Συνεισφορά της Τηλεπισκόπησης στα Μοντέλα Πρόβλεψης Καλλιέργειας

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

Contribution of Remote Sensing on Crop Models: A Review


Συγγραφείς: Dimitrios A. Kasampalis, Thomas K. Alexandridis, Chetan Deva, Andrew Challinor, Dimitrios Moshpu, Georgios Zalidis

Δημοσιεύτηκε: Contribution of Remote Sensing on Crop Models: A Review. Journal of Imaging, 4 (4). 52. ISSN 2313-433X

Σύνδεσμος: https://doi.org/10.3390/jimaging4040052

Περίληψη

Τα μοντέλα ανάπτυξης καλλιεργειών προσομοιώνουν τη σχέση μεταξύ φυτών και περιβάλλοντος προκειμένου να βελτιστοποιηθεί η διαχείρησή τους, να αποφευχθούν καιρικά ρίσκα και να προβλεφθεί η αναμενόμενη σοδειά. Η βασική έλλειψη των μοντέλων αυτών είναι η απουσία χωρικών δεδομένων, τα οποία μπορεί να παράσχει η τηλεπισκόπηση. Το άρθρο κάνει μια ανασκόπηση των πιο πρόσφατων τηλεπισκοπικών εφαρμογών που συνεισφέρουν στην πρόβλεψη της σοδειάς, των μεθόδων που ακολουθούν και των αδυναμιών και των πρωταιρημάτων τους.

Εισαγωγή, ιστορική αναδρομή

Τα μοντέλα πρόβλεψης της σοδειάς προσπαθούν να μεταφράσουν τη σχέση μεταξύ φυτών και περιβάλλοντος, προσομοιώνοντας φυσιολογικές διεργασίες σε χρονικά πλαίσια συνήθως με συχνότητα μίας ημέρας. Αυτά τα μοντέλα παίζουν μεταξύ των άλλων σημαντικό ρόλο στην έρευνα της βιοσιμότητας όσον αφορά τη διαχείριση μίας περιοχής. Την δεκαετία του ’60 ξεκίνησε η έρευνα πάνω στα μοντέλα ανάπτυξης καλλιεργειών. Την δεκαετία του ’70 μετά από μία μεγάλη αγορά σταριού της Αμερικής από τη Σοβιετική Ένωση, ξεκίνησε από αμερικάνους επιστήμονες η έρευνα στην τηλεπισκόπηση σε σχέση με τα μοντέλα πρόβλεψης σοδειάς. Σήμερα μια απο τις μεγαλύτερες προκλήσεις στην έρευνα της ανταπόκρισης των καλλιεργειών στην κλιματική αλλαγή είναι η εύρεση ακριβούς χωρικής πληροφορίας. Αυτό το πρόβλημα καλείται να λύσει η τηλεπισκόπηση.

Μοντέλα πρόβλεψης καλλιέργειας

Τα μοντέλα πρόβλεψης καλλιέργειας χωρίζονται κεντρικά σε τρεις κατηγορίες. Υπάρχουν τα εμπειρικά μοντέλα τα οποία εκφράζονται σαν εξισώσεις παλινδρόμησης και τα οποία δεν παρέχουν πληροφορία γύρω από τον μηχανισμό που χρησιμοποιούν ώστε να παράξουν το αποτέλεσμα. Υπάρχουν τρεις κύριοι τύποι στατιστικών μοντέλων, οι χρονοσειρές, η ανάλυση διαστρωματικών δεδομένων (panel data) και η συγχρονική (cross-sectional) προσέγγιση. Ωστόσο τα στατιστικά μοντέλα συνήθως δεν μπορούν να περιγράψουν την αντίδραση της καλλιέργειας σε συνθήκες ή τόπους χωρίς ιστορικά δεδομένα. Τέλος τα δυναμικά μοντέλα, τα οποία προσομοιώνουν την εξέλιξη της καλλιέργειας στον χρόνο, με συγκεκριμένο χρονικό βήμα, με την χρήση διαφορικών εξισώσεων. Ένα σημαντικό πλεονέκτημά των τελευταίων έναντι των στατιστικών είναι πως μπορούν να προβλέψουν την ανταπόκριση της σοδειάς σε νέες κλιματικές συνθήκες και μεθόδους διαχείρισης χωρίς προηγούμενο ιστορικό.

Τηλεπισκόπηση και μοντέλα πρόβλεψης καλλιέργειας

Τηλεπισκοπικά δεδομένα χαμηλής ανάλυσης χρησιμοποιούνται ευρέως στον τομέα αυτό λόγω της υψηλής χρονικής συχνότητας κάλυψης και του χαμηλού κόστους τους. Στις εικόνες αυτές χρησιμοποιούνται κυρίως συνδυασμοί των περιοχών του εγγύς υπερύθρου και του κόκκινου για την δημιουργία διαφόρων δεικτών βλάστησης όπως ο NDVI. Οι δείκτες αυτοί μεταξύ των άλλων χρησιμοποιούνται για την εξαγωγή ουσιωδών πληροφοριών σχετικά με το φύλλωμα όπως είναι ο δείκτης έκτασης φυλλώματος (LAI). Αυτός αντιπροσωπεύει την διαθέσιμη έκταση για ανταλλαγή ενέργειας μεταξύ του φυτού και της ατμόσφαιρας και χρησιμοποιείται για τη μοντελοποίηση της εξατμισοδιαπνοής, της παραγωγής βιομάζας και της σοδειάς. Η χρήση του LAI σε συνδυασμό με την εξατμισοδιαπνοή που αντιπροσωπεύει το διαθέσιμο νερό για την ανάπτυξη του φυτού μπορούν εάν προσεγγιστούν καλά να δώσουν ακριβείς εκτιμήσεις της αναμενόμενης σοδειάς. Κάποιες μελέτες επίσης έχουν χρησιμοποιήσει υπερφασματικά δεδομένα πετυχαίνοντας ακρίβεια 20% με 25% μεγαλύτερη από αντίστοιχες εφαρμογές με μονοφασματικά δεδομένα. Υπάρχουν περιπτώσεις βέβαια που δεν μπορεί να χρησιμοποιηθεί οπτική εικόνα λόγω νεφοκάλυψης είτε λόγω αδυναμίας χρήσης του NDVI. Εκεί πολλές μελέτες έχουν χρησιμοποιήσει με επιτυχία δεδομένα ραντάρ.

Υπάρχουν τρεις κύριες μέθοδοι με τις οποίες τηλεπισκοπικά δεδομένα συνδυάζονται με μοντέλα καλλιέργειας. Η πρώτη είναι μία έμμεση προσέγγιση όπου τα τηλεπισκοπικά δεδομένα συνεργάζονται με ένα μοντέλο προσομοίωσης ώστε να καλιμπραριστεί σωστά εξ αρχής είτε να ρυθμιστεί σωστά κατά την διάρκεια της λειτουργίας του. Τα μοντέλα ανάπτυξης καλλιέργειας αποτελούν από τρία μέρη, τις μεταβλητές κατάστασης, τις μεταβλητές οδήγησης και τις παραμέτρους. Η πιο απλή μέθοδος είναι να χρησιμοποιηθεί τηλεπισκόπηση για την αξιολόγηση κάποιων μεταβλητών οδήγησης του μοντέλου. Η τρίτη μέθοδος τέλος είναι η ανανέωση μιας μεταβλητής κατάστασης του μοντέλου με την τιμή των τηλεπισκοπικών δεδομένων. Συνηθίζεται τα δεδομένα να λαμβάνονται από δορυφόρους με χαμηλή ανάλυση αλλά μικρό χρόνο κάλυψης της επιφάνειας της γης. Ωστόσο αυτή η σχέση χαμηλής χωρικής και υψηλής χρονικής ανάλυσης αποτελεί ένα κεντρικό μειονέκτημα της χρήσης της τηλεπισκόπησης στα μοντέλα πρόβλεψης καλλιέργειας.

Σχέση χωρικής, χρονικής και φασματικής ανάλυσης των δορυφορικών εικόνων

Περιορισμοί και μειονεκτήματα των μεθόδων – Συμπεράσματα

Τα βασικά πλεονεκτήματα της ενσωμάτωσης τηλεπισκοπικών μεθόδων στα μοντέλα πρόβλεψης καλλιέργειας αποτελούν η αναπαράσταση της χωρικής πληροφορίας που απουσιάζει από τα μοντέλα αυτά και η ακριβέστερη περιγραφή της κατάστασης της σοδειάς κατά τη διάρκεια των διαφόρων σταδίων της ανάπτυξης. Τα καταγεγραμμένα μειονεκτήματα ωστόσο αναφέρονται στην ακρίβεια της τηλεπισκοπικά συγκεντρωμένης πληροφορίας και στην πιθανή νεφοκάλυψη η οποία παρεμποδίζει τη συλλογή πληροφορίας. Ωστόσο δεδομένων των πλεονεκτημάτων, είναι βέβαιο πως η συνεργασία τηλεπισκοπικών μεθόδων και μοντέλων πρόβλεψης καλλιέργειας θα αυξηθεί, ιδανικά ενσωματώνοντας αυτοματοποιημένες διαδικασίες που θα βελτιώσουν την απόδοση των μοντέλων.

Προσωπικά εργαλεία