Új módszereket vizsgál a talajnedvesség megfigyelésére a NASA Harvest

A talajnedvesség nyomon követése sokféleképpen történhet. A NASA Harvest új módszereket vizsgál erre, a gépi tanulási modellek és a műholdas radarhullámok kombinációjával. A NASA Harvest szerint a legpontosabb eredményeket a személyes talajmintavétel biztosítja.

A talaj nedvességtartalmának rendkívül heterogén térbeli és időbeli változékonysága miatt azonban ez a módszer gyakran nem kivitelezhető – állítják a kutatók. „A földmegfigyelő (EO) műholdakat hasznosító távmérési módszerek nagyszerű alternatívát jelentenek, mivel nagymértékben csökkentik a földi módszerekkel járó munka- és erőforrás-korlátokat” - írja a NASA.

Szintetikus apertúrájú radar

A kutatók szerint az EO-adatok egyik formája, a szintetikus apertúrájú radar (SAR) különösen kedvelt, mivel képes átlátni a felhőzetet, növelve ezzel a földi megfigyelések számát. A SAR-műholdak úgy működnek, hogy radarimpulzusokat küldenek a földfelszín felé, és rögzítik, hogy a felszínről visszaverődő jelmennyiséget a műhold érzékelője felfogja. Ez lehetővé teszi a NASA Harvest számára, hogy modelleket készítsen a talaj víztartalmának mérésére, mivel a SAR-jelek rendkívül érzékenyek a talaj dielektromos állandójára.

Dr. Mehdi Hosseini, a NASA Harvest munkatársa és Dr. Inbal Becker-Reshef programigazgató nemrégiben közösen írtak egy tanulmányt, amelyben a talajnedvesség mérése során a növényzet okozta komplikációk figyelembevételének új módjait vizsgálják. A csapat egy speciális SAR-technikát, az úgynevezett polarimetrikus bontást vizsgálta.

A technikát az Európai Űrügynökség Sentinel-1 missziójának kettős polarimetrikus adataira alkalmazták, amely egy ingyenes és nyílt adatprogram, majd a levezetett polarimetrikus paramétereket a talajnedvesség-becslési modellek betanítására használták.

Több mint 150 talajnedvesség-minta

Három népszerű gépi tanulási modellt használtak összehasonlításként: Multi-Layer Perceptron Neural Network (MLP NN), Generalized Regression Neural Network (GRNN) és Support Vector Machine (SVM). Ezután a kanadai Manitoba 9 földi állomásáról gyűjtött több mint 150 talajnedvesség-mintát szerveztek földi igazságadatként a modellek betanításához. Végül egybeeső Sentinel-1 adatokat gyűjtöttek.

A kutatók szerint az eredmények azt mutatták, hogy mindkét neurális hálózati modell felülmúlta az SVM-et, a GRNN-nek voltak a legpontosabb mérései.

Jövőbeni tanulmányok szükségesek

A NASA Harvest szerint a talajnedvesség pontos nyomon követése a talajviszonyoktól függően változhat, ezért a jövőbeni tanulmányokra van szükség a különböző talajszerkezetek és a növények növekedési szakaszai esetében. „Szerencsére, mivel ez a módszer sikeres a földi adatokkal, a jövőbeli kutatások megbízhatóbban használhatják a passzív mikrohullámú talajnedvesség-monitorozó platformokat a földi adatgyűjtés helyett – ezzel jelentősen növelve a rendelkezésre álló tájak és a mezőgazdasági termelés típusait” – mondták a szerzők.

(Forrás: futurefarming.com)