau rețelele neuronale, oferă o performanță superioară. Important este faptul că programarea imagisticii în jurul valorii de 36–55 de zile după plantare este crucială, deoarece această fereastră oferă în mod constant cea mai mare acuratețe de predicție.

Concluzie

În concluzie, teledetecția oferă un set de instrumente rapid, flexibil și precis pentru monitorizarea creșterii cartofilor și predicția producției de tuberculi. Prin alegerea platformei adecvate, selectarea celor mai informative indici de vegetație, programarea colectării datelor în jurul valorii de 36-55 DAP (zile după înflorire) și aplicarea unor tehnici de modelare adecvate, cercetătorii și practicienii pot îmbunătăți semnificativ prognozele producției.

Această abordare nu numai că economisește timp, dar sprijină și decizii de management mai inteligente, aducând beneficii în cele din urmă fermierilor, agronomilor și întregului lanț de aprovizionare cu cartofi.

Referință: Mukiibi, A., Machakaire, A.T.B., Franke, A.C. și colaboratorii. O Revizuire Sistematică a Indicilor de Vegetatie pentru Monitorizarea Creșterii Cartofului și Predicția Recoltei de Tuberculi din Teledetecție. Cartof Rez. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7