Χαρτογράφηση του οργανικού άνθρακα του εδάφους από το διάστημα και τον αέρα
 ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌  ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌  ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ 
 ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌  ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌  ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌   ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ 

View in browser

Καλώς ήρθατε στο 11ο Newsletter του ScaleAgData!


Τα υγιή εδάφη αποτελούν το θεμέλιο της παραγωγικής γεωργίας, του καθαρού νερού και του μετριασμού της κλιματικής αλλαγής. Ωστόσο, το να μάθει κανείς πόσο οργανικό άνθρακα περιέχει ένα χωράφι παραμένει εκπληκτικά δύσκολο: οι εργαστηριακές αναλύσεις είναι ακριβείς αλλά αργές και δαπανηρές, και τα δεδομένα που προκύπτουν είναι συχνά πολύ ευαίσθητα για να διαμοιραστούν. Σε αυτό το τεύχος εστιάζουμε στο Εργαστήριο Έρευνας και Καινοτομίας για το Έδαφος (Soil R&I Lab) του ScaleAgData, όπου το Ινστιτούτο Έρευνας για τη Γεωργία, την Αλιεία και τα Τρόφιμα της Φλάνδρας (ILVO), το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ), το Κέντρο Τεχνολογικής Έρευνας της Φινλανδίας VTT και η INDRA αντιμετωπίζουν το πρόβλημα από δύο συμπληρωματικές κατευθύνσεις.


Αρχικά, δείχνουμε πώς η ομοσπονδιακή μάθηση (federated learning) επιτρέπει σε εταίρους στο Βέλγιο και την Ελλάδα να εκπαιδεύσουν από κοινού ένα μοντέλο για τον οργανικό άνθρακα του επιφανειακού εδάφους (Soil Organic Carbon, SOC) με βάση δορυφορικές εικόνες, χωρίς να ανταλλάξουν ποτέ τα πρωτογενή εδαφικά τους δεδομένα. Το αποτέλεσμα είναι ένας χάρτης SOC για τις καλλιεργούμενες εκτάσεις της Φλάνδρας και της Κεντρικής Μακεδονίας. Στη συνέχεια περνάμε στον αέρα, με μια υπερφασματική κάμερα drone που ανέπτυξε το VTT, και εξηγούμε πώς ένας εξυπνότερος τρόπος σύνδεσης των pixel του drone με τα εδαφικά δείγματα, μέσω συνάθροισης γειτονικών pixel και επαύξησης δεδομένων σε επίπεδο pixel, κάνει τους χάρτες SOC σε κλίμακα αγροτεμαχίου σημαντικά ακριβέστερους.


Συνολικά, τα αποτελέσματα αυτά δείχνουν πώς το ScaleAgData συνδυάζει την αξιόπιστη ανταλλαγή δεδομένων με νέες τεχνολογίες ανίχνευσης, ώστε να παρέχει πληροφορία για το έδαφος σε κάθε κλίμακα, από μια ολόκληρη περιφέρεια έως ένα μεμονωμένο αγροτεμάχιο.

Σε αυτό το Newsletter του ScaleAgData:

  • Χαρτογράφηση του οργανικού άνθρακα του εδάφους από το διάστημα και τον αέρα
  • Πρόσφατα νέα

Σχήμα 1. Οργανικός άνθρακας επιφανειακού εδάφους (g kg⁻¹), όπως προβλέφθηκε από το μοντέλο ομοσπονδιακής μάθησης για pixel γυμνών καλλιεργούμενων εκτάσεων σε όλη τη Φλάνδρα (Βέλγιο), με βάση εικόνες Sentinel-2

Χαρτογράφηση του οργανικού άνθρακα του εδάφους από το διάστημα και τον αέρα

Η ομοσπονδιακή μάθηση και οι υπερφασματικές εικόνες από drone προσφέρουν πιο λεπτομερή εικόνα για τον άνθρακα του εδάφους, με σεβασμό στην ιδιωτικότητα των δεδομένων, από την περιφερειακή επισκόπηση έως τη λεπτομέρεια μέσα στο ίδιο χωράφι.


Η πρόκληση


Ο οργανικός άνθρακας του εδάφους είναι ένας από τους βασικούς δείκτες της υγείας του εδάφους. Βελτιώνει τη δομή του εδάφους, τη διαθεσιμότητα θρεπτικών στοιχείων και τη συγκράτηση νερού, και καθορίζει πόσο άνθρακα μπορούν να δεσμεύσουν τα εδάφη μας. Με ευρωπαϊκές πρωτοβουλίες όπως ο Νόμος της ΕΕ για την Παρακολούθηση του Εδάφους (EU Soil Monitoring Law) να θέτουν σταθερά την κατάσταση του εδάφους στην ατζέντα, η ζήτηση για αξιόπιστους και λεπτομερείς χάρτες SOC αυξάνεται συνεχώς.


Η δημιουργία τέτοιων χαρτών κάθε άλλο παρά απλή είναι. Δορυφόροι όπως ο Sentinel-2 καλύπτουν τεράστιες εκτάσεις, όμως τα μοντέλα που μετατρέπουν τις εικόνες τους σε τιμές SOC πρέπει να εκπαιδευτούν σε εργαστηριακά αποτελέσματα, τα οποία είναι διασκορπισμένα σε πολλούς φορείς. Επειδή κάθε εδαφικό δείγμα συνδέεται με μια ακριβή θέση στο χωράφι, οι κάτοχοι των δεδομένων συχνά δεν είναι πρόθυμοι, ή δεν τους επιτρέπεται νομικά, να τα παραχωρήσουν. Έτσι, πολύτιμες μετρήσεις μένουν κλειδωμένες, και τα μοντέλα που βασίζονται σε ένα μόνο σύνολο δεδομένων συχνά δυσκολεύονται όταν εφαρμόζονται αλλού.


Σε επίπεδο αγροτεμαχίου, τα drones με υπερφασματικές κάμερες μπορούν να καταγράψουν την ανακλαστικότητα του εδάφους με μέγεθος pixel περίπου ενός εκατοστού. Αυτό το επίπεδο λεπτομέρειας δημιουργεί μια δική του πρόκληση: ένα εργαστηριακό αποτέλεσμα προέρχεται συνήθως από αρκετούς πυρήνες εδάφους που αναμειγνύονται από μια περιοχή διαμέτρου μερικών μέτρων, ενώ ένα pixel του drone «βλέπει» μόνο ένα μικροσκοπικό σημείο. Η σωστή σύνδεση των δύο και ο έλεγχος του μοντέλου με τρόπο που δεν υπερεκτιμά την ποιότητά του είναι καθοριστικά για προβλέψεις που μπορούμε να εμπιστευτούμε.


Βασικά αποτελέσματα

Ομοσπονδιακή μάθηση: μοιραζόμαστε γνώση, όχι δεδομένα


Η ομοσπονδιακή μάθηση (Federated Learning, FL) αντιστρέφει τη συνήθη ροή εργασίας. Τα εδαφικά δεδομένα δεν συγκεντρώνονται σε έναν κεντρικό διακομιστή· αντίθετα, το μοντέλο στέλνεται εκεί όπου βρίσκονται τα δεδομένα. Κάθε εταίρος το εκπαιδεύει στα δικά του δείγματα και επιστρέφει μόνο τις ενημερωμένες παραμέτρους του μοντέλου, τις οποίες ένας κεντρικός διακομιστής συγχωνεύει σε ένα βελτιωμένο κοινό μοντέλο. Οι εδαφικές μετρήσεις και οι συντεταγμένες τους παραμένουν πάντα στον φορέα που τις κατέχει.


Το Soil R&I Lab, με την υποστήριξη του τεχνικού παρόχου του έργου INDRA, ανέπτυξε μια ροή επεξεργασίας ομοσπονδιακής μάθησης με αφετηρία ένα ευρωπαϊκό μοντέλο: ένα συνελικτικό νευρωνικό δίκτυο (Convolutional Neural Network, CNN) εκπαιδευμένο σε δείγματα καλλιεργούμενων εκτάσεων από την έρευνα επιφανειακού εδάφους LUCAS 2018, συνδεδεμένα με σύνθετες εικόνες ανακλαστικότητας γυμνού εδάφους Sentinel-2 για την περίοδο 2018–2020 και συμπληρωμένα με πληροφορία για την κοκκομετρική σύσταση και τη φαινόμενη πυκνότητα του εδάφους. Στη συνέχεια, το μοντέλο εκπαιδεύτηκε περαιτέρω μέσω FL σε δύο ιδιωτικά περιφερειακά σύνολα δεδομένων: 211 δείγματα από τη Φλάνδρα που κατέχει το ILVO και περισσότερα από 2.200 δείγματα από την Κεντρική Μακεδονία που κατέχει το ΑΠΘ. Αξιοποιήθηκε περίπου το μισό των ελληνικών δειγμάτων, καθώς πολλά αγροτεμάχια είναι ελαιώνες ή οπωρώνες, όπου το έδαφος σπάνια είναι ακάλυπτο.


Η προστιθέμενη αξία της συνεργασίας φαίνεται καθαρά αν δει κανείς το ευρωπαϊκό μοντέλο μόνο του, το οποίο παρουσίασε σφάλμα πρόβλεψης (Root Mean Square Error, RMSE) άνω των 17 g kg-1 στη Φλάνδρα (Πίνακας 1). Το ομοσπονδιακό μοντέλο το μείωσε στα 4.7 g kg-1, κοντά στην επίδοση ενός μοντέλου εκπαιδευμένου αποκλειστικά σε φλαμανδικά δείγματα (4.2 g kg-1, Πίνακας 1). Στην Κεντρική Μακεδονία, το ομοσπονδιακό μοντέλο απέδωσε μάλιστα ελαφρώς καλύτερα από το καθαρά περιφερειακό (3.3 έναντι 3.4 g kg-1, Πίνακας 1). Επειδή το βήμα συγχώνευσης σταθμίζει κάθε εταίρο


ανάλογα με τον αριθμό δειγμάτων που συνεισφέρει, το πολύ μεγαλύτερο ελληνικό σύνολο δεδομένων είχε μεγαλύτερη επιρροή. Αυτό εξηγεί τη μικρή μείωση της ακρίβειας για τη Φλάνδρα και αναδεικνύει την αξία πιο ισορροπημένων συνεισφορών. Το τελικό μοντέλο εφαρμόστηκε στις γυμνές καλλιεργούμενες εκτάσεις και των δύο περιοχών, αποκαλύπτοντας τόσο ευρύτερα περιφερειακά πρότυπα όσο και διαφορές μέσα σε μεμονωμένα αγροτεμάχια (Σχήμα 1 και Σχήμα 2).

Table 1 Model performance on the independent test set for predicting topsoil SOC (g kg−1), comparing federated learning with baseline models.

Σχήμα 2. Λεπτομέρεια του χάρτη SOC (g kg⁻¹) της ομοσπονδιακής μάθησης στη Φλάνδρα, όπου φαίνονται οι διαφορές μεταξύ και εντός μεμονωμένων καλλιεργούμενων αγροτεμαχίων

Υπερφασματικά drones: αντιστοίχιση pixel με εδαφικά δείγματα


Για να εστιάσει ακόμη περισσότερο, το εργαστήριο χρησιμοποίησε μια ελαφριά, ρυθμιζόμενη υπερφασματική κάμερα του τεχνολογικού παρόχου του έργου VTT, τοποθετημένη σε drone. Τα μήκη κύματος που καταγράφει μπορούν να προγραμματιστούν πριν από κάθε πτήση· για την εργασία αυτή επιλέχθηκαν έξι φασματικές ζώνες μεταξύ 670 και 1100 nm. Πετώντας σε ύψος 80–100 m από το έδαφος, το σύστημα παρήγαγε εικόνες με pixel λίγο μεγαλύτερα από ένα εκατοστό. Οι πτήσεις πραγματοποιήθηκαν πάνω από οκτώ γυμνούς αγρούς στο Merelbeke-Melle της Φλάνδρας (85 εδαφικά δείγματα, φθινόπωρο 2025) και πέντε αγρούς στην Κεντρική Μακεδονία (42 δείγματα, χειμώνας 2026).

Οι εικόνες ελέγχθηκαν διεξοδικά πριν από την εκπαίδευση οποιουδήποτε μοντέλου. Σε κάθε σκηνή τοποθετήθηκαν πάνελ γνωστής ανακλαστικότητας για τη βαθμονόμηση, οι ελληνικές εικόνες συγκρίθηκαν επιπλέον με μετρήσεις φορητού φασματοραδιομέτρου πεδίου, και τα pixel με ελλιπείς ή μη ρεαλιστικές τιμές απορρίφθηκαν.

Η βασική καινοτομία βρίσκεται στον τρόπο με τον οποίο τα pixel συσχετίζονται με τα εδαφικά δείγματα. Η ομάδα δεν χρησιμοποίησε μόνο το pixel στο σημείο δειγματοληψίας, αλλά εξέτασε όλα τα pixel μέσα σε κύκλο ακτίνας 0.25, 0.5 ή 1 m γύρω από αυτό και σύγκρινε δύο στρατηγικές:

  • Η συνάθροιση συμπυκνώνει τα pixel κάθε κύκλου σε μία εγγραφή ανά δείγμα, χρησιμοποιώντας τη μέση ανακλαστικότητα κάθε ζώνης και το πόσο αυτή μεταβάλλεται.
  • Η επαύξηση αντιμετωπίζει κάθε pixel του κύκλου ως ξεχωριστό παράδειγμα εκπαίδευσης, με ετικέτα την εργαστηριακή τιμή του δείγματός του, διευρύνοντας σημαντικά τα δεδομένα εκπαίδευσης.

Δοκιμάστηκαν τέσσερις μέθοδοι μηχανικής μάθησης: Random Forest, XGBoost, ένα μονοδιάστατο CNN (1D CNN) και το TabPFN, ένα προεκπαιδευμένο θεμελιώδες μοντέλο (foundation model) για δεδομένα σε μορφή πίνακα (Πίνακας 2). Για στατιστικά έγκυρη αξιολόγηση της ακρίβειας, όλα τα pixel του ίδιου δείγματος διατηρούνταν πάντα μαζί κατά τον διαχωρισμό των δεδομένων για τη διασταυρωμένη επικύρωση.

Τα αποτελέσματα στη Φλάνδρα ήταν πειστικά. Με βάση μόνο το κεντρικό pixel, τα καλύτερα μοντέλα εξήγησαν περίπου το μισό της μεταβλητότητας του SOC. Η αξιοποίηση των γειτονικών pixel μείωσε το σφάλμα σε 23 από τους 24 συνδυασμούς που δοκιμάστηκαν, και 20 από αυτές τις βελτιώσεις ήταν στατιστικά σημαντικές. Την καλύτερη επίδοση είχε το TabPFN με συνάθροιση σε ακτίνα 1 m (R² = 0.78, RMSE = 0.16%, Πίνακας 2), μειώνοντας το σφάλμα κατά περισσότερο από ένα τρίτο. Η επαύξηση βελτίωσε κάθε μοντέλο χωρίς εξαίρεση και χρησιμοποιήθηκε για την παραγωγή λεπτομερών χαρτών πρόβλεψης SOC σε κλίμακα αγροτεμαχίου (Πίνακας 2, Σχήμα 3).

Πίνακας 2. Ακρίβεια πρόβλεψης SOC (ομαδοποιημένη διασταυρωμένη επικύρωση 5 τμημάτων) από υπερφασματικές εικόνες drone της VTT στη Φλάνδρα: σύγκριση της εξαγωγής μεμονωμένου pixel με την καλύτερη διαμόρφωση γειτονιάς ανά μοντέλο (ακτίνα σε παρένθεση).

Σχήμα 3. Χάρτης SOC (%) του αγροτεμαχίου RvK1A–B στη Φλάνδρα, όπως προβλέφθηκε από υπερφασματικές εικόνες drone της VTT με το μοντέλο Random Forest και τη στρατηγική επαύξησης, μαζί με τις εργαστηριακά μετρημένες τιμές SOC στα σημεία δειγματοληψίας

Στην Κεντρική Μακεδονία, οι χειμερινές πτήσεις συνέπεσαν με υγρά εδάφη, αναπτυσσόμενες καλλιέργειες και μόνιμη κόμη οπωρώνων, ενώ οι μετρημένες τιμές SOC κυμαίνονταν μόνο σε ένα στενό εύρος. Υπό αυτές τις συνθήκες δεν ήταν δυνατό να αναπτυχθεί αξιόπιστο μοντέλο SOC. Η ίδια ροή εργασίας έδωσε, ωστόσο, πολλά υποσχόμενα αποτελέσματα για άλλες εδαφικές ιδιότητες, όπως η ηλεκτρική αγωγιμότητα, το ανθρακικό ασβέστιο και το pH (R² μεταξύ 0.61 και 0.69), κάτι που υπογραμμίζει πόσο εξαρτάται η χαρτογράφηση του SOC από καλές συνθήκες γυμνού εδάφους τη στιγμή της πτήσης.



Αντίκτυπος και μελλοντικές προοπτικές


Και οι δύο μελέτες δείχνουν ότι οι καλύτεροι χάρτες άνθρακα του εδάφους δεν είναι απλώς ζήτημα επιλογής του σωστού αλγορίθμου. Η ομοσπονδιακή μάθηση αποδεικνύει ότι οι φορείς μπορούν να ενώσουν τις δυνάμεις τους για να αναπτύξουν πιο εύρωστα μοντέλα, διατηρώντας παράλληλα τα ευαίσθητα δεδομένα πεδίου υπό τον δικό τους έλεγχο – ένα σημαντικό βήμα προς την εμπιστοσύνη και τη συμμόρφωση με τους κανόνες προστασίας δεδομένων. Η εργασία με τα drones δείχνει ότι η ευθυγράμμιση της περιοχής της εικόνας με τον τρόπο με τον οποίο γίνεται στην πράξη η δειγματοληψία του εδάφους, σε συνδυασμό με προσεκτική βαθμονόμηση και αμερόληπτη επικύρωση, μπορεί να βελτιώσει ουσιαστικά τις προβλέψεις SOC σε επίπεδο αγροτεμαχίου.


Συνδυάζοντας τη συνεργασία που προστατεύει την ιδιωτικότητα των δεδομένων με τεχνολογίες ανίχνευσης αιχμής, το Soil R&I Lab θέτει τις βάσεις για λεπτομερέστερη, αξιόπιστη και επεκτάσιμη παρακολούθηση του εδάφους, προς όφελος της βιώσιμης διαχείρισης της γης σε όλη την Ευρώπη.

Μάθετε περισσότερα


  • Tsakiridis κ.ά. (2025), Privacy-Preserving Soil Data: Federated Learning for Topsoil Descriptors via Remote Sensing, IGARSS 2025
  • Ampas κ.ά. (2026), UAV Hyperspectral Mapping of Soil Organic Carbon: A Quality-Controlled Workflow from Field Sampling to Spatial Prediction, υποβλήθηκε στο Eng (MDPI), preprint
  • Ανοιχτά σύνολα δεδομένων drone στο Zenodo:
    - Hyperspectral Drone Imagery: Bare Soil Fields,
    - Hyperspectral UAV imagery of Agricultural Fields
    - Pixel-wise soil organic carbon predictions for agricultural fields in Belgium using multi-source hyperspectral and Sentinel-2 data fusion
    - Soil Organic Carbon Map - Region of Central Macedonia

 

Πρόσφατα νέα

Ενημερωμένα Αποτελέσματα Έργων στον Ιστότοπό μας


Ο ιστότοπος του ScaleAgData ενημερώθηκε με μια σειρά από νέα αποτελέσματα και υλικό του έργου:

  • πρόσφατα παραδοτέα
  • επιστημονικές δημοσιεύσεις
  • κατάλογος προϊόντων
  • μέθοδοι & εφαρμογές
  • αρχείο newsletters
Διαβάστε περισσότερα

VITO NV, Boeretang 200, 2400 Mol, Belgium