Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

In het stille ritme van de landbouw is de nasleep van een oogst vaak even belangrijk als de oogst zelf. Wanneer een graanveld wordt geoogst, verdwijnen de achtergebleven stengels en bladeren niet zomaar; ze blijven op het bodemoppervlak liggen, een laag organisch materiaal dat bekend staat als gewasresidu. Dit materiaal ter plaatse laten liggen is een krachtig instrument voor het land. Het werkt als een beschermende deken die vocht in de grond vasthoudt tijdens droge periodes, de wind en het water vertraagt dat anders de vruchtbare bovenlaag zou wegspoelen, en langzaam voedingsstoffen teruggeeft aan de aarde terwijl het afbreekt. Boeren die deze residuen achterlaten, beoefenen wat conservatieve grondbewerking wordt genoemd, een methode die de lange termijn gezondheid van de bodem prioriteert boven de snelheid waarmee de grond wordt ondergeploegd. Om echter te weten of deze methode correct wordt toegepast, hebben wetenschappers een manier nodig om exact te meten hoeveel van de grond bedekt is door deze stengels. Als de bedekking te laag is, is de bodem kwetsbaar; als deze hoog genoeg is, wordt het land beschermd.

Decennialang betekende het meten van deze bedekking dat mensen de velden in gingen met camera's en klembordjes, om elk stukje stro dat ze in een klein vierkant stuk grond konden zien, te tellen. Hoewel accuraat, is dit proces traag, arbeidsintensief en moeilijk op te schalen naar volledige regio's. In de afgelopen jaren is de focus verschoven naar het gebruik van licht om het tellen te doen. Elk object reflecteert licht op een unieke manier, en droog plantaardig materiaal heeft een duidelijke signatuur die verschilt van kale bodem. Door de specifieke kleuren van het licht te analyseren dat van een veld afkaatst, hopen onderzoekers het percentage grond dat door stro bedekt is te berekenen zonder ooit een voet op het land te zetten. Deze taak wordt echter bemoeilijkt door het feit dat stro niet plat ligt als een tapijt. Afhankelijk van hoe de boer het veld beheert — of ze de stengels rechtop laten staan, ze fijn hakken of diep in de aarde ploegen — verandert de manier waarop het licht terugkaatst. Het begrijpen van deze subtiele verschillen is de sleutel tot het omzetten van een eenvoudige lichtmeting in een betrouwbare kaart van de bodemgezondheid.

Een onderzoeker, Yang Haolin, aan de Beijing Bayi School, zette zich af om dit puzzelstukje op te lossen door een gedetailleerde kaart te maken van hoe tarwestro met licht omgaat onder verschillende omstandigheden. Ze begonnen met het opzetten van een gecontroleerd experiment bij een onderzoekscentrum in Xiaotangshan, ten noorden van Beijing. Hier kweekten ze wintertarwe en pasten ze na de oogst vier verschillende beheertechnieken toe op verschillende secties van het veld. Sommige percelen werden achtergelaten met de stobben rechtopstaand, andere hadden het stro fijngehakt en verspreid, sommige werden behandeld met een rototiller die het residu in de bovenste laag van de grond mengde, en andere werden diep geploegd. Deze variatie stelde hen in staat om te zien hoe de fysieke rangschikking van het stro, en niet alleen de hoeveelheid ervan, de manier veranderde waarop het veld eruitzag voor een sensor.

Om deze veranderingen vast te leggen, liepen ze door de velden met een draagbare spectrometer, een apparaat dat fungeert als een geavanceerd oog dat veel meer kleuren kan zien dan het menselijk brein kan verwerken. Ze maten het licht dat reflecteerde van de mengeling van bodem en stro op honderden verschillende golflengten, variërend van het zichtbare spectrum dat wij kunnen zien tot de infrarode golflengten die wij niet kunnen zien. Tegelijkertijd maakten ze foto's van de grond van recht bovenaf en gebruikten ze een rastermethode om exact te tellen hoeveel van de grond door stro werd bedekt, waardoor ze een nauwkeurige "ground truth" creëerden om te vergelijken met de lichtmetingen. Ze verzamelden ook soortgelijke gegevens uit echte tarwevelden in de provincie Henan om ervoor te zorgen dat hun bevindingen ook buiten de gecontroleerde omgeving van het onderzoekscentrum stand zouden houden.

De onderzoeker ontdekte dat het licht dat van het veld reflecteert op voorspelbare manieren veranderde naarmate de hoeveelheid strobedekking toenam. Ze vonden dat het meest gevoelige gebied voor het detecteren van deze bedekking in het kortgolvige infrarode deel van het spectrum lag, een regio van licht die sterk interageert met de cellulose en lignine die aanwezig zijn in plantencelwanden. Door de gegevens te analyseren, identificeerden ze een specifieke lichtband bij 1320 nanometer die bijzonder goed was in het signaleren van de aanwezigheid van stro. Ze testten ook verschillende wiskundige formules, bekend als spectrale indices, die verschillende lichtgolflengten combineren om gewasresiduen te benadrukken. De resultaten toonden aan dat indices die ontworpen zijn om te zoeken naar cellulose en lignine veel effectiever waren bij het detecteren van stro dan de standaardformules die worden gebruikt om groen, levend plantmateriaal te meten.

Met deze lichtsignaturen in de hand, richtte de onderzoeker zich op computermodellen om een systeem te bouwen dat de hoeveelheid strobedekking kan voorspellen op basis van de lichtgegevens alleen. Ze testten vijf verschillende soorten machine learning-algoritmen, wat programma's zijn die ontworpen zijn om patronen in gegevens te vinden. Sommige van deze modellen waren eenvoudig en lineair, terwijl andere complex waren en in staat waren om ingewikkelde relaties te leren. De resultaten waren duidelijk: het meest succesvolle model was een methode genaamd Random Forest. Deze aanpak, die werkt door veel kleine beslissingsbomen te bouwen en hun antwoorden te combineren, bereikte een nauwkeurigheidspercentage waarbij hun voorspellingen 95 procent van de tijd overeenkwamen met de werkelijke metingen. In contrast hiermee presteerde een complexer deep learning-model, dat vaak wordt gebruikt voor geavanceerde taken, niet goed. De onderzoeker merkte op dat dit deep learning-model veel meer gegevens vereiste dan zij beschikbaar hadden om effectief te leren, wat leidde tot slechte voorspellingen. Deze bevinding suggereert dat voor deze specifieke taak een robuust, eenvoudiger model betrouwbaarder is dan een complex model wanneer men werkt met beperkte veldgegevens.

Misschien wel het meest significante deel van de studie was het testen of een model dat in een gecontroleerd experiment is gebouwd, ook in de echte wereld kon werken. De onderzoeker nam hun best presterende model en paste het toe op gegevens uit de werkelijke tarwevelden in de provincie Henan. Na het maken van kleine aanpassingen aan de instellingen, schatte het model de strobedekking in deze real-world scenario's succesvol in. Dit bewees dat de relatie tussen licht en strobedekking sterk genoeg is om over verschillende locaties en omstandigheden heen te reizen. De studie bevestigt dat door het begrijpen van hoe de fysieke structuur van het veld het licht beïnvloedt, wetenschappers hulpmiddelen kunnen creëren die de praktijken van de conservatieve landbouw over grote gebieden nauwkeurig kunnen monitoren. Hoewel het werk werd gedaan met grondgebonden sensoren, ziet de onderzoeker een duidelijk pad vooruit: deze zelfde principes kunnen worden toegepast op beelden gemaakt door drones en satellieten, waardoor uiteindelijk de dynamische, grootschalige monitoring van bodemgezondheid mogelijk wordt die boeren en beleidsmakers nodig hebben om het land voor de toekomst te beschermen.