NASA Harvest планирует разработать новые методы мониторинга влажности почвы с использованием комбинации моделей машинного обучения и спутниковых радиолокационных волн. Об этом сообщил портал futurefarming.com.
Как отмечают разработчики, наблюдать за влажностью почвы можно разными способами. По данным NASA Harvest, отбор проб грунта дает наиболее точные результаты. Однако из-за очень неоднородной пространственной и временной изменчивости содержания влаги в почве этот метод часто неосуществим.
«Методы дистанционного измерения с использованием спутников наблюдения Земли (EO) являются отличной альтернативой, поскольку они значительно сокращают трудовые и ресурсные ограничения, связанные с наземными методами».
Исследователи заверяют, что одна форма данных EO, радар с синтезированной апертурой (SAR), особенно предпочтительна из-за его способности видеть сквозь облачный покров, что увеличивает количество наземных наблюдений. Спутники SAR работают, посылая радиолокационные импульсы к поверхности земли и регистрируя количество отраженного от поверхности сигнала, которое перехватывается датчиком спутника. Это позволяет NASA Harvest создавать модели для измерения содержания воды в почве, поскольку сигналы SAR очень чувствительны к диэлектрической проницаемости почвы.
«Ряд исследований показал полезность SAR для измерения влажности почвы над обнаженной почвой, однако данные труднее интерпретировать на пахотных землях, поскольку культуры могут блокировать полное достижение радара земли и влиять на то, как он отражается обратно на датчик».
Доктор Мехди Хоссейни из NASA Harvest и директор программы доктор Инбал Беккер-Решеф недавно стали соавторами статьи, в которой изучаются новые способы учета усложнения посевов при измерении влажности почвы. Команда изучила особый метод SAR, называемый поляриметрическим разложением. Этот метод применялся к двойным поляриметрическим данным миссии Sentinel-1 Европейского космического агентства, свободной и открытой программе данных, а затем полученные поляриметрические параметры использовались для обучения моделей оценки влажности почвы.
Для сравнения использовались три популярные модели машинного обучения: многоуровневая нейронная сеть персептрона (MLP NN), нейронная сеть с обобщенной регрессией (GRNN) и машина опорных векторов (SVM). Затем они организовали отбор и замеры более 150 образцов влажности почвы, собранных с 9 наземных станций в Манитобе, Канада, в качестве достоверных данных для обучения своих моделей. Наконец, они собрали совпадающие данные Sentinel-1.
По словам исследователей, результаты показали, что обе модели нейронных сетей превзошли SVM, а GRNN имеет наиболее точные измерения.
Данные могут варьироваться в зависимости от условий, поэтому в будущем необходимы исследования для различных текстур почвы и стадий роста сельскохозяйственных культур.
«К счастью, учитывая успех этого метода в сравнении с наземными данными, в будущих исследованиях можно было бы более надежно использовать платформы пассивного микроволнового мониторинга влажности почвы вместо сбора наземных данных, что значительно увеличило бы количество доступных типов ландшафтов и видов сельскохозяйственного производства».
Узнавайте первыми актуальные новости сельхозтехники России и мира на наших страницах в Facebook и ВКонтакте, а также на каналах в Telegram и YouTube.