Los científicos de la NASA han utilizado con éxito láseres en la Estación Espacial Internacional para mapear campos de maíz en los EE. UU., China y Francia.
En el futuro, el equipo de investigación tiene la intención de mapear la producción de maíz en todo el mundo, lo que podría usarse para determinar las perspectivas de cosecha de este importante cultivo de seguridad alimentaria, según el sitio web FutureFarming.
También podría ayudar a los agricultores y científicos a evaluar los problemas de seguridad alimentaria y seleccionar prácticas agrícolas que mejorarían la producción en las principales regiones productoras de maíz.
Los láseres en la Estación Espacial Internacional son parte del estudio Global Ecosystem Dynamics (GEDI) de la NASA. Cada segundo, envían 242 pulsos rápidos de luz a la Tierra, que se reflejan en la superficie de nuestro planeta y se pueden utilizar para crear perfiles tridimensionales de la superficie terrestre. La misión principal de GEDI es medir la altura de los árboles y la estructura del bosque para estimar la cantidad de carbono almacenado en los bosques y manglares. Sin embargo, una nueva investigación respaldada por NASA Harvest muestra que estos datos también se pueden usar para mapear dónde se cultivan diferentes tipos de cultivos.
Es importante mapear dónde se cultivan ciertos cultivos para estimar su producción global total. Pero según la NASA, ha sido difícil mapear correctamente los tipos de cultivos desde el espacio porque muchas plantas pueden verse iguales en las imágenes ópticas.
David Lobell, ecologista agrícola de la Universidad de Stanford, es el director del proyecto NASA Harvest. Él y su equipo comenzaron a utilizar los datos de GEDI para el mapeo de maíz. En pleno crecimiento, los tallos de maíz promedio son alrededor de un metro más altos que otros cultivos, y esta diferencia se nota en los perfiles GEDI. Utilizando este hecho, los datos del perfil LIDAR de GEDI se combinaron con imágenes ópticas de los satélites Sentinel-2 de la Agencia Espacial Europea. Pudieron mapear de forma remota campos de maíz en tres regiones donde había datos terrestres confiables disponibles para confirmar sus observaciones: Iowa en los EE. UU., Jilin en China y la región del Gran Este en Francia.
El algoritmo de Stanford distinguió correctamente el maíz de otros cultivos con más del 83 % de precisión. El modelo que utilizó solo datos de Sentinel-2 tuvo una precisión promedio general del 64 %.
Foto – pexels.com
