Los agricultores de todo Estados Unidos podrán monitorear sus cultivos en tiempo real, gracias a un novedoso algoritmo de investigadores del Centro de Excelencia de Ciencias Geoespaciales de la Universidad Estatal de Dakota del Sur.
por Addison Dehaven, Universidad Estatal de Dakota del Sur
Hace dos años, Yu Shen, asistente de investigación del GSCE, y Xiaoyang Zhang, profesor del Departamento de Geografía y Ciencias Geoespaciales y codirector del GSCE, comenzaron a investigar si sería posible hacer más eficiente el seguimiento de los cultivos.
«Anteriormente, el progreso de los cultivos se monitoreaba observando visualmente las plantas«, explicó Shen.
Actualmente, el seguimiento de los cultivos requiere alrededor de 5.000 reporteros de todo Estados Unidos que completen encuestas semanales basadas en observaciones visuales de los campos en su área del país.
Con base en definiciones estándar, los reporteros estiman el progreso de los cultivos a través de sus etapas de desarrollo y al mismo tiempo brindan evaluaciones subjetivas de las condiciones de los cultivos. Luego, esas encuestas se envían al Servicio Nacional de Estadísticas Agrícolas, que crea informes semanales sobre el progreso de las cosechas clasificados por estado.
Los agricultores confían en estos informes, que actualmente son la mejor información sobre el progreso de los cultivos basada en el campo disponible a nivel regional y estatal y son distribuidos por el Departamento de Agricultura de EE. UU.
Este proceso, aunque bastante preciso, requiere mucho tiempo, es costoso y es subjetivo.
Shen y Zhang creían que los datos oportunos de la teledetección satelital podrían usarse para crear un sistema de monitoreo más eficiente. Las observaciones satelitales se han utilizado durante mucho tiempo para analizar la fenología histórica de los cultivos: las etapas de desarrollo del cultivo, desde la siembra hasta la cosecha. Sin embargo, no se había investigado ampliamente su utilización para desarrollar un sistema de seguimiento de cultivos casi en tiempo real.
«Pensamos que podríamos mejorar el monitoreo de cultivos haciéndolo más eficiente en términos de tiempo y costos», dijo Shen. «Propusimos utilizar observaciones satelitales oportunas para desarrollar un algoritmo operativo».
Al fusionar observaciones espaciales de 30 metros de los satélites en órbita polar Landsat, Sentinel-2 y observaciones temporales del satélite geoestacionario, el equipo de investigación pudo calcular el alto desarrollo espacial y temporal del verdor de los cultivos para operaciones operativas en tiempo casi real. supervisión.
Este estudio fue publicado en la revista Remote Sensing of Environment .
«Nuestros resultados proporcionan un momento preciso para la fenología de los cultivos», dijo Shen. «Esta información puede ayudar a guiar a los agricultores en el manejo de sus cultivos».
A diferencia de trabajos anteriores, este novedoso algoritmo puede monitorear el crecimiento de los cultivos a una escala de campo de 30 metros.
Puede calcular seis fechas de las etapas de transición del crecimiento del cultivo: el inicio de la temporada de crecimiento (inicio del aumento de verdor), la mitad de la primavera (fecha de la fase de reverdecimiento medio), el inicio de la madurez (inicio del verdor acercándose al máximo), el inicio del otoño. (el inicio del verdor comienza a disminuir), la mitad del otoño (fecha de la fase de senescencia media) y el final de la temporada de crecimiento (el inicio del verdor alcanza el mínimo): antes de que el evento fenológico ocurra con mayor precisión alrededor y después del evento .
Estas fechas de transición se aplican para determinar las etapas de crecimiento de los cultivos, como los tiempos de siembra, emergencia, formación de estrías, masa, abolladuras, madurez y cosecha del maíz.
El equipo de investigación dedicó mucho tiempo a validar los resultados del algoritmo comparando las predicciones con mediciones reales a nivel del suelo de la temporada de cultivo de maíz y soja de 2020 en Iowa. Descubrieron que las capacidades de predicción en tiempo real estaban en línea con los informes de progreso (distribuidos por el USDA) de ese mismo año.
«Con las predicciones en cada campo, el monitoreo casi en tiempo real de la fenología de los cultivos ofrece información sólida sobre el progreso de los cultivos distribuida espacialmente desde los campos locales hasta todo el estado», dijo Shen. «Esta es una gran mejora en comparación con los informes estatales sobre el progreso de las cosechas del Servicio Nacional de Estadísticas Agrícolas».
Los resultados de este algoritmo proporcionarán mediciones precisas de la fenología de los cultivos, dijo Shen, lo que guiará a los agricultores en el manejo de sus cultivos.
«Por ejemplo, nuestro algoritmo proporcionará el momento en que el verdor del cultivo alcanza su máximo», dijo Shen. «Esta etapa es la ventana en la que los agricultores deben regar. Podremos predecir cuándo ocurrirá esta etapa antes de que suceda. Podrán programar su riego con anticipación».
Shen predice que la información también ayudará a estimar el tamaño del rendimiento antes de la cosecha.
Zhang indica que el algoritmo con códigos informáticos operativos se convertirá en una nueva herramienta geoespacial para monitorear el progreso y la condición de los cultivos casi en tiempo real. Esta herramienta eventualmente se entregará al USDA para que la integre en los sistemas operativos existentes para su uso generalizado. Los usuarios podrán ver las condiciones de los cultivos de campos individuales a través de un mapa interactivo.
En futuras líneas de investigación, el equipo investigará formas de mejorar la precisión del algoritmo para predicciones a corto plazo. Las aplicaciones de esta herramienta geoespacial a escala nacional y global podrían ayudar a evaluar la seguridad alimentaria mundial.
Más información: Yu Shen et al, Desarrollo de un algoritmo operativo para el seguimiento casi en tiempo real del progreso de los cultivos a escala de campo mediante la fusión de series temporales armonizadas de Landsat y Sentinel-2 con observaciones de satélites geoestacionarios, Remote Sensing of Environment (2023 ) . DOI: 10.1016/j.rse.2023.113729
