Модели на основе спутниковых снимков помогают фермерам, выращивающим нут.

от

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 потенциал водообеспеченности листьев (LWP) на коммерческих полях, помогая фермерам принимать более взвешенные решения об орошении и повышать урожайность. Это исследование знаменует собой первое крупномасштабное применение такой технологии в выращивании нута.

Исследование, [опубликованное](https://linkinghub.elsevier.com/retrieve/pii/S1161030125001285) в European Journal of Agronomy, предлагает фермерам, выращивающим нут, мощный инструмент для принятия более взвешенных решений об орошении и повышения производительности посевов благодаря спутниковым данным и машинному обучению.

Под руководством кандидата наук Омера Пераха под руководством доктора Иттая Херрмана из Института Роберта Х. Смита наук о растениях и генетики в сельском хозяйстве факультета сельского хозяйства, продовольствия и окружающей среды Еврейского университета в Иерусалиме учёные объединили спутниковые снимки высокого разрешения Sentinel-2 с данными о погоде для оценки ключевых показателей здоровья растений: индекса листовой поверхности (LAI) и потенциала водообеспеченности листьев (LWP). Эти показатели играют решающую роль в понимании развития полога и водного стресса у нута — жизненно важной культуры для полузасушливых регионов мира.

Объединив науку о данных с агрономией, исследователи разработали модели машинного обучения, которые могут прогнозировать физиологические условия на полях коммерческого нута. Они протестировали модели, используя стратегию «исключи поле», имитируя реальные условия, когда новые поля ранее не использовались для обучения моделей, что делает инструмент актуальным и надёжным для практического применения.

«Наша цель состояла в том, чтобы создать нечто, что не просто работает в лаборатории, но помогает фермерам в поле», — сказал ведущий автор Омер Перах. «С помощью этой системы мы можем предложить производителям пространственные карты развития растений и водного статуса по всему полю. Такая информация позволяет более точно и своевременно проводить орошение».

Модели достигли высокой точности при оценке индекса листовой поверхности и смогли различить разные уровни водного стресса даже при реальных условиях изменчивости на 17 коммерческих полях. Наложив физиологические карты на графики орошения, исследователи показали, как фермеры могут заранее реагировать на потребности посевов и повышать урожайность.

«Реакцию растений нута на режимы орошения можно наблюдать из космоса», — сказал доктор Иттай Херрманн. «Мы разработали масштабируемый способ обнаружения внутриполевой изменчивости, используя бесплатные спутниковые данные и стандартные данные метеостанций. Это помогает преобразовать интуитивное земледелие в управление, основанное на данных».

Исследование закладывает основу для интеграции этих моделей в такие платформы, как Google Earth Engine, где к ним могут получить доступ фермеры по всему миру, даже в регионах с ограниченной технической инфраструктурой.

Предоставлено
[Hebrew University of Jerusalem](https://phys.org/partners/hebrew-university-of-jerusalem/)

Источник

Другие новости по теме

Другие новости на сайте