Кукурузные и соевые поля из космоса выглядят одинаково - по крайней мере, раньше. Но теперь ученые доказали новый метод различения двух культур, используя спутниковые данные и вычислительную мощность суперкомпьютеров.
«Если мы хотим предсказать производство кукурузы или сои в Иллинойсе или во всех Соединенных Штатах, мы должны знать, где они выращиваются», - говорит Кайю Гуан, доцент кафедры природных ресурсов и наук об окружающей среде в Университет Иллинойса, профессор Blue Waters в Национальном центре суперкомпьютерных приложений (NCSA) и главный исследователь нового исследования.
Улучшение, опубликованное в журнале Remote Sensing of Environment, является прорывом, поскольку ранее Министерство сельского хозяйства США предоставляло общественности доступ к посевным площадям кукурузы и сои в стране только через четыре-шесть месяцев после сбора урожая. Задержка означала, что политические решения были основаны на устаревших данных. Но новый метод позволяет различать две основные культуры с 95-процентной точностью к концу июля для каждого поля - всего через два-три месяца после посева и задолго до сбора урожая.
Исследователи утверждают, что более своевременные оценки посевных площадей можно использовать для различных приложений мониторинга и принятия решений, включая страхование урожая, аренду земли, логистику цепочки поставок, товарные рынки и многое другое.
Для Гуаня, однако, научная ценность работы так же важна, как и ее практическая ценность.
Комплект спутников, известных как Landsat, непрерывно вращался вокруг Земли в течение 40 лет, собирая изображения с помощью датчиков, которые представляют различные части электромагнитного спектра. Гуан говорит, что большинство предыдущих попыток отличить кукурузу и сою от этих изображений были основаны на видимой и ближней инфракрасной части спектра, но он и его команда решили попробовать что-то другое..
«Мы обнаружили спектральный диапазон, коротковолновый инфракрасный диапазон (SWIR), который оказался чрезвычайно полезным для выявления различий между кукурузой и соей», - говорит Япин Цай, доктор философии. студентка и первый автор работы под руководством Гуана и другого старшего соавтора Шаовэня Вана на географическом факультете Университета И.
Оказывается, кукуруза и соя имеют предсказуемо различный водный статус листьев к июлю в большинстве лет. Команда использовала данные SWIR и другие спектральные данные с трех спутников Landsat за 15-летний период и последовательно улавливала этот сигнал состояния воды в листве.
Диапазон SWIR более чувствителен к содержанию воды внутри листа. Этот сигнал не может быть уловлен традиционным RGB (видимым) светом или диапазонами ближнего инфракрасного диапазона, поэтому SWIR чрезвычайно полезен для различения кукурузы и сои., - заключает Гуань.
Исследователи использовали тип машинного обучения, известный как глубокая нейронная сеть, для анализа данных.
«Подходы к глубокому обучению только начали применяться в сельскохозяйственных приложениях, и мы предвидим огромный потенциал таких технологий для будущих инноваций в этой области», - говорит Цзянь Пэн, доцент кафедры компьютерных наук U. из I, а также соавтор и главный исследователь нового исследования.
Команда сосредоточила свой анализ в округе Шампейн, штат Иллинойс, в качестве доказательства концепции. Несмотря на то, что это была относительно небольшая территория, для анализа спутниковых данных за 15 лет с разрешением 30 метров по-прежнему требовался суперкомпьютер для обработки десятков терабайт данных.
"Это огромный объем спутниковых данных. Мы использовали суперкомпьютеры Blue Waters и ROGER в NCSA для управления процессом и извлечения полезной информации", - говорит Гуан. «С технологической точки зрения возможность обрабатывать такой огромный объем данных и применять продвинутый алгоритм машинного обучения раньше была большой проблемой, но теперь у нас есть суперкомпьютеры и навыки для обработки набора данных."
В настоящее время команда работает над расширением области исследования на весь Кукурузный пояс и изучением дальнейшего применения данных, включая оценку урожайности и других оценок качества.