Assessing Different Remotely Sensed Wheat Biophysical Variables for Data Assimilation in a Crop Model for Yield Mapping Prediction
Deze studie toont aan dat het assimileren van met Sentinel-2 afgeleide bovengrondse biomassa in het DSSAT CERES-Wheat model de nauwkeurigheid van de voorspelling en de mapping van tarweopbrengst op pixelniveau significant verbetert, waarbij het beter presteert dan schema's die uitsluitend gebaseerd zijn op de bladindex of de stikstofgehalte in het bladerdek.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Boeren vertrouwen al lange tijd op het weer, de bodem en hun eigen ervaring om te raden hoeveel tarwe een veld zal produceren. Vandaag de dag hebben ze een krachtig nieuw hulpmiddel: satellieten die de gewassen vanuit de ruimte kunnen zien. Maar simpelweg naar een satellietbeeld kijken is niet genoeg om een oogst te voorspellen. De uitdaging ligt in het verbinden van die verre uitzichten op groene bladeren met de complexe, verborgen processen die zich onder de grond en binnen de plant zelf afspelen. Om dit te doen, gebruiken wetenschappers computermodellen die simuleren hoe een gewas groeit, waarbij ze berekenen hoeveel water het drinkt, hoeveel stikstof het eet en hoe het zonlicht omzet in graan. Deze modellen zijn als gedetailleerde blauwdrukken voor een levende machine, maar ze raken vaak uit koers omdat de echte wereld rommelig is en vol verrassingen zit. Om dit op te lossen, gebruiken onderzoekers een techniek genaamd data-assimilatie. Denk aan een navigator die constant een kaart controleert tegen de werkelijke verkeersborden om de route te corrigeren. Door realtime observaties van satellieten in het computermodel te voeden, kunnen wetenschappers de simulatie dwingen om in lijn te blijven met de werkelijkheid, waardoor een ruwe gok verandert in een nauwkeurige voorspelling.
In een recente studie uitgevoerd in de tarwevelden van centraal Italië, probeerden onderzoekers het beste "verkeersbord" te vinden om hun computermodel te begeleiden. Ze testten drie verschillende stukken informatie die satellieten kunnen meten: de hoeveelheid blad oppervlakte, het totale gewicht van de plant boven de grond, en de hoeveelheid stikstof die in de bladeren is opgeslagen. Het team wilde weten welke van deze variabelen, wanneer in hun simulatie werd gevoed, de meest nauwkeurige voorspelling van de uiteindelijke oogst zou opleveren. Ze keken niet naar slechts één veld; ze draalden duizenden computersimulaties met verschillende weerpatronen en bodemtypen om te zien hoe het systeem in theorie zou reageren, en testten vervolgens hun ideeën op echte boerderijen in de Rieti-vlakte tijdens het groeiseizoen van 2024.
De resultaten toonden een duidelijke winnaar. Wanneer de onderzoekers de gegevens over het totale gewicht van de plant, ook wel bovengrondse biomassa genoemd, in het model voedden, werden de voorspellingen opmerkelijk nauwkeurig. In hun computersimulaties verminderde het gebruik van dit enkele stuk informatie de fout in de opbrengstvoorspelling met meer dan de helft vergeleken met het draaien van het model zonder enige satellietgegevens. Toen ze dit toepasten op de echte velden, was de verbetering net zo opvallend. De schatting van de oogst door het model kwam veel dichter bij wat de boeren daadwerkelijk oogstten, waarbij de fout daalde van meer dan 1.400 kilogram per hectare naar minder dan 600 kilogram. De ruimtelijke patronen van de opbrengst kwamen ook veel beter overeen met de werkelijkheid, waarbij de subtiele variaties over het veld werden gevangen in plaats van slechts een vlakke, uniforme schatting te tonen.
Verrassend genoeg werkten de andere twee variabelen niet zo goed op zichzelf. Het voeden van het model met alleen de bladarea-gegevens, of alleen de stikstofinhoud, maakte de voorspellingen in sommige gevallen zelfs slechter, waardoor de fout hoger uitviel dan wanneer er helemaal geen satellietgegevens waren gebruikt. De onderzoekers ontdekten dat hoewel bladarea en stikstof belangrijk zijn voor de gezondheid van de plant, ze te indirect zijn om de uiteindelijke korrelmassa betrouwbaar te voorspellen wanneer de satellietmetingen zelfs maar kleine fouten bevatten. Het totale gewicht van de plant is echter een directe maat voor groei die nauw verbonden is met de uiteindelijke oogst. Het fungeert als een stevig anker dat het model stabiel houdt, zelfs wanneer andere inputs onzeker zijn.
De studie toonde ook aan dat het combineren van alle drie de variabelen de resultaten niet noodzakelijkerwijs beter maakte dan het gebruik van alleen het gewicht. In de praktijktesten leidde het toevoegen van de minder betrouwbare blad- en stikstofgegevens aan de sterke gewichtsgegevens niet tot een significante verbetering van de uitkomst. Dit suggereert dat in de rommelige realiteit van een boerderij, meer data niet altijd beter is als die data ruis bevat. De kwaliteit van de meting is belangrijker dan de hoeveelheid. Door zich te concentreren op de meest robuuste variabele, konden de onderzoekers een hoog-resolutie kaart van de opbrengst van het veld maken, die precies laat zien waar het gewas goed presteerde en waar het moeite had, alles gebaseerd op een beperkt aantal grondmonsters en satellietbeelden.
Dit werk biedt een praktisch pad vooruit voor precisielandbouw. Het suggereert dat boeren en agronomen niet achter elke mogelijke meting vanuit de ruimte aan hoeven te jagen om hun voorspellingen te verbeteren. In plaats daarvan moeten ze zich richten op de variabelen die de meest stabiele en directe link naar de oogst bieden. Door satellietgegevens te gebruiken om het totale gewicht van het gewas te volgen, kunnen computermodellen worden afgestemd om de werkelijke staat van het veld te weerspiegelen, wat leidt tot betere beslissingen over bemesting en irrigatie. De studie bevestigt dat hoewel de hemel een overvloed aan informatie biedt, de sleutel tot het begrijpen van de oogst ligt in het weten welk deel van die informatie de meest betrouwbare gids is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.