Kompletny brytyjski zestaw danych o plonach łącznie z danymi satelitarnymi, pogodowymi i o typie gleby

Dlaczego to ma znaczenie dla naszej przyszłości żywnościowej

Ilość żywności, jaką kraj potrafi wyprodukować, zależy nie tylko od pogody, lecz także od subtelnej interakcji klimatu, gleby i codziennych warunków w polach rolników. Do tej pory badaczom w Wielkiej Brytanii brakowało obszernego, otwartego zestawu danych łączącego rzeczywiste zbiory z dokładnymi pomiarami satelitarnymi i stacji meteorologicznych. Niniejszy artykuł przedstawia takie źródło, nazwane zestawem danych CYCleSS, które łączy plony, klimat, typy gleb i obserwacje satelitarne dla setek pól w Anglii. Daje ono naukowcom, decydentom i firmom agrotechnologicznym nowy sposób rozumienia i przewidywania zbiorów w ocieplającym się i bardziej niepewnym świecie.

Połączenie wielu elementów układanki gospodarstwa

Autorzy stworzyli CYCleSS, rozpoczynając od danych „z terenu” o plonach, zebranych przez nowoczesne kombajny na 934 polach w Anglii w latach 2015–2017. Maszyny te rutynowo rejestrują ile ziarna zebrano w szczegółowej rozdzielczości przestrzennej, ale dane te zwykle pozostają na gospodarstwie ze względu na ich wartość komercyjną. Zespół współpracował z UK Centre for Ecology and Hydrology oraz innymi partnerami, aby zanonimizować te informacje tak, by nie można było zidentyfikować poszczególnych gospodarstw, zachowując jednocześnie dokładność niezbędną do badań naukowych. Oprócz plonów zanotowano uprawiany gatunek rośliny na każdym polu, głównie pszenicę ozimą, rzepak, jęczmień oraz rośliny strączkowe.

Pogoda, gleba i satelity na tej samej mapie

Aby zrozumieć, dlaczego plony się różnią, zestaw danych łączy kilka źródeł informacji, wszystkie wyrównane na siatce o boku jednego kilometra. Codzienne zapisy pogodowe, takie jak temperatura, opady, nasłonecznienie, wiatr, ciśnienie powietrza i parowanie, pochodziły z krajowych archiwów klimatycznych obejmujących całą Wielką Brytanię. Właściwości gleby, w tym jej pojemność wodna, szybkość drenażu oraz skład frakcji piaszczystej, ilastej i pyłowej, dodano z europejskich map glebowych. Badacze następnie odfiltrowali siatkę, pozostawiając jedynie obszary faktycznie użytkowane jako grunty uprawne, wykorzystując szczegółową mapę pokrycia terenu rozróżniającą różne typy upraw w rozdzielczości 10 metrów.

Obserwowanie wzrostu roślin z kosmosu

Kluczową zaletą CYCleSS jest integracja danych satelitarnych z plonami z pola. Wykorzystując platformę obliczeń w chmurze, zespół wyekstrahował szeregi czasowe pomiarów radarowych z misji Sentinel‑1 dla każdego wybranego kwadratu siatki. Radar ma zaletę działania przez chmury i nocą, a jego sygnały zmieniają się w miarę rozwoju liści i biomasy roślin. Dla każdego pikselu satelitarnego 10 metrów w obrębie wybranych obszarów badacze zebrali odczyty radarowe co pięć dni w dwóch różnych polaryzacjach i ich stosunek, które są znane z wrażliwości na typ uprawy i stadium wzrostu. Sygnały na poziomie pikseli uśredniono następnie do skali pola i powiązano z odpowiadającymi danymi o plonach i zarządzaniu uprawami.

Zachowanie anonimowości rolników przy zachowaniu użyteczności danych

Ponieważ mapy plonów są ściśle powiązane ze źródłami utrzymania rolników, prywatność była kluczową kwestią. Aby chronić uczestników, autorzy wprowadzili proces dwuzespołowy. Jeden zespół zajmował się wyrównaniem danych satelitarnych, glebowych i klimatycznych na drobnej siatce; oddzielny zespół w UKCEH dopasował te siatki do rzeczywistych pól i plonów, a następnie usunął dokładne lokalizacje. Pola ostatecznie identyfikowano jedynie za pomocą losowych kodów oraz przez współrzędne w bardziej ogólnych kwadratach siatki o boku 10 kilometrów. Oznacza to, że każdy taki kwadrat zawiera wiele gospodarstw, co praktycznie uniemożliwia powiązanie konkretnego zapisu plonu z konkretnym przedsiębiorstwem, jednocześnie zachowując naukowe powiązanie między środowiskiem a plonem.

Co to umożliwia dla rolnictwa i odporności na zmiany klimatu

Zestaw danych CYCleSS otwiera drogę do znacznie skuteczniejszych modeli wydajności upraw w Wielkiej Brytanii. Ponieważ łączy rzeczywiste wyniki zbiorów z bogatymi strumieniami pomiarów pogodowych, glebowych i satelitarnych, jest idealny do trenowania i testowania narzędzi uczenia maszynowego, takich jak głębokie sieci neuronowe, które potrzebują dużych, dobrze ustrukturyzowanych zbiorów danych. Może być także użyty do weryfikacji i ulepszania tradycyjnych modeli wzrostu roślin oraz do badania sposobów łączenia tych modeli z obserwacjami satelitarnymi niemal w czasie rzeczywistym. Chociaż dane pochodzą głównie z lepiej wyposażonych gospodarstw w południowej Anglii i wciąż niosą pewne niepewności pomiarowe, oferują rzadkie, otwarte okno na to, jak uprawy w Wielkiej Brytanii reagują na swoje środowisko, pomagając badaczom opracowywać bardziej niezawodne prognozy plonów i wspierać wysiłki na rzecz uczynienia rolnictwa produktywnym i zrównoważonym.

Cytowanie: Corcoran, E., Bebber, D.P., Curceac, S. et al. A comprehensive UK crop yield dataset incorporating satellite, weather, and soil type information. Sci Data 13, 491 (2026). https://doi.org/10.1038/s41597-025-06528-x

Słowa kluczowe: prognozowanie plonów, zdalne wykrywanie satelitarne, dane rolnicze, rolnictwo w Wielkiej Brytanii, uczenie maszynowe