Les champs de maïs et de soja se ressemblent vus de l'espace - du moins c'était le cas auparavant. Mais maintenant, les scientifiques ont prouvé une nouvelle technique pour distinguer les deux cultures en utilisant des données satellitaires et la puissance de traitement des superordinateurs.

« Si nous voulons prédire la production de maïs ou de soja pour l'Illinois ou l'ensemble des États-Unis, nous devons savoir où ils sont cultivés, " dit Kaiyu Guan, professeur adjoint au Département des ressources naturelles et des sciences de l'environnement de l'Université de l'Illinois, Professeur Blue Waters au National Center for Supercomputing Applications (NCSA), et le chercheur principal de la nouvelle étude.

L'avancement, Publié dans Télédétection de l'environnement , est une percée parce que, précédemment, les superficies nationales de maïs et de soja n'ont été mises à la disposition du public que quatre à six mois après la récolte par l'USDA. Le décalage signifiait que les décisions politiques étaient fondées sur des données obsolètes. Mais la nouvelle technique peut distinguer les deux cultures principales avec une précision de 95 pour cent à la fin du mois de juillet pour chaque champ - juste deux ou trois mois après la plantation et bien avant la récolte.

Les chercheurs soutiennent que des estimations plus opportunes des superficies cultivées pourraient être utilisées pour diverses applications de surveillance et de prise de décision, y compris l'assurance-récolte, location de terrain, logistique de la chaîne d'approvisionnement, marchés des matières premières, et plus.

Pour Guan, cependant, la valeur scientifique de l'œuvre est aussi importante que sa valeur pratique.

Un ensemble de satellites connus sous le nom de Landsat tournent en permanence autour de la Terre depuis 40 ans, collecter des images à l'aide de capteurs qui représentent différentes parties du spectre électromagnétique. Guan dit que la plupart des tentatives précédentes pour différencier le maïs et le soja de ces images étaient basées sur la partie visible et proche infrarouge du spectre, mais lui et son équipe ont décidé d'essayer quelque chose de différent.

"Nous avons trouvé une bande spectrale, l'infrarouge à ondes courtes (SWIR), cela a été extrêmement utile pour identifier la différence entre le maïs et le soja, " dit Yaping Cai, doctorat étudiant et premier auteur de l'ouvrage, suivant les conseils de Guan et d'un autre co-auteur principal, Shaowen Wang au Département de géographie de l'U of I.

Il s'avère que le maïs et le soja ont un état hydrique foliaire différent prévisible en juillet la plupart des années. L'équipe a utilisé les données SWIR et d'autres données spectrales de trois satellites Landsat sur une période de 15 ans, et systématiquement capté ce signal d'état hydrique des feuilles.

"La bande SWIR est plus sensible à la teneur en eau à l'intérieur de la feuille. Ce signal ne peut pas être capturé par la lumière RVB (visible) traditionnelle ou les bandes infrarouges proches, le SWIR est donc extrêmement utile pour différencier le maïs et le soja, " conclut Guan.

Les chercheurs ont utilisé un type d'apprentissage automatique, connu sous le nom de réseau de neurones profonds, pour analyser les données.

"Les approches d'apprentissage en profondeur viennent de commencer à être appliquées pour les applications agricoles, et nous prévoyons un énorme potentiel de ces technologies pour de futures innovations dans ce domaine, " dit Jian Peng, professeur adjoint au Département d'informatique de l'U of I, et un co-auteur et co-chercheur principal de la nouvelle étude.

L'équipe a concentré son analyse sur le comté de Champaign, Illinois, comme preuve de concept. Même s'il s'agissait d'une zone relativement petite, l'analyse de 15 ans de données satellitaires à une résolution de 30 mètres nécessitait encore un superordinateur pour traiter des dizaines de téraoctets de données.

« C'est une énorme quantité de données satellitaires. Nous avons utilisé les supercalculateurs Blue Waters et ROGER du NCSA pour gérer le processus et extraire des informations utiles, " Dit Guan. " Du point de vue de la technologie, être capable de gérer une telle quantité de données et d'appliquer un algorithme d'apprentissage automatique avancé était un grand défi auparavant, mais maintenant nous avons des superordinateurs et les compétences nécessaires pour gérer l'ensemble de données."

L'équipe travaille maintenant à étendre la zone d'étude à l'ensemble de la Corn Belt, et enquêter sur d'autres applications des données, y compris le rendement et d'autres estimations de qualité.