Skip to main content
SLU publication database (SLUpub) (stage, solr2:8983)

Abstract

I projektet utvecklade och utvärderade vi ett modelleringsupplägg för satellitbaserad skördekartering på regional nivå, fältnivå och inom fält. Modelleringen baserades på Sentinel‑2‑bilder i kombination med medelskördar per gård insamlade av SCB. Genomsnittligt medelabsolutfel (MAE) för predikterade gårdsmedelskördar var 0,7 t ha⁻¹ för höstvete (Triticum aestivum L.) och 0,8 t ha⁻¹ för vårkorn (Hordeum vulgare L.) när prediktionerna gjordes efter skörd, och något högre (0,9 respektive 0,8 t ha⁻¹) vid skördeprognoser i slutet av juni. Prognoser på regional nivå var mer träffsäkra (MAE: 0,6 respektive 0,5 t ha⁻¹ för de båda grödorna), och regionala medelskördar kunde skattas med bibehållen noggrannhet även när antalet gårdsmedelskördar i kalibreringen minskades med en tredjedel.Jämförelser mellan satellitbaserade skördekartor och skördekartor från tröskor (20 m upplösning) visade varierande överensstämmelse, vilket förmodligen till stor del förklaras av osäkerheter i tröskdata, men även i viss mån av osäkerhet i de satellitbaserade kartorna samt den utjämnande effekt som modelleringen ger. Båda datakällorna har begränsningar, men satellitbaserade kartor har fördelen att de kan tas fram utan extra utrustning och med mindre krav på databearbetning.För den aktuella tillämpningen fungerade enkla linjära modeller med två vegetationsindex (NDWI och NDRE76) lika bra eller bättre än mer komplex maskininlärning med många index, vilken tenderade till överanpassning och sämre generalisering till nya gårdar och år. Detta betonar vikten av robust validering när kalibreringsdata är osäkra.Satellitbaserade skördekartor från flera år lades samman och två typer av kartor togs fram: relativa skördekartor och frekvenskartor för låg skörd. Dessa användes för att identifiera stabila och instabila problemområden inom fält. Variationsmönstren stämde ofta överens med lantbrukarnas lokalkännedom om till exempel dräneringsproblem, viltskador och markanvändningshistorik, men kartorna avslöjade också tidigare mindre uppmärksammade områden med låg skörd. Kartunderlagen kan användas både för att stödja åtgärder för att höja skörden (där det är möjligt) och för att anpassa insatser till den faktiska skördepotentialen (där förbättring inte är möjlig).Moln, molnskuggor och dis begränsar ibland möjligheten till satellitbaserad skördekartering. Ett mindre test med syntetiska molnfria Sentinel‑2‑tidsserier indikerade att sådana data kan vara en gångbar lösning. Testet visade också att sambandet mellan optiska vegetationsindex och spannmålsskörd ofta är starkast i senare delen av juni (sen blomning–tidig mjölkmognad).Mot bakgrund av resultaten rekommenderas fortsatt utveckling av användarvänliga system med: (i) förbättrad och förenklad hantering av skördedata från tröskor, (ii) integrering av skördekartering (både trösk- och satellitbaserad) i beslutsstödsystem för precisionsodling, (iii) funktioner för flerårsanalyser och manuell tolkning av dessa med stöd av kompletterande data, samt (iv) möjligheter att analysera relativa skördar inom närområden (t.ex. inom några kilometers radie) som underlag för rådgivning och en produktiv och resurseffektiv växtodling.

Keywords

beslutsunderlag; fjärranalys; karta; korn; precisionsodling; prognos; skörd; vete

Published in

Publisher: Institutionen för mark och miljö, Sveriges lantbruksuniversitet

SLU Authors

UKÄ Subject classification

Earth Observation
Agricultural Science

Publication identifier

  • DOI: https://doi.org/10.54612/a.gghvf2fhv8
  • eISBN: 978-91-8124-150-1

Permanent link to this page (URI)

https://res.slu.se/id/publ/145090