Ενεργοποίηση της αναγεννητικής γεωργίας με χρήση τηλεπισκόπησης και Μηχανικής Μάθησης

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Enabling Regenerative Agriculture Using Remote Sensing and Machine Learning

Συγγραφείς: Michael Gbenga Ogungbuyi, Juan P. Guerschman, Andrew M. Fischer, Richard Azu Crabbe, Caroline Mohammed, Peter Scarth, Phil Tickle, Jason Whitehead and Matthew Tom Harrison

Πηγή: https://doi.org/10.3390/land12061142

Λέξεις κλειδιά: Μηχανική μάθηση, Δορυφορικές εικόνες, Aναγεννητική βόσκηση, Βιομάζα λιβαδιών, Διαχείριση λιβαδιών, Κλιματική αλλαγή, Υποβάθμιση της γης, Μακροχρόνια παρακολούθηση

1. Εισαγωγή

Εικόνα 1:Περιοχή μελέτης α) χρήση γης για την Τασμανία, β) αγροτική ιδιοκτησία, που περιλαμβάνει 52 μάντρες, και (γ) υποτεμάχια που χρησιμοποιήθηκαν για τη δειγματοληψία στο πεδίο, [τρία μεγαλύτερα τεμάχια (10 εκτάρια, 14 εκτάρια και 54 εκτάρια) χρησιμοποιήθηκαν ως σημεία ελέγχου, ενώ τα τεμάχια θεραπείας είχαν μέγεθος 0,2-0,4 εκτάρια]. Τα πρώτα έξι αγροτεμάχια βρίσκονταν σε ένα αγροτεμάχιο που ονομαζόταν «Bougainville» σε έναν λόφο. Τα δεδομένα χρήσης γης στο στοιχείο α) ελήφθησαν από το Αυστραλιανή Κυβέρνηση, Υπουργείο Γεωργίας, Αλιείας και Δασών, χρήση γης και management (πρόσβαση στις 10 Οκτωβρίου 2022).

Τα λιβάδια είναι κρίσιμα οικοσυστήματα που υποστηρίζουν τη βιοποικιλότητα και συμβάλλουν στη δέσμευση άνθρακα, καθιστώντας αναγκαία τη βελτίωση της ανθεκτικότητάς τους στις κλιματικές προκλήσεις μέσω καινοτόμων πρακτικών, όπως η αναγεννητική βόσκηση. Ωστόσο, η αξιολόγηση της αποτελεσματικότητάς της είναι δύσκολη λόγω της μεταβλητότητας των βοσκοτόπων, ενώ οι συμβατικές μέθοδοι παρακολούθησης παρουσιάζουν περιορισμούς. Η τηλεπισκόπηση και οι τεχνικές μηχανικής μάθησης, όπως τα νευρωνικά δίκτυα και τα τυχαία δάση, βελτιώνουν την ακριβή εκτίμηση της βιομάζας, όπως δείχνει η μελέτη της Cibo Labs στην Αυστραλία. Παρόλα αυτά, υπάρχουν προκλήσεις, ιδιαίτερα σε περιοχές με υψηλή νεφοκάλυψη, όπου η ακρίβεια των δορυφορικών εικόνων μπορεί να επηρεαστεί. Η πρόσφατη έρευνα διερεύνησε την επίδραση της αναγεννητικής βόσκησης στη βιομάζα και την αξιοπιστία των μοντέλων εκτίμησης, παρέχοντας σημαντικές πληροφορίες για τη βιώσιμη διαχείριση των βοσκοτόπων.

2. Μεθοδολογία

Εικόνα 2:Κατηγορίες βιομάζας βοσκοτόπων που καταμετρήθηκαν με καταστροφικές συγκομιδές στο Okehampton, Τασμανία, Αυστραλία. Μετρήσαμε (α) τη μόνιμη πράσινη βιομάζα και (β) τη μόνιμη ξηρή βιομάζα πριν από την μετά βόσκηση- μετρήσαμε επίσης (γ) την καταπατημένη πράσινη βιομάζα και (δ) την καταπατημένη ξηρή βιομάζα. Οι φωτογραφίες (α) και (β) τραβήχτηκαν το φθινόπωρο, η (γ) τραβήχτηκε το χειμώνα και η (δ) τραβήχτηκε το καλοκαίρι. Αναφερόμαστε στα δεδομένα της καταστροφικής δειγματοληψίας στο παρόν ως «μετρημένα» δεδομένα. Συνολική μόνιμη ξηρή ουσία (TSDM) υπολογίστηκε με το άθροισμα της πράσινης και της ξηρής στάσιμης βιομάζας.

Η μελέτη πραγματοποιήθηκε στο αγρόκτημα «Okehampton» στη νοτιοανατολική Τασμανία, σε μια έκταση 1.446 εκταρίων με 52 μαντριά διαφόρων μεγεθών, χωρίς άρδευση ή συνθετικά λιπάσματα, με στόχο τη βιώσιμη ανάπτυξη των βοσκοτόπων. Δώδεκα μαντριά επιλέχθηκαν για συλλογή δεδομένων μεταξύ Δεκεμβρίου 2021 και Νοεμβρίου 2022, συγκρίνοντας εντατική αναγεννητική βόσκηση (1 ημέρα, 8000 DSE/ha) με συμβατικές πρακτικές (παρατεταμένη βόσκηση, 2000 DSE/ha). Η δειγματοληψία περιλάμβανε τη συλλογή και ανάλυση βιομάζας, ενώ οι δορυφορικές εικόνες Sentinel-2 και η εφαρμογή «PastureKey» της Cibo Labs χρησιμοποιήθηκαν για τον υπολογισμό της συνολικής στάσιμης ξηρής ύλης (TSDM) μέσω τεχνικών βαθιών νευρωνικών δικτύων. Τα δεδομένα αναλύθηκαν με στατιστικές μεθόδους και χρονοσειρές, συγκρίνοντας τις δορυφορικές εκτιμήσεις με τις μετρήσεις πεδίου, προσφέροντας πληροφορίες για τη σχέση στρατηγικών βόσκησης και παραγωγικότητας βοσκοτόπων.

3. Αποτελέσματα

Εικόνα 3:Χωροχρονική μεταβλητότητα της βιομάζας των βοσκοτόπων στο Okehampton. Μικρότερα αγροτεμάχια (ex panded) αντιπροσωπεύουν αναγεννητικές μεταχειρίσεις βόσκησης, ενώ τα μεγαλύτερα τεμάχια ήταν συμβατικά (business as-usual) βόσκηση. Τα αγροτεμάχια 1 έως 5 απεικονίζονται στην κάτω αριστερά διευρυμένη προβολή, ενώ τα αγροτεμάχια 1 έως 4 του Bougainville βρίσκονται στην πάνω δεξιά διευρυμένη προβολή.

Τα αποτελέσματα έδειξαν ότι τόσο η εντατική όσο και η συμβατική βόσκηση οδήγησαν σε απώλεια βιομάζας, με το ποδοπάτημα να έχει μεγαλύτερη επίδραση από την κατανάλωση. Όλες οι επεξεργασίες παρουσίασαν παρόμοια χρονική μεταβλητότητα στη συνολική στάσιμη ξηρή ύλη (TSDM), ενώ η περίοδος ανάπαυσης δεν επηρέασε σημαντικά την ανάκτηση της βιομάζας. Η βιομάζα αυξήθηκε με τις εποχιακές βροχοπτώσεις, ενώ η έντονη βόσκηση στις 27 Ιανουαρίου 2022 προκάλεσε σημαντική μείωση του TSDM. Η εφαρμογή PastureKey της Cibo Labs υποτίμησε τις εκτιμήσεις της βιομάζας σε σχέση με τις μετρούμενες τιμές, αν και ευθυγραμμίστηκε καλύτερα σε συγκεκριμένα αγροτεμάχια. Συνολικά, η μελέτη ανέδειξε την επίδραση του ποδοπατήματος και των περιόδων ανάπαυσης στη δυναμική της βιομάζας και αξιολόγησε τη χρησιμότητα των δορυφορικών εικόνων Sentinel-2 για την παρακολούθηση της μεταβλητότητάς της.

4. Συζήτηση

Η μελέτη εξέτασε την επίδραση της αναγεννητικής βόσκησης στην παραγωγικότητα των βοσκοτόπων και την καταπάτηση της βιομάζας σε μικρά αγροτεμάχια (<1 εκτάριο), καταλήγοντας ότι δεν υπήρξε σημαντική διαφοροποίηση στην παραγωγή βιομάζας μεταξύ αγροτεμαχίων επεξεργασίας και ελέγχου κατά το υγρό έτος 2022, με τις καιρικές συνθήκες να παίζουν καθοριστικό ρόλο. Τα δεδομένα έδειξαν ότι μικρότερα διαστήματα ανάπαυσης (3 μήνες) οδήγησαν σε υψηλότερη παραγωγικότητα, ενώ μεγαλύτερα διαστήματα (15 μήνες) προκάλεσαν γήρανση της βιομάζας. Η πυκνότητα εκτροφής πρέπει να προσαρμόζεται ώστε να μειώνεται η καταπάτηση, ενώ απαιτείται περαιτέρω έρευνα για τη βέλτιστη περίοδο ανάπαυσης. Παράλληλα, αξιολογήθηκε η εφαρμογή Cibo Labs, η οποία χρησιμοποιεί εικόνες Sentinel-2 για την εκτίμηση της συνολικής στάσιμης ξηρής ύλης (TSDM). Παρόλο που το μοντέλο ανέδειξε τη χωροχρονική μεταβλητότητα της βιομάζας, παρουσίασε σφάλματα λόγω της ευαισθησίας του στην πράσινη βλάστηση και των περιορισμών που προκαλούν τα σύννεφα στην Τασμανία. Συνολικά, η μελέτη ανέδειξε τις δυνατότητες της αναγεννητικής βόσκησης και των δορυφορικών δεδομένων για τη διαχείριση βοσκοτόπων, αν και απαιτούνται βελτιώσεις στην ακρίβεια των εκτιμήσεων.

5. Συμπεράσματα

Η μελέτη κατέληξε στο συμπέρασμα ότι η αναγεννητική βόσκηση με σύντομες περιόδους ανάκαμψης 3-6 μηνών είναι πιο αποτελεσματική σε συνθήκες υψηλής βροχόπτωσης, ενώ η βόσκηση μίας ημέρας οδήγησε κυρίως σε καταπάτηση της βιομάζας λόγω της υψηλής πυκνότητας εκτροφής. Παρά την πρωτοπορία της, η έρευνα υπογράμμισε την ανάγκη για περαιτέρω μελέτες σε συνθήκες ξηρασίας, μεγαλύτερες περιόδους βόσκησης (3-5 ημέρες) και βελτιωμένη συλλογή δεδομένων μετά τη βόσκηση. Επιπλέον, επιβεβαίωσε ότι η μηχανική μάθηση με εικόνες Sentinel-2 μπορεί να εκτιμήσει αποτελεσματικά τη βιομάζα, αν και υπήρχαν περιορισμοί λόγω της χαμηλής διαθεσιμότητας εικόνων χωρίς σύννεφο. Μελλοντική έρευνα θα μπορούσε να αξιοποιήσει δεδομένα από το PlanetScope και το Sentinel-1 για μεγαλύτερη ακρίβεια, ενώ απαιτείται περαιτέρω διερεύνηση της επίδρασης της αναγεννητικής βόσκησης σε ξηρές περιόδους όπως το Ελ Νίνιο.