שם הספר: The View from above

במשך מאות שנים, הבנת בריאות היבולים והדפוסים של החקלאות תלויה בהתבוננות ברמה הקרקעית, דוחות חקלאיים וסקרי שדה ידניים.שיטות אלה, בעוד יקר, היו איטיות, מקומיות, ולעתים קרובות לא שלמות.היום, תמונות לוויין מציעות נקודת מבט טרנספורמטיבית: היכולת לפקח על נופים חקלאיים עצומים מן המסלול, עם רזות תכופות ורזולוציה מרחבית יותר ויותר.

תצפית כדור הארץ מבוססת לווין (EO) מאפשרת לחוקרים, סוכנויות חקלאיות וארגונים הומניטריים לזהות שינויים עדינים בבריאות הצמחייה, לעקוב אחר מעברי שימוש בקרקע, ולצפות מחסור במזון לפני שהם עולים למשברים.על ידי מינוף חיישנים רב-ספקטרום, מערכות מכ"מים, הדמיה תרמית, לווינים יכולים לראות מעבר לספקטרום הנראה לעין, חשיפת מידע על פיזיולוגיה צמחית, לחות ואפילו לחץ מים לעין בלתי נראית.

התפתחותה של נזירים מרוחקים חקלאיים

השימוש בלוויינים לצורך ניטור חקלאי התבגר באופן דרמטי בחמשת העשורים האחרונים.תוכניות מוקדמות, כגון סדרת לנדסאט שהושקה על ידי נאס"א והסקר הגיאולוגי האמריקאי בשנת 1972, סיפק את התמונה השיטתית והמתונה הראשונה של פני כדור הארץ.תמונות אלה אפשרו לחוקרים להתחיל מיפוי והתבוננות בגידולים עונתיים בקנה מידה יבשתי.

מאז, ההתקדמות בטכנולוגיית חיישן, כוח עיבוד נתונים, ומדיניות נתונים פתוחה הרחיבו את התחום באופן משמעותי.תוכנית הקופרניקוס של סוכנות החלל האירופית, עם לווייני Sentinel שלה, מספקת כעת נתונים חינם ופתוחים בהחלטות קנס של 10 מטרים עם זמן של מעקב מחדש של חמישה ימים, מפעילי מסחר רחב יותר כמו Maxar ו- Planet Labs מציעים אפילו יותר החלטה (sub-meter) ודימוי יומיומי, המאפשר מעקב מפורט של קבוצות בקרה של יחידות בקרה של יחידות בקרה של יחידות בקרה של יחידות בקרה עצמאיות של זמן פנויות.

מידע אודות Analog to Analysis-Ready Data

שינוי גדול היה המעבר מהפצת תמונות גולמיות לנתונים הקשורים לניתוח (ARD) נתונים לווייניים מוקדמים דרשו עיבוד משמעותי - תיקון גיאומטרי, תיקון אטמוספירי, ומסכות ענן - לפני שניתן להשתמש בו לניתוח צמחייה כיום, ספקי נתונים רבים ופלטפורמות (כגון Google Earth Engine, Microsoft Planetary Computer, ו-Coernicus Data Ecosystem) מציעים שכבות ARD המאפשרות למשתמשים לבצע צמחייה, זיהוי מהיר יותר, ומודלי למידה מתוכנתים יותר.

חיישנים לוויין מרכזיים ויישומים חקלאיים

חיישני לוויין שונים ממוטבים למשימות ניטור חקלאיות שונות, הבנת היכולות וההפקעות המסחריות של כל סוג חיישן חיונית לבחירת מקור הנתונים הנכון ליישום נתון.

חיישנים אופטיים רב-תחומיים

חיישנים רב-ספקטרום ללכוד אור בכמה להקות אורכי גל דיסקרטיות, בדרך כלל גלוי (אדום, ירוק, כחול) וערוצי ליד- infrared (NIR) להקות ספקטרליות אלה הן הבסיס לתביעות צמחייה כמו NDVI, אשר מנצלים את הניגוד החזק בין חיישנים גבוהים רפלקטיביים ורזולוציה אדומה נמוכה בצמחייה פעילה מבחינה בריאה, פוטוסינתזה 8/9 (Otin-2) ו-יומית) הם בשימוש ביותר עבור יבול חיובי ביותר עבור 5 ימים (Ric2 (Ricial) ו-APT) ו-Ric2 (Ricial) בין קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של טרה-Ricial) לבין טרה-APT) לבין טרה-APT) לבין קיבולת גבוהה של טרה-APT-APT-APT-APT2 (RINE2 (Rate) יעיל ביותר עבור קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של טרה-APT2 (RINE2 (RINED2 (R) לבין קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של קיבולת גבוהה של טרה-APT2

חיישנים חסרי שנאה

חיישניים עשירים מודדים את טמפרטורת פני השטח, שהיא פרוקסי יקר ללחץ מים צמחי.כאשר יבולים הם מחוצים מים, הם סוגרים את הסטומטה שלהם כדי לשמר לחות, מה שגורם לטמפרטורות עלים לעלות מעל רמות מתפתלות. נתונים תרמיים של לווין, כגון ממכשיר ECOSTRESS בתחנת החלל הבינלאומית או להקות תרמיות של לנדsat, ניתן להשתמש כדי לזהות גירעון, מפת חום, בדרך כלל, חיישנים תרמיים (N) ו-R) עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, חיישנים מרחביים (NPTVR) חיישנים (N).

« « SAR)

חיישנים SAR, כגון אלה על Sentinel-1 ו- RADARSAT, פועלים באורכי גל מיקרוגל שיכולים לחדור עננים ולהשיג יום נתונים או לילה.זהו יתרון קריטי באזורים טרופיים ומונסון שבו תמונות אופטיות מטשטשות לעתים קרובות על ידי כיסוי ענן. SAR backscatter רגיש למבנה, אוריינטציה, ותוכן מים של צמחייה, מה שהופך אותו שימושי עבור סוג של יבול, ניטור, ניטור, ניטור, ניטור, שימוש יותר ויותר עם כל אזורי לחות חקלאיים.

מעקב אחר Crop Health עם Vegetation Indices

אינדיקציות צמחיות הופכות נתונים של רפלקטיביים לאינדיקטורים של פרמטרים ביופיזיים כגון עלון אזור אינדקס, ביומסה ירוקה, ופעילות פוטוסינתזה.מדד הנפוץ ביותר הוא מדד הווטאציה הנורמלי (NDVI), מחושב כמו (IR - Red) / NIR + Red) / צמחייה נמרצת משקף חזק NIR ו סופג אדום, ומייצרת NDVI גבוה, בעוד ערכים נמוכים או צמחייה.

סדרת זמן NDVI הנגזרת מהנתונים הלווין מאפשרת לאנליסטים לעקוב אחר התפתחות היבול במהלך העונה ההולכת וגדלה, לזהות חריגות מטרמטות צפויות, ולאמדן פוטנציאל תשואות מפרופיל NDVI טיפוסי יכול להצביע על בעיות כמו מחסור תזונתי, חמצון, התפרצות המחלה, או לחץ מים. לדוגמה, ירידה פתאומית ב ND במהלך שיא עלייה של אות עשוי להיות אירוע מזיק, בעוד שמחסור בחומרים נמוכים עם נקודה של -16 למשקעים.

Beyond NDVI: Advanced Vegetation Indices

בעוד NDVI הוא חזק וקל לפרש, יש לו מגבלות - במיוחד, הוא ישארוטים בערכי מדד בינוני עד גבוה על שטח על שטח והוא רגיש לאפקטי רקע אטמוספריים או קרקעיים משלימים להתמודד עם מגבלות אלה:

  • (ב) ,0) מדד הווטאציה (EVIIRFLT) 1:1 - מקטין רעש אטמוספרי וקרקע ואינו מחלחל בקלות כ-NDVI באזורים בעלי-הבימאות גבוהות, מה שהופך אותו מתאים לחקלאות טרופית ויערות צפופה.
  • מדד ההבדלים בין המינים (NDWIOVA)FLT:1 - השתמש בלהקות קצרות של גלי אינפרא אדום (SWIR) כדי לזהות תוכן מים בצמחייה ובקרקע, שימושי עבור תזמון השקיה ובקרת מתח בצורת.
  • (ב) ,0) מדד הווטאציה (SAVI)FLT:1 - משלב גורם תיקון בוהק אדמה למזער את השפעת הקרקע חשופה, שיפור הביצועים באזורים חקלאיים בעלי צפיפות או למחצה.
  • מדד שטח FLT:0Leaf Zone Index (LAI)FIRLT:1) - בדיקה ממודלים של העברת קרינה החלים על נתוני הרהורים לווייניים; LAI הוא קלט מרכזי עבור מודלים של צמיחה ביבול וחיזוי התשואות.

בחירת המדד תלויה בהקשר החקלאי הספציפי, כולל סוג היבול, מבנה קאנופי, תנאים סביבתיים, ואת השלב פנולוגי של היבול. Analysts לעתים קרובות להשתמש במספר רב של אינדיקציות בשילוב כדי להפיק תמונה מלאה יותר של בריאות היבול.

ניתוח לשימוש בקרקע ותבניות חקלאיות ב- Scale

תדמית לווין מאפשרת מיפוי ואפיון של שימוש בקרקע חקלאית על פני מישורים מקומיים, אזוריים וגלובאליים.זה חיוני להבנת דפוסי היבול, דינמיקת הקרקע, התרחבות חקלאית או נטישה, ואת ההשפעות של שינוי בשימוש קרקעי על מגוון ביולוגי ושירותים אקולוגיים.

סוג Crop Type Mapping

זיהוי אשר גדלים שבו הוא צעד בסיסי לייצור ניטור, רשתות אספקה תכנון, ומקדימים שירותי הרחבה מסוג מיפוי מסוג יבול מבוסס לווין ממינוף זמני וחתימות ספקטרליות: גידולים שונים יש מחזורים פנולוגיים נפרדים, מבנים canopy, ו-spectral Reflectance types שניתן לתפוס בדימויים לוויין רב-זמניים של נאס"א (כגון יערות אקראיים, מבנים canopy, או שיפור דיוקים), כגון יבולים מתקדמים, כגון יבולים, כגון יבולים מתקדמים, כגון יבולים סטנדרטיים, יבולים מתקדמים, או יבולים, כגון יבולים סטנדרטיים סטנדרטיים, כגון יבולים, כגון יבולים של יבולים מתקדמים, כגון יבולים מתקדמים, יבולים, יבולים מתקדמים, או יבולים).

Cropland Extent and Change Detection

תמונות לוויין מספק שיטה עקבית, חוזרת למיפוי היקף הגלובלי של יבולים וגילוי שינויים לאורך זמן. מוצרים כמו נתוני ניתוח ביטוח המזון הגלובלי (GFSAD) ואת שכבות כיסוי הקרקע הגלובלי של קופרניקוס משתמשים בנתונים לווייניים כדי לפענח אזורים חקלאיים.על ידי השוואת תמונות משנים שונות, אנליסטים יכולים לזהות היכן נוצר אדמה חקלאית חדשה (לעתים קרובות קשורה על חשבון יערות או יערות שוליים) שבו הוא מבוסס מידע חיוני על הקרקע.

טרנדים ו-Fallow Dynamics

באזורים רבים, חקלאים גדלים מספר יבולים בשנה על אותה מזימה (הגדלה של יבול), או לעזוב את הקרקע נופל עבור אחת או יותר עונות. סדרת זמן רב-דרומי יכול לחשוף את הדפוסים האלה על ידי זיהוי מספר מחזורי היבולים בשנה בהתבסס על פרופילי צמחייה. חיישנים רזולוציית זמן גבוהה (למשל, MODIS ב 250 מ', תמונה יומית מכוכב הלכת) מתאימים היטב לניתוח זה עבור יבול חשוב, יעילות יבול, יעילות יבולת מזון.

הערכת בטיחות המזון עם אינדיקטורים לווייניים-דריביים

אבטחת המזון היא מושג רב-ממדי שתלוי בזמינות המזון, גישה, ניצול ויציבות.דמיית לוויין תורמת בעיקר לממד "זמינות" על ידי מתן נתונים על ייצור היבול, אבל היא תומכת במערכות התראה מוקדמות ומודעות מצבית שתחת מיפוי הממדים האחרים.

סיפוח ותחזיות ייצור

יישום מפתח של תמונות לוויין עבור אבטחת מזון הוא הניתוק של היבולים ייצור הכולל.שיטות נע בין מודלים רגרסיה אמפירית המתואמים את צמחייה הניתוק עם נתוני תשואה היסטוריים, כדי לתבוא מודלים המבוססים על יבול (למשל, DSSAT, WOFOST, AquaCrop) שסימולציה התפתחות צמחית המבוססת על מערכות מזג אוויר וקלטות חקלאיות כמו CAPssss תמיכה ממשלתית ו-Crop).

אזהרה מוקדמת של קריטריונים מזון

מערכות התראה מוקדמת של מזון מסתמכות על אינדיקטורים בזמן של מתח חקלאי.תתת צמחייה מודרנית, הערכות גשמים מחיישנים לווייניים (למשל GPM, CHIRPS), ומוצרים לחות הקרקע משולבים בתוך מסגרות כמו Famine מוקדם מערכות אזהרה רשת (FEWS NET), אשר פועל ביותר מ -30 מדינות.כאשר נתונים לווייניים חושפים אנתולוגיות שליליות באזור זה גם מראה נמוך, מחירים מוקדמים, עלולים לפתח משבר מזון, או אזהרות, לפני אזהרות מזון, לפני יזום, לפני אזהרות מלאות.

מידע על לוויין עם Socioכלכלה ובסיס

תמונות לוויין בלבד אינן יכולות להעריך באופן מלא את אבטחת המזון.עבור תמונה מקיפה, יש לשלב נתונים של חישה מרחוק עם סקרי משק בית, נתוני מחירים שוק, דוחות סכסוכים, ואינדיקטורים לבריאות / תזונה. ארגונים כגון תוכנית המזון העולמית (WFP) וארגון המזון והחקלאות (FAO) של האו"ם פיתחו מסגרות אנליטיות משולבות הממזגות הערכות ייצור יבולים-אוריביים עם נתונים סוציו-אקונומיים כדי לזהות את רוב האוכלוסיות הפגיעות בגישות למזון וסיוע משאבים אלה, אשר בקושי, אשר מאפשרות הקצאה של משאבים אלה.

תוצאות חיפוש ו-Actal Applications

ניטור דחוף במזרח אפריקה

באזורים חצי-אריים של מזרח אפריקה, בצורת חוזרת מאיימת על פרנסתם של מיליוני כמרים וחקלאים קטנים בעלי-חיים קטנים.נתוני לוויין - במיוחד גשמים מ- CHIRPS ותנאי צמחייה מ- METOP-AVHRR ו- MODIS - מהווים את עמוד השדרה של מערכות ניטור בצורת אזורית.

אזור האורז ממפה בדרום ודרום מזרח אסיה

אורז הוא יבול חיוני עבור מיליארדי אנשים, והייצור שלו תלוי מאוד בניהול מים.דמיית לוויין - במיוחד נתונים סינטנל-1 SAR, אשר יכול לחדור כיסוי ענן בעונת המונסון - שימש למפות אזור אורז והערכה של תאריכי נטישה במדינות כמו וייטנאם, תאילנד, והודו SAR backscatter שינוי צפוי כמו כריות אורז מוצפות, מושתלים, ומבוגרים תוכניות ביטוחיות לטווח ארוך (S) עבור תרופות המבוססות על ידי ביטוח אוויר (Ricial) ו-R) לשימושים).

Global Crop Manufacturing Monitoring with the GEOGLAM Initiative

הקבוצה על פני כדור הארץ בוחנת את יוזמת הפיקוח החקלאי העולמי (GEOGLAM) לתאם את מאמצי סוכנויות החלל, מוסדות המחקר ומשרדי החקלאות לייצר הערכות מבוססות לוויין של ייצור היבול העולמי. GEOGLAM של Crop Monitor ל-Crop Monitor מוקדם מספק דוחות חודשיים על התנאים הגדלים של גידולים מרכזיים (התחממות, שקיפות, אורז, סויה) עד 180 מדינות אלה משמשים על ידי שוק לווינט 2DIS) כדי להפחית את המידע הסטנדרטי על פני כדור הארץ.

אתגרים ומגבלות

בעוד שדמיון לוויין הפך כלי חיוני לניטור חקלאי וניתוח אבטחת המזון, נותרו כמה אתגרים:

  • (FLT:0Cloud Cover:BuildFLT:1) Persistent Cloud Cover באזורים טרופיים ומונסונים יכולים להגביל באופן חמור את הזמינות של תמונות לוויין אופטיות. SAR חיישנים להתמודד עם בעיה זו, אך דורשים מומחיות מיוחדת לפרשנות ואינם זמינים תמיד ברזולוציה או תדירות הנדרשת.
  • (FLT:0Spatial and temporal resolution trade-offs:FLT:1 חיישנים High מרחבי פתרון רזולוציה (בגובה עד 10 מטרים) לעתים קרובות יש יותר פעמים 16 ימים עבור Landsat, 10 ימים עבור Sentinel-2 ללא חתכים), בעוד חיישנים עם זמן בדיקה יומיומי כמו MODIS יש פתרון קוהרסר (250-1000 מטר), אשר עלול להחמיץ תבניות שדה בנוף קטן של בעלי נוף.
  • (FLT:0Ground Truth and אימות נתוני: FIRLT:1) מודלים של לוויינים-דרדרטיביים דורשים איכות גבוהה בנתונים של situ (סוג rop, תשואה, נהלי ניהול) עבור calibration ואימות.בתחומים רבים של מזון בטוח, נתונים כאלה הם ספאאר, מיושן, או בלתי נגיש, הגבלת הדיוק והאמינות של הערכות מבוססות לווייניים.
  • חקלאות בעלי חיים קטנים: 0 ;0) החקלאות של בעלי חיים קטנים: רוב ייצור המזון במדינות בעלות הכנסה נמוכה מגיע מבעלי חוות קטנות עם גודל שדה של פחות מקטארו. חיישנים לוויין נוכחיים עשויים לא לספק מספיק החלטה כדי להבחין בין שדות בודדים, ואת מערכות היבולים השונים המשותף בהקשרים אלה קשה לסווג באופן אוטומטי.
  • גישה וקיבולת נתונים:0 (FLT:1) למרות מדיניות פתוחה-נתונים מסוכנויות חלל רבות, גישה לנתונים לוויין והתשתית החישובית הנדרשת כדי לעבד אותה נותרה מחסומים עבור חוקרים ומוסדות במדינות בעלות הכנסה נמוכה.

כיוונים עתידיים וטכנולוגיות מתפתחות

תחום ניטור לווייני חקלאי מתקדם במהירות, מונע על ידי חידושים טכנולוגיים וביקוש גובר למידע בזמן, מעשי.

משימות לוויין חדשות וקונסולות

הדור הבא של לווייני תצפית כדור הארץ מבטיח אפילו יותר מרחבי, ספקטרלי ופתרון זמני.התוכנית של נאס"א משטח ביולוגיה וגאולוגיה (SBG) המשימה ו- ESA הקרובה של קופרניקוס Sentinel-2 הדור הבא (Sentinel-2 NG) יציעו יכולות ספקטרליות משופרות, כולל להקות צרות יותר לניתוח צמחי טוב יותר.

בינה מלאכותית ומחשוב ענן

למידה מכונה ולמידה עמוקה הם מהפכה בניתוח של נתונים לווייניים לחקלאות.רשתות עצביות מהפכתיות (CNN) ואדריכלות מבוססת-היתר הן השגת תוצאות המדינה-of-the-art ב-Crowt type, חיזוי התשואה וקביעת גבולות שדה.פלטפורמות כמו Google Earth Engine (GEE) ו-Amazon סייג'ר מאפשר למשתמשים לעבד חיתולים של תמונות לוויין ללא הורדת הנתונים המקומיים, הפחתת מדדי גישה ל-Ffounding במיוחד ל-Acc-Acc-Flastation (GEE) ו-Actions) ו-Acc-Ffounding Data (GEEFlasting: ACC) ו-Flasting Data Management) ו-Ffounding: Acc-Flasting Data Management) ו-Ffounding: ACC) ו-Dupreative Data Management) ו-Flasting Data (GEEFfounding Data Management) ו-Ffounding Data Management) ו-Flasting: שיפור ביצועים מתקדמים יותר ל-Ffounding Data, במיוחד כדי לשפר את ביצועי הדרכה מתקדמת של Microsoft, כמו Microsoft, כמו Microsoft, באופן ספציפי יותר, כמו Microsoft, כמו Microsoft, כמו Microsoft, כמו Microsoft GrapEPFfound

שילוב עם IoT ו- In-Situחיישנים

נתונים של לווין משולבים יותר ויותר עם נתונים מאינטרנט של דברים (IoT) חיישנים פרוסים בתחומים חקלאיים - כולל בדיקות לחות אדמה, תחנות מזג אוויר ומצלמות בעלות רחפנים.היתוך זה של כיסוי בקנה מידה לווייני עם דיוק ברמה הקרקע מאפשר מודלים מדויקים יותר של יבול וכלים תמיכה ברזולוציה.לדוגמה, הערכות ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ נגד החלפת לחות הקרקע כדי לשפר את המדידות לוח הזמנים.

חקלאות חכמה וחוסנות מעקב

כמו שינויי האקלים מגבירים, תמונות לוויין ישחקו תפקיד גובר במעקב אחר האימוץ והיעילות של פרקטיקות חקלאיות חכמות אקלים, כגון שימור עדי ראייה, יבול, גידול, וניהול מים משופר, לוויינים יכולים לזהות שינויים בכיסוי הקרקע, הצטברות הביומסה, ומבנה הנוף המציין כי חקלאים הם מיושמים שיטות לבניית חוסן.

מסקנה: כלי יסוד לעתיד של מזון

צילומי לוויין עברו ממכשיר מחקר מיוחד ועד לתווך תפעולי של ניטור חקלאי וניתוח אבטחת המזון.על ידי מתן נתונים עקביים, בזמן, והיקף על בריאות היבול, השימוש הקרקעי, התנאים הסביבתיים, הלוויינים מאפשרים קובעי מדיניות, ארגונים הומניטריים, וחקלאים עצמם לקבל החלטות מושכלות יותר.אין טכנולוגיה אחת יכולה לפתור את האתגר המורכב של אבטחת המזון העולמית, אך תצפית לוויין – בשילוב עם מקורות נתונים חזקים ושיטות אנליטיות הפך לחלק חיוני של פתרון חיוני של פתרון.

כאשר חיישנים חדשים מגיעים באינטרנט, אינטליגנציה מלאכותית בוגרת, וגישה לנתונים וכוח מחשוב מתרחבת, הפוטנציאל לדימויים לווייניים לתרום לביטחון המזון יגדל רק.האתגר עכשיו הוא להבטיח כי כלים חזקים אלה הם באופן שווה, אתי, ביעילות לתמוך באוכלוסיות הפגיעות ביותר ולבנות מערכת מזון גלובלית יעילה יותר.