Satellitenbilder der Fluoreszenz von Pflanzen können Ernteerträge vorhersagen

Forscher und Mitarbeiter von Cornell haben ein neues Rahmenwerk entwickelt, das es Wissenschaftlern ermöglicht, Ernteerträge vorherzusagen, ohne dass riesige Mengen hochwertiger Daten erforderlich sind – die in Entwicklungsländern oft knapp sind, insbesondere in solchen, die einer erhöhten Ernährungsunsicherheit und Klimarisiken ausgesetzt sind.

In vielen Teilen der Welt sinken die Ernteerträge, vor allem aufgrund der Auswirkungen des Klimawandels. Laut einer aktuellen Cornell-Studie sank das Nettoeinkommen der Landwirte in den letzten vier Jahrzehnten pro 1 Grad Celsius Erwärmung um 66 %.

Landwirte in Industrieländern können sich oft auf große Datensätze und Risikomanagementtools verlassen, um die Auswirkungen extremer Hitze auf ihren Ertrag und ihr Einkommen zu reduzieren. Doch in Entwicklungsländern gibt es kaum Daten und es ist oft schwierig, den Ernteertrag genau zu messen.

In einem Papier erscheinen In Umweltforschungsbriefe, schlagen die Wissenschaftler vor, Satellitenfotos zur Fernmessung der solarinduzierten Chlorophyllfluoreszenz (SIF) zu verwenden, um den Ernteertrag zu bewerten und vorherzusagen. Anhand von Beispielfeldern mit Mais in den USA und Weizen in Indien haben die Wissenschaftler einen Ansatz gefunden, der im Prinzip universell für jede Kulturpflanze funktionieren sollte, so Ying Sun, Co-Autorin und außerordentliche Professorin für Boden- und Pflanzenwissenschaften in das College of Agriculture and Life Sciences (CALS).

Chlorophyll-Fluoreszenz ist das rötliche Licht, das von photosynthetischen Geweben und Organismen wieder abgegeben wird, sagte sie, eine Messung, die als Indikator für die photosynthetische Energieumwandlung in Pflanzen dient.

„Damit kann man nicht sagen, wie viele Ähren sich auf einem Feld befinden“, sagte sie, „aber Schritt eins besteht darin, die Photosynthese anhand der Fluoreszenz zu modellieren. Der Ernteertrag hängt von der Photosynthese ab. Hier haben wir ein mechanistisches Modell, das sehr wichtig ist.“ „

Co-Autor Chris Barrett, Stephen B. und Janice G. Ashley Professor für Angewandte Ökonomie und Management an der Charles H. Dyson School of Applied Economics and Management und an der Cornell Jeb E. Brooks School of Public Policy, schlägt diesen Ansatz vor könnten für Prognosen und gezielte Maßnahmen wertvoll sein: für politische Entscheidungen, die Einrichtung einer Ernteversicherung und sogar für die Vorhersage von Armutsgebieten.

Diese Strategie nutze die zunehmende Verfügbarkeit von Satellitendaten und sei kostengünstiger in der Nutzung und schneller zugänglich als andere Methoden zur Ertragsvorhersage, sagte er.

„Deshalb halte ich dies für vielversprechend. Ich kann mir vorstellen, dass dies hilfreich bei der Vorhersage der Armut auf Dorfebene in ländlichen Gebieten ist, in denen ein Großteil der Wirtschaft von der Landwirtschaft getragen wird“, sagte er. „Das sind Orte, an denen es uns schwerfiel, Daten zu sammeln, und wo sich die Dinge sehr schnell ändern können. Wenn wir versuchen, knappe Ressourcen dorthin zu lenken, wo sie den größten Einfluss haben, könnte das hilfreich sein.“

Dieses Tool könnte eingesetzt werden, um Nahrungsmittelhilfsorganisationen und Nichtregierungsorganisationen dabei zu helfen, bei der Bereitstellung von Hilfe schneller zu sein, sagte Barrett.

Sun sagte, sie und ihre Kollegen arbeiteten an weiteren Forschungsarbeiten, die es ermöglichen würden, diese Art von Werkzeug in Zukunft in Echtzeit einzusetzen, damit Landwirte reagieren und Dinge wie Bodenverbesserungen oder Bewässerungsstrategien anpassen könnten, um die Gesundheit und Produktivität einer aktuellen Ernte zu verbessern.

In den USA stellen das Landwirtschaftsministerium und andere Institutionen enorme Mengen an Erntedaten zur Verfügung. Zunehmend werden Modelle des maschinellen Lernens eingesetzt, um Vorhersagen zu treffen, sagte Hauptautor Oz Kira von der Ben-Gurion-Universität des Negev in Israel und ehemaliger Postdoktorand in Suns Labor, aber diese Modelle setzen ähnliche Umweltbedingungen voraus.

Kira schlägt vor, mithilfe von Chlorophyll-Fluoreszenz-Satellitendaten veränderte Bedingungen zu berücksichtigen.

„Wenn sich die Wachstumsbedingungen ändern, ist es möglich, dass die Vorhersagen nicht anwendbar sind“, sagte Kira. „In unserem Fall basieren unsere Modelle nicht auf vorherigen Beobachtungen. Dadurch kann der Klimawandel berücksichtigt werden.“

Zu den Co-Autoren der Studie gehören Jiaming Wen, Ph.D.; Jimei Han, ein Postdoktorand in Suns Labor; Andrew McDonald, außerordentlicher Professor an der School of Integrative Plant Science und dem Department of Global Development (CALS); Ariel Ortiz-Bobea, außerordentlicher Professor für angewandte Wirtschaft und Politik (Dyson and Brooks School); und Yanyan Liu, außerordentlicher Professor (Dyson).