Geautomatiseerde 10 m resolutie seizoensgebonden gewastypekaarten voor het aaneengesloten grondgebied van de Verenigde Staten

Waarom snelle gewaskaarten ertoe doen

Elk jaar vormen miljoenen acres maïs, soja, katoen en andere gewassen in de zomer de prijs van voedsel en brandstof in de Verenigde Staten en daarbuiten. Toch wordt de meest gebruikte nationale gewaskaart doorgaans pas maanden na de oogst vrijgegeven, wat te laat is voor veel realtime beslissingen. Deze studie presenteert een manier om tijdens het seizoen zelf te kaarten wat waar groeit in het aaneengesloten grondgebied van de Verenigde Staten, met voldoende detail om individuele percelen te zien en met slechts een paar dagen vertraging.

Een nieuw soort seizoenskaart

De auteurs introduceren de In season Crop type Data Layer, of ICDL, een reeks maandelijkse kaarten die gewastypen tonen met een resolutie van 10 meter in de onderste 48 staten. In tegenstelling tot traditionele producten die het jaar erop verschijnen, worden deze kaarten voor juni, juli en augustus openbaar gemaakt ongeveer vijf dagen na het einde van elke maand. Die snelheid stelt boeren, bedrijven en instanties in staat het ingezaaide areaal te volgen, risico's te monitoren en logistiek te plannen terwijl de gewassen nog in de grond staan. De ICDL wordt geleverd in een standaard kaartformaat en kan online worden bekeken via het CropSmart-webportaal of worden gedownload voor onafhankelijke analyse.

Het land lezen vanuit de ruimte

Om deze tijdige kaarten te maken, vertrouwt het team op een constante stroom beelden van twee satellietprogramma's: Sentinel-2 uit Europa en Landsat 8 en 9 uit de Verenigde Staten. Deze satellieten fotograferen herhaaldelijk dezelfde percelen in meerdere lichtkleuren die gevoelig zijn voor bladgroei en water, en leggen vast hoe gewassen vanaf het late voorjaar tot de zomer opkomen, groeien en rijpen. De methode maakt ook gebruik van jaren aan eerdere Amerikaanse gewaskaarten om te leren waar specifieke gewassen de neiging hebben zich in dezelfde percelen te herhalen of in eenvoudige patronen af te wisselen, zoals maïs en soja die elkaar jaar na jaar afwisselen. Pixels die zulke stabiele patronen volgen dienen als betrouwbare voorbeelden van elk gewas om het kaartensysteem te trainen.

Beeldtijdreeksen omzetten in kaarten per perceel

Voor elke satellietscène die een deel van het land beslaat, combineren de onderzoekers betrouwbare trainingspixels met stapels beelden die zijn verzameld van mei tot en met de betreffende zomermaand. Ze verwerken deze gegevens om resolutie te standaardiseren en berekenen eenvoudige indicatoren van plantenvitaliteit en waterstatus. Een machine learning-methode genaamd random forest leert vervolgens hoe de veranderende satellietsignalen corresponderen met verschillende landbedekkingen, inclusief belangrijke gewassen en andere klassen zoals weiland of bos. Er worden aparte kaarten gemaakt uit de Sentinel- en Landsat-stromen, die vervolgens aan elkaar worden gezet tot nationale lagen, waarbij Sentinel prioriteit krijgt vanwege het fijnere detail. Een laatste opschoningsstap egaliseert geïsoleerde verkeerd geclassificeerde pixels om perceelgrenzen scherp te stellen.

Hoe nauwkeurig zijn de kaarten

Het team controleerde de ICDL zorgvuldig door deze te vergelijken met veldwaarnemingen verzameld in Nebraska en Iowa en met officiële staatstatistieken over gewasareaal. Op pixelniveau verbetert de nauwkeurigheid naarmate de gewassen zich ontwikkelen, van ongeveer 81 procent in juni tot ongeveer 93 tot 98 procent in augustus, en overtreft vaak de lang bestaande Cropland Data Layer in de late zomer. De methode presteert bijzonder goed voor maïs en soja in de Corn Belt. Wanneer ICDL-gebaseerde areaalramingen vergeleken worden met officiële totalen voor maïs, soja en katoen, liggen de verschillen meestal binnen enkele procentpunten voor de meeste staten, en zijn de regionale totalen in het algemeen zeer dicht bij de gerapporteerde waarden.

Wat dit betekent voor voedsel- en landbeheer

Voor planners, analisten en wetenschappers biedt de ICDL een tijdig, landelijk beeld van wat boeren telen, tot op individuele percelen, tijdens het seizoen in plaats van lang nadat het is afgelopen. Hoewel de auteurs opmerken dat de prestaties kunnen variëren per gewas, regio en beeldkwaliteit, bereiken de kaarten consequent hoge nauwkeurigheid en volgen ze officiële statistieken nauwgezet. Deze nieuwe datalaag kan opbrengstvoorspellingen, vraag- en aanbode schattingen en risicobeoordelingen voor droogte of marktverstoringen versterken, en helpt besluitvormers sneller te reageren op veranderingen in het landbouwlandschap.

Bronvermelding: Li, H., Di, L., Zhang, C. et al. Automated 10-m Resolution In-season Crop-type Data Layer Mapping for Contiguous United States. Sci Data 13, 750 (2026). https://doi.org/10.1038/s41597-026-07099-1

Trefwoorden: gewaskaart, satellietbeelden, landbouwmonitoring, remote sensing, gewassen Verenigde Staten