Спутниковые снимки флуоресценции растений могут предсказывать урожайность

Исследователи из Корнеллского университета и их коллеги разработали новый подход, позволяющий прогнозировать урожайность сельскохозяйственных культур без необходимости в огромных массивах высококачественных данных. Это особенно важно для развивающихся стран, где такие данные зачастую скудны, а угрозы продовольственной безопасности и климатических рисков высоки.

Из-за изменения климата урожайность во многих регионах мира снижается. Согласно недавнему исследованию Корнелла, за последние четыре десятилетия с каждым потеплением на 1°C чистый доход фермеров сокращался на 66%.

В развитых странах фермеры могут полагаться на большие наборы данных и инструменты управления рисками. В развивающихся же странах данные часто отсутствуют, и точно измерить урожайность сложно.

В статье, опубликованной в Environmental Research Letters, учёные предлагают использовать спутниковые снимки для дистанционного измерения солнечно-индуцированной флуоресценции хлорофилла (SIF) в качестве способа оценки и прогнозирования урожайности. Протестировав метод на кукурузных полях в США и пшеничных в Индии, исследователи пришли к подходу, который, в принципе, должен работать для любой культуры.

Флуоресценция хлорофилла — это красноватый свет, повторно излучаемый фотосинтезирующими тканями и организмами. Она служит индикатором преобразования энергии при фотосинтезе в растениях.

Этот подход использует растущую доступность спутниковых данных и является более дешёвым и быстрым по сравнению с другими методами прогнозирования урожайности.

Метод может быть ценен для:

• Принятия политических решений.
• Установления страхования урожая.
• Прогнозирования районов бедности в сельской местности, где экономика сильно зависит от сельского хозяйства.

В будущем подобные инструменты могут использоваться в реальном времени, позволяя фермерам оперативно реагировать — например, корректируя внесение удобрений или стратегии орошения для улучшения состояния текущего урожая.

В отличие от моделей машинного обучения, которые часто основаны на прошлых наблюдениях и предполагают стабильные условия, метод, основанный на флуоресценции хлорофилла, позволяет учитывать изменяющиеся условия, в том числе из-за изменения климата.