Integration von Satellitenbildern und Infield-Sensoren zur täglichen räumlichen Vorhersage der Pflanzenverdunstung: Ein datengetriebenes Machine Learning-Ansatz

Die kontinuierliche Überwachung der Gesundheit von Landwirtschaftspflanzen, insbesondere der Pflanzenverdunstung (ET), hilft dabei, effiziente Bewässerungsentscheidungen zu treffen. Während verschiedene Infield- und Fernerkundungstechnologien wertvolle Daten liefern, bestehen Herausforderungen darin, hochauflösende spatiotemporale Beobachtungen zu erhalten. Darüber hinaus konzentriert sich die bestehende Forschung hauptsächlich auf das Schließen von Datenlücken in der Vergangenheit, was das Potenzial zur Optimierung fortschrittlicher Bewässerungspraktiken, die an historischen Beobachtungen ausgerichtet sind, einschränkt. Unsere Arbeit ermöglicht ein präemptives Bewässerungsmanagement, indem sie die räumliche ET auf Tagesbasis vorhersagt. Wir implementieren eine durch Machine Learning (ML) gesteuerte Methode mit dem Namen Data Fusion Using Satellite and Infield Observations for Neural-network-based prediction of spatiotemporal plant EvapoTranspiration (DFUSIONET). Diese Methodologie umfasst ein auf Erdbeobachtung (EO) basierendes räumliches ET-Generierungsmodell, eine einzigartige Interpolationsmethode namens Proportional-offset Interpolation (POI) für das temporale Schließen von Lücken und ein mehrdimensionales Feedforward-Neuronales Netzwerk (FNN) zur Vorhersage der täglichen räumlichen ET. Die Ergebnisse zeigen, dass die POI-Methode andere Interpolationstechniken mit einem RMSE von 0,11 mm d-1 übertrifft, und das FNN weist einen RMSE-Bereich von 0,13 bis 0,31 mm d-1 auf. DFUSIONET integriert Satellitenbilder, Infield-Sensordaten und meteorologische Parameter und erfasst spatiotemporale Variationen von standort- und kulturspezifischen Parametern zur Vorhersage der Pflanzen-ET. Diese Vorhersagestrategie ist vorteilhaft für ein effizientes präemptives Bewässerungsmanagement und trägt zu nachhaltigen landwirtschaftlichen Praktiken sowie zu einer verbesserten Ressourcennutzung in der Präzisionslandwirtschaft bei.