Maïs- en sojabonenvelden zien er vanuit de ruimte hetzelfde uit - tenminste dat deden ze vroeger. Maar nu, wetenschappers hebben een nieuwe techniek bewezen om de twee gewassen te onderscheiden met behulp van satellietgegevens en de verwerkingskracht van supercomputers.

"Als we de productie van maïs of sojabonen voor Illinois of de hele Verenigde Staten willen voorspellen, we moeten weten waar ze worden gekweekt, " zegt Kaiyu Guan, assistent-professor bij de afdeling Natuurlijke Hulpbronnen en Milieuwetenschappen aan de Universiteit van Illinois, Blue Waters-hoogleraar bij het National Center for Supercomputing Applications (NCSA), en de hoofdonderzoeker van de nieuwe studie.

De vooruitgang, gepubliceerd in Remote sensing van de omgeving , is een doorbraak omdat eerder, nationale maïs- en sojaboonareaal werd pas vier tot zes maanden na de oogst door de USDA aan het publiek ter beschikking gesteld. De vertraging betekende dat beleidsbeslissingen waren gebaseerd op verouderde gegevens. Maar de nieuwe techniek kan de twee belangrijkste gewassen tegen eind juli voor elk veld met 95 procent nauwkeurigheid onderscheiden - slechts twee of drie maanden na het planten en ruim voor de oogst.

De onderzoekers beweren dat meer tijdige schattingen van teeltgebieden kunnen worden gebruikt voor een verscheidenheid aan monitoring- en besluitvormingstoepassingen, inclusief oogstverzekering, grond verhuur, supply chain logistiek, goederenmarkten, en meer.

voor Guan, echter, de wetenschappelijke waarde van het werk is even belangrijk als de praktische waarde.

Een reeks satellieten, bekend als Landsat, cirkelt al 40 jaar onafgebroken om de aarde. het verzamelen van beelden met behulp van sensoren die verschillende delen van het elektromagnetische spectrum vertegenwoordigen. Guan zegt dat de meeste eerdere pogingen om maïs en sojabonen te onderscheiden van deze afbeeldingen waren gebaseerd op het zichtbare en nabij-infrarode deel van het spectrum. maar hij en zijn team besloten iets anders te proberen.

"We hebben een spectrale band gevonden, het kortegolf-infrarood (SWIR), dat was uiterst nuttig bij het identificeren van het verschil tussen maïs en soja, " zegt Yaping Cai, doctoraat student en eerste auteur van het werk, onder begeleiding van Guan en een andere senior co-auteur, Shaowen Wang in de afdeling Geografie aan de U of I.

Het blijkt dat maïs en soja de meeste jaren in juli een voorspelbaar verschillende bladwaterstatus hebben. Het team gebruikte SWIR-gegevens en andere spectrale gegevens van drie Landsat-satellieten over een periode van 15 jaar. en dit signaal van de bladwaterstatus consequent opgepikt.

"De SWIR-band is gevoeliger voor het watergehalte in het blad. Dat signaal kan niet worden opgevangen door traditioneel RGB (zichtbaar) licht of nabij-infraroodbanden, dus de SWIR is uiterst nuttig om maïs en soja te onderscheiden, ’ concludeert Guan.

De onderzoekers gebruikten een vorm van machine learning, bekend als een diep neuraal netwerk, om de gegevens te analyseren.

"Deep learning-benaderingen zijn net begonnen te worden toegepast voor landbouwtoepassingen, en we voorzien een enorm potentieel van dergelijke technologieën voor toekomstige innovaties op dit gebied, " zegt Jian Peng, assistent-professor bij de afdeling Computerwetenschappen aan de U of I, en een co-auteur en co-hoofdonderzoeker van de nieuwe studie.

Het team richtte hun analyse op Champaign County, Illinois, als proof-of-concept. Ook al was het een relatief klein gebied, voor het analyseren van 15 jaar satellietgegevens met een resolutie van 30 meter was nog steeds een supercomputer nodig om tientallen terabytes aan gegevens te verwerken.

"Het is een enorme hoeveelheid satellietgegevens. We hebben de supercomputers van Blue Waters en ROGER bij de NCSA gebruikt om het proces af te handelen en nuttige informatie te extraheren, " zegt Guan. "Technisch gezien, het kunnen verwerken van zo'n enorme hoeveelheid gegevens en het toepassen van een geavanceerd machine learning-algoritme was voorheen een grote uitdaging, maar nu hebben we supercomputers en de vaardigheden om met de dataset om te gaan."

Het team werkt nu aan het uitbreiden van het studiegebied naar de gehele Corn Belt, en het onderzoeken van verdere toepassingen van de gegevens, inclusief opbrengst- en andere kwaliteitsschattingen.