I campi di mais e di soia sembrano simili dallo spazio - almeno una volta. Ma ora, gli scienziati hanno dimostrato una nuova tecnica per distinguere le due colture utilizzando i dati satellitari e la potenza di elaborazione dei supercomputer.

"Se vogliamo prevedere la produzione di mais o di soia per l'Illinois o per gli interi Stati Uniti, dobbiamo sapere dove vengono coltivati, "dice Kaiyu Guan, professore assistente presso il Dipartimento di Risorse Naturali e Scienze Ambientali dell'Università dell'Illinois, Professore di Blue Waters presso il National Center for Supercomputing Applications (NCSA), e il ricercatore principale del nuovo studio.

L'avanzamento, pubblicato in Telerilevamento dell'ambiente , è una svolta perché, in precedenza, le superfici nazionali a mais e soia sono state messe a disposizione del pubblico solo da quattro a sei mesi dopo il raccolto dall'USDA. Il ritardo significava che le decisioni politiche si basavano su dati obsoleti. Ma la nuova tecnica è in grado di distinguere le due colture principali con un'accuratezza del 95% entro la fine di luglio per ogni campo, solo due o tre mesi dopo la semina e molto prima del raccolto.

I ricercatori sostengono che stime più tempestive delle aree coltivate potrebbero essere utilizzate per una varietà di applicazioni di monitoraggio e decisionali, compresa l'assicurazione del raccolto, affitto di terreni, logistica di filiera, mercati delle materie prime, e altro ancora.

Per Guan, però, il valore scientifico dell'opera è importante quanto il suo valore pratico.

Una serie di satelliti conosciuti come Landsat girano continuamente intorno alla Terra da 40 anni, raccogliere immagini utilizzando sensori che rappresentano diverse parti dello spettro elettromagnetico. Guan afferma che la maggior parte dei tentativi precedenti di differenziare mais e soia da queste immagini si basavano sulla parte visibile e nel vicino infrarosso dello spettro, ma lui e il suo team hanno deciso di provare qualcosa di diverso.

"Abbiamo trovato una banda spettrale, l'infrarosso a onde corte (SWIR), che è stato estremamente utile per identificare la differenza tra mais e soia, "dice Yaping Cai, dottorato di ricerca studente e primo autore dell'opera, seguendo la guida di Guan e di un altro co-autore senior, Shaowen Wang nel Dipartimento di Geografia presso l'U di I.

Si scopre che mais e soia hanno uno stato idrico fogliare prevedibilmente diverso entro luglio quasi tutti gli anni. Il team ha utilizzato dati SWIR e altri dati spettrali da tre satelliti Landsat per un periodo di 15 anni, e ha costantemente rilevato questo segnale sullo stato dell'acqua fogliare.

"La banda SWIR è più sensibile al contenuto di acqua all'interno della foglia. Quel segnale non può essere catturato dalla tradizionale luce RGB (visibile) o dalle bande del vicino infrarosso, quindi lo SWIR è estremamente utile per differenziare mais e soia, "conclude Guan.

I ricercatori hanno utilizzato un tipo di apprendimento automatico, nota come rete neurale profonda, per analizzare i dati.

"Approcci di deep learning hanno appena iniziato ad essere applicati per applicazioni agricole, e prevediamo un enorme potenziale di tali tecnologie per future innovazioni in questo settore, "dice Jian Peng, ricercatore presso il Dipartimento di Informatica presso l'U di I, e co-autore e co-investigatore principale del nuovo studio.

Il team ha concentrato la propria analisi all'interno della contea di Champaign, Illinois, come prova di concetto. Nonostante fosse un'area relativamente piccola, analizzare 15 anni di dati satellitari a una risoluzione di 30 metri richiedeva ancora un supercomputer per elaborare decine di terabyte di dati.

"Si tratta di un'enorme quantità di dati satellitari. Abbiamo utilizzato i supercomputer Blue Waters e ROGER presso l'NCSA per gestire il processo ed estrarre informazioni utili, " Guan dice. "Tecnologia saggia, essere in grado di gestire una quantità così grande di dati e applicare un algoritmo di apprendimento automatico avanzato era una grande sfida prima, ma ora abbiamo i supercomputer e le competenze per gestire il set di dati".

Il team sta ora lavorando per espandere l'area di studio all'intero Corn Belt, e indagando su ulteriori applicazioni dei dati, compresa la resa e altre stime di qualità.