Fjärranalys av vegetationsindex transformerar prognoser för potatisavkastning

Potatis är en av världens viktigaste livsmedelsgrödor och en basföda för miljontals människor. För det första hjälper kunskapen om hur potatisplantor växer och möjligheten att förutsäga deras avkastning bönder att hantera bevattning, gödsling och skadedjursbekämpning mer effektivt.

För det andra kan livsmedelsproducenter och lageranläggningar bättre planera logistik och arbetskraft när de har tillförlitliga avkastningsuppskattningar. Traditionella metoder – som att fysiskt gå igenom fält och mäta plantor för hand – är dock tidskrävande och benägna att orsaka mänskliga fel.

Därför har forskare vänt sig till fjärranalys, som använder kameror och sensorer på satelliter, drönare eller handhållna enheter, för att övervaka potatistillväxt och prognostisera avkastning snabbare och mer exakt.

Förstå prognoser för potatisavkastning

Under de senaste två decennierna har intresset för att tillämpa fjärranalys inom potatisforskning ökat avsevärt. Faktum är att en systematisk granskning identifierade 79 studier publicerade mellan 2000 och 2022 om detta ämne, av 482 initialt granskade artiklar.

För att säkerställa transparens och reproducerbarhet följde författarna etablerade riktlinjer (Kitchenham & Charters 2007; PRISMA-ramverket) och sökte i åtta stora databaser – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis och SpringerLink – med termer som “potatisavkastningsprediktion” OCH “fjärranalys”.”

Följaktligen inkluderades endast originalforskning på engelska som använde fjärranalysdata för tillväxtövervakning eller avkastningsuppskattning. Dessutom extraherades data från varje utvald artikel enligt fyra nyckelfrågor:

• Vilken sensorplattform användes (satellit, drönare eller markbaserad)?
• Vilka vegetationsindex eller spektrala egenskaper utvärderades?
• Vilka grödegenskaper övervakades (biomassa, bladyta, klorofyll, kväve)?
• Hur noggrant kan man förutsäga den slutliga knölavkastningen (bestämningskoefficient, R²)?

Dessa frågor hjälpte granskarna att kartlägga läget och identifiera luckor som framtida forskning skulle kunna fokusera på.

Fjärranalysplattformar och vegetationsindex

Forskare har använt tre huvudtyper av fjärranalysplattformar, var och en med sina egna fördelar och begränsningar. För det första erbjuder optiska satelliter som Sentinel-2 (10 m rumslig upplösning, 5 dagars återbesök) och Landsat 5–8 (30 m, 16 dagars återbesök) bred täckning och ofta gratis dataåtkomst.

För det andra möjliggör satelliter som MODIS/TERRA/Aqua (250–1000 m, dagligen till återbesök varannan dag) och kommersiella system som PlanetScope (3 m, dagligen, kostar cirka $218 per 100 km²) mer frekvent eller högre upplösningsövervakning, även om kostnaderna kan vara en faktor.

För det tredje ger obemannade flygfarkoster (UAV) med multispektrala eller hyperspektrala kameror mycket hög upplösning (ner till några centimeter per pixel) och kan flygas på begäran, men de täcker mindre områden och kräver mer logistik.

Slutligen ger markbaserade sensorer – såsom handhållna NDVI-mätare och SPAD-klorofyllmätare – punktmätningar som är mycket exakta, även om de är tidskrävande när de används över stora fält.

Vegetationsindex (VI) översätter råa reflektansvärden till meningsfulla uppskattningar av växtegenskaper. De vanligaste indexen i potatisstudier inkluderar:

• NDVI (Normaliserat skillnadsvegetationsindex): (NIR – Röd) / (NIR + Röd)
• GNDVI (Grön NDVI): (NIR – Grön) / (NIR + Grön)
• NDRE (Normaliserad skillnad Red-Edge): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (Optimerat jordjusterat vegetationsindex): 1,16 × (NIR – Röd) / (NIR + Röd + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen och mer. .

Dessa index väljs utifrån deras känslighet för trädkronor, klorofyllhalt och jordbakgrund. Följaktligen fungerar de som grund för att uppskatta växthälsa och förutsäga avkastning.

Potatisövervakning av tillväxt och förutsägelse av avkastning

Genom fjärranalys övervakar forskare viktiga egenskaper hos potatisgrödor – ovanjordisk biomassa (AGB), bladareaindex (LAI), klorofyllinnehåll i trädkronan (CCC) och kvävestatus i bladen – och relaterar sedan dessa till slutlig knölskörd.

För det första kan det vara utmanande att uppskatta AGB med hjälp av enbart VI när trädkronorna är täta eftersom många index mättar; därför förbättrar kombinationen av VI med växthöjd eller texturegenskaper i maskininlärningsmodeller ofta noggrannheten.

För det andra har bedömningen av LAI – den totala ensidiga lövytan per markyta – uppnått R²-värden upp till 0,84 genom att använda tidsseriedata från både hyperspektrala UAV- och multispektrala satellitsensorer.

För det tredje nådde CCC-uppskattningar, härledda från index som CIred-edge, CIgreen, TCARI/OSAVI och TCARI + OSAVI, R² ≈ 0,85 under det vegetativa stadiet, vilket indikerar stark korrelation med laboratoriemätt klorofyll.

Slutligen förutspåddes bladens kvävestatus, avgörande för hälsosam tillväxt, med R² från 0,52 till 0,95 vid användning av markbaserade sensorer plus regressions- eller slumpmässiga skogsmodeller.

När det gäller att förutsäga knölavkastning sticker två huvudsakliga modelleringsmetoder ut:

Empiriska regressionsmodeller: Här anpassas ett enda VI – oftast NDVI, GNDVI eller NDRE – till markbaserad avkastningsdata. Rapporterade R²-värden för NDVI kontra avkastning varierar från 0,23 till 0,84 (median ≈ 0,67), medan NDRE-avkastningskorrelationer varierar från 0,12 till 0,85 (median ≈ 0,61).

Maskininlärningsmodeller: Dessa inkluderar slumpmässiga skogar, stödvektormaskiner och neurala nätverk som kombinerar flera VI:er, spektralband och icke-spektrala faktorer som väder, jordmån och skötsel. Sådana modeller har drivit upp R² till 0,93 i vissa studier.

Dessutom påverkar tidpunkten för datainsamlingen i hög grad prediktionsnoggrannheten. I flera studier gav VI-mätningar gjorda 36–55 dagar efter plantering (DAP) de högsta korrelationerna med slutlig knölavkastning.

Detta skede infaller i linje med maximal marktäckning och början av knölbildning, vilket gör plantstrukturen till den mest indikativa faktorn för slutlig avkastning. Några av de viktigaste statistikuppgifterna som hittats:

• 79 studier (2000–2022) uppfyllde granskningskriterierna, av 482 identifierade.
• Fokusområden: avkastningsprognos (37 %), kvävestatus i blad (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Mest använda satellitplattformar: Sentinel-2, Landsat, MODIS; kommersiella: PlanetScope.
• R²-intervall: NDVI–utbyte (0,23–0,84), NDRE–utbyte (0,12–0,85), GNDVI–utbyte (0,26–0,75).

Rekommendationer för potatisavkastningsprognos

Baserat på dessa resultat bör yrkesverksamma först välja lämplig plattform för sina mål. För regionala avkastningsprognoser ger gratis Sentinel-2-data tillförlitlig täckning med 10 m upplösning och ett 5-dagars återbesöksschema.

För att förfina lokala uppskattningar fångar drönare som är planerade runt 36–55 dagar efter plantering kritisk dynamik i trädkronorna och förbättrar kalibreringen av satellitmodeller. Marksensorer används bäst för stickprovskontroller och för att kalibrera fjärrobservationer, särskilt när man kombinerar spektraldata med fältmätningar.

När det gäller vegetationsindex bör utövare prioritera NDVI, NDRE och CI _red-edge för att förutsäga slutskörd, eftersom dessa konsekvent visar starka korrelationer.

Vid uppskattning av klorofyll- och kvävehalt ger kombinationen av rödkantsindex med jordjusterade VI:er – såsom TCARI/OSAVI – de mest exakta resultaten. För uppskattning av biomassa ökar integreringen av VI:er med växthöjd eller texturegenskaper inom ramverk för maskininlärning ytterligare noggrannheten.

När det gäller modellering är enkla linjära eller icke-linjära regressioner med ett enda index effektiva när markdata är begränsade. Men när flera index och kompletterande data (väder, jordmån, skötsel) är tillgängliga, erbjuder maskininlärningsmetoder som slumpmässig skog eller neurala nätverk överlägsen prestanda. Viktigt är att tidpunkten för bilder runt 36–55 dagar efter plantering är avgörande, eftersom detta fönster konsekvent ger den högsta prediktionsnoggrannheten.

Slutsats

Sammanfattningsvis erbjuder fjärranalys en snabb, flexibel och noggrann verktygslåda för att övervaka potatistillväxt och förutsäga knölavkastning. Genom att välja lämplig plattform, välja de mest informativa vegetationsindexen, tidsinsamling av data runt 36–55 DAP och tillämpa lämpliga modelleringstekniker kan forskare och yrkesverksamma avsevärt förbättra avkastningsprognoserna.

Denna metod sparar inte bara tid utan stöder också smartare förvaltningsbeslut, vilket i slutändan gynnar jordbrukare, agronomer och hela potatisförsörjningskedjan.

Hänvisning: Mukiibi, A., Machakaire, ATB, Franke, AC. m.fl. En systematisk granskning av vegetationsindex för övervakning av potatis tillväxt och förutsägelse av knölavkastning med hjälp av fjärranalys. Potatis Res. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7