K‑means w analizie wskaźników wegetacji do mapowania areałów uprawnych przy użyciu wysokorozdzielczych zdjęć satelitarnych Mohammed VI z Maroka

Dlaczego lepsze mapy upraw są istotne

Karmienie rosnącej populacji świata zależy od tego, by w niemal rzeczywistym czasie wiedzieć, co faktycznie rośnie na ziemi. Rolnicy i instytucje państwowe potrzebują wiarygodnych map pokazujących, gdzie zasiano uprawy, które pola są gołe oraz jak te wzorce zmieniają się z sezonu na sezon. W badaniu tym pokazano, jak marokański satelita obserwacji Ziemi, w połączeniu z prostą formą sztucznej inteligencji, może przekształcić surowe obrazy w wysoce dokładne mapy terenów uprawnych, bez konieczności angażowania armii ludzi do ręcznego oznaczania danych.

Obserwacja gospodarstw z kosmosu

Praca koncentruje się na systemie satelitarnym Mohammed VI, parze marokańskich satelitów krążących po orbicie słonecznie synchronicznej. Rejestrują one bardzo ostre obrazy w czterech kanałach, w tym w bliskiej podczerwieni, z rozdzielczością pół metra — dostatecznie szczegółową, by rozróżnić pojedyncze małe pola, a nawet rzędy drzew. Autorzy skupili się na 175‑hektarowym obszarze rolniczym w regionie Fes–Meknes na północy Maroka, gdzie pola z zbożami, kukurydzą, oliwkami, migdałami, winoroślą i warzywami występują obok nieuprawianych działek i skąpej roślinności. Taka różnorodność czyni ten obszar idealnym polem testowym dla narzędzi, które muszą oddzielić ziemię uprawną od wszystkiego innego.

Przekształcanie kolorów w wskazówki

Surowe zdjęcia satelitarne to jedynie siatki wartości jasności w różnych pasmach kolorystycznych. Aby uczynić te siatki bardziej informacyjnymi, naukowcy często obliczają „wskaźniki wegetacji”, które łączą kilka kanałów w jedną liczbę odzwierciedlającą kondycję roślin lub zawartość wody. W badaniu użyto dobrze znanego wskaźnika Normalized Difference Vegetation Index (NDVI), który uwydatnia liściastą, bogatą w chlorofil roślinność, oraz zmodyfikowanego wskaźnika Modified Normalized Difference Water Index, wrażliwego na różnice wilgotności przy użyciu zielonego i bliskiej podczerwieni. Razem z oryginalnym pasmem bliskiej podczerwieni te trzy warstwy tworzą zwarty opis statusu roślinności i wilgotności dla każdego piksela, dostarczając znacznie bogatszych informacji niż pojedyncze pasmo.

Pozwalając danym same się grupować

Zamiast trenować złożony model na tysiącach ręcznie oznaczonych przykładów, badacze sięgnęli po K‑means, prosty algorytm grupowania z zakresu uczenia bez nadzoru. K‑means wyszukuje wzorce w danych i grupuje piksele w ustaloną liczbę klastrów o podobnych cechach spektralnych. Po podstawowym wstępnym przetworzeniu — wyodrębnieniu istotnych pasm, obliczeniu obu wskaźników, złożeniu ich i skalowaniu wszystkich wartości do przedziału od zera do jedynki — zespół polecił K‑means utworzyć dokładnie trzy klastry. Następnie zinterpretowano je jako tło (obszary poza polami lub bez użytecznego sygnału), odsłoniętą glebę oraz obszary dominowane przez uprawy. Ponieważ metoda jest bez nadzoru, można ją zastosować do nowych obrazów bez dodatkowych oznaczonych danych treningowych.

Testowanie metody

Aby ocenić skuteczność podejścia, autorzy stworzyli szczegółową mapę referencyjną, ręcznie wytyczając działki uprawne w oprogramowaniu GIS, używając tego samego wysokorozdzielczego obrazu. Następnie porównali cztery sposoby oszacowania udziału ziemi uprawnej: prostą regułę opartą wyłącznie na jasności bliskiej podczerwieni, regułę opartą tylko na wskaźniku NDVI, standardowe uruchomienie K‑means na oryginalnych pasmach kolorystycznych oraz ich nowe „spektralne K‑means”, które grupuje skombinowane dane z indeksów i podczerwieni. Faktyczny udział areałów uprawnych na badanym obszarze wynosił 71,07 procent. Progowanie według bliskiej podczerwieni zaniżyło to do 65,59 procent, sam NDVI dał 66,13 procent, a standardowy K‑means osiągnął 67,18 procent. Podejście spektralnego K‑means okazało się najbliższe, z wynikiem 72,07 procent, co odpowiada względnemu błędowi zaledwie 1,41 procent — kilka razy lepiej niż metody konkurencyjne.

Co to oznacza dla przyszłego rolnictwa

Dla rolników, zarządców wód i planistów tego rodzaju zautomatyzowane, dokładne mapowanie oferuje praktyczny sposób monitorowania pól na dużych obszarach bez kosztownych inwentaryzacji terenowych czy masy oznaczonych zbiorów danych. Dzięki wiarygodnemu odróżnianiu ziemi uprawnej od nieuprawnej oraz wskazywaniu, gdzie roślinność rozwija się dobrze lub jest zestresowana, metoda może wspierać precyzyjne nawadnianie, kierować stosowaniem nawozów i pomagać śledzić zmiany użytkowania gruntów. Chociaż bieżąca walidacja opiera się na pojedynczym obrazie, podejście to wskazuje na przyszłość, w której proste algorytmy bez nadzoru stosowane na wysokorozdzielczych danych satelitarnych rutynowo dostarczają map upraw na skalę pola, poprawiając produkcję żywności i wspierając bardziej zrównoważone gospodarowanie ziemią i wodą.

Cytowanie: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Słowa kluczowe: rolnictwo precyzyjne, zdjęcia satelitarne, mapowanie upraw, uczenie bez nadzoru, wskaźniki wegetacji