Wetenschap
Satellietbeelden van de fluorescentie van planten kunnen de gewasopbrengsten voorspellen
Cornell-onderzoekers en -medewerkers hebben een nieuw raamwerk ontwikkeld waarmee wetenschappers de gewasopbrengst kunnen voorspellen zonder de noodzaak van enorme hoeveelheden gegevens van hoge kwaliteit – die vaak schaars zijn in ontwikkelingslanden, vooral in landen die te maken hebben met verhoogde voedselonzekerheid en klimaatrisico's.
In veel delen van de wereld dalen de gewasopbrengsten, grotendeels als gevolg van de gevolgen van de klimaatverandering. Volgens een recente studie van Cornell is het netto landbouwinkomen de afgelopen vier decennia voor elke graad Celsius opwarming met 66% gedaald.
Boeren in ontwikkelde landen kunnen vaak vertrouwen op grote datasets en instrumenten voor risicobeheer om de impact van extreme hitte op hun opbrengst en inkomen te helpen verminderen. Maar in ontwikkelingslanden zijn gegevens schaars en is het vaak moeilijk om de gewasopbrengst nauwkeurig te meten.
In een artikel dat verschijnt in Environmental Research Letters stellen de wetenschappers voor om satellietfoto's te gebruiken om op afstand de door zonne-energie geïnduceerde chlorofylfluorescentie (SIF) te meten als een manier om de gewasopbrengst te beoordelen en te voorspellen. Met behulp van voorbeeldvelden van maïs in de VS en tarwe in India zijn de wetenschappers tot een aanpak gekomen die in principe universeel zou moeten werken voor elk gewas, aldus Ying Sun, een co-auteur en universitair hoofddocent bodem- en gewaswetenschappen in het College voor Landbouw en Levenswetenschappen (CALS).
Chlorofylfluorescentie is het roodachtige licht dat opnieuw wordt uitgezonden door fotosynthetische weefsels en organismen, zei ze, een meting die dient als maatstaf voor de fotosynthetische energieconversie in planten.
"Het vertelt je niet hoeveel korenaren er in een veld staan", zei ze, "maar stap één is het modelleren van de fotosynthese op basis van fluorescentie. De gewasopbrengst is afhankelijk van de fotosynthese. Hier hebben we een mechanistisch model, dat erg belangrijk is. "
Co-auteur Chris Barrett, de Stephen B. en Janice G. Ashley hoogleraar Toegepaste Economie en Management aan de Charles H. Dyson School of Applied Economics and Management, en aan de Cornell Jeb E. Brooks School of Public Policy, suggereert deze aanpak kan waardevol zijn voor prognoses en targeting:voor het nemen van beleidsbeslissingen, het opzetten van oogstverzekeringen en zelfs het voorspellen van gebieden van armoede.
Deze strategie profiteert van de groeiende beschikbaarheid van satellietgegevens en is goedkoper in gebruik en sneller toegankelijk dan andere methoden voor het voorspellen van de opbrengst, zei hij.
"Daarom zie ik dit als veelbelovend. Ik kan me voorstellen dat dit nuttig kan zijn bij het voorspellen van armoede op dorpsniveau in plattelandsgebieden waar een groot deel van de economie wordt aangedreven door de landbouw," zei hij. "Dit zijn plaatsen waar we het moeilijk hebben gehad om gegevens te verzamelen en waar dingen heel snel kunnen veranderen. Als we proberen de schaarse middelen te gebruiken en ze daarheen te sturen waar ze de grootste impact zullen hebben, zou dit nuttig kunnen zijn." P>
Dit instrument zou kunnen worden ingezet om voedselhulporganisaties en niet-gouvernementele organisaties te helpen sneller hulp te bieden, aldus Barrett.
Sun zei dat zij en haar collega's werken aan verder onderzoek waarmee dit soort hulpmiddelen in de toekomst in realtime kunnen worden gebruikt, zodat boeren kunnen reageren en zaken als bodemverbeteringen of irrigatiestrategieën kunnen aanpassen om de gezondheid en productiviteit van een huidige oogst te verbeteren.
In de VS verstrekken het ministerie van Landbouw en andere instellingen enorme hoeveelheden oogstgegevens. Er worden steeds vaker machine learning-modellen gebruikt om voorspellingen te doen, zegt hoofdauteur Oz Kira van de Ben-Gurion Universiteit van de Negev in Israël, en voormalig postdoc in het laboratorium van Sun, maar deze modellen veronderstellen vergelijkbare omgevingscondities.
Kira suggereert dat het gebruik van chlorofylfluorescentiesatellietgegevens veranderende omstandigheden mogelijk zal maken.
"Als de groeiomstandigheden veranderen, is het mogelijk dat de voorspellingen niet van toepassing zijn," zei Kira. "In ons geval baseren we onze modellen niet op eerdere observaties. Hierbij kan rekening worden gehouden met de klimaatverandering."
De co-auteurs van de studie zijn onder meer Jiaming Wen, Ph.D.; Jimei Han, een postdoctoraal onderzoeker in het laboratorium van Sun; Andrew McDonald, universitair hoofddocent aan de School of Integrative Plant Science en het Department of Global Development (CALS); Ariel Ortiz-Bobea, universitair hoofddocent toegepaste economie en beleid (Dyson en Brooks School); en Yanyan Liu, adjunct-professor (Dyson).