Супутниковий моніторинг вологості ґрунту зменшить трудові та ресурсні обмеження — NASA Harvest – SuperAgronom

У програмі NASA Harvest розпочали дослідження нових методів моніторингу вологості ґрунту з використанням комбінації моделей машинного навчання та радіолокаційних супутникових хвиль.

Про це повідомляє futurefarming.com.

У повідомленні зазначається, за даними NASA Harvest найвищу точність результатів у визначенні вологості ґрунту забезпечують індивідуальні відбори проб землі. Втім, через дуже неоднорідну просторову та тимчасову мінливість вмісту вологи в ґрунті цей метод не завжди можливо здійснити. 

 

«Методи дистанційного вимірювання з використанням супутників спостереження за Землею (EO) є чудовою альтернативою, оскільки вони значно зменшують трудові та ресурсні обмеження, пов’язані з наземними методами», — зазначають в NASA.

 

Перше, що пропонують дослідники — використання радару з синтезованою апертурою (SAR, використовують для реєстрації зображень незалежно від метеоумов і ступеню природного освітлення) через його здатність «бачити» крізь хмарний покрив. Супутники SAR працюють таким чином: посилають радіолокаційні імпульси до поверхні ґрунту і реєструють силу сигналу, який відбивається від поверхні та перехоплюється датчиком. Крім того, отримання точних даних супутникам SAR забезпечують їх сигнали, високочутливі до діелектричної проникності ґрунту.

 

«Ряд досліджень показав корисність SAR для вимірювання вологості на голому ґрунті, проте наразі є проблема з інтерпретацією даних на посівах, оскільки сільськогосподарські культури можуть перешкоджати прохідності сигналу до ґрунту, та впливати на те, як він відбивається назад до датчика», — додали в NASA Harvest.

 

Щоб впоратися з цією проблемою, доктор Мехді Хоссеїні з NASA Harvest разом з програмним директором Інбалом Бекер-Решефом розглянули специфічну техніку SAR, що базується на поляриметричному методі. Ця техніка застосовувалась для збору подвійних поляриметричних даних з місії Sentinel-1 Європейського космічного агентства, які потім були використані для побудови моделей машинного навчання.

Для порівняння були використані популярні моделі машинного навчання: багатошарова персептронна нейронна мережа (MLP NN), нейронна мережа генералізованої регресії (GRNN) і машина опорних векторів (SVM). Всього було отримано понад 150 зразків вологості ґрунту, зібраних з 9 наземних станцій у Манітобі (Канада) як базові дані. 

Результати досліджень довели, що моделі нейронної мережі перевершують машину опорних векторів SVM, при цьому, GRNN забезпечує найточніші вимірювання. 

У NASA Harvest стверджують, що точний моніторинг вологості ґрунту може відрізнятися залежно від ґрунтових умов, і тому наразі необхідне проведення додаткових досліджень для різних текстур ґрунту та стадій розвитку культур.


Джерело https://superagronom.com

Відповісти

Ваш email не публікується