NASA Harvest досліджує нові методи моніторингу вологості ґрунту
NASA Harvest вивчає розробку нових методів моніторингу вологості ґрунту з використанням комбінації моделей машинного навчання і супутникових радіолокаційних хвиль.
Спостерігати за вологістю ґрунту можна різними способами. За даними NASA Harvest, відбір проб ґрунту дає найбільш точні результати. Однак через дуже неоднорідну просторову і тимчасову мінливість вмісту вологи в ґрунті цей метод часто нездійсненний, стверджують дослідники.
«Методи дистанційного вимірювання з використанням супутників спостереження Землі (EO) є чудовою альтернативою, оскільки вони значно скорочують трудові та ресурсні обмеження, пов'язані з наземними методами», - зазначають в НАСА.
Дослідники кажуть, що одна форма даних EO, радар з синтезованою апертурою (SAR), особливо краща через його здатність бачити крізь хмарний покрив, що збільшує кількість наземних спостережень. Супутники SAR працюють, посилаючи радіолокаційні імпульси до поверхні землі і реєструючи кількість відбитого від поверхні сигналу, яке перехоплюється датчиком супутника. 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.
Розташування станцій моніторингу вологості ґрунту показано на знімку з БПЛА
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.
«На щастя, враховуючи успіх цього методу з наземними даними, в майбутніх дослідженнях можна було б більш надійно використовувати платформи пасивного мікрохвильового моніторингу вологості ґрунту замість збору наземних даних, що значно збільшило б кількість доступних типів ландшафтів і сільськогосподарського виробництва», - зауважили автори дослідження.
Також читайте:
- Nano Technologies оголошує про плани виходу на міжнародний ринок сільськогосподарської робототехніки
- Стартап Converge створив додаток для визначення географічного розташування бджіл
- Компанія McConnel розробляє автономну приставку для точкового обприскування
- AgriPer представив мобільний складний сонячний генератор