Нут (Cicer arietinum L.), зернобобовая культура, является важным источником пищи и основным компонентом в системе земледелия на основе зерновых культур в полузасушливых районах. Его белки, углеводы, жиры, минералы и витамины делают нут высококачественным функциональным продуктом питания для человека.
Как бобовая культура, нут очень полезен для плодородия почвы благодаря своему симбиозу с бактериями, фиксирующими азот и положительному влиянию на содержание органического углерода в почве.
Вторым импульсом в мировом производстве после фасоли обыкновенной (Phaseolus vulgaris L.) стало выращивание нута, которое расширилось до 14 миллионов гектаров со средней урожайностью 1,15 тонны с гектара (2020–2022 гг.) ( FAO, 2024 ). Однако нут уязвим к экстремальным климатическим явлениям, таким как засуха и высокие температуры.
Засуха влияет на нут на всех фенологических стадиях, способствуя 40% - 45% глобальной потери урожая, в то время как высокие температуры (≥35⁰C) во время репродуктивного развития могут снизить урожайность до 39%.
Засуха во время вегетативной и репродуктивной стадий может привести к снижению накопления биомассы и нарушению репродуктивных процессов. Воздействие тепла наносит вред ключевым физиологическим характеристикам, таким как эффективность фотосинтеза и стабильность тканей.
Учитывая серьезное воздействие засухи и жары, а также ожидаемый рост экстремальных погодных явлений, разработка крупномасштабных, повторяющихся и субполевых возможностей мониторинга для оценки физиологических характеристик нута может улучшить понимание реакции культуры на различные условия окружающей среды и предоставить фермерам важную информацию для принятия решений по управлению в течение сезона.
Для решения задачи точного мониторинга нута для принятий решений о поливе ученые Еврейского университета в Иерусалиме создали инструмент машинного обучения, объединяющей спутниковые снимки и метеорологические данные.
Подавляющее большинство израильских посевных площадей орошается, в отличие от других районов выращивания нута во всем мире. Орошение может продлить период цветения растения и завязывания стручков, тем самым поддерживая более высокую урожайность с единицы площади.
Орошение нута позволяет израильским фермерам достигать урожайности до 6 тонн с гектара. В современных израильских системах земледелия нут высевают во время сезона дождей (около января), а его вегетационная стадия проходит с февраля до середины марта. Репродуктивный рост начинается в период низкого количества осадков в марте-апреле, в то время как температура неуклонно повышается, и урожай постепенно испытывает снижение содержания влаги в почве. В этот критический период израильские производители нута должны принять решение, касающееся сроков полива и кубатуры. Так как нут является индетерминантным растением, слишком ранний или слишком обильный полив может стимулировать чрезмерный вегетативный рост за счет репродуктивного роста, в то время как слишком поздний или недостаточный полив может привести к терминальной засухе.
Сотрудники служб распространения знаний часто консультируют по поводу морфофизиологического состояния сельскохозяйственных культур. Однако такое обследование может охватывать лишь малую часть поля и не отражать всю изменчивость подполя.
Использование машинного обучения для оценки физиологического состояния сельскохозяйственных культур в течение вегетационного периода может предоставить фермерам критически важную информацию по всему полю. Такие данные могут способствовать принятию более обоснованных решений и обеспечить более точное управление орошением.
Ключевым физиологическим признаком в мониторинге сельскохозяйственных культур является индекс листовой поверхности (Leaf Area Index, LAI), который положительно связан с накоплением сухой биомассы и, таким образом, тесно связан с урожайностью. Кроме того, состояние LAI в поле может быть дополнительно использовано для оценки транспирации растений, что имеет жизненно важное значение при рассмотрении вариантов орошения.
Водный потенциал листьев (Leaf Water Potential, LWP) дает важное представление о соотношении воды в растении и широко используется специалистами по распространению сельскохозяйственных знаний и фермерами для управления орошением.
Примечательно, что в отличие от общеизвестного характера сезонности LAI во время роста сельскохозяйственных культур, LWP является высокодинамичным признаком с суточным графиком в ответ на температуру и относительную влажность и сезонным графиком в ответ на содержание влаги в почве.
Прямые полевые измерения LAI и LWP утомительны, требуют много времени и нецелесообразны для крупномасштабных приложений. В качестве альтернативы, космические снимки могут быть использованы для оценки характеристик сельскохозяйственных культур с разрешением на уровне отдельных участков. Кроме того, поскольку важность этих характеристик для принятия решений в области управления сельским хозяйством варьируется в зависимости от фенологических фаз, оценка точности модели на различных стадиях роста имеет решающее значение.
Семейство спутников дистанционного зондирования Земли Sentinel-2 предоставляет спектральную информацию от видимого до коротковолнового инфракрасного диапазона с пятидневным глобальным временем повторного визита и наземным пространственным разрешением от 10 м до 60 м для разных каналов.
Различные исследования показали возможность оценки LAI полевых культур с использованием каналов Sentinel-2 и фактических изображений Sentinel-2, и все они подчеркивают нормализованный разностный индекс растительности с использованием ближнего инфракрасного и красного каналов в качестве сильного индикатора для различных полевых условий LAI в течение вегетационного периода. Исследования по оценке LWP полевых культур с помощью Sentinel-2 немногочисленны, но одно исследование, посвящённое хлопчатнику, такой индетерминантной культуре, как нут, показало преимущества использования всех спектральных диапазонов Sentinel-2 для повышения точности оценки.
Благодаря потенциалу Sentinel-2 для оценки LAI и LWP других культур, а также его пространственному, спектральному и временному разрешению, а также доступности бесплатных и долгосрочных данных, он был выбран в качестве космической платформы для использования в текущем исследовании. Учитывая значительное влияние метеорологических условий на физиологические признаки нута, включение метеорологических данных в модели машинного обучения для оценки признаков может оказаться полезным.
Важно отметить, что спутниковые снимки и метеорологические данные характеризуются пространственными и временными измерениями. Использование моделей машинного обучения для обучения на таких данных должно осуществляться с большой осторожностью, поскольку ошибка обобщения может сильно зависеть от стратегии проверки.
Было показано, что случайное разбиение данных со всех участков данных дистанционного зондирования и/или метеорологических данных, проанализированных алгоритмами машинного обучения, может привести к чрезмерно оптимистичным результатам.
Основной целью данного исследования было разработать систему, позволяющую фермерам, выращивающим нут, получать пространственные оценки LAI и LWP непосредственно на коммерческих полях, что позволит проводить многократный и масштабный мониторинг в течение всего вегетационного периода – возможность, которая в настоящее время отсутствует у фермеров, выращивающих нут. Эти пространственные оценки призваны помочь фермерам, выращивающим нут, принимать более обоснованные, основанные на знаниях и точные управленческие решения.
Кроме того, была реализована стратегия проверки «оставить на поле», чтобы отразить реальные сельскохозяйственные сценарии, а результаты сравнивались со случайной проверкой.
Надо учесть, фермеры, выращивающие нут, отдают приоритет различным признакам в течение вегетационного периода, при этом LAI имеет решающее значение на ранних стадиях, а LWP приобретает значение после цветения, когда решения об орошении неизбежны. Следовательно, эффективность модели оценивалась на различных фенологических стадиях. Был проведен анализ важности признаков для оценки вклада спектральных и метеорологических переменных, а также были разработаны карты временных рядов признаков для LAI и LWP, иллюстрирующие их эксплуатационную полезность для фермеров и дающие представление о развитии полога и сроках полива.
Семнадцать полей нута были обследованы для полевых измерений LWP, причем четырнадцать из них также были обследованы для сбора полевых данных LAI в течение вегетационных сезонов 2022 и 2023 годов. Все поля были засеяны современными сортами нута Кабули в соответствии с общепринятой местной практикой. Информация о сортах, дате посева и начале полива, а также дате цветения получена от фермеров и/или зафиксирована в ходе полевых кампаний. Среднее количество осадков за тридцать лет (1991–2020 гг.) на всех участках варьировалось от 400 до 600 мм в год.
Данное исследование впервые в истории изучения нута продемонстрировало возможность пространственной оценки LAI и LWP с использованием моделей машинного обучения на основе Sentinel-2 и метеорологических данных, что представляет собой новый и значительный вклад в эту область.
Этот подход позволил сделать выводы, что интеграция спектральных данных Sentinel-2 с метеорологическими переменными оказалась высокоэффективной. Модели смогли достичь высокой точности оценки индексов листовой поверхности и определили уровни водного стресса даже в условиях реальной изменчивости на 17 коммерческих полях. Накладывая физиологические карты на графики полива, ученые также показали, как производители нута смогут заблаговременно реагировать на потребности культуры и повышать урожайность.
Данное исследование закладывает основу для разработки инструментов в области точного земледелия, которые непосредственно отвечают потребностям фермеров, выращивающих нут, в многократном, точном и действенном мониторинге характеристик в течение всего вегетационного периода, что способствует принятию обоснованных решений по орошению и управлению.
Дальнейшие исследования будут направлены на повышение доступности данных путем интеграции этих моделей в цифровые платформы, такие как Google Earth Engine (GEE), что упростит их применение в режиме реального времени и повысит удобство использования. Кроме того, в связи с быстрым развитием искусственного интеллекта, изучение и применение новых алгоритмов обладает значительным потенциалом для дальнейшего повышения точности и надежности оценки характеристик нута.
Источник: European Journal of Agronomy, doi.org/10.1016/j.eja.2025.127632
