Vilket samband har satelliter och drönare med den mat vi äter i Norden och Baltikum?
Forskningsprojektet Upscaling crop performance monitoring by linking satellite and field biosignatures (UPSCALE) använder satellit- och drönarbilder i kombination med fenotypiska data från grödor för att bättre förutse skördeavkastning.
UPSCALE fokuserar på timotej, rödklöver, vår- och höstvete, vårkorn och potatisgrödor. Projekten tittar på fenotypiska faktorer som markfuktighet och planthöjd samt SPAD-värden, UAV-bilder och spektraldata med två veckors intervall under växtsäsongen och biomassa, avkastning och näringsinnehåll i slutet av säsongen. Under två års tid har forskarna samlat dessa data i Litauen, Norge, Sverige och Finland.
– Vi gör datainsamling på flera nivåer i länderna samtidigt under liknande växttillstånd så att informationen blir jämförbar. Vi vill öka användningen av fenotypiska data samt förbättra analysen av den. Vår idé är utveckla avkastningsprognoserna av olika grödor i de omväxlande klimatförhållandena i Norden genom att koppla ihop fjärranalysdata med växtfysiologi, förklarar projektledare Sajeevan Radha Sivarajan.
Han är forskare vid Institutionen för växtbiologi vid Sveriges lantbruksuniversitet, SLU. Övriga samarbetspartners är Lettlands forskningscenter för jordbruk och skogsbruk (LAMMC), Lunds universitet i Sverige, Helsingfors universitet i Finland och UiT det arktiska universitetet i Norge. Köpenhamns universitet i Danmark och Norsk institutt for bioøkonomi (NIBIO) i Norge är associerade partners.
Projektet samarbetar också med ett fältinformationssystem för smart insamling av växtdata som kallas PHIS, vilket är en gemensam öppen dataplattform som utvecklats av INRAE i Frankrike.
– Vi håller på att utveckla grundläggande datastandarder för de växtfenotypdata som vi har samlat in. Många jobbar med att samla in data om odlingsväxters fenotyper och många dataset publiceras. Men vi kan inte samordna alla dessa data eftersom var och en har sina egna standarder för att hantera dem. Lantbrukare använder idag olika typer av teknologisk utrustning och kan i framtiden använda vår öppna plattform för prediktion. Bland annat kan de ställa in olika mätparametrar eller bara skanna en växt med sin mobiltelefon för att se vilka brister och behov den har. Men för att prediktionen ska vara korrekta behöver vi mycket mer standardisering mellan regionerna. Vi hoppas att vårt projekt kan bidra till denna utveckling, säger Sajeevan.
Skördeavkastningsprediktion med satelliter
Satellit- och drönarbilder av fälten hjälper forskarna att se hur de mikroklimatiska förhållandena i en region påverkar skörden. Bilderna underlättar också analysen av det så kallade leaf area index (LAI), ett viktigt mått på grödans tillväxthastighet, samt av klorofyllhalten, vilket indikerar växternas hälsa.
Forskarna har samlat in bladprover som sedan undersöks genom enzymatiska analyser, som visar hur växterna fysiologiskt reagerar på olika klimatförhållanden, såsom torka, hög värme eller markens sammansättning.
– Vi har lyckats utveckla en metod för att exakt uppskatta leaf area index (LAI) och klorofyllhalten hos blad och trädkronor under växtens olika tillväxtstadier utgående från drönar- och satellitbilderna. Den exakta kvantifieringen av dessa parametrar är en viktig input för att utveckla bättre modeller för att förutsäga avkastning. Vi försöker baserat på vår data också hitta molekylära markörer som förekommer friska plantor. Dessa markörer kan sedan användas i växtförädling och för att förutsäga framtida skördeavkastning, säger Sajeevan.
Samarbete över disciplingränserna
Eftersom bilderna från satelliter är flerdimensionella och har ett enormt informationsinnehåll undersöker projektet hur artificiell intelligens och maskininlärning kan hjälpa till att bearbeta all data. Att sammanföra växtbiologi med andra discipliner som fjärranalys och AI-datavetenskap har varit ett av UPSCALE-projektets starka sidor.
– Tillsammans med alla våra samarbetspartners har vi djupgående kunskap i växtfenotyper och multispektrala och hyperspektrala avbildningstekniker. Det har varit intressant att diskutera och dela kunskap mellan olika grupper av människor. Medan vi som växtbiologer tittar på hur växten reagerar på olika påfrestningar, kan fjärranalytikerna ge oss massor av data om de förhållanden som orsakar påfrestningen. Att sammanföra växtfysiologi, fjärranalys och maskininlärning bidrar till att skapa intressanta och effektiva prediktionsmodeller, som inte bara kommer att stödja skördeprediktioner utan också förädlingsprogrammen i Norden och Baltikum på lång sikt, säger Sajeevan.
