Diaľkové snímanie Zeme vegetačné indexy transformujú predpovede úrody zemiakov

Zemiaky patria medzi najdôležitejšie potravinárske plodiny na svete a slúžia ako základná potravina pre milióny ľudí. Po prvé, znalosť toho, ako rastliny zemiakov rastú, a schopnosť predpovedať ich úrodu pomáha poľnohospodárom efektívnejšie riadiť zavlažovanie, hnojenie a ochranu proti škodcom.

Po druhé, spracovatelia potravín a skladovacie zariadenia môžu lepšie plánovať logistiku a pracovnú silu, keď majú spoľahlivé odhady výnosov. Tradičné metódy – ako napríklad fyzická prechádzka po poliach a ručné meranie rastlín – sú však časovo náročné a náchylné na ľudské chyby.

Vedci sa preto obrátili na diaľkový prieskum Zemiakov, ktorý využíva kamery a senzory na satelitoch, dronoch alebo vreckových zariadeniach na monitorovanie rastu zemiakov a rýchlejšie a presnejšie predpovedanie úrody.

Pochopenie predpovedí úrody zemiakov

Za posledné dve desaťročia výrazne vzrástol záujem o aplikáciu diaľkového prieskumu Zeme vo výskume zemiakov. Systematický prehľad v skutočnosti identifikoval 79 štúdií publikovaných v rokoch 2000 až 2022 na túto tému zo 482 pôvodne preskúmaných článkov.

Aby sa zabezpečila transparentnosť a reprodukovateľnosť, autori sa riadili stanovenými pokynmi (Kitchenham & Charters 2007; PRISMA framework) a prehľadávali osem hlavných databáz – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis a SpringerLink – s použitím výrazov ako “predikcia výnosu zemiakov” A “diaľkový prieskum Zemiakov”.”

V dôsledku toho bol zahrnutý iba originálny výskum v angličtine, ktorý využíval údaje diaľkového prieskumu Zeme na monitorovanie rastu alebo odhad výnosu. Okrem toho boli údaje z každej vybranej práce extrahované podľa štyroch kľúčových otázok:

• Ktorá snímacia platforma bola použitá (satelit, UAV alebo pozemná)?
• Ktoré vegetačné indexy alebo spektrálne znaky boli hodnotené?
• Ktoré vlastnosti plodín boli monitorované (biomasa, listová plocha, chlorofyl, dusík)?
• Ako presne by sa dal predpovedať konečný výnos hľúz (koeficient determinácie, R²)?

Tieto otázky pomohli recenzentom zmapovať súčasný stav techniky a identifikovať medzery, na ktoré by sa mohol zamerať budúci výskum.

Platformy diaľkového prieskumu Zeme a vegetačné indexy

Výskumníci použili tri hlavné typy platforiem diaľkového prieskumu Zeme, pričom každá má svoje vlastné výhody a obmedzenia. Po prvé, optické satelity ako Sentinel-2 (priestorové rozlíšenie 10 m, 5-dňová opakovaná návšteva) a Landsat 5–8 (30 m, 16-dňová opakovaná návšteva) ponúkajú široké pokrytie a často bezplatný prístup k údajom.

Po druhé, satelity ako MODIS/TERRA/Aqua (250 – 1 000 m, denné až dvojdňové opätovné návštevy) a komerčné systémy ako PlanetScope (3 m, denne, náklady približne 1 TP4T218 na 100 km²) umožňujú častejšie monitorovanie alebo monitorovanie s vyšším rozlíšením, hoci náklady môžu byť faktorom.

Po tretie, bezpilotné lietadlá (UAV) s multispektrálnymi alebo hyperspektrálnymi kamerami poskytujú veľmi vysoké rozlíšenie (až niekoľko centimetrov na pixel) a možno ich prevádzkovať na požiadanie, ale pokrývajú menšie oblasti a vyžadujú si viac logistiky.

Nakoniec, pozemné senzory – ako sú ručné NDVI metre a SPAD chlorofyl metre – poskytujú bodové merania, ktoré sú vysoko presné, hoci sú časovo náročné pri použití na veľkých poliach.

Vegetačné indexy (VI) premieňajú hodnoty odrazivosti na zmysluplné odhady vlastností rastlín. Medzi najbežnejšie indexy v štúdiách zemiakov patria:

• NDVI (Normalizovaný rozdielový index vegetácie): (NIR – červená) / (NIR + červená)
• GNDVI (zelená NDVI): (NIR – zelená) / (NIR + zelená)
• NDRE (Normalizovaný rozdiel červeného okraja): (NIR – červený okraj) / (NIR + červený okraj)
• OSAVI (Optimalizovaný index vegetácie upravený o pôdu): 1,16 × (NIR – červená) / (NIR + červená + 0,16)
• EVI (Enhanced Vegetation Index), CIred‑edge, CIgreen a ďalšie. .

Tieto indexy sa vyberajú na základe ich citlivosti na pokryvnosť koruny, obsah chlorofylu a pôdne pozadie. V dôsledku toho slúžia ako základ pre odhad zdravia rastlín a predpovedanie výnosu.

Monitorovanie rastu zemiakov a predpovedanie výnosu

Prostredníctvom diaľkového prieskumu Zeme výskumníci monitorujú kľúčové vlastnosti úrody zemiakov – nadzemnú biomasu (AGB), index listovej plochy (LAI), obsah chlorofylu v korune (CCC) a stav dusíka v listoch – a potom ich porovnávajú s konečným výnosom hľúz.

Po prvé, odhad AGB pomocou samotných VI môže byť náročný, keď je porast koruny hustý, pretože mnohé indexy sa nasýtia; preto kombinácia VI s výškou rastlín alebo textúrnymi znakmi v modeloch strojového učenia často zvyšuje presnosť.

Po druhé, hodnotenie LAI – celkovej plochy listov na jednu stranu zeme – dosiahlo hodnoty R² až 0,84 s použitím časových radov údajov z hyperspektrálnych senzorov UAV aj satelitných multispektrálnych senzorov.

Po tretie, odhady CCC, odvodené z indexov ako CIred‑edge, CIgreen, TCARI/OSAVI a TCARI + OSAVI, dosiahli počas vegetatívneho štádia hodnotu R² ≈ 0,85, čo naznačuje silnú koreláciu s laboratórne nameraným chlorofylom.

Nakoniec, stav dusíka v listoch, ktorý je nevyhnutný pre zdravý rast, bol predpovedaný s R² v rozmedzí od 0,52 do 0,95 pri použití pozemných senzorov plus regresných alebo náhodných lesných modelov.

Pokiaľ ide o predikciu výnosu hľúz, vynikajú dva hlavné modelovacie prístupy:

Empirické regresné modely: V tomto prípade sa jeden VI – najčastejšie NDVI, GNDVI alebo NDRE – prispôsobuje skutočným údajom o výnose. Uvádzané hodnoty R² pre NDVI oproti výnosu sa pohybujú od 0,23 do 0,84 (medián ≈ 0,67), zatiaľ čo korelácie NDRE a výnosu sa pohybujú od 0,12 do 0,85 (medián ≈ 0,61).

Modely strojového učenia: Patria sem modely náhodného lesa, podporné vektorové stroje a neurónové siete, ktoré kombinujú viacero VI, spektrálne pásma a nespektrálne faktory, ako je počasie, pôda a manažment. Takéto modely v niektorých štúdiách zvýšili R² až na 0,93.

Okrem toho načasovanie zberu údajov výrazne ovplyvňuje presnosť predikcie. Vo viacerých štúdiách merania VI vykonané 36 – 55 dní po výsadbe (DAP) priniesli najvyššie korelácie s konečným výnosom hľúz.

Táto fáza sa zhoduje s maximálnym pokrytím pôdy a začiatkom tvorby hľúz, vďaka čomu je štruktúra rastliny najvýznamnejším ukazovateľom konečnej úrody. Niektoré z kľúčových zistených štatistík:

• Kritériá hodnotenia splnilo 79 štúdií (2000 – 2022) zo 482 identifikovaných.
• Oblasti zamerania: predikcia výnosu (37 %), stav dusíka v listoch (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Najpoužívanejšie satelitné platformy: Sentinel‑2, Landsat, MODIS; komerčné: PlanetScope.
• Rozsahy R²: NDVI – výťažok (0,23 – 0,84), NDRE – výťažok (0,12 – 0,85), GNDVI – výťažok (0,26 – 0,75).

Odporúčania pre predikciu úrody zemiakov

Na základe týchto zistení by si odborníci mali najprv vybrať vhodnú platformu pre svoje ciele. Pre regionálne predpovede výnosov poskytujú bezplatné dáta Sentinel-2 spoľahlivé pokrytie s rozlíšením 10 m a 5-dňovým harmonogramom opakovaných návštev.

Na spresnenie lokálnych odhadov sú lety bezpilotných lietadiel (UAV) naplánované približne 36 – 55 dní po výsadbe zachytávajúce kritickú dynamiku porastu a zlepšujú kalibráciu satelitných modelov. Pozemné senzory sa najlepšie používajú na namátkové kontroly a kalibráciu diaľkových pozorovaní, najmä pri kombinácii spektrálnych údajov s terénnymi meraniami.

Pokiaľ ide o vegetačné indexy, odborníci by mali pri predpovedaní konečného výnosu uprednostniť NDVI, NDRE a CI _red-edge , pretože tieto indexy konzistentne vykazujú silné korelácie.

Pri odhadovaní obsahu chlorofylu a dusíka prináša najpresnejšie výsledky kombinácia indexov červeného okraja s indexmi viditeľnosti (VI) upravenými o pôdu – ako napríklad TCARI/OSAVI. Pri odhade biomasy presnosť ďalej zvyšuje integrácia VI s výškou alebo textúrou rastlín v rámci systémov strojového učenia.

Pokiaľ ide o modelovanie, jednoduché lineárne alebo nelineárne regresie s použitím jediného indexu sú účinné, keď sú údaje o teréne obmedzené. Ak je však k dispozícii viacero indexov a pomocných údajov (počasie, pôda, hospodárenie), metódy strojového učenia, ako napríklad náhodný les alebo neurónové siete, ponúkajú vynikajúci výkon. Dôležité je, že načasovanie snímok okolo 36 – 55 dní po výsadbe je kľúčové, pretože toto okno konzistentne poskytuje najvyššiu presnosť predikcie.

Záver

Záverom možno povedať, že diaľkový prieskum Zeme ponúka rýchlu, flexibilnú a presnú sadu nástrojov na monitorovanie rastu zemiakov a predpovedanie úrody hľúz. Výberom vhodnej platformy, výberom najinformatívnejších vegetačných indexov, načasovaním zberu údajov okolo 36 – 55 DAP a použitím vhodných modelovacích techník môžu výskumníci a odborníci z praxe výrazne zlepšiť prognózy úrody.

Tento prístup nielen šetrí čas, ale tiež podporuje inteligentnejšie manažérske rozhodnutia, čo v konečnom dôsledku prospieva poľnohospodárom, agronómom a celému dodávateľskému reťazcu zemiakov.

Referencia: Mukiibi, A., Machakaire, ATB, Franke, AC. a kol. Systematický prehľad vegetačných indexov pre monitorovanie rastu zemiakov a predikciu úrody hľúz z diaľkového prieskumu Zeme. Zemiakové výskumy. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7