Модели на основе спутниковых снимков помогают фермерам, выращивающим нут
Новое исследование представляет инструмент машинного обучения, который объединяет спутниковые снимки и данные о погоде для мониторинга состояния посевов нута. Система точно оценивает индекс листовой поверхности (LAI) и водный потенциал листа (LWP) на коммерческих полях, помогая фермерам принимать более обоснованные решения по орошению и повышать урожайность. Это первое крупномасштабное применение подобной технологии в выращивании нута.
Исследование, опубликованное в European Journal of Agronomy, предлагает фермерам мощный инструмент для оптимизации орошения и улучшения состояния посевов нута с помощью спутниковых данных и машинного обучения.
Под руководством кандидата наук Омера Пераха и научного руководителя д-ра Итаи Херрманна из Института наук о растениях и генетики в сельском хозяйстве имени Роберта Х. Смита (Факультет сельского хозяйства, продовольствия и окружающей среды Еврейского университета в Иерусалиме), работа объединяет высокодетальные снимки спутника Sentinel-2 с погодными данными для оценки ключевых показателей здоровья растений: индекса листовой поверхности (LAI) и водного потенциала листа (LWP). Эти показатели критически важны для понимания развития растительного покрова и водного стресса у нута — ключевой культуры для засушливых регионов мира.
Комбинируя методы анализа данных с агрономией, исследователи разработали модели машинного обучения, способные прогнозировать физиологическое состояние растений на уровне всего поля. Важно, что модели тестировались с использованием стратегии «исключения поля» (leave-field-out), имитируя реальные условия, когда новые поля ранее не использовались для обучения моделей, что делает инструмент релевантным и надежным для практического применения.
«Наша цель — создать систему, которая работает не только в лаборатории, но и помогает фермерам в поле, — заявил ведущий автор Омер Перах. — С этой системой мы можем предоставить производителям пространственные карты развития растений и их водного статуса для всего поля. Такая информация позволяет проводить более точный и своевременный полив».
Модели продемонстрировали высокую точность в оценке индекса листовой поверхности и смогли различать разные уровни водного стресса, даже с учетом реальной изменчивости условий на 17 коммерческих полях. Наложив физиологические карты на графики орошения, исследователи показали, как фермеры могут упреждающе реагировать на потребности культуры и улучшать урожай.
«Реакцию растений нута на режимы орошения можно наблюдать из космоса, — отметил д-р Итаи Херрманн. — Мы разработали масштабируемый способ обнаружения изменчивости внутри поля с использованием бесплатных спутниковых данных и стандартных показаний метеостанций. Это помогает трансформировать интуитивное земледелие в управление, основанное на данных».
Исследование закладывает основу для интеграции этих моделей в такие платформы, как Google Earth Engine, где к ним смогут получить доступ фермеры по всему миру, включая регионы с ограниченной технической инфраструктурой.