该系统将卫星图像与人工智能结合使用，并且已经成功测试以预测马铃薯的性能。
来自美国遥感实验室（LATUV）的研究人员 瓦拉多利德大学（UVa） 设计了一种新的植被指数，可以改善作物预测模型。 这项使用ESA Sentinel-2卫星图像以及机器学习和人工智能技术的新技术已成功测试了预测马铃薯和小麦的收成。
农业生产取决于许多因素，包括人为因素和环境因素，这些因素在农民中造成很大的不确定性。 但是技术可以成为减少它的重要盟友。 对于寻求在特定条件下（例如土壤，气候或农业实践）模拟作物行为并根据此预期演变估算农业产量的计算模型而言，情况就是如此。
LATUV研究人员，《国际遥感与农业与森林气象》杂志上最近发表的两项研究的第一作者迭戈·戈麦斯（DiegoGómez）解释说：“模型很多，而且通常针对每种作物而定。”
但是这些传统的增长模型有一些局限性，例如“无法在同一地块内进行空间模型化的可变性”，或者它们要求“由于通常需要花费大量时间和金钱来获取这些数据，因此通常无法获得这些数据” 。”
已做出估计/ D的马铃薯种植面积。 戈麦斯
因此，近年来，我们将目光投向了一种遥感技术，该技术使用光学传感器（安装在卫星，飞机，无人机等上）拍摄的光谱图像，并且可以在某些情况下补充甚至替代这些传统模型。 这些光谱图像提供了有关作物状态或物候特性的数据（植物发育过程中可见的外部变化），这些数据已集成到调整输入信息以预测作物的模型中。
“光谱图像涵盖了输入数据的需求，允许访问远程站点并且成本低廉。 他们还能够获得与农作物生产能力有关的信息。” LATUV研究人员指出，他回忆说，其中一种光谱指数（结合光谱带的数学公式）是最常用于估算土壤孔隙度或植被指数的植被之一。 NDVI（NDVI）是植被的密度-最终可预测作物的生产力。
在科学文献中，使用该指数的时间序列来生成农作物的预测模型非常普遍。 该指数使用红色和近红色两个光谱带中的植被反射率（植被反射光的能力），这两个光谱带分别与用于光合作用的某些光和叶片的细胞结构有关。
新的植被指数
LATUV研究人员基于ESA Sentinel-2卫星图像开发了一种新的索引，称为PPI，除了考虑到光合作用所涉及的光谱信息（400至700纳米）之外，还考虑了来自电磁频谱其他区域的信息-704 ，红色边缘带和945纳米，水蒸气吸收带-，可以提供有关作物状态的其他关键信息，例如植物的水分胁迫-当植物需要的水量超过其需求量时。
研究人员比较了植被指数NDVI和PPI的预测能力，以及来自卫星图像的更多数据。 为此，他们使用了两种人工智能和机器学习算法（称为随机森林和支持向量机），并生成了各种模型，在这些模型中，这些指标与其他卫星频段进行了组合。
“假设是，通过使用不包含在流行的NDVI索引中的其他频段的索引，另一方面，它具有提供敏感作物信息的潜力，预测模型会更好，”前进的戈麦斯说。最后，模型的预测能力“当包括一个或两个植被指数时增加”，其价值是“结合使用这些数据和某些单独的卫星频段”。
马铃薯种植中更准确的预测
结果表明，使用支持向量机算法时，PPI指数可提供类似于NDVI的信息，而使用随机森林算法时，PPI指数可提供比NDVI更多的信息。基于卫星图像的收获模型”。
到目前为止，已经在一个相当本地化的研究区域对马铃薯种植进行了测试。 继谷物之后，马铃薯是全球最重要的粮食作物之一。 它在发展中国家的粮食安全中发挥着关键作用，并且在欧洲农业部门也发挥着重要作用，德国，法国，荷兰和波兰是主要生产国。 还用墨西哥的数据对它进行了小麦测试。
设备的想法是增加数据数量以提高模型的可靠性，覆盖更大的研究区域以增加空间变异性并纳入新作物。 依赖于资金连续性的观点可以帮助农民将来更可靠地预测其收成。
