Assessing Different Remotely Sensed Wheat Biophysical Variables for Data Assimilation in a Crop Model for Yield Mapping Prediction
यह अध्ययन प्रदर्शित करता है कि सेंटिनल-2 से प्राप्त ऊपर-सतह के बायोमास (above-ground biomass) को DSSAT CERES-Wheat मॉडल में समाहित करना, केवल लीफ एरिया इंडेक्स (LAI) या कैनोपी नाइट्रोजन सामग्री पर आधारित योजनाओं की तुलना में, पिक्सेल स्तर पर गेहूं की उपज के पूर्वानुमान और मैपिंग सटीकता में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
किसान लंबे समय से मौसम, मिट्टी और अपने स्वयं के अनुभव पर निर्भर रहे हैं कि एक खेत में कितनी गेहूं की पैदावार होगी। आज, उनके पास एक शक्तिशाली नया उपकरण है: उपग्रह (सैटेलाइट) जो अंतरिक्ष से फसलों को देख सकते हैं। लेकिन केवल एक सैटेलाइट इमेज को देखना फसल की भविष्यवाणी करने के लिए पर्याप्त नहीं है। चुनौती उन दूरस्थ दृश्यों को जमीन के नीचे और पौधे के भीतर चल रही जटिल, छिपी हुई प्रक्रियाओं से जोड़ने की है। ऐसा करने के लिए, वैज्ञानिक कंप्यूटर मॉडल का उपयोग करते हैं जो यह सिम्युलेट करते हैं कि एक फसल कैसे बढ़ती है, यह गणना करते हुए कि वह कितना पानी पीती है, कितना नाइट्रोजन खाती है, और वह सूर्य के प्रकाश को अनाज में कैसे बदलती है। ये मॉडल एक जीवित मशीन के विस्तृत ब्लूप्रिंट की तरह हैं, लेकिन वे अक्सर पटरी से उतर जाते हैं क्योंकि वास्तविक दुनिया अव्यवस्थित और आश्चर्यों से भरी होती है। इसे ठीक करने के लिए, शोधकर्ता 'डेटा एसिमिलेशन' नामक तकनीक का उपयोग करते हैं। इसे एक ऐसे नेविगेटर के रूप में सोचें जो मार्ग को सही करने के लिए लगातार मानचित्र की तुलना वास्तविक सड़क के संकेतों से करता है। सैटेलाइट से प्राप्त वास्तविक समय के अवलोकनों को अपने कंप्यूटर मॉडल में फीड करके, वैज्ञानिक सिमुलेशन को वास्तविकता के साथ संरेखित रहने के लिए मजबूर कर सकते हैं, जिससे एक अनुमानित अटकल को एक सटीक पूर्वानुमान में बदला जा सकता है।
हाल ही में मध्य इटली के गेहूं के खेतों में किए गए एक अध्ययन में, शोधकर्ताओं ने अपने कंप्यूटर मॉडल को मार्गदर्शन देने के लिए सबसे अच्छा "सड़क संकेत" खोजने का प्रयास किया। उन्होंने तीन अलग-अलग सूचनाओं का परीक्षण किया जिन्हें उपग्रह माप सकते हैं: पत्तों के सतही क्षेत्रफल की मात्रा, जमीन के ऊपर के पौधे का कुल वजन, और पत्तियों में जमा नाइट्रोजन की मात्रा। टीम यह जानना चाहती थी कि इनमें से कौन सा चर (वेरिएबल), जब उनके सिमुलेशन में डाला जाता है, अंतिम फसल की सबसे सटीक भविष्यवाणी करेगा। उन्होंने केवल एक खेत को नहीं देखा; उन्होंने विभिन्न मौसम पैटर्न और मिट्टी के प्रकारों के साथ हजारों कंप्यूटर सिमुलेशन चलाए ताकि यह देखा जा सके कि सिद्धांत रूप में यह प्रणाली कैसे व्यवहार करती है, और फिर उन्होंने 2024 के बढ़ते सीजन के दौरान रिएटी (Rieti) के मैदान में वास्तविक खेतों पर अपने विचारों का परीक्षण किया।
परिणामों ने एक स्पष्ट विजेता का खुलासा किया। जब शोधकर्ताओं ने मॉडल में पौधे के कुल वजन के बारे में डेटा फीड किया, जिसे 'अबोवग्राउंड बायोमास' (जमीन के ऊपर का जैविक द्रव्यमान) के रूप में जाना जाता है, तो भविष्यवाणियां उल्लेखनीय रूप से सटीक हो गईं। उनके कंप्यूटर सिमुलेशन में, इस एक जानकारी का उपयोग करने से बिना किसी सैटेलाइट डेटा के मॉडल चलाने की तुलना में उपज भविष्यवाणी में त्रुटि आधे से अधिक कम हो गई। जब उन्होंने इसे वास्तविक खेतों पर लागू किया, तो सुधार उतना ही प्रभावशाली था। मॉडल का फसल का अनुमान वास्तविक फसल के बहुत करीब हो गया, जिसमें त्रुटि 1,400 किलोग्राम प्रति हेक्टेयर से गिरकर 600 किलोग्राम से भी कम हो गई। उपज के स्थानिक पैटर्न (स्पेशियल पैटर्न) भी वास्तविकता के बहुत करीब थे, जो केवल एक सपाट, समान अनुमान दिखाने के बजाय खेत के सूक्ष्म विविधताओं को पकड़ रहे थे।
आश्चर्यजनक रूप से, अन्य दो चर अकेले उतने प्रभावी नहीं रहे। मॉडल में केवल लीफ एरिया (पत्ती क्षेत्र) डेटा या केवल नाइट्रोजन सामग्री को फीड करने से वास्तव में भविष्यवाणियां खराब हो गईं, जिससे कुछ मामलों में त्रुटि इतनी बढ़ गई कि यह बिना किसी सैटेलाइट डेटा के उपयोग की तुलना में भी अधिक थी। शोधकर्ताओं ने पाया कि हालांकि पत्ती का क्षेत्रफल और नाइट्रोजन पौधे के स्वास्थ्य के लिए महत्वपूर्ण हैं, लेकिन वे अंतिम अनाज के वजन की भविष्यवाणी करने के लिए बहुत अप्रत्यक्ष हैं, खासकर जब सैटेलाइट माप में थोड़ी भी त्रुटि हो। हालांकि, पौधे का कुल वजन विकास का एक सीधा माप है जो अंतिम फसल से मजबूती से जुड़ा हुआ है। यह एक मजबूत लंगर (एंकर) के रूप में कार्य करता है, जो अन्य इनपुट अनिश्चित होने पर भी मॉडल को स्थिर रखता है।
अध्ययन ने यह भी दिखाया कि तीनों चरों को मिलाने से परिणाम अनिवार्य रूप से केवल वजन के उपयोग से बेहतर नहीं हुआ। वास्तविक दुनिया के परीक्षणों में, वजन के मजबूत डेटा में कम विश्वसनीय लीफ और नाइट्रोजन डेटा को जोड़ने से परिणाम में कोई महत्वपूर्ण सुधार नहीं हुआ। यह सुझाव देता है कि एक वास्तविक फार्म की अव्यवस्थित वास्तविकता में, अधिक डेटा होना हमेशा बेहतर नहीं होता यदि वह डेटा शोर (नॉइजी) वाला हो। डेटा की मात्रा से अधिक डेटा की गुणवत्ता मायने रखती है। सबसे मजबूत चर पर ध्यान केंद्रित करके, शोधकर्ता खेत की उपज का एक उच्च-रिज़ॉल्यूशन मानचित्र बनाने में सक्षम रहे, जो दिखा रहा था कि फसल कहाँ अच्छी तरह से प्रदर्शन कर रही है और कहाँ संघर्ष कर रही है, और यह सब जमीन के कुछ नमूनों और सैटेलाइट छवियों के आधार पर किया गया।
यह कार्य सटीक कृषि (प्रिसिजन एग्रीकल्चर) के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह सुझाव देता है कि किसानों और कृषि विशेषज्ञों को अपनी भविष्यवाणियों को बेहतर बनाने के लिए अंतरिक्ष से हर संभव माप के पीछे भागने की आवश्यकता नहीं है। इसके बजाय, उन्हें उन चरों पर ध्यान केंद्रित करना चाहिए जो फसल के साथ सबसे स्थिर और सीधा संबंध प्रदान करते हैं। फसल के कुल वजन को ट्रैक करने के लिए सैटेलाइट डेटा का उपयोग करके, कंप्यूटर मॉडल को खेत की वास्तविक स्थिति को प्रतिबिंबित करने के लिए ट्यून किया जा सकता है, जिससे उर्वरक और सिंचाई के बारे में बेहतर निर्णय लेना संभव हो जाता है। अध्ययन पुष्टि करता है कि हालांकि आकाश सूचनाओं का एक खजाना प्रदान करता है, लेकिन फसल को समझने की कुंजी यह जानने में निहित है कि उस जानकारी का कौन सा हिस्सा सबसे विश्वसनीय मार्गदर्शक है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।