26/03/2021 - UVa-Forscher entwerfen einen neuen verbesserten Index zur Vorhersage von Ernten durch künstliche Intelligenztechniken

Menéame

Forscher Teledetektionslabor (LATUV) Universität Valladolid (UVA) haben eine neue Vegetationsrate entwickelt, die die Modelle der Erntevorhersage verbessern kann. Die neue Technik, die Sentinel-2-Satellitenbilder der ESA und Techniken der künstlichen Intelligenz und automatisches Lernen von Maschinen, wurde erfolgreich in der Vorhersage der Ertrag der Kartoffel- und Weizenkulturen getestet.

Die landwirtschaftliche Erzeugung hängt von einer Vielzahl von Faktoren ab, sowohl von Mensch als auch von Umwelt, die bei den Landwirten große Unsicherheit hervorrufen. Aber Technologie kann eine wichtige Verbündete sein, um sie zu reduzieren. Dies gilt für Computermodelle, die versuchen, das Verhalten eines Anbaus unter bestimmten Bedingungen - z. B. Boden, Klima oder landwirtschaftliche Praktiken - zu simulieren und je nach dieser voraussichtlichen Entwicklung die landwirtschaftliche Erzeugung zu schätzen.

"Es gibt eine Vielzahl von Modellen und sie sind in der Regel spezifisch für jede Art von Kultur," erklärt DICYT Diego Gomez, Forscher der LATUV und erster Autor von Studien, die kürzlich in den Zeitschriften veröffentlicht wurden. International Journal of Remote Sensing y Landwirtschaft und Forest Meteorology.

Diese traditionellen Wachstumsmuster haben jedoch einige Einschränkungen, wie z. B. "die Unmöglichkeit, die Variabilität innerhalb eines Grundstücks räumlich zu modellieren" oder die Vielzahl der benötigten Inputdaten, die "in der Regel wegen der hohen Zeit- und Kosten ihrer Sammlung nicht erreicht werden."

So wird in den letzten Jahren auf eine Technologie gesetzt, nämlich die Fernerkundung, die Spektralbilder von optischen Sensoren (installiert mit Satelliten, Flugzeugen, Drohnen usw.) verwendet und diese traditionellen Modelle in einigen Fällen ergänzen und sogar ersetzen kann. Diese spektralen Bilder liefern Daten über den Zustand oder die Phönologie der Kultur - die sichtbaren äußeren Veränderungen des Entwicklungsprozesses der Pflanze -, die in Modelle integriert sind, die diese Eingabeinformationen anpassen, um Ernten vorherzusagen.

"Die Spektralbilder decken diesen Bedarf an Eingabedaten ab, ermöglichen den Zugriff auf entfernte Websites und sind kostengünstig. Darüber hinaus sind sie in der Lage, Informationen zu erhalten, die mit der Produktionskapazität des Anbaus zusammenhängen," so der LATUV-Forscher, der sich daran erinnert, dass einer der Spektralindizes - mathematische Formeln, die Spektralbänder kombinieren - der am häufigsten zur Schätzung der Stärke oder Dichte der Vegetation verwendet wird - was schließlich die Produktivität der Kultur vorhersagen lässt - NDVI (Standardabweichungsindex-Vegetationsindex) ist.

Die Verwendung von Zeitreihe dieses Index zur Erzeugung prognostischer Erntemodelle ist in der wissenschaftlichen Literatur sehr häufig. Dieser Index verwendet die Reflexion der Vegetation - die Fähigkeit der Vegetation, Licht zu reflektieren - in zwei Spektralbändern, das rot und das in der Nähe rot, die mit einem Teil des Lichts, das für die Photosynthese und die Zellstruktur der Blätter verwendet werden, bezogen sind.

Eine neue Vegetationsrate

Die Forscher der LATUV haben einen neuen Index namens PPI entwickelt, der auf Satellitenbildern der ESA Sentinel-2 basiert und neben den Spektralinformationen in der Photosynthese - 400 bis 700 Nanometer - auch Informationen aus anderen Bereichen des elektromagnetischen Spektrums - 704 Nanometer, Band in Red Edge und 945 Nanometer, Wasserdampf-Absorberband - berücksichtigt, was weitere wichtige Informationen zum Zustand der Kultur liefern kann, wie z. B. der Wasserstress - wenn die Anlage benötigt wird. mehr Wasser als Sie haben.

Die Forscher verglichen die Vorhersagekapazität beider Vegetationsquoten, NDVI und PPI, zusammen mit weiteren Daten aus Satellitenbildern. Dazu nutzten sie zwei Algorithmen für künstliche Intelligenz und das Lernen von Maschinen (Random Forest und Support Vector Machine) und schufen verschiedene Modelle, in denen diese Indizes mit den anderen Satellitenbändern kombiniert wurden.

"Die Annahme war, dass die Vorhersagemodelle durch die Verwendung eines Index, der andere als die in der beliebten NDVI-Index enthaltene Bandbreiten verwendet, und mit einer gewissen Wahrscheinlichkeit, sensible Informationen über den Anbau zu liefern, besser wären," so Gomez, der schließlich die Vorhersagefähigkeit der Modelle "erhöhte, wenn einer der beiden Vegetationsindizes oder beides enthalten waren," was den Wert "die Verwendung dieser Daten in Kombination mit bestimmten einzelnen Satellitenbändern" aufzeigt.

Genauere Vorhersagen für Kartoffelanbau

Die Ergebnisse zeigen, dass der PPI-Index beim Einsatz des Support Vector Machine-Algorithmus ähnliche Informationen wie der NDVI liefert und deutlich informativer ist als der NDVI, wenn der Random Forest-Algorithmus verwendet wird, vielversprechende Ergebnisse, "die einen neuen Vegetationsindex auf dem Tisch legen, der die Vorhersagemodelle der Ernten auf der Grundlage von Satellitenbildern verbessern kann."

Bislang wurde der neue Index in einem sehr lokal gelegenen Studiengebiet an Kartoffelkulturen getestet. Nach dem Getreide ist die Kartoffel weltweit einer der wichtigsten Nahrungsmittelkulturen. Sie spielt eine entscheidende Rolle bei der Ernährungssicherheit der Entwicklungsländer und spielt auch eine wichtige Rolle im europäischen Agrarsektor, mit Deutschland, Frankreich, den Niederlanden und Polen als Haupterzeuger. Auch wurde in Mexiko mit Daten aus Weizen getestet.

Die Idee des Teams ist es, die Anzahl der Daten zu erhöhen, um die Festigkeit des Modells zu verbessern, einen größeren Studienbereich zu bedecken, um die räumliche Variabilität zu erhöhen und neue Kulturen zu integrieren. Perspektiven, die von der Kontinuität der Finanzierung abhängen und den Landwirten in Zukunft helfen können, ihre Ernte auf zuverlässigere Weise vorherzusagen.

Referenz

Gómez, D., Salvador, P., Sanz, J., & Casanova, J. L. (2021). New spectral indicator Potato Productivity Index based on Sentinel-2 data to improve potato yield prediction: a machine learning approach. International Journal of Remote Sensing, 42(9), 3430-3448.

Gómez, D., Salvador, P., Sanz, J., & Casanova, J. L. (2021). Modelling wheat yield with antecedent information, satellite and climate data using machine learning methods in Mexico. Agricultural and Forest Meteorology, 300, 108317.

_______________________________________________

Cristina González Pedraz

DiCYT-Stiftung 3CIN-Agentur

Oracle acaba de emitir una alerta de seguridad para corregir la vulnerabilidad CVE-2026-91403, que afecta al componente Java Secure Socket Extension (JSSE) de versiones concretas de Oracle Java SE y GraalVM. La compañía le asigna una puntuación de 9,1 sobre 10 en CVSS 3.1. La matriz de riesgo señala que la vulnerabilidad puede explotarse por red sin autenticación y que,...

Acuerdo provisional sobre el mercado europeo de carbono El Consejo de la Unión Europea y el Parlamento Europeo alcanzaron el 20 de octubre de 2026 un acuerdo político provisional para modificar las reglas de invalidación de derechos de emisión en la Reserva de Estabilidad del Mercado (MSR), integrada en el régimen de comercio de derechos de emisión de la Unión...

El Consejo General de Colegios Oficiales de Graduados e Ingenieros Técnicos Industriales de España (COGITI) ha remitido documentación actualizada a octubre de 2026 sobre las atribuciones profesionales de los ingenieros técnicos industriales y de los graduados en Ingeniería con titulaciones habilitantes. El Colegio Oficial de Ingenieros Técnicos Industriales de Zamora ha difundido la comunicación entre sus colegiados. Los documentos toman...

Miguel Ángel Carrera, Ixone Angulo y Bebidas PepsiCo, S. L. han sido anunciados como ganadores de la primera edición de los Premios de Ingeniería e Industria de Euskadi, impulsados por el Consejo Vasco de Ingeniería Industrial, integrado por los colegios oficiales de Álava, Bizkaia y Gipuzkoa. Miguel Ángel Carrera ha sido distinguido como Ingeniero del Año por su trayectoria profesional....

El programa NAVISP impulsa técnicas de aprendizaje automático para identificar señales anómalas en sensores cuánticos destinados a posicionamiento, navegación y sincronización. Un nuevo enfoque para la navegación de precisión La Agencia Espacial Europea, a través de su programa NAVISP, impulsa el proyecto AI for Anomaly Detection in Multi-Sensor PNT, orientado a detectar comportamientos anómalos en sensores cuánticos empleados en sistemas...