Дистанционное зондирование растительных индексов преобразует прогнозирование урожайности картофеля.

Картофель является одной из важнейших продовольственных культур в мире, обеспечивая продуктами питания миллионы людей. Во-первых, знание особенностей роста картофельных растений и умение прогнозировать урожайность помогают фермерам более эффективно управлять орошением, внесением удобрений и борьбой с вредителями.

Во-вторых, предприятия пищевой промышленности и складские комплексы могут лучше планировать логистику и трудозатраты, имея надежные оценки урожайности. Однако традиционные методы, такие как физический обход полей и измерение растений вручную, отнимают много времени и подвержены человеческим ошибкам.

Поэтому ученые обратились к дистанционному зондированию, которое использует камеры и датчики на спутниках, дронах или портативных устройствах для более быстрого и точного мониторинга роста картофеля и прогнозирования урожайности.

Понимание прогнозов урожайности картофеля

За последние два десятилетия интерес к применению дистанционного зондирования в исследованиях картофеля значительно возрос. В частности, систематический обзор выявил 79 исследований, опубликованных в период с 2000 по 2022 год, из 482 первоначально проанализированных статей.

Для обеспечения прозрачности и воспроизводимости авторы следовали установленным рекомендациям (Kitchenham & Charters 2007; структура PRISMA), осуществляя поиск в восьми основных базах данных — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis и SpringerLink — используя такие термины, как “прогнозирование урожайности картофеля” И “дистанционное зондирование”.”

Следовательно, в исследование были включены только оригинальные исследования на английском языке, в которых использовались данные дистанционного зондирования для мониторинга роста или оценки урожайности. Кроме того, данные из каждой отобранной статьи были извлечены в соответствии с четырьмя ключевыми вопросами:

• Какая сенсорная платформа использовалась (спутник, БПЛА или наземная)?
• Какие индексы растительности или спектральные характеристики были оценены?
• Какие характеристики культуры отслеживались (биомасса, площадь листьев, содержание хлорофилла, содержание азота)?
• Насколько точно можно предсказать конечный урожай клубней (коэффициент детерминации, R²)?

Эти вопросы помогли рецензентам составить карту современного состояния дел и выявить пробелы, на которых могли бы сосредоточиться будущие исследования.

Платформы дистанционного зондирования и индексы растительности

Исследователи использовали три основных типа платформ дистанционного зондирования, каждая из которых имеет свои преимущества и ограничения. Во-первых, оптические спутники, такие как Sentinel-2 (пространственное разрешение 10 м, период наблюдения 5 дней) и Landsat 5-8 (30 м, период наблюдения 16 дней), обеспечивают широкое покрытие и часто бесплатный доступ к данным.

Во-вторых, спутники, такие как MODIS/TERRA/Aqua (250–1000 м, с периодичностью от 1 дня до 2 дней), и коммерческие системы, такие как PlanetScope (3 м, ежедневный, стоимостью около 1 00 км²), позволяют проводить мониторинг чаще или с более высоким разрешением, хотя стоимость может быть важным фактором.

В-третьих, беспилотные летательные аппараты (БПЛА), оснащенные мультиспектральными или гиперспектральными камерами, обеспечивают очень высокое разрешение (до нескольких сантиметров на пиксель) и могут запускаться по запросу, но они охватывают меньшие территории и требуют более сложной логистики.

Наконец, наземные датчики, такие как портативные измерители NDVI и хлорофиллометры SPAD, обеспечивают точечные измерения с высокой точностью, хотя их использование на больших территориях требует значительных временных затрат.

Индексы растительности (ВИ) преобразуют исходные значения отражательной способности в значимые оценки характеристик растений. Наиболее распространенные индексы в исследованиях картофеля включают:

• NDVI (Нормализованный разностный индекс растительности): (ИК-излучение – Красный) / (ИК-излучение + Красный)
• GNDVI (зеленый NDVI): (NIR – зеленый) / (NIR + зеленый)
• NDRE (Нормализованная разница красного края): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (Оптимизированный индекс растительности с поправкой на почву): 1,16 × (ИК – Красный) / (ИК + Красный + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen и другие. .

Эти индексы выбираются на основе их чувствительности к плотности растительного покрова, содержанию хлорофилла и составу почвы. Следовательно, они служат основой для оценки состояния растений и прогнозирования урожайности.

Мониторинг роста картофеля и прогнозирование урожайности

С помощью дистанционного зондирования исследователи отслеживают ключевые характеристики картофеля — надземную биомассу (AGB), индекс листовой поверхности (LAI), содержание хлорофилла в кроне (CCC) и азотный статус листьев — а затем соотносят эти показатели с конечным урожаем клубней.

Во-первых, оценка надземной биомассы с использованием только вегетационных индексов может быть сложной задачей при высокой плотности растительного покрова, поскольку многие индексы достигают насыщения; поэтому сочетание вегетационных индексов с высотой растений или текстурными характеристиками в моделях машинного обучения часто повышает точность.

Во-вторых, при оценке LAI — общей односторонней площади листьев на единицу площади поверхности земли — были достигнуты значения R² до 0,84 при использовании данных временных рядов, полученных как с помощью гиперспектральных датчиков БПЛА, так и с помощью многоспектральных спутниковых датчиков.

В-третьих, оценки CCC, полученные на основе таких индексов, как CIred-edge, CIgreen, TCARI/OSAVI и TCARI + OSAVI, достигли R² ≈ 0,85 на вегетативной стадии, что указывает на сильную корреляцию с измеренным в лаборатории содержанием хлорофилла.

Наконец, состояние азотистого состава листьев, жизненно важное для здорового роста, было спрогнозировано с коэффициентом детерминации R² от 0,52 до 0,95 при использовании наземных датчиков в сочетании с регрессионными моделями или моделями случайного леса.

Что касается прогнозирования урожайности клубней, то здесь выделяются два основных подхода к моделированию:

Эмпирические регрессионные модели: В данном случае к данным об урожайности, полученным на основе фактических данных, подгоняется один индекс урожайности — чаще всего NDVI, GNDVI или NDRE. Сообщаемые значения R² для NDVI в зависимости от урожайности варьируются от 0,23 до 0,84 (медиана ≈ 0,67), в то время как корреляции NDRE с урожайностью варьируются от 0,12 до 0,85 (медиана ≈ 0,61).

Модели машинного обучения: к ним относятся случайный лес, машины опорных векторов и нейронные сети, которые объединяют несколько вегетационных индексов, спектральных диапазонов и неспектральных факторов, таких как погода, почва и методы управления. В некоторых исследованиях такие модели позволили повысить коэффициент детерминации R² до 0,93.

Кроме того, время сбора данных существенно влияет на точность прогнозирования. В нескольких исследованиях измерения индекса вибрационной чувствительности (VI), проведенные через 36–55 дней после посадки (DAP), показали наибольшую корреляцию с конечным урожаем клубней.

Эта стадия совпадает с максимальным почвенным покровом и началом формирования клубней, что делает структуру растения наиболее показательной для прогнозируемого урожая. Вот некоторые из ключевых статистических данных:

• Из 482 выявленных исследований критериям обзора соответствовали 79 работ (2000–2022 гг.).
• Основные направления исследований: прогнозирование урожайности (37 %), содержание азота в листьях (21 %), надземная биомасса (15 %), индекс листовой поверхности (15 %), CCC (12 %).
• Наиболее часто используемые спутниковые платформы: Sentinel-2, Landsat, MODIS; коммерческая: PlanetScope.
• Диапазоны R²: NDVI–урожайность (0,23–0,84), NDRE–урожайность (0,12–0,85), GNDVI–урожайность (0,26–0,75).

Рекомендации по прогнозированию урожайности картофеля

Исходя из этих данных, специалистам следует сначала выбрать подходящую платформу для достижения своих целей. Для региональных прогнозов урожайности бесплатные данные Sentinel-2 обеспечивают надежное покрытие с разрешением 10 м и графиком повторных облетов каждые 5 дней.

Для уточнения локальных оценок полеты БПЛА, запланированные примерно через 36–55 дней после посадки, позволяют зафиксировать важнейшие динамические процессы в растительном покрове и улучшить калибровку спутниковых моделей. Наземные датчики лучше всего использовать для выборочных проверок и калибровки дистанционных наблюдений, особенно при сочетании спектральных данных с полевыми измерениями.

Что касается вегетационных индексов, специалистам следует отдавать приоритет индексам NDVI, NDRE и CI _red-edge для прогнозирования конечного урожая, поскольку они неизменно демонстрируют сильную корреляцию.

При оценке содержания хлорофилла и азота наиболее точные результаты достигаются путем сочетания индексов красного края спектра с почвенно-скорректированными вегетационными индексами (например, TCARI/OSAVI). Для оценки биомассы интеграция вегетационных индексов с характеристиками высоты или текстуры растений в рамках машинного обучения дополнительно повышает точность.

Что касается моделирования, то простые линейные или нелинейные регрессии с использованием одного индекса эффективны при ограниченном объеме данных на местности. Однако, когда доступны несколько индексов и вспомогательные данные (погода, почва, методы управления), методы машинного обучения, такие как случайный лес или нейронные сети, демонстрируют превосходные результаты. Важно отметить, что получение изображений примерно через 36–55 дней после посадки имеет решающее значение, поскольку этот временной промежуток неизменно обеспечивает наивысшую точность прогнозирования.

Заключение

В заключение, дистанционное зондирование предлагает быстрый, гибкий и точный инструментарий для мониторинга роста картофеля и прогнозирования урожайности клубней. Выбирая подходящую платформу, наиболее информативные вегетационные индексы, планируя сбор данных на 36–55 день после посадки и применяя соответствующие методы моделирования, исследователи и практики могут значительно улучшить прогнозы урожайности.

Такой подход не только экономит время, но и способствует принятию более взвешенных управленческих решений, что в конечном итоге приносит пользу фермерам, агрономам и всей цепочке поставок картофеля.

Ссылка: Мукииби, А., Машакайре, АТБ, Франке, АС. и др. Систематический обзор индексов растительности для мониторинга роста картофеля и прогнозирования урожайности клубней на основе данных дистанционного зондирования. Картофельные рез. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7