UVa พัฒนาดัชนีพืชพันธุ์ที่ปรับปรุงใหม่เพื่อทำนายพืชผล

ระบบนี้ใช้ภาพถ่ายดาวเทียมควบคู่ไปกับปัญญาประดิษฐ์และได้รับการทดสอบเรียบร้อยแล้วเพื่อคาดการณ์ประสิทธิภาพของมันฝรั่ง

นักวิจัยจากห้องปฏิบัติการสำรวจระยะไกล (LATUV) ของ มหาวิทยาลัยบายาโดลิด (UVa) ได้ออกแบบดัชนีพืชพันธุ์ใหม่ที่สามารถปรับปรุงแบบจำลองการทำนายพืชผลได้ เทคนิคใหม่ซึ่งใช้ภาพถ่ายดาวเทียม ESA Sentinel-2 และเทคนิคการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ได้รับการทดสอบแล้วในการทำนายผลผลิตมันฝรั่งและข้าวสาลี

การผลิตทางการเกษตรขึ้นอยู่กับปัจจัยหลายประการทั้งมนุษย์และสิ่งแวดล้อมซึ่งสร้างความไม่มั่นใจอย่างมากในหมู่เกษตรกร แต่เทคโนโลยีสามารถเป็นพันธมิตรที่สำคัญในการลดความมัน นี่เป็นกรณีของแบบจำลองการคำนวณที่พยายามจำลองพฤติกรรมของพืชภายใต้เงื่อนไขที่เฉพาะเจาะจงเช่นดินสภาพภูมิอากาศหรือการปฏิบัติทางการเกษตรและขึ้นอยู่กับวิวัฒนาการที่คาดหวังนี้ให้ประมาณการผลผลิตทางการเกษตร

“ มีหลายแบบจำลองและโดยปกติจะมีความเฉพาะเจาะจงสำหรับพืชผลแต่ละประเภท” Diego Gómezนักวิจัย LATUV และผู้เขียนงานวิจัยสองชิ้นที่เพิ่งตีพิมพ์ครั้งแรกในวารสาร International Journal of Remote Sensing and Agricultural and Forest Meteorology อธิบาย

แต่แบบจำลองการเติบโตแบบดั้งเดิมเหล่านี้มีข้อ จำกัด บางประการเช่น“ ความไม่สามารถในการสร้างแบบจำลองเชิงพื้นที่ที่แปรปรวนภายในพัสดุเดียวกัน” หรือข้อมูลอินพุตจำนวนมากที่พวกเขาต้องการซึ่ง“ มักจะไม่ได้รับเนื่องจากต้นทุนเวลาและเงินที่สูงในการรวบรวมข้อมูลเหล่านี้ .”

พื้นที่ปลูกมันฝรั่งที่ประมาณการไว้ / ง. โกเมซ

ดังนั้นในช่วงไม่กี่ปีที่ผ่านมาเรากำลังเดิมพันกับเทคโนโลยีการตรวจจับระยะไกลที่ใช้ภาพสเปกตรัมที่ถ่ายโดยเซ็นเซอร์ออปติคัล (ติดตั้งบนดาวเทียมเครื่องบินโดรน ฯลฯ ) และสามารถเสริมและแทนที่ได้ในบางกรณีแบบจำลองดั้งเดิมเหล่านี้ ภาพสเปกตรัมเหล่านี้ให้ข้อมูลเกี่ยวกับสถานะหรือลักษณะทางกายภาพของพืช - การเปลี่ยนแปลงภายนอกที่มองเห็นได้ในกระบวนการพัฒนาพืชซึ่งรวมอยู่ในแบบจำลองที่ปรับข้อมูลอินพุตนั้นเพื่อทำนายพืช

“ ภาพสเปกตรัมครอบคลุมที่ต้องใช้ข้อมูลอินพุตอนุญาตให้เข้าถึงไซต์ระยะไกลและมีต้นทุนต่ำ นอกจากนี้ยังสามารถรับข้อมูลที่เกี่ยวข้องกับความสามารถในการผลิตของพืชได้อีกด้วย” นักวิจัย LATUV กล่าวซึ่งจำได้ว่าหนึ่งในดัชนีสเปกตรัม - สูตรทางคณิตศาสตร์ที่รวมแถบสเปกตรัม - ของพืชที่ใช้กันมากที่สุดในการประมาณความแข็งแรงหรือ ความหนาแน่นของพืชซึ่งทำนายผลผลิตของพืชในท้ายที่สุดคือ NDVI (NDVI)

การใช้อนุกรมเวลาของดัชนีนี้เพื่อสร้างแบบจำลองการทำนายพืชเป็นเรื่องปกติมากในวรรณกรรมทางวิทยาศาสตร์ ดัชนีนี้ใช้การสะท้อนแสงของพืช - ความสามารถของพืชในการสะท้อนแสง - ในแถบสเปกตรัมสองแถบคือสีแดงและสีแดงใกล้ซึ่งเกี่ยวข้องกับแสงบางส่วนที่ใช้ในการสังเคราะห์ด้วยแสงและโครงสร้างเซลล์ของใบไม้ตามลำดับ

ดัชนีพืชพันธุ์ใหม่

นักวิจัยของ LATUV ได้พัฒนาดัชนีใหม่ที่เรียกว่า PPI จากภาพถ่ายดาวเทียม ESA Sentinel-2 ซึ่งนอกเหนือจากการพิจารณาข้อมูลสเปกตรัมที่เกี่ยวข้องกับการสังเคราะห์ด้วยแสง - 400 ถึง 700 นาโนเมตร - ยังคำนึงถึงข้อมูลจากพื้นที่อื่น ๆ ของสเปกตรัมแม่เหล็กไฟฟ้า -704 นาโนเมตรแถบขอบแดงและ 945 นาโนเมตรแถบการดูดซับไอน้ำ - ซึ่งสามารถให้ข้อมูลสำคัญอื่น ๆ เกี่ยวกับสถานะของพืชเช่นความเครียดของน้ำ - เมื่อพืชต้องการน้ำมากกว่าที่มี

นักวิจัยเปรียบเทียบความสามารถในการทำนายของดัชนีพืชพันธุ์ทั้ง NDVI และ PPI พร้อมกับข้อมูลเพิ่มเติมจากภาพถ่ายดาวเทียม ในการทำเช่นนี้พวกเขาใช้อัลกอริธึมปัญญาประดิษฐ์และการเรียนรู้ของเครื่องสองแบบ (เรียกว่า Random Forest และ Support Vector Machine) และสร้างแบบจำลองต่างๆซึ่งรวมดัชนีเหล่านี้เข้ากับแถบสัญญาณดาวเทียมอื่น ๆ

“ สมมติฐานคือโดยใช้ดัชนีที่ใช้วงดนตรีอื่น ๆ ที่ไม่รวมอยู่ในดัชนี NDVI ที่เป็นที่นิยมและในทางกลับกันมีศักยภาพในการให้ข้อมูลการเพาะปลูกที่ละเอียดอ่อนรูปแบบการทำนายจะดีกว่า” Gómezผู้ก้าวหน้ากล่าว ในที่สุดความสามารถในการคาดการณ์ของแบบจำลอง "เพิ่มขึ้นเมื่อรวมดัชนีพืชพันธุ์อย่างใดอย่างหนึ่งหรือทั้งสองอย่าง" ซึ่งให้ความสำคัญกับ "การใช้ข้อมูลนี้ร่วมกับคลื่นสัญญาณดาวเทียมแต่ละแถบ"

การคาดการณ์ที่แม่นยำยิ่งขึ้นในการปลูกมันฝรั่ง

ผลการศึกษาแสดงให้เห็นว่าดัชนี PPI ให้ข้อมูลที่คล้ายกับ NDVI เมื่อใช้อัลกอริทึม Support Vector Machine และให้ข้อมูลมากกว่า NDVI อย่างมีนัยสำคัญเมื่อใช้อัลกอริทึม Random Forest ผลลัพธ์ที่มีแนวโน้ม "ซึ่งทำให้ดัชนีพืชพันธุ์ใหม่บนตารางสามารถปรับปรุงการคาดการณ์ได้ การเก็บเกี่ยวแบบจำลองจากภาพถ่ายดาวเทียม”

จนถึงขณะนี้ดัชนีใหม่ได้รับการทดสอบเกี่ยวกับการปลูกมันฝรั่งในพื้นที่ศึกษาที่มีการแปลเป็นภาษาท้องถิ่น มันฝรั่งเป็นพืชอาหารที่สำคัญที่สุดชนิดหนึ่งของโลก มีบทบาทสำคัญในความมั่นคงด้านอาหารของประเทศกำลังพัฒนาและยังมีน้ำหนักอย่างมากในภาคเกษตรกรรมของยุโรปโดยมีเยอรมนีฝรั่งเศสเนเธอร์แลนด์และโปแลนด์เป็นผู้ผลิตรายใหญ่ นอกจากนี้ยังได้รับการทดสอบในข้าวสาลีด้วยข้อมูลที่ถ่ายในเม็กซิโก

แนวคิดของอุปกรณ์คือการเพิ่มจำนวนข้อมูลเพื่อปรับปรุงความแข็งแกร่งของแบบจำลองครอบคลุมพื้นที่การศึกษาขนาดใหญ่เพื่อเพิ่มความแปรปรวนเชิงพื้นที่และรวมพืชผลใหม่ มุมมองที่ขึ้นอยู่กับความต่อเนื่องของการระดมทุนและสามารถช่วยให้เกษตรกรคาดการณ์การเก็บเกี่ยวได้อย่างน่าเชื่อถือมากขึ้นในอนาคต