Διερεύνηση της Επίδρασης του Εδάφους στους Αμπελώνες μέσω Χρονοσειρών Sentinel-2 και Δεικτών Φαινολογίας

[[Αρχείο:4vine.png|thumb|right|'''Εικόνα''':  Κατανομή της περιοχής μελέτης σε εθνικό (α) και περιφερειακό επίπεδο (β). Ορθοφωτογραφία υψηλής ανάλυσης (γ, κάτω δεξιά) και χάρτης χωρικής κατανομής των Εδαφικών Ομάδων Υποστρώματος (δ, αριστερά). Το κόκκινο πλαίσιο υποδεικνύει την περιοχή ενδιαφέροντος. (Για την ερμηνεία των χρωμάτων, βλ. ηλεκτρονική έκδοση του άρθρου.)]]

[[Αρχείο:41vine.png|thumb|right|'''Εικόνα''': Στο πάνω μέρος παρουσιάζεται η διάμεσος RMSE σε σχέση με τους δύο δείκτες βλάστησης NDVI και EVI2. Η διάμεσος υπολογίζεται από τα αποτελέσματα όλων των τεσσάρων μεθόδων. Στο κάτω μέρος παρουσιάζεται η τυπική απόκλιση για κάθε έτος των φαινολογικών μετρήσεων (LSP metrics) που εξήχθησαν με τη μέθοδο AG και Beck.]]

'''Πρωτότυπος τίτλος:''' Monitoring soil substrate influence in vineyards using Sentinel- 2 time series and land surface phenology.

'''Συγγραφείς:''' Thomas Maffei, Marco Moretto , Pietro Franceschi.

'''Δημοσιεύτηκε:''' Νοέμβριος του 2025

'''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jag.2025.104977

'''Εισαγωγή'''

Η παρακολούθηση των αμπελώνων αποτελεί μια κρίσιμη πρακτική για τη βελτιστοποίηση της ποιότητας των σταφυλιών και την εξασφάλιση της βιωσιμότητας της παραγωγής οίνου. Οι διαφορές στο εδαφικό υπόστρωμα και την εδαφική σύσταση έχουν σημαντική επίδραση στη φυσιολογία των αμπέλων και στη φαινολογία τους. Η χρήση τηλεπισκόπησης μέσω δορυφόρων έχει αναδειχθεί ως μια ισχυρή τεχνολογία για την παρακολούθηση της βλάστησης σε αγροτικές εκτάσεις. Η δορυφορική μονάδα Sentinel-2, με τα πολλαπλά φασματικά κανάλια της και την υψηλή χωρική ανάλυση, προσφέρει ιδανικές δυνατότητες για τη λεπτομερή παρατήρηση των αμπελώνων. Το άρθρο αυτό εξερευνά τη δυνατότητα χρήσης χρονοσειρών Sentinel-2 για τη διερεύνηση των διαφορών που παρατηρούνται στους αμπελώνες, οι οποίες σχετίζονται με διάφορα εδαφικά υποστρώματα. Η έρευνα διεξήχθη στην περιοχή Piana Rotaliana της αυτόνομης επαρχίας Τρέντο στην Ιταλία, όπου ήταν δυνατή η επιλογή αμπελώνων που εκπαιδεύονται με το ίδιο σύστημα μόρφωσης (καλλιεργητική τεχνική) και αποφεύγουν τη ανανέωση των φυτευμάτων κατά την περίοδο 2017-2023. Τα δεδομένα χρονοσειρών οργανώθηκαν με συνέπεια για να διασφαλιστεί η αξιοπιστία και η συγκρισιμότητα των αποτελεσμάτων.

'''Υλικά και μέθοδοι'''

'''Δεδομένα Sentinel-2 και Προ-επεξεργασία'''

Η μελέτη χρησιμοποίησε δεδομένα δορυφορικής τηλεπισκόπησης από τον δορυφόρο Sentinel-2, ο οποίος παρέχει εικόνες υψηλής ανάλυσης με χωρική ανάλυση 10 μέτρων και χρονικό διάστημα επανάληψης 5 ημερών. Τα δεδομένα συλλέχθησαν για τη χρονική περίοδο 2017-2023 για τους αμπελώνες της Piana Rotaliana. Οι εικόνες Sentinel-2 Level 1C (orthorectified Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA (Multi-temporal Cloud Screening and Atmospheric Correction Processor). Ο MAJA αναπτύχθηκε από τα CESBIO, CNES και DLR και προσφέρει προσαρμογή για ατμοσφαιρικές επιδράσεις, ανίχνευση νεφών και εκτίμηση του οπτικού πάχους αερολύματος (AOT) και υδρατμών. Η επεξεργασία MAJA παρέχει υψηλής ποιότητας χρονοσειρές επιφανειακής ανακλαστικότητας που είναι απαραίτητες για τη χρονική ανάλυση της φαινολογίας. Τα δεδομένα Level 2A περιέχουν 11 φασματικά κανάλια σε διάφορες χωρικές ανάλυσεις (10, 20 και 60 μέτρα), επιτρέποντας τον υπολογισμό πολλαπλών δεικτών βλάστησης.

'''Δείκτες Βλάστησης και Εξαγωγή Φαινολογίας'''

Για την εξαγωγή της επιφανειακής φαινολογίας (Land Surface Phenology - LSP), δύο κύριοι δείκτες βλάστησης αξιολογήθησαν: ο Normalized Difference Vegetation Index (NDVI) και ο Enhanced Vegetation Index 2 (EVI2). Ο NDVI υπολογίζεται από τη διαφορά μεταξύ του εγγύς υπέρυθρου (NIR) και κόκκινου φασματικού καναλιού, διαιρούμενη με το άθροισμά τους, και είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης για τη μελέτη της βλάστησης. Ο EVI2, ωστόσο, είναι ένας τροποποιημένος δείκτης που χρησιμοποιεί τα κανάλια NIR, κόκκινο και SWIR (Short-Wave Infrared) για να μειώσει τις επιδράσεις του φόντου εδάφους και του κορεσμού σε περιοχές με πυκνή βλάστηση. Η ανάλυση έδειξε ότι ο EVI2 παρέχει καλύτερη σταθερότητα και ευρωστία στη χρονική σειρά σε σύγκριση με τον NDVI, ειδικά κατά τις περιόδους πήξης και αποφύλλωσης των αμπέλων. Πέρα από αυτούς τους κύριους δείκτες, εξετάστηκαν και άλλοι δείκτες, όπως ο Global Vegetation Moisture Index (GVMI), ο οποίος μετρά το περιεχόμενο νερού της βλάστησης. Ο GVMI αποδείχθηκε ως ο πιο αποτελεσματικός δείκτης για τη διάκριση της επίδρασης του εδαφικού υποστρώματος, καθώς είναι ευαίσθητος στην ικανότητα διατήρησης νερού του εδάφους.

'''Μέθοδοι Εξαγωγής Χαρακτηριστικών Φαινολογίας'''

Για κάθε αμπελώνα, υπολογίστηκαν πολλαπλά φαινολογικά χαρακτηριστικά (phenometrics) που περιλαμβάνουν LSP metrics (μέγιστη τιμή δείκτη βλάστησης, ημερομηνία μέγιστου, μέγεθος κορυφής), Growing Season (GS) metrics που αντιπροσωπεύουν παρατηρήσεις κατά την ενεργή περίοδο ανάπτυξης και off-Season metrics για παρατηρήσεις εκτός της LSP περιόδου. Διάφορες τεχνικές προσαρμογής (fitting methods) εξετάστηκαν για τη δημιουργία ομαλών χρονοσειρών και την εξαγωγή ακριβών φαινολογικών σημείων αναφοράς. Οι μέθοδοι περιλάμβαναν τη χρήση κινητού μέσου όρου (Moving Average), φίλτρα Savitzky-Golay και ημι-εμπειρικές μεθόδους προσαρμογής που βελτιστοποιούν την ανίχνευση κλειδιών φαινολογικών γεγονότων. Η επιλογή του καταλληλότερου συνδυασμού δείκτη βλάστησης και μεθόδου προσαρμογής ήταν κρίσιμη για την ακρίβεια των εξαγόμενων χαρακτηριστικών.

'''Δημιουργία Συνόλων Δεδομένων και Ταξινόμηση'''

Οκτώ διαφορετικά σύνολα δεδομένων δημιουργήθησαν με βάση τους διάφορους συνδυασμούς δεικτών βλάστησης και φαινολογικών μετρήσεων (LSP, GS και off- Season). Για τη διαφοροποίηση αμπελώνων ανάλογα με τον εδαφικό τύπο, εφαρμόστηκε ένας ταξινομητής Random Forest, ο οποίος είναι ένας επιβλεπόμενος μηχανικής μάθησης αλγόριθμος που κατασκευάζει πολλά decision trees χρησιμοποιώντας δείγματα εκπαίδευσης.Ο Random Forest είναι γρήγορος και αξιόπιστος. Δουλεύει καλά ακόμα και όταν έχουμε πολλά διαφορετικά δεδομένα (π.χ. πολλούς δείκτες βλάστησης) και δεν "κολλάει" στα δεδομένα εκπαίδευσης, γι' αυτό δουλεύει καλά και σε νέα δεδομένα. Η ακρίβεια της ταξινόμησης αξιολογήθηκε χρησιμοποιώντας τυποποιημένες μετρήσεις όπως η συνολική ακρίβεια και ο συντελεστής Kappa. Η σταθερότητα του μοντέλου εξετάστηκε με cross-validation: εκπαιδεύτηκαν μοντέλα με δεδομένα ενός έτους και δοκιμάστηκαν με δεδομένα από τα υπόλοιπα έτη, ώστε να αξιολογηθεί η αποτελεσματικότητά τους σε διαφορετικές χρονικές περιόδους.

'''Αποτελέσματα και Συμπεράσματα'''

Η ανάλυση των χρονοσειρών Sentinel-2 αποκάλυψε σημαντικές διαφορές στη φαινολογία των αμπελώνων που σχετίζονται άμεσα με τον εδαφικό τύπο. Ο EVI2 επέδειξε ανώτερη σταθερότητα και αξιοπιστία έναντι του NDVI, ιδιαίτερα κατά τις κρίσιμες περιόδους πήξης και αποφύλλωσης. Οι φαινολογικές κορυφές και τα σημεία περιστροφής αναγνωρίστηκαν με υψηλή ακρίβεια, παρέχοντας λεπτομερείς πληροφορίες για τον κύκλο ανάπτυξης των φυτών. Οι μετρήσεις Growing Season (GS) κατέδειξαν διαφορές στη διάρκεια της ενεργής περιόδου ανάπτυξης μεταξύ αμπελώνων με διαφορετικά εδαφικά υποστρώματα, υποδεικνύοντας την επίδραση των εδαφικών ιδιοτήτων στη φυσιολογία των φυτών. Οι χωρικές ανομοιογένειες στη βλάστηση συσχετίστηκαν με τη γνωστή κατανομή εδαφικών τύπων, ενώ ο ταξινομητής Random Forest επιτυγχάνει υψηλή ακρίβεια διαφοροποίησης αμπελώνων ανάλογα με τον εδαφικό τύπο. Η μελέτη καταδεικνύει ότι η χρήση δορυφορικών χρονοσειρών σε συνδυασμό με τη φαινολογική ανάλυση αποτελεί ένα ισχυρό εργαλείο για τη διερεύνηση της επίδρασης του εδαφικού υποστρώματος στη λειτουργία των αμπελώνων. Τα εξαγόμενα φαινολογικά χαρακτηριστικά επιτρέπουν την αναγνώριση και χαρτογράφηση της χωρικής ετερογένειας που σχετίζεται με εδαφικές ιδιότητες. Αυτή η προσέγγιση έχει σημαντικές επιπτώσεις για τη γεωργία ακριβείας στους αμπελώνες, καθώς παρέχει τη δυνατότητα προσδιορισμού ζωνών που απαιτούν διαφοροποιημένη διαχείριση. Τα ευρήματα δείχνουν ότι η ενσωμάτωση της φαινολογίας επιφανείας σε πλαίσια παρακολούθησης αμπελώνων βελτιώνει την κατανόηση εδαφο-φυτικών αλληλεπιδράσεων και υποστηρίζει καλύτερες αποφάσεις διαχείρισης. Συστήνεται περαιτέρω εφαρμογή αυτής της μεθοδολογίας σε άλλες περιοχές παραγωγής κρασιού και σε άλλες καλλιέργειες.


 [[category:Γεωργικές περιοχές]]