Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

Nel ritmo tranquillo dell'agricoltura, le conseguenze di un raccolto sono spesso importanti quanto il raccolto stesso. Quando un campo di grano viene tagliato, i resti di steli e foglie non svaniscono semplicemente; rimangono sulla superficie del suolo, uno strato di materia organica noto come residuo colturale. Lasciare questo materiale sul posto è uno strumento potente per la terra. Agisce come una coperta protettiva, trattenendo l'umidità nel terreno durante i periodi di siccità, rallentando il vento e l'acqua che altrimenti trascinerebbero via il fertile suolo superficiale, e nutrendo lentamente la terra con nutrienti mentre si decompone. Gli agricoltori che lasciano questi residui praticano quella che viene chiamata agricoltura conservativa, un metodo che dà priorità alla salute a lungo termine del suolo rispetto alla velocità di aratura. Tuttavia, per sapere se questo metodo viene utilizzato correttamente, gli scienziati hanno bisogno di un modo per misurare esattamente quanta parte del terreno sia coperta da questi steli. Se la copertura è troppo bassa, il suolo è vulnerabile; se è sufficientemente alta, la terra è protetta.

Per decenni, misurare questa copertura ha significato inviare persone nei campi con macchine fotografiche e appunti, contando ogni pezzo di paglia che riuscivano a vedere in un piccolo quadrato di terreno. Pur essendo accurato, questo processo è lento, richiede molto lavoro ed è difficile da estendere a intere regioni. Negli ultimi anni, l'attenzione si è spostata verso l'uso della luce per fare il conteggio. Ogni oggetto riflette la luce in un modo unico, e il materiale vegetale secco ha una firma distinta che differisce dal suolo nudo. Analizzando i colori specifici della luce che rimbalza su un campo, i ricercatori sperano di calcolare la percentuale di terreno coperta dalla paglia senza mai mettere piede sul campo. Eppure, questo compito è complicato dal fatto che la paglia non giace piatta come un tappeto. A seconda di come l'agricoltore gestisce il campo — lasciando gli steli eretti, sminuzzandoli o arreandoli profondamente nel terreno — il modo in cui la luce rimbalza cambia. Comprendere queste sottili differenze è la chiave per trasformare una semplice misurazione della luce in una mappa affidabile della salute del suolo.

Un ricercatore, Yang Haolin, presso la Scuola Beijing Bayi, si è posto l'obiettivo di risolvere questo enigma creando una mappa dettagliata di come la paglia di grano interagisce con la luce in diverse condizioni. Hanno iniziato stabilendo un esperimento controllato presso un centro di ricerca a Xiaotangshan, a nord di Pechino. Qui, hanno coltivato grano invernale e, dopo il raccolto, hanno applicato quattro diverse tecniche di gestione a diverse sezioni del campo. Alcuni lotti sono stati lasciati con i residici eretti, altri avevano la paglia sminuzzata in piccoli pezzi e sparsa, alcuni sono stati trattati con una fresa rotante che ha mescolato il residuo nello strato superficiale del suolo, e altri sono stati arati profondamente. Questa varietà ha permesso loro di vedere come la disposizione fisica della paglia, non solo la sua quantità, cambiasse l'aspetto del campo per un sensore.

Per catturare questi cambiamenti, hanno percorso i campi con uno spettrometro portatile, un dispositivo che funge da occhio sofisticato capace di vedere molti più colori di quanti il cervello umano possa elaborare. Hanno misurato la luce riflessa dal mix di suolo e paglia a centinaia di lunghezze d'onda diverse, che vanno dallo spettro visibile che vediamo alle lunghezze d'onda dell'infrarosso che non possiamo vedere. Contemporaneamente, hanno scattato fotografie del terreno dall'alto e hanno utilizzato un metodo a griglia per contare esattamente quanta parte del terreno fosse coperta dalla paglia, creando una "verità a terra" precisa da confrontare con le letture della luce. Hanno anche raccolto dati simili da veri campi di grano nella provincia di Henan per garantire che le loro scoperte reggessero al di fuori dell'ambiente controllato della stazione di ricerca.

Il ricercatore ha scoperto che la luce riflessa dal campo cambiava in modi prevedibili all'aumentare della quantità di copertura della paglia. Ha scoperto che l'area più sensibile per rilevare questa copertura era nella parte dell'infrarosso a onde corte dello spettro, una regione di luce che interagisce fortemente con la cellulosa e la lignina presenti nelle pareti cellulari delle piante. Analizzando i dati, ha identificato una specifica banda di luce a 1320 nanometri che era particolarmente efficace nel segnalare la presenza di paglia. Ha anche testato diversi modelli matematici, noti come indici spettrali, che combinano diverse lunghezze d'onda della luce per evidenziare i residui colturali. I risultati hanno mostrato che gli indici progettati per cercare cellulosa e lignina erano molto più efficaci nel rilevare la paglia rispetto alle formule standard utilizzate per misurare le piante verdi e vive.

Con queste firme luminose in mano, il ricercatore si è rivolto ai modelli informatici per costruire un sistema in grado di prevedere la quantità di copertura della paglia basandosi solo sui dati della luce. Ha testato cinque diversi tipi di algoritmi di machine learning, ovvero programmi progettati per trovare schemi nei dati. Alcuni di questi modelli erano semplici e lineari, mentre altri erano complessi e capaci di apprendere relazioni intricate. I risultati sono stati chiari: il modello di maggior successo era un metodo chiamato Random Forest. Questo approccio, che funziona costruendo molti piccoli alberi decisionali e combinando le loro risposte, ha raggiunto un tasso di accuratezza in cui le loro previsioni corrispondevano alle misurazioni reali il 95 percento delle volte. Al contrario, un modello di deep learning più complesso, spesso usato per compiti avanzati, non è riuscito a performare bene. Il ricercatore ha notato che questo modello di deep learning richiedeva molti più dati di quanti ne avessero a disposizione per apprendere efficacemente, portando a previsioni scarse. Questa scoperta suggerisce che, per questo compito specifico, un modello robusto e più semplice è più affidabile di uno complesso quando si lavora con dati di campo limitati.

Forse la parte più significativa dello studio è stata testare se un modello costruito in un esperimento controllato potesse funzionare nel mondo reale. Il ricercatore ha preso il suo modello con le migliori prestazioni e lo ha applicato ai dati dei veri campi di grano nella provincia di Henan. Dopo aver apportato piccole regolazioni alle impostazioni, il modello ha stimato con successo la copertura della paglia in questi scenari del mondo reale. Ciò ha dimostrato che la relazione tra la luce e la copertura della paglia è abbastanza forte da viaggiare attraverso diverse località e condizioni. Lo studio conferma che, comprendendo come la struttura fisica del campo influenzi la luce, gli scienziati possono creare strumenti che monitorano accuratamente le pratiche agricole conservative su vaste aree. Sebbene il lavoro sia stato svolto con sensori a terra, il ricercatore vede una strada chiara davanti a sé: questi stessi principi possono essere applicati alle immagini scattate da droni e satelliti, permettendo infine il monitoraggio dinamico e su larga scala della salute del suolo di cui agricoltori e decisori politici hanno bisogno per proteggere la terra per il futuro.