Daljinsko zaznavanje vegetacijskih indeksov spreminja napovedovanje pridelka krompirja

Krompir je ena najpomembnejših prehranskih poljščin na svetu in je osnovna hrana za milijone ljudi. Prvič, poznavanje rasti krompirja in sposobnost napovedovanja njegovega pridelka pomaga kmetom učinkoviteje upravljati namakanje, gnojenje in zatiranje škodljivcev.

Drugič, predelovalci hrane in skladišča lahko bolje načrtujejo logistiko in delo, če imajo zanesljive ocene pridelka. Vendar pa so tradicionalne metode – kot sta fizični sprehod po poljih in ročno merjenje rastlin – zamudne in nagnjene k človeškim napakam.

Zato so se znanstveniki obrnili na daljinsko zaznavanje, ki uporablja kamere in senzorje na satelitih, dronih ali ročnih napravah, da bi hitreje in natančneje spremljali rast krompirja in napovedovali pridelek.

Razumevanje napovedi pridelka krompirja

V zadnjih dveh desetletjih se je zanimanje za uporabo daljinskega zaznavanja v raziskavah krompirja znatno povečalo. Pravzaprav je sistematični pregled odkril 79 študij, objavljenih med letoma 2000 in 2022 na to temo, od 482 prvotno pregledanih člankov.

Da bi zagotovili preglednost in ponovljivost, so avtorji sledili ustaljenim smernicam (Kitchenham & Charters 2007; okvir PRISMA) in iskali po osmih glavnih podatkovnih bazah – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis in SpringerLink – z uporabo izrazov, kot sta “napoved pridelka krompirja” IN “daljinsko zaznavanje”.”

Posledično so bile vključene le izvirne raziskave v angleščini, ki so za spremljanje rasti ali oceno pridelka uporabljale podatke daljinskega zaznavanja. Poleg tega so bili podatki iz vsakega izbranega članka izvlečeni glede na štiri ključna vprašanja:

• Katera senzorska platforma je bila uporabljena (satelitska, brezpilotna letalnik ali zemeljska)?
• Kateri vegetacijski indeksi ali spektralne značilnosti so bili ocenjeni?
• Katere lastnosti pridelkov so bile spremljane (biomasa, listna površina, klorofil, dušik)?
• Kako natančno je mogoče napovedati končni pridelek gomoljev (koeficient determinacije, R²)?

Ta vprašanja so recenzentom pomagala opredeliti trenutno stanje in prepoznati vrzeli, na katere bi se lahko osredotočile prihodnje raziskave.

Platforme za daljinsko zaznavanje in vegetacijski indeksi

Raziskovalci so uporabili tri glavne vrste platform za daljinsko zaznavanje, vsaka s svojimi prednostmi in omejitvami. Prvič, optični sateliti, kot sta Sentinel-2 (prostorska ločljivost 10 m, 5-dnevni ponovni obisk) in Landsat 5–8 (30 m, 16-dnevni ponovni obisk), ponujajo široko pokritost in pogosto brezplačen dostop do podatkov.

Drugič, sateliti, kot so MODIS/TERRA/Aqua (250–1000 m, dnevni do dvodnevni ponovni obisk) in komercialni sistemi, kot je PlanetScope (3 m, dnevni, stroški približno $218 na 100 km²), omogočajo pogostejše ali višjo ločljivost spremljanja, čeprav so lahko stroški pomemben dejavnik.

Tretjič, brezpilotna letala (UAV) z multispektralnimi ali hiperspektralnimi kamerami zagotavljajo zelo visoko ločljivost (do nekaj centimetrov na slikovno piko) in jih je mogoče uporabljati na zahtevo, vendar pokrivajo manjša območja in zahtevajo več logistike.

Končno, zemeljski senzorji – kot so ročni merilniki NDVI in merilniki klorofila SPAD – omogočajo zelo natančne točkovne meritve, čeprav so pri uporabi na velikih poljih časovno zahtevne.

Vegetacijski indeksi (VI) pretvarjajo surove vrednosti odbojnosti v smiselne ocene rastlinskih lastnosti. Najpogostejši indeksi v študijah krompirja vključujejo:

• NDVI (normalizirani indeks razlike vegetacije): (NIR – rdeča) / (NIR + rdeča)
• GNDVI (zeleni NDVI): (NIR – zelena) / (NIR + zelena)
• NDRE (normalizirana razlika rdečega roba): (NIR – rdeči rob) / (NIR + rdeči rob)
• OSAVI (optimiziran indeks vegetacije, prilagojen tlom): 1,16 × (NIR – rdeča) / (NIR + rdeča + 0,16)
• EVI (izboljšan vegetacijski indeks), CIrdeč rob, CIzelen in drugi. .

Ti indeksi so izbrani glede na njihovo občutljivost na pokrovnost krošnje, vsebnost klorofila in ozadje tal. Posledično služijo kot osnova za oceno zdravja rastlin in napovedovanje pridelka.

Spremljanje rasti krompirja in napovedovanje pridelka

Z daljinskim zaznavanjem raziskovalci spremljajo ključne lastnosti pridelka krompirja – nadzemno biomaso (AGB), indeks listne površine (LAI), vsebnost klorofila v krošnji (CCC) in stanje dušika v listih – in jih nato povežejo s končnim pridelkom gomoljev.

Prvič, ocenjevanje AGB samo z uporabo VI je lahko zahtevno, kadar je krošnja gosta, ker se mnogi indeksi nasičijo; zato kombiniranje VI z višino rastlin ali teksturnimi značilnostmi v modelih strojnega učenja pogosto izboljša natančnost.

Drugič, ocena LAI – skupne površine listov na tleh na eni strani – je dosegla vrednosti R² do 0,84 z uporabo časovnih vrst podatkov iz hiperspektralnih senzorjev brezpilotnih letalnikov in satelitskih multispektralnih senzorjev.

Tretjič, ocene CCC, izpeljane iz indeksov, kot so CIred-edge, CIgreen, TCARI/OSAVI in TCARI + OSAVI, so v vegetativni fazi dosegle R² ≈ 0,85, kar kaže na močno korelacijo z laboratorijsko izmerjenim klorofilom.

Nazadnje je bil pri uporabi zemeljskih senzorjev in regresijskih ali naključnih gozdnih modelov napovedan status dušika v listih, ki je ključnega pomena za zdravo rast, z R² v razponu od 0,52 do 0,95.

Pri napovedovanju pridelka gomoljev izstopata dva glavna pristopa modeliranja:

Empirični regresijski modeli: Tukaj se en sam VI – najpogosteje NDVI, GNDVI ali NDRE – prilagodi podatkom o pridelku na podlagi realnih podatkov. Poročane vrednosti R² za NDVI glede na pridelek se gibljejo od 0,23 do 0,84 (mediana ≈ 0,67), medtem ko se korelacije med NDRE in pridelkom gibljejo od 0,12 do 0,85 (mediana ≈ 0,61).

Modeli strojnega učenja: Sem spadajo naključni gozd, stroji podpornih vektorjev in nevronske mreže, ki združujejo več VI, spektralne pasove in nespektralne dejavnike, kot so vreme, tla in upravljanje. Takšni modeli so v nekaterih študijah dvignili R² na 0,93.

Poleg tega čas zbiranja podatkov močno vpliva na natančnost napovedi. V več študijah so meritve VI, opravljene 36–55 dni po sajenju (DAP), pokazale najvišje korelacije s končnim pridelkom gomoljev.

Ta faza se ujema z največjo pokritostjo tal in začetkom rasti gomoljev, zaradi česar je struktura rastline najbolj pokazatelj morebitnega pridelka. Nekateri ključni statistični podatki:

• Od 482 identificiranih študij je merila za pregled izpolnjevalo 79 študij (2000–2022).
• Fokusna področja: napoved pridelka (37 %), stanje dušika v listih (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Najpogosteje uporabljene satelitske platforme: Sentinel‑2, Landsat, MODIS; komercialne: PlanetScope.
• Razponi R²: NDVI – izkoristek (0,23–0,84), NDRE – izkoristek (0,12–0,85), GNDVI – izkoristek (0,26–0,75).

Priporočila za napoved pridelka krompirja

Na podlagi teh ugotovitev bi morali strokovnjaki najprej izbrati ustrezno platformo za svoje cilje. Za regionalne napovedi pridelka brezplačni podatki Sentinel-2 zagotavljajo zanesljivo pokritost z ločljivostjo 10 m in 5-dnevnim urnikom ponovnih obiskov.

Za izboljšanje lokalnih ocen so leti brezpilotnih zrakoplovov, načrtovani približno 36–55 dni po sajenju, namenjeni zajemanju kritične dinamike krošnje in izboljšanju kalibracije satelitskih modelov. Zemeljski senzorji so najbolje uporabljeni za naključne preglede in kalibracijo oddaljenih opazovanj, zlasti pri kombiniranju spektralnih podatkov z meritvami na terenu.

Kar zadeva vegetacijske indekse, bi morali strokovnjaki za napovedovanje končnega pridelka dati prednost NDVI, NDRE in CI _{rdečega roba} , saj ti indeksi dosledno kažejo močne korelacije.

Pri ocenjevanju vsebnosti klorofila in dušika kombinacija indeksov rdečega roba z indeksi gostote (VI), prilagojenimi talnim razmerjem, kot sta TCARI/OSAVI, daje najbolj natančne rezultate. Pri ocenjevanju biomase integracija VI z višino rastlin ali teksturnimi značilnostmi v okviru strojnega učenja dodatno poveča natančnost.

Kar zadeva modeliranje, so preproste linearne ali nelinearne regresije z uporabo enega samega indeksa učinkovite, kadar so podatki o dejstvih omejeni. Kadar pa je na voljo več indeksov in pomožni podatki (vreme, tla, gospodarjenje), metode strojnega učenja, kot so naključni gozdovi ali nevronske mreže, ponujajo vrhunsko delovanje. Pomembno je, da je časovno zajemanje posnetkov približno 36–55 dni po sajenju ključnega pomena, saj to okno dosledno zagotavlja najvišjo natančnost napovedi.

Zaključek

Skratka, daljinsko zaznavanje ponuja hiter, prilagodljiv in natančen nabor orodij za spremljanje rasti krompirja in napovedovanje pridelka gomoljev. Z izbiro ustrezne platforme, izbiro najbolj informativnih vegetacijskih indeksov, časovnim razporedom zbiranja podatkov okoli 36–55 DAP in uporabo ustreznih tehnik modeliranja lahko raziskovalci in strokovnjaki znatno izboljšajo napovedi pridelka.

Ta pristop ne le prihrani čas, temveč tudi podpira pametnejše upravljavske odločitve, kar na koncu koristi kmetom, agronomom in celotni dobavni verigi krompirja.

Referenca: Mukiibi, A., Machakaire, ATB, Franke, AC. et al. Sistematični pregled vegetacijskih indeksov za spremljanje rasti krompirja in napovedovanje pridelka gomoljev z daljinskim zaznavanjem. Krompirjeve raziskave. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7