Zautomatyzowana mapa typów upraw w sezonie o rozdzielczości 10 m dla kontynentalnych Stanów Zjednoczonych

Dlaczego szybkie mapy upraw są ważne

Każdego lata miliony akrów kukurydzy, soi, bawełny i innych upraw wpływają na ceny żywności i paliw w Stanach Zjednoczonych i poza nimi. Tymczasem najczęściej używana krajowa mapa upraw zwykle ukazuje się dopiero miesiące po żniwach, co jest za późno dla wielu decyzji podejmowanych w czasie rzeczywistym. Badanie przedstawia metodę mapowania tego, co rośnie gdzie na terenie 48 sąsiednich stanów w trakcie sezonu, z taką precyzją, że widać pojedyncze pola, i przy opóźnieniu zaledwie kilku dni.

Nowy rodzaj sezonowej mapy upraw

Autorzy przedstawiają In season Crop type Data Layer, w skrócie ICDL — zestaw miesięcznych map pokazujących typy upraw w rozdzielczości 10 metrów na niższych 48 stanach. W odróżnieniu od tradycyjnych produktów, które pojawiają się w kolejnym roku, te mapy za czerwiec, lipiec i sierpień udostępniane są publicznie zaledwie około pięciu dni po zakończeniu każdego miesiąca. Taka szybkość pozwala rolnikom, firmom i agencjom śledzić obsianą powierzchnię, monitorować ryzyka oraz planować logistykę, gdy uprawy wciąż rosną. ICDL jest dostarczany w standardowym formacie map i można go oglądać online za pośrednictwem portalu CropSmart lub pobrać do samodzielnej analizy.

Odczytywanie ziemi z kosmosu

Aby zbudować te terminowe mapy, zespół opiera się na stałym strumieniu obrazów z dwóch programów satelitarnych: Sentinel-2 z Europy oraz Landsat 8 i 9 ze Stanów Zjednoczonych. Satelity te wielokrotnie fotografują te same pola w kilku pasmach światła, wrażliwych na wzrost liści i wodę, rejestrując, jak uprawy pojawiają się, rosną i dojrzewają od późnej wiosny przez lato. Metoda wykorzystuje także wieloletnie krajowe mapy upraw, aby nauczyć się, gdzie poszczególne uprawy zwykle powtarzają się na tych samych polach lub występują w prostych rotacjach, na przykład zamiany kukurydzy i soi z roku na rok. Piksele wykazujące takie stabilne wzorce służą jako zaufane przykłady dla każdej uprawy przy trenowaniu systemu mapowania.

Przekształcanie czasowych serii obrazów w mapy na poziomie pól

Dla każdej sceny satelitarnej obejmującej część kraju badacze łączą zaufane piksele treningowe ze stosami obrazów zebranych od maja do każdego miesiąca lata. Przetwarzają te dane, by ujednolicić rozdzielczość i obliczyć proste wskaźniki żywotności roślin oraz zawartości wody. Metoda uczenia maszynowego zwana lasem losowym (random forest) uczy się, jak zmieniające się sygnały satelitarne odpowiadają różnym pokryciom terenu, w tym głównym uprawom i innym klasom, takim jak pastwiska czy lasy. Osobne mapy tworzone są z danych Sentinel i Landsat, a następnie łączone w krajowe warstwy; priorytet przyznano Sentinel ze względu na drobniejszy detal. Końcowy etap porządkowania wygładza pojedyncze błędnie zaklasyfikowane piksele, aby wyostrzyć granice pól.

Jak dokładne są mapy

Zespół starannie weryfikował ICDL, porównując go z obserwacjami polowymi zebranymi w Nebrasce i Iowie oraz ze stanowymi oficjalnymi statystykami powierzchni upraw. Na poziomie piksela dokładność poprawia się wraz z rozwojem upraw, wzrastając z około 81 procent w czerwcu do około 93–98 procent w sierpniu, i często przewyższa wieloletnią warstwę Cropland Data Layer pod koniec lata. Metoda działa szczególnie dobrze dla kukurydzy i soi w Pasie Kukurydzianym. Gdy szacunki powierzchni oparte na ICDL porównano z oficjalnymi sumami dla kukurydzy, soi i bawełny, różnice zwykle mieszczą się w kilku procentach dla większości stanów, a łączne sumy regionalne są bardzo zbliżone do wartości raportowanych.

Co to oznacza dla żywności i zarządzania gruntami

Dla planistów, analityków i naukowców ICDL oferuje terminowy, ogólnokrajowy obraz tego, co rolnicy uprawiają, aż do poziomu pojedynczych pól, w trakcie sezonu zamiast długo po jego zakończeniu. Choć autorzy zauważają, że wydajność może się różnić w zależności od uprawy, regionu i jakości obrazów, mapy konsekwentnie osiągają wysoką dokładność i ściśle odwzorowują oficjalne statystyki. Ta nowa warstwa danych może wzmocnić prognozy plonów, oszacowania podaży i popytu oraz oceny ryzyka suszy czy wstrząsów rynkowych, pomagając decydentom szybciej reagować na zmiany w krajobrazie rolniczym.

Cytowanie: 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

Słowa kluczowe: mapowanie upraw, obrazowanie satelitarne, monitoring rolniczy, teledetekcja, uprawy w Stanach Zjednoczonych