En omfattande brittisk grödskörde‑datamängd som integrerar satellit-, väder- och jordartinformation

Varför detta är viktigt för vår matframtid

Hur mycket mat ett land kan producera beror inte bara på vädret utan på det subtila samspelet mellan klimat, jordmån och de dagliga förhållandena på åkrarna. Hittills har forskare i Storbritannien saknat en stor, öppen datamängd som länkar vad som faktiskt kom av tröskan till detaljerade mätningar från satelliter och väderstationer. Denna artikel presenterar en sådan resurs, kallad CYCleSS‑datamängden, som samlar skörd, klimat, jordar och satellitobservationer för hundratals fält i England. Den ger forskare, beslutsfattare och även agri‑techföretag ett nytt sätt att förstå och förutsäga skördar i en varmare och mer osäker värld.

Att förena många delar av gårdspusslet

Författarna skapade CYCleSS genom att utgå från så kallade ”markrefererade” skördedata insamlade av moderna skördetröskor på 934 fält i England mellan 2015 och 2017. Dessa maskiner registrerar rutinmässigt hur mycket spannmål som samlats in med fin rumslig upplösning, men de uppgifterna stannar oftast på gården eftersom de är kommersiellt känsliga. Teamet samarbetade med UK Centre for Ecology and Hydrology och andra partner för att anonymisera informationen så att ingen enskild gård kunde identifieras, samtidigt som den behölls tillräckligt noggrann för vetenskaplig användning. Utöver avkastningen registrerades vilken gröda som odlats på varje fält, huvudsakligen höstvete, raps och korn, samt bönor.

Väder, jord och satelliter på samma karta

För att förstå varför avkastningen varierar kombinerar datamängden flera andra informationskällor, alla inordnade i ett rutsystem med ena‑kilometersrutor. Dagliga väderobservationer, såsom temperatur, nederbörd, solinstrålning, vind, lufttryck och avdunstning, hämtades från nationella klimatarkiv som täcker hela Storbritannien. Jordegenskaper, inklusive hur mycket vatten jorden kan hålla, hur snabbt den dränerar och andelen sand, silt och lera, lades till från europeiska jordkartor. Forskarna filtrerade sedan detta rutnät för att behålla endast områden som faktiskt brukas som åkermark genom att använda en detaljerad markanvändningskarta som särskiljer olika grödtyper med 10‑meters upplösning.

Att följa grödor växa från rymden

En viktig styrka i CYCleSS är integrationen av satellitdata med fältvisa skördar. Med hjälp av en molnbaserad plattform extraherade teamet tidsserier av radarobservationer från europeiska Sentinel‑1‑missionen för varje utvald rutsystemruta. Radar har fördelen att fungera genom moln och på natten, och dess signaler förändras när grödor utvecklar fler blad och biomassa. För varje 10‑meterssatellitpixel inom de valda områdena samlade forskarna radaravläsningar var femte dag i två olika polariseringar och deras kvot, vilka är kända för att vara känsliga för grödetyp och tillväxtstadium. Dessa pixelnivåsignaler medelvärdesbildades sedan upp till fältnivå och kopplades till motsvarande skörde‑ och odlingsinformation.

Bevara bönders anonymitet samtidigt som data är användbar

Eftersom skördekartor är direkt kopplade till bönders försörjning var sekretess en central fråga. För att skydda bidragsgivarna införde författarna en tvålagsprocess. Ett team hanterade satellit-, jord- och klimatinpassningen på ett fint rutnät; ett separat team vid UKCEH matchade dessa rutor till faktiska fält och skördar och tog sedan bort precisa platser. Fälten identifierades slutligen endast med slumpmässiga koder och genom de grövre 10‑kilometersrutorna de ligger inom. Det innebär att varje sådan ruta innehåller många gårdar, vilket gör det praktiskt taget omöjligt att koppla en viss skördspost till en specifik verksamhet, samtidigt som den vetenskapliga kopplingen mellan miljö och avkastning bevaras.

Vad detta möjliggör för jordbruk och klimatresiliens

CYCleSS‑datamängden öppnar dörren för betydligt kraftfullare modeller av grödprestanda i Storbritannien. Eftersom den förenar verkliga skördeutfall med rika strömmar av väder-, jord‑ och satellitmätningar är den idealisk för att träna och testa maskininlärningsverktyg, såsom djupa neurala nätverk, som behöver stora, välstrukturerade datamängder. Den kan också användas för att kontrollera och förbättra traditionella grödtillväxtmodeller och för att utforska sätt att kombinera dessa modeller med satellitobservationer i nära realtid. Även om data huvudsakligen kommer från bättre utrustade gårdar i södra England och fortfarande innehåller vissa mätosäkerheter, erbjuder de ett sällsynt, öppet tillgängligt fönster in i hur brittiska grödor reagerar på sin omgivning, vilket hjälper forskare att utforma mer tillförlitliga skördeprognoser och informera insatser för att göra jordbruket både produktivt och hållbart.

Citering: 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

Nyckelord: förutsägelse av grödskörd, satellitfjärranalys, jordbruksdata, jordbruk i Storbritannien, maskininlärning