Prognozowanie plonów pszenicy z wykorzystaniem zintegrowanego obrazowania optycznego i radarowego oraz uczenia maszynowego na kluczowych etapach fenologicznych

Dlaczego to ma znaczenie dla naszej przyszłości żywnościowej

Karmienie rosnącej populacji w ocieplającym się, dotkniętym niedoborem wody klimacie wymaga wiedzy o tym, ile ziarna rolnicy zbiorą na długo przed wjazdem kombajnów na pola. Badanie to pokazuje, jak naukowcy mogą oszacować plony pszenicy w suchym regionie Iranu, korzystając z satelitów i sztucznej inteligencji, dostarczając wiarygodne prognozy na około 50 dni przed zbiorem — wystarczająco wcześnie, by kierować zużyciem wody, nawożeniem, decyzjami handlowymi oraz działaniami zapobiegającymi niedoborom.

Sucha równina pod presją

Prace koncentrują się na równinie Qazvin, głównym obszarze uprawy pszenicy w północnym Iranie, która jest jednocześnie bardzo produktywna i chronicznie uboga w wodę. Opady są niskie i nieregularne, temperatury wysokie, a rolnicy w dużym stopniu polegają na ograniczonych zasobach wód gruntowych i spływach z gór. W takich suchych krajobrazach opieranie się na doświadczeniu z przeszłości czy prostych statystykach pogodowych jest ryzykowne. Tradycyjne modele upraw wymagają szczegółowych danych o glebach, gospodarowaniu i klimacie, które często są niedostępne. Autorzy zwrócili się więc do tego, czego jest pod dostatkiem: obrazów satelitarnych, które rejestrują, jak jasne i zielone są pola na dużą skalę, tydzień po tygodniu.

Obserwowanie kondycji upraw z kosmosu

Zespół połączył obrazy optyczne z europejskich satelitów Sentinel-2 z obrazami radarowymi z Sentinel-1. Czujniki optyczne działają jak bardzo ostre aparaty cyfrowe, rejestrując odbite światło słoneczne w kilku barwach, od niebieskiej po bliską podczerwień. Z tych barw obliczono 16 różnych wskaźników związanych z „zielonością” i wilgotnością, które ujawniają, jak gęsta, liściasta i odwodniona jest pokrywa pszeniczna. Skupiono się na dwóch kluczowych momentach wzrostu: fazie krzewienia w połowie kwietnia, gdy rośliny wytwarzają pędy decydujące o potencjale plonu, oraz fazie kwitnienia w połowie maja, gdy uprawa osiąga maksymalną zieloność i przygotowuje się do napełniania ziarna.

Słuchanie radarem, gdy światła brakuje

Radar z Sentinel-1 wnosi inny rodzaj obserwacji. Zamiast polegać na świetle słonecznym, wysyła impulsy mikrofalowe i mierzy echo, które zależy od struktury roślin i wilgotności zarówno roślinności, jak i gleby. Jest to szczególnie przydatne w zapylonych, często zachmurzonych lub rzadko zarośniętych obszarach, gdzie sygnały optyczne mogą być zakłócone przez odsłoniętą glebę i atmosferę. Badacze wyprowadzili proste wskaźniki radarowe z dwóch kanałów polaryzacji, a następnie połączyli je z indeksami optycznymi i podstawowymi informacjami topograficznymi, takimi jak wysokość, nachylenie i orientacja pól.

Nauczanie maszyn rozpoznawania wzorców plonów

Mając do dyspozycji zmienne pochodzące z satelitów dla 189 dobrze zmierzonych pól pszenicznych, autorzy wytrenowali trzy typy modeli komputerowych do przewidywania plonu: standardną regresję liniową, maszynę wektorów nośnych zdolną wychwycić związki nieliniowe oraz las losowy, który łączy wiele drzew decyzyjnych. Dane podzielono tak, że 70% wykorzystano do nauki modeli, a 30% do oceny ich umiejętności. We wszystkich przypadkach informacje satelitarne z fazy kwitnienia okazały się bardziej informatywne niż z fazy krzewienia. Model lasu losowego korzystający wyłącznie z danych Sentinel-2 i topografii w fazie kwitnienia osiągnął najlepsze wyniki, wyjaśniając około 90% zmienności plonów na polach testowych i przeciętnie myląc się o zaledwie około jednej trzeciej tony na hektar.

Co zrobiło największą różnicę

Analiza, na których wejściach las losowy polegał najbardziej, wykazała, że największe znaczenie miały indeksy opisujące gęstość pokrywy, wigor i stan wodny. Najważniejsze były miary podobne do klasycznych indeksów zieloności oraz indeksy wrażliwości na wodę, podczas gdy surowe pasma kolorów i zmienne topograficzne wnosiły stosunkowo niewiele. Gdy dodano wskaźniki radarowe, dopasowanie do danych treningowych nieco się poprawiło — co sugeruje, że radar rzeczywiście uchwytuje dodatkowe informacje o wilgotności i strukturze — ale błędy na zbiorze testowym nieco wzrosły. Taki wzorzec wskazuje na umiarkowaną tendencję do przeuczenia, gdy model uczy się szumu specyficznego dla próbki treningowej zamiast ogólnych reguł. Mimo to połączenie wszystkich wejść pozwoliło badaczom wygenerować szczegółową mapę plonów całej równiny, ujawniając ostre kontrasty między obszarami o niskich i wysokich plonach.

Co to oznacza dla rolników i planistów

Mówiąc wprost, badanie pokazuje, że starannie przetworzone obrazy optyczne z satelitów, interpretowane za pomocą nowoczesnej metody uczenia maszynowego, mogą dostarczyć dokładnych prognoz plonów pszenicy na poziomie pola w surowym, ubogim w wodę otoczeniu. Radar wnosi potencjalnie cenne niuanse, ale w tym badaniu nie przewyższył prostszego układu tylko-optycznego. Powstałe wczesne mapy sezonowe mogą pomóc skierować ograniczoną wodę do nawadniania i nawozy tam, gdzie są najbardziej potrzebne, zidentyfikować obszary narażone zanim straty staną się poważne oraz wspierać regionalne planowanie zaopatrzenia żywnościowego. Choć praca skupia się na jednej irańskiej równinie i jednym sezonie, podejście to stanowi wzorzec zastosowania monitoringu satelitarnego i sztucznej inteligencji dla wzmocnienia bezpieczeństwa żywnościowego w suchych regionach na całym świecie.

Cytowanie: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Słowa kluczowe: prognozowanie plonów pszenicy, teledetekcja, rolnictwo satelitarne, uczenie maszynowe, regiony suche