Los campos de maíz y soja se ven similares desde el espacio, al menos antes. Pero ahora, Los científicos han probado una nueva técnica para distinguir los dos cultivos utilizando datos satelitales y el poder de procesamiento de supercomputadoras.

"Si queremos predecir la producción de maíz o soja en Illinois o en todo Estados Unidos, tenemos que saber dónde se cultivan, "dice Kaiyu Guan, profesor asistente en el Departamento de Recursos Naturales y Ciencias Ambientales de la Universidad de Illinois, Profesor de Blue Waters en el Centro Nacional de Aplicaciones de Supercomputación (NCSA), y el investigador principal del nuevo estudio.

El avance publicado en Percepción remota del medio ambiente , es un gran avance porque, previamente, Las superficies nacionales de maíz y soja solo se pusieron a disposición del público de cuatro a seis meses después de la cosecha por parte del USDA. El retraso significó que las decisiones políticas se basaron en datos obsoletos. Pero la nueva técnica puede distinguir los dos cultivos principales con una precisión del 95 por ciento para fines de julio para cada campo, solo dos o tres meses después de la siembra y mucho antes de la cosecha.

Los investigadores argumentan que las estimaciones más oportunas de las áreas de cultivo podrían usarse para una variedad de aplicaciones de monitoreo y toma de decisiones, incluido el seguro de cosechas, alquiler de tierras, logística en la cadena de suministros, mercado de insumos primarios, y más.

Para Guan, sin embargo, el valor científico de la obra es tan importante como su valor práctico.

Un conjunto de satélites conocidos como Landsat han estado dando vueltas alrededor de la Tierra durante 40 años, recolectando imágenes usando sensores que representan diferentes partes del espectro electromagnético. Guan dice que la mayoría de los intentos anteriores de diferenciar el maíz y la soja de estas imágenes se basaron en la parte visible y en el infrarrojo cercano del espectro. pero él y su equipo decidieron probar algo diferente.

"Encontramos una banda espectral, el infrarrojo de onda corta (SWIR), que fue extremadamente útil para identificar la diferencia entre maíz y soja, "dice Yaping Cai, Doctor. estudiante y primer autor del trabajo, siguiendo la guía de Guan y otro coautor principal, Shaowen Wang, del Departamento de Geografía de la U de I.

Resulta que el maíz y la soja tienen un estado hídrico de hojas predeciblemente diferente para julio la mayoría de los años. El equipo utilizó datos SWIR y otros datos espectrales de tres satélites Landsat durante un período de 15 años. y recogió consistentemente esta señal de estado de agua de la hoja.

"La banda SWIR es más sensible al contenido de agua dentro de la hoja. Esa señal no puede ser capturada por la luz RGB (visible) tradicional o las bandas del infrarrojo cercano, por lo que el SWIR es extremadamente útil para diferenciar maíz y soja, "Guan concluye.

Los investigadores utilizaron un tipo de aprendizaje automático, conocida como red neuronal profunda, para analizar los datos.

"Los enfoques de aprendizaje profundo acaban de comenzar a aplicarse para aplicaciones agrícolas, y prevemos un enorme potencial de dichas tecnologías para futuras innovaciones en esta área, "dice Jian Peng, profesor asistente en el Departamento de Ciencias de la Computación de la U de I, y coautor y co-investigador principal del nuevo estudio.

El equipo centró su análisis en el condado de Champaign, Illinois, como prueba de concepto. Aunque era un área relativamente pequeña, El análisis de 15 años de datos satelitales con una resolución de 30 metros aún requería una supercomputadora para procesar decenas de terabytes de datos.

"Es una gran cantidad de datos satelitales. Usamos las supercomputadoras Blue Waters y ROGER en la NCSA para manejar el proceso y extraer información útil, ", Dice Guan." En cuanto a tecnología, poder manejar una cantidad tan grande de datos y aplicar un algoritmo avanzado de aprendizaje automático era un gran desafío antes, pero ahora tenemos supercomputadoras y las habilidades para manejar el conjunto de datos ".

El equipo ahora está trabajando para expandir el área de estudio a todo el Corn Belt, e investigando nuevas aplicaciones de los datos, incluyendo el rendimiento y otras estimaciones de calidad.