Majs- och sojabönefält ser lika ut från rymden - åtminstone de brukade. Men nu, forskare har bevisat en ny teknik för att skilja de två grödorna med hjälp av satellitdata och superdatornas processorkraft.

"Om vi ​​vill förutsäga majs- eller sojaproduktion för Illinois eller hela USA, vi måste veta var de odlas, "säger Kaiyu Guan, biträdande professor vid Institutionen för naturresurser och miljövetenskap vid University of Illinois, Blue Waters professor vid National Center for Supercomputing Applications (NCSA), och huvudutredaren för den nya studien.

Framstegen, publicerad i Fjärranalys av miljö , är ett genombrott eftersom, tidigare, nationella majs och sojabönor var endast tillgängliga för allmänheten fyra till sex månader efter skörd av USDA. Fördröjningen innebar att politiska beslut baserades på inaktuella data. Men den nya tekniken kan särskilja de två stora grödorna med 95 procents noggrannhet i slutet av juli för varje fält - bara två eller tre månader efter plantering och långt före skörd.

Forskarna hävdar att snabbare uppskattningar av grödor kan användas för en mängd olika övervaknings- och beslutstillämpningar, inklusive grödoförsäkring, markuthyrning, logistik i leveranskedjan, råvarumarknader, och mer.

För Guan, dock, verkets vetenskapliga värde är lika viktigt som dess praktiska värde.

En uppsättning satelliter som kallas Landsat har kontinuerligt cirkulerat jorden i 40 år, samla bilder med sensorer som representerar olika delar av det elektromagnetiska spektrumet. Guan säger att de flesta tidigare försök att skilja majs och sojabönor från dessa bilder baserades på den synliga och nära-infraröda delen av spektrumet, men han och hans team bestämde sig för att prova något annat.

"Vi hittade ett spektralband, den kortvågiga infraröda (SWIR), det var oerhört användbart för att identifiera skillnaden mellan majs och sojabönor, "säger Yaping Cai, Ph.D. student och första författare till verket, efter Guans och en annan senior medförfattares vägledning, Shaowen Wang vid institutionen för geografi vid U of I.

Det visar sig att majs och sojabönor har förutsägbart olika bladvattenstatus i juli de flesta åren. Teamet använde SWIR-data och andra spektraldata från tre Landsat-satelliter under en 15-årsperiod, och konsekvent plockade upp denna lövvattens statussignal.

"SWIR-bandet är mer känsligt för vatteninnehåll inne i bladet. Den signalen kan inte fångas upp av traditionellt RGB (synligt) ljus eller nära-infraröda band, så SWIR är extremt användbart för att skilja majs och sojabönor, "Avslutar Guan.

Forskarna använde en typ av maskininlärning, känd som ett djupt neuralt nätverk, att analysera data.

"Deep learning -metoder har precis börjat tillämpas för jordbruksapplikationer, och vi förutser en enorm potential för sådan teknik för framtida innovationer inom detta område, "säger Jian Peng, biträdande professor vid institutionen för datavetenskap vid U of I, och en medförfattare och medhuvudutredare av den nya studien.

Teamet fokuserade sin analys inom Champaign County, Illinois, som ett bevis på konceptet. Även om det var ett relativt litet område, att analysera 15 års satellitdata med en 30-meters upplösning krävde fortfarande en superdator för att bearbeta tiotals terabyte data.

"Det är en enorm mängd satellitdata. Vi använde Blue Waters och ROGER superdatorer på NCSA för att hantera processen och extrahera användbar information, "Säger Guan." Tekniskt sett, att kunna hantera en sådan enorm mängd data och tillämpa en avancerad maskininlärningsalgoritm var en stor utmaning tidigare, men nu har vi superdatorer och färdigheter för att hantera datauppsättningen. "

Teamet arbetar nu med att utöka studieområdet till hela majsbältet, och undersöker ytterligare tillämpningar av data, inklusive avkastning och andra kvalitetsuppskattningar.