Спутниковое слежение на солнечных минималках позволяет упростить прогнозы урожая
Инновационные спутниковые технологии для прогнозирования урожайности сельскохозяйственных культур станут спасательным кругом для развивающихся стран, страдающих от нехватки данных и климатических проблем.
🔹
Исследователи Корнелльского университета и их партнеры разработали инновационную систему прогнозирования урожайности сельскохозяйственных культур с использованием минимального количества данных, что является важным вспомогательным инструментом для АПК развивающихся стран, сталкивающихся с ограниченной доступностью данных, отсутствием продовольственной безопасности и климатическими угрозами.
Во всем мире урожайность сельскохозяйственных культур снижается, во многом из-за изменения климата. Недавнее исследование Корнелльского университета показало, что за последние сорок лет повышение температуры всего на 1 градус Цельсия привело к снижению чистого дохода ферм на 66%.
В то время как фермеры в развитых странах получают выгоду от обширных наборов данных и сложных инструментов управления рисками, позволяющих смягчить воздействие экстремальных погодных условий на их урожай и доходы, аграрии в развивающихся странах сталкиваются с серьезными проблемами из-за нехватки данных.
В статье исследователей, опубликованной в журнале Environmental Research Letters, сообщается о методе использования спутниковых изображений для измерения солнечно-индуцированной флуоресценции хлорофилла (SIF) для оценки и прогнозирования урожайности сельскохозяйственных культур. Этот метод был уже опробован на кукурузных полях в США и пшеничных полях в Индии, продемонстрировав его потенциальную применимость к различным культурам по всему миру.
«Флуоресценция хлорофилла — это красноватый свет, переизлучаемый фотосинтезирующими тканями и организмами, служащий показателем фотосинтетического преобразования энергии в растениях. Он не скажет вам, сколько початков кукурузы находится в поле, но первый шаг к прогнозу – смоделировать фотосинтез на основе флуоресценции. Урожайность сельскохозяйственных культур зависит от фотосинтеза. Здесь у нас есть механистическая модель, что очень важно», – поясняет Ин Сунь, соавтор и доцент кафедры почвенных и растениеводческих наук в Колледже сельского хозяйства и жизни (CALS) Корнелльского университета.
Крис Барретт, также соавтор и профессор прикладной экономики и менеджмента, видит значительный потенциал этого подхода в разработке политики, страховании урожая и прогнозировании бедности.
«Эта стратегия использует преимущества растущей доступности спутниковых данных, дешевле в использовании и доступнее, чем другие методы прогнозирования урожайности. Я считаю это многообещающим. Кроме того, инструмент поможет прогнозировать бедность на уровне деревни в сельских районах, где большая часть экономики основана на сельском хозяйстве», – сказал он.
Барретт отметил полезность этого инструмента для организаций, предоставляющих продовольственную помощь, поскольку он позволяет быстрее и целенаправленнее реагировать. Между тем, Сан упомянул продолжающиеся исследования, направленные на адаптацию этого инструмента для использования в режиме реального времени, что позволит фермерам корректировать стратегии для улучшения здоровья и продуктивности культур текущего урожая.
Ведущий автор Оз Кира из Университета имени Давида Бен-Гуриона в Негеве подчеркивает адаптивность модели к меняющимся условиям, в отличие от традиционных моделей машинного обучения, которые часто предполагают статические условия окружающей среды: «Если условия выращивания изменятся, вполне возможно, что прогнозы на основе исторических данных неприменимы. В нашем случае мы не основываем наши модели на предыдущих наблюдениях, они работают в режиме реального времени».
Источник: Cornell University, CALS.
Заглавное фото: Медведева Анна, AgroXXI.ru.
