Проектът вече е дал обещаващи резултати с култури като слънчоглед, царевица, пшеница и рози. Например, в слънчогледовите полета моделите на логистична регресия, разработени от PHENOFUSE, показаха висока степен на точност при прогнозиране на NDVI въз основа на данни от радарно обратно разсейване. Това позволи на изследователите да удвоят броя на точките от данни, налични за анализ, като значително подобриха времевата разделителна способност на мониторинга на културите. Като имат по-чести точки от данни, проектните модели могат да проследяват фините промени в развитието на културите, които иначе биха могли да бъдат пропуснати, което води до по-точни прогнози за добива.

Но потенциалът на машинното обучение в проекта PHENOFUSE надхвърля просто попълването на пропуски в данните. Чрез прилагането на тези модели проектните модели могат да предскажат бъдещ растеж на реколтата въз основа на исторически данни, което позволява на фермерите и земеделските плановици да вземат проактивни решения. Например, моделите могат да помогнат да се предвиди кога културите ще достигнат критични фенологични етапи, като цъфтеж или прибиране на реколтата, позволявайки на фермерите да оптимизират усилията за напояване, торене и контрол на вредителите. Това води до по-ефективно използване на ресурсите и по-добри добиви, което е особено важно в региони, изправени пред недостиг на вода или други екологични предизвикателства.

Едно от ключовите предимства на използването на машинно обучение в този контекст е, че моделите могат непрекъснато да се усъвършенстват и подобряват, когато повече данни станат достъпни. Тъй като проектът PHENOFUSE събира повече сателитни наблюдения и наземни истинни данни, моделите за машинно обучение могат да бъдат обучени да разпознават все по-сложни модели в растежа на културите. Това ще даде възможност за по-прецизни прогнози и по-добро разбиране на това как различни фактори на околната среда, като метеорологични условия или влажност на почвата, влияят върху развитието на културите.

Agromo също проучва използването на машинно обучение за прогнозиране на добивите въз основа на сателитни данни. Чрез анализиране на връзката между данните от радарното обратно разсейване и индексите на растителността, екипът на Agromo ще разработи модели, които оценяват добивите с висока степен на точност. Това е особено ценно за широкомащабни селскостопански операции, където малки подобрения в прогнозирането на добива могат да имат значително въздействие върху рентабилността.

В допълнение към практическите си приложения в селското стопанство, проектът PHENOFUSE допринесе за по-широкото научно разбиране за това как радарните и оптичните сателитни данни могат да се използват заедно за наблюдение на растителността. Очаквайте още вълнуващи новини относно научно-базирания стек за иновативно моделиране на Agromo в близко бъдеще!

Sentinel-1 и Sentinel-2 са част от програмата Copernicus на Европейската космическа агенция, предназначена да предоставя данни с висока разделителна способност за наблюдение на Земята. Радарните сензори на Sentinel-1 работят в C-обхвата, улавяйки данни за обратното разсейване, които измерват грапавостта и влажността на земната повърхност. Това го прави особено полезен за наблюдение на селскостопански полета, тъй като може да открие промени във влагата на почвата и структурата на растенията. Sentinel-2, от друга страна, е оборудван с оптични сензори, които улавят данни във видими и инфрачервени дължини на вълните, което позволява на изследователите да изчисляват вегетационни индекси като NDVI и LAI, които се използват широко за наблюдение на здравето на растенията и биомасата. Предизвикателството с оптичните данни обаче е, че те често се нарушават от облачно покритие, което ограничава количеството използваеми данни. Това е мястото, където радарните възможности на Sentinel-1 влизат в действие. Радарът не се влияе от облаците, което означава, че може да предоставя непрекъснати данни дори при лоши метеорологични условия.

Чрез взаимно калибриране на радарните данни от Sentinel-1 с оптичните данни от Sentinel-2, моделите PHENOFUSE създават по-пълна и точна картина на растежа на културите през сезона.

Процесът на вътрешно калибриране включва подравняване на данните от двата спътника, за да се осигури последователност във времевите серии. Това не е лесна задача, тъй като радарните и оптичните данни представляват различни физически явления и се обработват по различни начини. Радарните данни, например, се основават на обратното разсейване на микровълнови сигнали, докато оптичните данни се основават на отражението на слънчевата светлина. Въпреки това, чрез усъвършенствани алгоритми и техники за обработка на данни, PHENOFUSE е в състояние да установи силни корелации между радарното обратно разсейване и оптичните индекси на растителността.

Една от ключовите констатации на проекта е, че данните от радарното обратно разсейване от Sentinel-1, особено във VV и VH поляризациите, корелират силно с традиционните растителни индекси като NDVI и LAI от Sentinel-2. Тази корелация позволява на изследователите на Agromo да създават времеви серии от индекси на растителността, които не са прекъсвани от облачната покривка. Например, чрез комбиниране на данни от двата спътника, моделите PHENOFUSE могат да генерират времеви серии от индикатори за здравето на културите, които са два пъти по-чести, отколкото ако се използват само оптични данни. Тази подобрена времева разделителна способност е от решаващо значение за проследяване на фенологичните етапи на културите, които могат да се променят бързо по време на вегетационния период.

Процесът на вътрешно калибриране се оказа особено ефективен за култури като пшеница, слънчоглед и царевица, където радарните и оптичните данни показват силни корелации. Например, в слънчогледовите полета, екипът наблюдава висока корелация между данните от радарното VV обратно разсейване и NDVI, което им позволява да реконструират времеви серии на NDVI, дори когато оптичните данни не са налични. Това е голям пробив в селскостопанския мониторинг, тъй като дава възможност за непрекъснато наблюдение на здравето на културите, дори в региони с честа облачност.

В допълнение към подобряването на временната разделителна способност на мониторинга на културите, вътрешното калибриране също повишава точността на прогнозите за добива. Чрез комбиниране на радарни и оптични данни, PHENOFUSE може да генерира по-прецизни модели на развитие на културите, което води до по-добри прогнози за добива. Това е особено ценно за фермери и земеделски плановици, които разчитат на точни прогнози за добива, за да вземат информирани решения относно прибирането на реколтата, съхранението и пазарните цени.

Работата на проекта PHENOFUSE по взаимно калибриране поставя началото на нова ера на селскостопанския мониторинг. Чрез интегриране на радарни и оптични данни, проектът предоставя по-подробен и точен поглед върху развитието на културите, помагайки да се гарантира продоволствената сигурност в един все по-непредсказуем свят.

Ключовата иновация в проекта PHENOFUSE е интегрирането на радарни данни от Sentinel-1 с оптични данни от Sentinel-2. Радарните наблюдения от Sentinel-1 са особено ценни, защото могат да проникнат през облачната покривка, което позволява на изследователите да продължат да наблюдават растежа на културите дори при лошо време. От друга страна, оптичните сензори на Sentinel-2 улавят подробни изображения на земната повърхност в множество спектрални ленти, които са от решаващо значение за изчисляване на традиционните вегетационни индекси като индекса на нормализирана разлика в растителността (NDVI) и индекса на листната площ (LAI).

Чрез усъвършенствани техники за обработка на данни, PHENOFUSE ще трансформира тези сателитни наблюдения в значими индикатори за здравето на културите. Това включва изчисляване на различни вегетационни индекси за полета с пшеница, слънчоглед, царевица и рози. Тези индекси предлагат количествена мярка за това колко здрава е една култура, колко биомаса е натрупала и кога ще достигне критични етапи на растеж. Чрез наблюдение на тези индекси във времето, моделите PHENOFUSE ще могат да предскажат важни фенологични фази като цъфтеж и време на прибиране на реколтата с по-голяма точност от всякога.

Но проектът не спира дотук. Чрез обединяване на радарни и оптични данни PHENOFUSE се справя с едно от най-значимите предизвикателства в наблюдението на Земята: несъответствието в данните, дължащо се на облачно покритие или ограничено време за повторно посещение. Традиционно облачната покривка е основна пречка за оптични сателитни наблюдения, особено в региони като България, където е фокусиран проектът. С интегрирането на радарните данни на Sentinel-1, които не се влияят от облачната покривка, PHENOFUSE ще осигури непрекъснат мониторинг, предоставяйки пълна и непрекъсната картина на развитието на културите.

Този непрекъснат мониторинг е особено ценен за прогнозиране на добивите. С достъп до данни почти в реално време за растежа на културите, фермерите и изследователите могат да вземат информирани решения относно напояването, прилагането на торове и управлението на вредителите, което води до по-ефективни и устойчиви земеделски практики. В свят, изправен пред изменението на климата и нарастващото глобално население, способността да се увеличи максимално селскостопанската производителност, като същевременно се минимизира въздействието върху околната среда, е по-важна от всякога.

Интегрираният подход на проекта PHENOFUSE към сателитните данни предлага поглед към бъдещето на прецизното земеделие. Чрез комбиниране на авангардна технология за наблюдение на Земята с иновативни техники за обработка на данни, PHENOFUSE помага да се проправи пътя за нова ера в селскостопанския мониторинг и управление.