Il sistema utilizza immagini satellitari insieme all'intelligenza artificiale ed è già stato testato con successo per anticipare le prestazioni delle patate.
Ricercatori del Remote Sensing Laboratory (LATUV) di l'Università di Valladolid (UVa) hanno progettato un nuovo indice di vegetazione in grado di migliorare i modelli di previsione delle colture. La nuova tecnica, che utilizza immagini satellitari Sentinel-2 dell'ESA e tecniche di apprendimento automatico e intelligenza artificiale, è stata testata con successo per prevedere la resa delle colture di patate e grano.
La produzione agricola dipende da un gran numero di fattori, sia umani che ambientali, che creano grande incertezza tra gli agricoltori. Ma la tecnologia può essere un alleato importante per ridurlo. Questo è il caso dei modelli computazionali che cercano di simulare il comportamento di una coltura in condizioni specifiche, ad esempio il suolo, il clima o le pratiche agricole, e, a seconda di questa evoluzione attesa, stimano la produzione agricola.
"Esistono molti modelli e di solito sono specifici per ogni tipo di coltura", spiega Diego Gómez, ricercatore LATUV e primo autore di due studi pubblicati di recente sulle riviste International Journal of Remote Sensing e Agricultural and Forest Meteorology.
Ma questi modelli di crescita tradizionali hanno alcune limitazioni, come "l'incapacità di modellare spazialmente la variabilità all'interno della stessa particella" o la moltitudine di dati di input che richiedono che "di solito non vengono ottenuti a causa dell'elevato costo di tempo e denaro coinvolti nella loro raccolta . "
Superficie di coltivazione della patata su cui sono state effettuate le stime / D. Gómez
Così, negli ultimi anni, stiamo scommettendo su una tecnologia, il telerilevamento, che utilizza immagini spettrali riprese da sensori ottici (installati su satelliti, aerei, droni, ecc.) E che può integrare e persino sostituire in alcuni casi questi modelli tradizionali. Queste immagini spettrali forniscono dati sullo stato o la fenologia del raccolto - i cambiamenti esterni visibili nel processo di sviluppo della pianta - che sono integrati in modelli che regolano le informazioni di input per prevedere i raccolti.
“Le immagini spettrali coprono la necessità di dati di input, consentono l'accesso a siti remoti e hanno un costo contenuto. Sono anche in grado di ottenere informazioni relative alla capacità produttiva della coltura ", osserva il ricercatore LATUV, che ricorda che uno degli indici spettrali - formule matematiche che combinano bande spettrali - della vegetazione più comunemente usati per stimare la vigorosità o la densità della vegetazione, che in definitiva predice la produttività delle colture, è l'NDVI (NDVI).
L'utilizzo di serie temporali di questo indice per generare modelli predittivi di colture è molto comune nella letteratura scientifica. Questo indice utilizza la riflettanza della vegetazione - la capacità della vegetazione di riflettere la luce - in due bande spettrali, rossa e quasi rossa, che sono correlate rispettivamente ad una parte della luce utilizzata per la fotosintesi e alla struttura cellulare delle foglie.
Un nuovo indice di vegetazione
I ricercatori LATUV hanno sviluppato un nuovo indice chiamato PPI basato sulle immagini satellitari Sentinel-2 dell'ESA che, oltre a tenere conto delle informazioni spettrali coinvolte nella fotosintesi - da 400 a 700 nanometri - tiene conto delle informazioni provenienti da altre aree dello spettro elettromagnetico -704 nanometri, banda Red Edge e 945 nanometri, banda di assorbimento del vapore acqueo, che può fornire altre informazioni chiave sullo stato della coltura, come il suo stress idrico, quando la pianta richiede più acqua di quanta ne abbia.
I ricercatori hanno confrontato la capacità predittiva di entrambi gli indici di vegetazione, NDVI e PPI, insieme a più dati provenienti da immagini satellitari. Per fare ciò, hanno utilizzato due algoritmi di Intelligenza Artificiale e Machine Learning (chiamati Random Forest e Support Vector Machine) e hanno generato vari modelli in cui hanno combinato questi indici con le altre bande satellitari.
"L'ipotesi era che, utilizzando un indice che utilizza altre bande non incluse nel popolare indice NDVI e, d'altra parte, con un certo potenziale per fornire informazioni sensibili sulle colture, i modelli predittivi sarebbero stati migliori", afferma Gómez, che avanza che, infine, la capacità predittiva dei modelli “aumenta quando uno o entrambi gli indici di vegetazione sono stati inclusi”, che valorizza “l'uso di questi dati in combinazione con alcune bande satellitari individuali”.
Previsioni più accurate nella coltivazione della patata
I risultati mostrano che l'indice PPI fornisce informazioni simili a NDVI quando si utilizza l'algoritmo Support Vector Machine, ed è significativamente più informativo di NDVI quando si utilizza l'algoritmo Random Forest, promettendo risultati "che mettono sul tavolo un nuovo indice di vegetazione che può migliorare il predittivo modelli di raccolta basati su immagini satellitari ”.
Finora, il nuovo indice è stato testato sulla coltivazione della patata in un'area di studio abbastanza localizzata. Dopo i cereali, la patata è una delle colture alimentari più importanti a livello globale. Svolge un ruolo chiave nella sicurezza alimentare dei paesi in via di sviluppo e ha anche un grande peso nel settore agricolo europeo, con Germania, Francia, Paesi Bassi e Polonia come principali produttori. È stato anche testato sul grano con dati presi in Messico.
L'idea dell'attrezzatura è aumentare il numero di dati per migliorare la solidità del modello, coprire un'area di studio più ampia per aumentare la variabilità spaziale e incorporare nuove colture. Prospettive che dipendono dalla continuità dei finanziamenti e possono aiutare gli agricoltori a prevedere il loro raccolto in modo più affidabile in futuro.