Kelembaban tanah adalah variabel penting untuk memantau kesehatan tanaman dan memprediksi hasil. Tanaman menggunakan air untuk pengaturan suhu serta pertumbuhan dan kekurangan air di tanah dapat berdampak negatif pada kemampuan tanaman untuk mencapai potensi pertumbuhannya. Ketika datang ke pertanian, ini berarti penurunan produktivitas tanaman atau hasil yang lebih kecil. Anggota tim Panen NASA baru-baru ini ikut menulis makalah yang mengembangkan metode baru untuk memantau kelembaban tanah menggunakan kombinasi model pembelajaran mesin dan gelombang radar berbasis satelit.
Pentingnya kadar air dalam tanah lahan pertanian sudah diketahui dengan baik, demikian pula konsekuensinya bila tingkat kelembaban tidak mencukupi. Sebagai contoh baru-baru ini, Brasil, pengekspor jagung utama, mengalami penurunan curah hujan yang menyebabkan kondisi kekeringan dan kelembapan tanah yang rendah di sebagian besar lahan pertaniannya. Kondisi ini menyebabkan panen jagung musim semi-musim panas di negara itu, yang menyumbang ~70-75% dari total produksi jagung Brasil, untuk melihat hasil hampir 20% lebih rendah dari yang diperkirakan semula. Hasil yang menyempit ini diramalkan oleh data kelembaban tanah yang dikumpulkan oleh satelit yang mengorbit bumi yang telah memantau situasi sepanjang tahun.
Gambar dari sistem GLAM NASA Harvest ini, menunjukkan bagaimana kelembaban tanah yang diamati di daerah penanaman jagung di Brasil Mei sebelumnya dibandingkan dengan nilai rata-rata yang diamati selama 5 tahun sebelumnya. Ini menunjukkan nilai kelembaban tanah yang jauh lebih rendah tahun ini, sesuai dengan hasil yang lebih kecil.
Karena pentingnya kelembaban tanah sebagai prediktor tanaman, peneliti yang berfokus pada pertanian telah mengembangkan sejumlah metode untuk mengukur variabel. Sementara pengambilan sampel tanah secara langsung memberikan hasil yang paling akurat, karena variabilitas spasial dan temporal yang sangat heterogen dari kadar air di seluruh tanah, metode ini seringkali tidak layak. Metode pengukuran jarak jauh yang menggunakan satelit observasi bumi (EO) adalah alternatif yang bagus karena sangat mengurangi kendala tenaga kerja dan sumber daya yang terkait dengan metode berbasis darat.
Salah satu bentuk data EO, Synthetic Aperture Radar (SAR), sangat disukai karena kemampuannya untuk melihat menembus tutupan awan, sehingga meningkatkan jumlah pengamatan di lapangan. Satelit SAR bekerja dengan mengirimkan pulsa radar ke permukaan bumi dan merekam jumlah sinyal yang memantul dari permukaan yang dicegat oleh sensor satelit. Hal ini memungkinkan kami membuat model untuk mengukur kadar air di dalam tanah karena sinyal SAR sangat sensitif terhadap konstanta dielektrik tanah. Sejumlah penelitian telah menunjukkan kegunaan SAR dalam mengukur kelembaban tanah di atas tanah kosong, namun data kurang mudah ditafsirkan di atas lahan pertanian karena tanaman dapat menghalangi radar untuk mencapai tanah sepenuhnya dan memengaruhi cara memantulkannya kembali ke sensor.
Dr. Mehdi Hosseini dari NASA Harvest dan Direktur Program Dr. Inbal Becker-Reshef baru-baru ini ikut menulis makalah yang mengeksplorasi cara-cara baru untuk menghitung komplikasi tanaman dalam pengukuran kelembaban tanah. Tim yang terdiri dari Drs. Hosseini dan Inbal Becker-Reshef dan rekan dari Universitas Teheran, Ny. Zeinab Akhavan dan Dr. Mahdi Hasanlou, melihat teknik SAR spesifik yang disebut dekomposisi polarimetri. Teknik yang diterapkan pada data polarimetri ganda dari misi Sentinel-1 Badan Antariksa Eropa, program data bebas dan terbuka, dan kemudian parameter polarimetri turunan digunakan untuk melatih model estimasi kelembaban tanah.
Tim memilih tiga model pembelajaran mesin populer untuk perbandingan (Multi-Layer Perceptron Neural Network [MLP NN], Generalized Regression Neural Network [GRNN], dan Support Vector Machine [SVM]). Mereka kemudian mengatur lebih dari 150 sampel kelembaban tanah yang dikumpulkan dari 9 stasiun bumi di Manitoba, Kanada sebagai data ground-truth untuk melatih model mereka. Akhirnya mereka mengumpulkan data Sentinel-1 yang kebetulan.
Hasil menemukan bahwa kedua model jaringan saraf mengungguli SVM, dengan GRNN memiliki pengukuran paling akurat. Lebih lanjut menambah preferensi GRNN adalah kesederhanaannya. Model SVM dan MLP NN membutuhkan sejumlah parameter untuk difinishing, sedangkan GRNN hanya memiliki satu parameter yang harus disesuaikan. Penulis mencatat bahwa kesederhanaan ini dikombinasikan dengan akurasinya yang tinggi menjadikan GRNN pilihan yang baik untuk aplikasi pemantauan kelembaban tanah di masa depan.
Sementara GRNN terbukti menjadi model yang sukses untuk wilayah ini, tim peneliti mencatat bahwa pemantauan kelembaban tanah secara akurat dapat bervariasi berdasarkan kondisi tanah dan studi masa depan diperlukan untuk tekstur tanah yang berbeda dan tahap pertumbuhan tanaman. Untungnya, mengingat keberhasilan metode ini dengan data tanah, penelitian di masa depan dapat lebih andal memanfaatkan platform pemantauan kelembaban tanah gelombang mikro pasif sebagai pengganti pengumpulan data tanah – sangat meningkatkan jenis lanskap dan produksi pertanian yang tersedia.
