פלטפורמות לוויין ומודיעין חקלאי

פלטפורמות לוויין המקיף מאות קילומטרים מעל כדור הארץ ללכוד נתונים מפורטים כי ביסודם מחדש את ההבנה של החקלאות העולמית.עבור מפעילי צי, agronomists, קובעי מדיניות כאחד, נקודת מבט מבוססת חלל זו מציעה שיטה עקבית, שקוף, וניתנת לדרגתית למעקב אחר פיתוח היבול באזורים עצומים ולעתים בלתי נגישים.היכולת להבחין באופן שיטתי סוגים ופרודוקטיביות בתוך זמן אמיתי מספק יתרון מבצעי שהופך במהירות תעשייה סטנדרטית.

ארגונים חקלאיים מודרניים מייצרים טביעות רגל מבצעיות עצומות.מנהל צי יחיד עשוי להיות אחראי על אלפי דונם התפשטו על פני אקלים שונים וסוגי אדמה. שיטות סיור מסורתיות לא יכולות לעמוד בקצב היבשות והמרחביות הטמונות בפעולות בקנה מידה גדול אלה.לוויינים-דרים ממלאים פער זה, מה שהופך נתונים של פיקסלים גולמיים לאינטליגנציה מעשית על התקדמות, צמחייה, לחות, לחץ, ומיפוי מקיף של טכנולוגיות יבוליות.

הפיזיקה של סניפיות מרוחקות בחקלאות

כל ניטור חקלאי מבוסס לווייני מתחיל עם אינטראקציה של קרינה אלקטרומגנטית עם קאנופי צמחים.השמש פולטת קרינה על פני ספקטרום רחב.כאשר קרינה זו מכה צמח, כמה אורכי גל נספגים, חלקם מועברים, וחלקם משתקפים חזרה אל החיישן.השיעור של קרינה משתקפת באורכי גל שונים יוצר חתימה ספקטרלית ייחודית צמחיית היעד.

עקרונות הרהורים

צמחייה ירוקה בריאה מציגה פרופיל ספקטרלי מובהק.בחלק הנראה של הספקטרום (400-700 nm), פיגמנטים chlorophyll סופגים כחול (450 nm) ואדום (680 nm) אור עבור photoynthesis, תוך כדי לשקף חלק של אור ירוק (550 nm), ולכן צמחים מופיעים ירוק לעין האנושית.

המונחים:

אינדיקציות צמחיות הן שינויים מתמטיים של להקות ספקטרליות שנועדו להדגיש את התכונות של צמחייה תוך צמצום השפעות רקע כגון צבע אדמה, זווית תאורה תאורה תאורה, והתערבות אטמוספרית.

  • (FLT:0) מדד הבדלי וצמחון (NDVI): NDFLT:1 מדד צמחייה הנפוץ ביותר בחקלאות. Calculated as (NIR - Red) / (NIR + Red), NDVI מייצר ערכים החל מ-1 עד 1.1- ל-1.Bet אדמה או sunged צמחייה מניבה בדרך כלל ערכים קרוב ל-0, בעוד צמחייה צפופה ובריאה מעל 0.7 מעלות צלזיוס מספק מדד מכניקה מעולה של LT2A.
  • מדד Vegetation (EVI):0 (EVIVER) (EVI): שיפור הרגישות באזורים בעלי-הביומה גבוהה שבהם NDVI נוטה להשתחוות.הוא משלב להקה כחולה לתיקון עבור אווירוסול אטמוספירת אטמוספרית והתאמות לרקע הקרקע. EVI הוא בעל ערך במיוחד בתותחים צפופים כגון יערות טרופיים או שדות תירס מופרכים היטב.
  • (FLT:0) Soil Adjusted Vegetation Index (SAVIVER): FLT:1 בסביבות עם כיסוי צמחייה דל, בהירות הקרקע יכול להשפיע באופן משמעותי על ערכי NDVI. SAVI משלב גורם הסתגלות אדמה (L) כדי להפחית את ההשפעה הזו, מה שהופך אותו מתאים יותר לחקלאות יבשה או ניטור מוקדם של יבול.

פתרון ספאטי, ספקטרלי ו טמפל

התאמתו של חיישן לוויינים ליישום חקלאי נתון תלויה בשלושה סוגים של החלטה.רזולוציה Spatial מתייחסת לגודל הפיקסלים. Coarse חיישנים כמו MODIS (250 מ"מ עד 1 ק"מ) שימושיים עבור ניטור יבשתי וגלובאלי, חיישנים של פתרון בינוני כמו לנדסאט (30 מ') ו- Sentinel-2 (10 עד 60 מ"מ) הם מעשי מיפוי תפעולי, המציעים מספיקים ל-F באופן קבוע כדי לספק לעתים קרובות חיישנים פתוחים יותר (אך) אך ורק 3.

קוגניציה מסוג Crop Type Classification

ממפה שבה גדלים יבולים ספציפיים ברחבי היבשת כולה היא בעיה מדעית מורכבת של נתונים.זה דורש שילוב של סדרת זמן לווייני צפוף, אלגוריתמי למידת מכונה ונתוני התייחסות קרקע באיכות גבוהה.אתגר הליבה הוא בגידולים שונים שיש להם חתימות ספקטרום דומה בנקודה אחת בזמן.

חתימה מתודולוגית

מינים שונים של גידול מחזורי, או פנולוגיות. חיטה החורף נטוע בסתיו, ירוקות באביב, והוא מנוסבל בתחילת הקיץ. קורנן נטוע בסוף האביב, מגיע הביומסה שיא באמצע הקיץ, ומשקעים בסתיו. Sobeans לעקוב אחר מסלול אחר שדה שונה, אורז יש חתימה ייחודית קשורה עם הצפה בהשתלות באמצע הקיץ, המאפשרת תצפיות אוויריות גדולות יותר מאשר יינות שדה חורף אוגוסט, אשר יאפשרומים שונים, 000, 000, 000, 000 זה יהיה להבחין תצפיות שדה גדול יותר מאשר תצפיות שדה גדול יותר מאשר תצפיות.

Machine Learning Accesss

שיטות סיווג יבול מוקדם הסתמכות על עצי החלטות פשוטים או מערכי סבירות מקסימליים החל כמה תמונות שנבחרו בקפידה.מערכות הפעלה מודרנית להשתמש אלגוריתמים מתקדמים של מכונות כגון Random Forest, Gradient Boosting (XGBoost, LightGBM), ואדריכלות למידה עמוקה כמו יבולים עצביים מסוג CSOLS (CNN) ורשתות עצביות חוזרות (RNage, במיוחד LSTMS עבור הזמן).

מחקר: Mapping Soy and Corn בברזיל

באזורי Cerrado הברזילאי ואמזון, הבחנה בין סויה, תירס וכותנה היא עדיפות גבוהה עבור ניטור סביבתי וכלכלי.אזור כולל מערכות כפולות מורכבות.היבול הראשון הוא בדרך כלל סויה, נטוע באוקטובר או נובמבר.לאחר הקציר הסויה בינואר או פברואר, יבול שני של תירס (sphrinha) או כותנה הוא נטוע. a סיווג על גבי דחיסה 2 יכול לזהות את היבול הראשוני של דגם זה של ספירת אדמה, כמו גם את היבול השני של אמזון, עם עלייה כפולה של דגם כפול, עם עלייה בדרגה גבוהה.

אתגרים במערכות קטנות

ברוב אפריקה ואסיה, נופים חקלאיים נשלטים על ידי חוות בעלי חיים קטנים, לעתים קרובות פחות מ דונם אחד בגודל.שדות אלה לעתים קרובות מעורבים עם מינים מרובים, ואת תאריכי השתילה יכול להיות משתנה מאוד מבוסס על דפוסי גשם מקומיים.רזולוציה מרחבית מתונה של לנדסאט (30 מ') יכול להוביל פיקסלים מעורבים המכילים גידולים מרובים או תערובת של גידולים ועצים.

אובססיביות ל-Crop Productivity ו-Yeld

הידיעה מה היבול מושרש היא רק חצי המשוואה.ההצעה לתועלת הליבה של ניהול צי ומסחר בסחורות טמונה בהערכה כמה טוב היבול גדל וחיזוי התשואה הסופית בקציר.

קישור ל-Vgetation Indices to Yield

היחסים בין צמחייה אינדיקציות ותשואות מבוססים היטב, במיוחד עבור יבולים דגנים כמו תירס, חיטה, וכו ' צמח כי הוא פעיל פוטוסינתזה באופן דרמטי יהיה NDVI גבוה, ו NDVI גבוה מתמשך במהלך השלבים הקריטיים (בבית ודגנים מלאים) מתאמים מאוד עם הצטברות סופית. אמפירי לעתים קרובות לנקוט צורה של פשוט ליניארי או לא ליניארית (R) = cinfall + kinfall (R) * kinfall (R) tar) + kinfall (R) cinfall (R) tar = cinfall (R) tar* cinfall (R) tar = cinfall (R) tar = cinfall (R) tar = cinfall + Rürinfall) tar) tar = cinfall (R) tar = cinfall (R) tar = cinfall (R) tar) tar = cinfall (R) tar = cinfall (R) tar = cinfall (R) tar) tar) tar) גרגר גרגר (R) tar) tar) tar) tarxtra

גישות מתוחכמות יותר למנף מודלים של יבול מבוסס תהליך כגון DSSAT, APSIM, או מודל מדעי המזון העולמי (WOFOST) מודלים אלה מדמיינים את הצמיחה היומית של יבול המבוסס על הגנטיקה, מזג האוויר, תנאי הקרקע וניהול. נתוני לוויין, במיוחד LAI (Leaf Area) הנגזרים ממדד צמחייה, משמש לעדכון או "לשחרר" את המודל, תיקון עבור שגיאות מדויקות יותר סימולציה מדויקת יותר.

המונחים: Crop Stress

נתונים של לווין יכולים לחשוף מתח פיזיולוגי ביבולים לפני שהוא גלוי לעין העירומה, המאפשר ניהול פרואקטיבי.ירידה ב NDVI או להאטה בקצב של עלייה NDVI יכול להיות אינדיקטור מוקדם של מתח מים, מחסור חנקן, או לחץ מזיקים.הלהקות החד-צדדיות על Sentinel-2 (705 nm, 740 nm, ו 783 nm) רגישים במיוחד ל- chlorophyd טמפרטורה נמוכה יותר כמו שינוי חום, כמו חנקן, כגון לחץ דם כהה, לחץ דם כהה, כלומר, לחץ דם כהה יותר, לחץ דם כהה, הוא נמוך יותר, 000.

שילוב מזג אוויר וסול נתונים

נתונים של לווין בלבד לא יכולים לחזות באופן מושלם את תנאי מזג האוויר לאורך שאר העונה ההולכת וגוברת הם אי ודאות גדולה. High-resolution מאגרי מזג האוויר המוטבעים (למשל, ERA5, CHIRPS, Daymet) משולבים עם תצפיות לוויין כדי להניע מודלים חיזוייים. בדומה, מרקם וקיבולת שמירת מים מפעילים שליטה חזקה על צמיחה, במיוחד במערכות גשמים.

פרספקטיבה ומערכות תפעוליות

היישום של מיפוי חקלאי מבוסס לווייני משתנה באופן משמעותי על פני יבשות, מונע על ידי הבדלים בגודל החווה, האקלים, זמינות נתונים וקיבולת מוסדית.

צפון אמריקה: חקלאות גדולה-מכננת

ארצות הברית וקנדה מייצגים את הסביבה המבצעית הבוגרת ביותר עבור ניטור יבול לווייני.גדלי שדה גדולים, אקלים ממוזג עם מעט עננים במהלך העונה ההולכת וגדלה, והשקעה ציבורית חזקה באוסף נתונים קרקעיים מאפשרת להשיג מפות מסוג יבול מדויק מאוד ותחזיות תשואה.ה-A Crop Explorer ו- USDA NASS Cropland Data Layer (CDL) הם מוצרים סטנדרטיים על ידי סוחרים, במסחר, ב-A, ב-A, ב-A, ב-A Croprecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecre, ו-A.

דרום אמריקה: חקלאות טרופית ושינוי יבשת

ניטור החקלאות בדרום אמריקה, במיוחד ברזיל וארגנטינה, מאתגר מבחינה טכנית בשל כיסוי ענן מתמשך.זה דורש שימוש בחיישנים סינתטיים Aperture Radar (SAR) כמו Sentinel-1, אשר יכול לראות דרך עננים.המדיניות מתמקדת כאן מאוד בציות סביבתי ו deforestation ניטור נתונים לוויין הוא הכלי העיקרי לאכיפת הקוד יער ולוודא תביעות קיימות עבור סחורות מבוזרות באזור זה, אשר , על פני אזורי הגנה מרחוק על פני השטח של מידע לוויין.

אירופה: מדיניות Compliance and Precision Farming

באיחוד האירופי, מדיניות החקלאות המשותפת (CAP) היא הנהג העיקרי של שימוש בנתונים לווייניים.תוכנית Copernicus מספקת נתונים בחינם ופתוחים של Sentinel, אשר משמש סוכנויות תשלום לאומי כדי לאמת תביעות סובסידיות חקלאיות, לפקח על גבולות שדה, ולזהות ללא ציות.נוף אירופי מאופיינים בתחומים קטנים יותר ותערובת מגוונת של יבולים, הדורשת פתרון מרחבי גבוה יותר.

אסיה: אנרגיה אורז ומורכבות בעלי חיים קטנים

אסיה נשלטת על ידי ייצור אורז, אשר יש חתימה ספקטרלית ייחודית קשורה להצפה. SAR חיישנים יעילים במיוחד עבור מיפוי גודל אורז ושלבי צמיחה, כמו backscatter מן שדה מוצף נבדל מזה של שדה גדל.אתגר של מיליוני שדות קטנים הוביל חדשנות בלמידה עמוקה והשימוש בדימויים ברזולוציה גבוהה מאוד.

אפריקה: עידוד

באפריקה, המיקוד של ניטור חקלאי לווייני הוא על אבטחת מזון, בצורת אזהרה מוקדמת, וחוסן של חקלאות בעלת חיים קטנה, שיתוק מורכב, כיסוי ענן ממושך להציג מכשולים בלתי ניתנים לעצימה.נתוני פתרון קוארזה (MODIS, VIIRS) שימשה היסטורית עבור ניטור בצורת יבשתי, אך הזמינות של נתונים של Sentinel-2 מאפשרת ניתוח מפורט יותר.

דרישות תפעוליות וסיוע החלטות

המעבר של מיפוי לווייני ממחקר להחלטות מבצעיות הידרדר במהירות.כמה תחומים שונים של יישומים שונים הופיעו.

ביטוח סיכונים וניהול סיכונים

נתונים של לוויין מבססים את התחום הגדל של ביטוח מבוסס אינדקס. במקום לדרוש הערכת אובדן שדה יקר, חוזה ביטוח יכול להיות מופעל כאשר מדד צמחייה מרוסן יורד מתחת לסף שנקבע מראש.זה מפחית באופן דרמטי את עלויות העסקה ומהירויות של תשלומים, מה שהופך ביטוח נגיש יותר לבעלי חיים קטנים.עבור ביטוחים, נתונים לווייניים ניתן להשתמש כדי לאמת את נהלי היבול ואת הסיכון של רוחות, או נזק גדול על פני אזורים מבול.

שרשרת אספקה ואימות

מעבדי מזון, סוחרים וקמעונאים מתמודדים עם לחץ גובר כדי לאמת את הקיימות של רשתות האספקה שלהם.נתוני לוויין מציעים דרך עצמאית, שקופה לפקח על שדות חקלאי החוזה על התחייבויות אפס-העד, שימוש במים בר קיימא, ושיטות חקלאיות טובות. חברה יכולה לפקח על אלפי חוות ברחבי העולם מלוחם אחד, ניסוח omas המחייב חקירה.סוג זה של ניטור כבר סטנדרטי עבור שמן, soy, אספקת בשר בקר, וכן אספקת בשר בקר.

מדיניות לאומית ובינלאומית

ממשלות משתמשות בסטטיסטיקות של יבול מבוסס לווייני כדי להגדיר מדיניות חקלאית, לתכנן יבוא מזון וייצוא, ולנהל עתודות דגנים אסטרטגי. Accurate, שטח יבול זמן והערכות התשואות חיוניות ליציבות השוק. ארגונים בינלאומיים מסתמכים על נתונים לווייניים פגומים ורב-מקור כדי לפקח על מטרות הפיתוח בר קיימא (SDGs), במיוחד SDG 2 (Zero Hunger), ולתאם תגובה אסון.

כיוונים עתידיים וטכנולוגיות מתפתחות

Hyperspectral and Thermalחיישנים

הדור הבא של חיישני הלוויין יספק אפילו נתונים מפורטים יותר. Hyperspectralחיישנים, המדידה מאות להקות ספקטרליות צרות, יכול לזהות ישירות ביוכימיה צמחית, כולל חנקן, זרחן, ותוכן צלולוז.ה-AMAP הגרמני ומשימות EMIT של נאס"א להראות את הפוטנציאל של הדמיה היפרספקלית חללית עבור חקלאות.

בינה מלאכותית ומחשוב ענן

AI הופך את העיבוד של נתונים לווייניים.פלטפורמות כמו Google Earth Engine, Microsoft Planetary Computer, ו-AWS Earth מאפשר ניתוח של קטביטים של נתונים לווייניים בקנה מידה עולמי.מודלים למידה עמוקה יכולים באופן אוטומטי לפענח גבולות שדה, לסווג יבולים, ולזהות סימנים מוקדמים של לחץ עם התערבות אנושית מינימלית.המגמה היא כלפי ניתוחים אוטומטיים, קרובים-מציאותיים המספקים תובנות ישירות למכשיר הנייד או ניהול תוכנה.

שילוב עם IoT ודנונוס

נתונים לוויין הם חזקים ביותר בשילוב עם מקורות נתונים אחרים.In-field Internet of Things (IoT) חיישנים מספקים מדידות נקודתיות של לחות הקרקע ומזג אוויר, אשר calibrate ואימות מודלים לווייניים. Drones לספק תמונות ברזולוציה גבוהה ברמת השדה, מילוי הפער בין כיסוי לווייני לבין בדיקה קרקעית.מערכת משולבת מלאה משתמשת בנתונים של ניטור ותכנון רחב, מל"טים עבור סקטורים מפורטים ופתרון, בעיות אימות ואימות אמיתיים עבור חיישנים אמיתיים.

דמוקרטיזציה של נתונים

מדיניות הנתונים הפתוחים של תוכנית הקופרניקוס האירופית ותוכנית לנדסאט USGS שינתה באופן יסודי את הנוף של החקלאות המבוססת על לוויינינים.כל מי עם חיבור אינטרנט יכול לגשת למידע לווייני ברזולוציה גבוהה בחינם.זה הוריד את המחסום לכניסת סטארט-אפים, חוקרים ומדינות מתפתחות, וטיפוח מערכת אקולוגית תוססת של חדשנות.התפוצה של קבוצות לוויין בעלות נמוכה וקטנות (למשל, כוכב הלכת) הוא להגדיל את עלויות זמניות נוספות.

בניית צי חקלאי של Data-Driven

מיפוי לוויין מספק את הבסיס הנתונים לדור הבא של אינטליגנציה חקלאית.היכולת שלה לספק תובנות אובייקטיביות, חוזרות ונשנות וגלובאליות לסוגי יבול ופרודוקטיביות הופכת אותו לכלי חיוני לניהול סיכונים, קידוד רשתות אספקה, ולהבטיח אבטחת מזון גלובלית.עבור מפעילי צי, שילוב של ניתוח שולי לווייני לתוך זרימת עבודה יומית הוא מעבר מיתרונות מוקדמים של מאמץ לביקוש מבצעי בסיס.