O sistema utiliza imaxes de satélite xunto coa intelixencia artificial e xa foi probado con éxito para anticipar o rendemento da pataca.
Investigadores do Laboratorio de Teledetección (LATUV) de a Universidade de Valladolid (UVa) deseñaron un novo índice de vexetación capaz de mellorar os modelos de predición de cultivos. A nova técnica, que emprega imaxes de satélite ESA Sentinel-2 e técnicas de aprendizaxe automática e intelixencia artificial, probouse con éxito na predición do rendemento dos cultivos de pataca e trigo.
A produción agrícola depende dun gran número de factores, tanto humanos como ambientais, que crean unha gran incerteza entre os agricultores. Pero a tecnoloxía pode ser un aliado importante para reducila. É o caso dos modelos computacionais que buscan simular o comportamento dun cultivo en condicións específicas, por exemplo o solo, o clima ou as prácticas agrícolas e, dependendo desta evolución esperada, estiman a produción agrícola.
"Hai moitos modelos e normalmente son específicos de cada tipo de cultivo", explica Diego Gómez, investigador do LATUV e primeiro autor de dous estudos publicados recentemente nas revistas International Journal of Remote Sensing and Agricultural and Forest Meteorology.
Pero estes modelos de crecemento tradicionais teñen algunhas limitacións, como "a incapacidade de modelar espacialmente a variabilidade dentro dunha mesma parcela" ou a multitude de datos de entrada que requiren que "normalmente non se obteñen debido ao alto custo de tempo e diñeiro que implica a recollida dos mesmos. . "
Superficie de cultivo de pataca sobre a que se fixeron as estimacións / D. Gómez
Así, nos últimos anos apostamos por unha tecnoloxía, a teledetección, que utiliza imaxes espectrais tomadas por sensores ópticos (instalados en satélites, avións, drons, etc.) e que poden complementar e incluso substituír nalgúns casos a estes modelos tradicionais. Estas imaxes espectrais proporcionan datos sobre o estado ou a fenoloxía do cultivo - os cambios externos visibles no proceso de desenvolvemento da planta - que se integran en modelos que axustan esa información de entrada para predicir os cultivos.
“As imaxes espectrais cubren a necesidade de datos de entrada, permiten o acceso a sitios remotos e teñen un custo baixo. Tamén son capaces de obter información relacionada coa capacidade produtiva do cultivo ", sinala o investigador de LATUV, que recorda que un dos índices espectrais - fórmulas matemáticas que combinan bandas espectrais - da vexetación máis usado para estimar a vigorosidade ou a densidade de vexetación - que predice finalmente a produtividade dos cultivos - é o NDVI (NDVI).
O uso de series temporais deste índice para xerar modelos preditivos de cultivos é moi común na literatura científica. Este índice utiliza a reflectancia da vexetación (a capacidade da vexetación para reflectir a luz) en dúas bandas espectrais, vermella e case vermella, que están relacionadas con parte da luz utilizada para a fotosíntese e a estrutura celular das follas, respectivamente.
Un novo índice de vexetación
Investigadores de LATUV desenvolveron un novo índice chamado PPI baseado en imaxes de satélite ESA Sentinel-2 que, ademais de ter en conta a información espectral implicada na fotosíntese - de 400 a 700 nanómetros - ten en conta a información doutras áreas do espectro electromagnético -704 nanómetros, banda Red Edge e 945 nanómetros, banda de absorción de vapor de auga-, que pode proporcionar outra información clave sobre o estado da colleita, como o seu estrés hídrico, cando a planta esixe máis auga da que ten.
Os investigadores compararon a capacidade preditiva de ambos índices de vexetación, NDVI e PPI, xunto con máis datos de imaxes de satélite. Para iso, empregaron dous algoritmos de Intelixencia Artificial e Machine Learning (chamados Random Forest e Support Vector Machine), e xeraron varios modelos nos que combinaron estes índices coas outras bandas de satélites.
"A hipótese era que, ao usar un índice que usa outras bandas non incluídas no popular índice NDVI e, por outra banda, con certo potencial para proporcionar información sensible sobre os cultivos, os modelos preditivos serían mellores", di Gómez, que avanza que, finalmente, a capacidade preditiva dos modelos "aumentou cando se incluíron ambos índices de vexetación ou ambos", o que valora "o uso destes datos en combinación con certas bandas de satélite individuais".
Predicións máis precisas no cultivo da pataca
Os resultados mostran que o índice PPI proporciona información semellante ao NDVI cando se usa o algoritmo Support Vector Machine e é significativamente máis informativo que NDVI ao usar o algoritmo Random Forest, resultados prometedores "que poñen sobre a mesa un novo índice de vexetación que pode mellorar a predición. modelos de colleita baseados en imaxes de satélite ”.
Ata agora, o novo índice probouse no cultivo de patacas nunha área de estudo bastante localizada. Despois dos cereais, a pataca é un dos cultivos alimentarios máis importantes a nivel mundial. Desempeña un papel fundamental na seguridade alimentaria dos países en desenvolvemento e tamén ten un gran peso no sector agrícola europeo, con Alemaña, Francia, Holanda e Polonia como principais produtores. Tamén se probou en trigo con datos tomados en México.
A idea do equipo é aumentar o número de datos para mellorar a solidez do modelo, cubrir unha área de estudo máis grande para aumentar a variabilidade espacial e incorporar novos cultivos. Perspectivas que dependen da continuidade do financiamento e que poden axudar aos agricultores a predicir a súa colleita de forma máis fiable no futuro.