NASA Harvest telah mengeksplorasi pengembangan metode baru untuk memantau kelembaban tanah menggunakan kombinasi model pembelajaran mesin dan gelombang radar berbasis satelit.
Pemantauan kelembaban tanah dapat dilakukan dengan berbagai cara. Menurut NASA Harvest, pengambilan sampel langsung di darat memberikan hasil yang paling akurat. Namun, karena variabilitas spasial dan temporal yang sangat heterogen dari kadar air di seluruh tanah, metode ini seringkali tidak layak, kata para peneliti. “Metode pengukuran jarak jauh menggunakan satelit observasi bumi (EO) adalah alternatif yang bagus karena sangat mengurangi kendala tenaga kerja dan sumber daya yang terkait dengan metode berbasis darat,” kata NASA.
Synthetic Aperture Radar
Para peneliti mengatakan salah satu bentuk data EO, Synthetic Aperture Radar (SAR), lebih disukai karena kemampuannya untuk melihat melalui tutupan awan, sehingga meningkatkan jumlah pengamatan di darat. 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 NASA Harvest 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 memblokir radar agar tidak sepenuhnya mencapai tanah dan memengaruhi cara memantulkannya kembali ke sensor,” kata NASA Harvest. .
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 melihat teknik SAR khusus 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.
Lebih dari 150 sampel kelembaban tanah
Tiga model pembelajaran mesin populer untuk perbandingan digunakan: 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.
Menurut para peneliti, 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 memerlukan sejumlah parameter untuk disetel, sedangkan GRNN hanya memiliki satu parameter yang harus disesuaikan,” kata penulis, mencatat bahwa kesederhanaan ini dikombinasikan dengan akurasinya yang tinggi menjadikan GRNN pilihan yang baik untuk tanah masa depan. aplikasi pemantauan kelembaban.
Studi masa depan diperlukan
NASA Harvest menyatakan 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,” kata para penulis.