🌾 Gewasopbrengstvoorspeller — Satelliet-NDVI Ontmoet Weergegevens
Combineer synthetische satelliet-vegetatie-index (NDVI) waarden met neerslag en temperatuur om gewasopbrengst over een veldraster te voorspellen, en zie de betrouwbaarheidsband van het model strakker worden naarmate het seizoen vordert.
Over de Gewasopbrengstvoorspeller
Echte satellietgebaseerde gewasopbrengstvoorspelling combineert drie datastromen: multispectrale vegetatie-indices zoals NDVI, gerasterde weersgegevens (neerslag, temperatuur, zonnestraling) en bodeminformatie — en voert deze vervolgens door een gewasgroeimodel of statistisch model om biomassa en uiteindelijk oogstbare opbrengst te schatten. Deze simulatie bouwt een synthetische maar mechanistisch realistische versie van die pijplijn: een 10×10 veldraster, waarbij elke cel zijn eigen bodemkwaliteitsfactor heeft, wordt week na week door een groeiseizoen aangedreven door een gedeelde neerslag/temperatuurtrajectorie. Een bodemvochtmodel (emmermodel) zet wekelijkse neerslag en evapotranspiratie om in een waterstressfactor; groeigraaddagen sturen een logistische gewaskroon-ontwikkelingscurve; en een lichtgebruiksefficiëntiemodel (LUE) — dezelfde Monteith (1972)-formulering die door echte operationele systemen zoals MODIS-GPP wordt gebruikt — zet geabsorbeerde straling om in biomassa, die een oogstindex omzet in graanopbrengst.
Sleep de neerslag- en temperatuurschuiven om het weerscenario van een seizoen te bepalen, druk dan op afspelen om te zien hoe NDVI over het veldraster op verschillende snelheden vergroent, afhankelijk van de bodemkwaliteit van elke cel, terwijl de onderste grafiek de veldgemiddelde opbrengstvoorspelling volgt. Een Monte Carlo-ensemble van 24 leden — elk lid herhaalt het echte tot nu toe waargenomen weer en bemonstert opnieuw de onbekende rest — produceert de gearceerde betrouwbaarheidsband, die verbreedt tijdens de vegetatieve fase naarmate de samengestelde efficiëntie-onzekerheid schaalt met de opgebouwde biomassa, en vervolgens versmalt richting de oogst naarmate er minder onbekende weken overblijven.
Veelgestelde vragen
Wat is NDVI en waarom werkt het als proxy voor gewasgezondheid?
NDVI (Normalized Difference Vegetation Index) wordt berekend uit satellietreflectie als (NIR − Rood) / (NIR + Rood). Gezonde, chlorofylrijke bladeren absorberen sterk rood licht voor fotosynthese terwijl ze nabij-infrarood licht sterk reflecteren, dus dichte gezonde gewaskroon levert NDVI-waarden nabij 0,7–0,9 op. Kale bodem, water en gestrest of schaars gewas reflecteren rood en nabij-infrarood meer gelijkwaardig, wat waarden nabij 0 of zelfs negatief oplevert. Omdat NDVI groen bladoppervlak en chlorofylgehalte volgt, en beide nauw samenhangen met hoeveel zonlicht een gewas kan opvangen voor fotosynthese, is het een van de meest gebruikte inputs voor operationele opbrengstvoorspellingssystemen wereldwijd.
Wat is het lichtgebruiksefficiëntiemodel (LUE) dat in deze simulatie wordt gebruikt?
Het LUE-model (Monteith, 1972) stelt dat biomassa-accumulatie in een gegeven periode gelijk is aan APAR (geabsorbeerde fotosynthetisch actieve straling) vermenigvuldigd met een lichtgebruiksefficiëntiecoëfficiënt, vervolgens verminderd door omgevingsstressfactoren: Biomassa = APAR × LUE × stress. APAR zelf is FPAR (de fractie van binnenkomende straling geabsorbeerd door de gewaskroon, geschat uit NDVI) vermenigvuldigd met binnenkomende zonnestraling. Deze simulatie berekent FPAR uit NDVI met een eenvoudige lineaire relatie, leidt elke week APAR af, en vermenigvuldigt met een vaste LUE-coëfficiënt en met water-/hittestressfactoren voordat het accumuleert tot totale biomassa, die vervolgens met een oogstindex wordt omgezet naar graanopbrengst.
Hoe sturen neerslag en temperatuur de opbrengstvoorspelling eigenlijk aan?
Temperatuur stuurt twee dingen aan: groeigraaddagen (GDD), die accumuleren als max(0, wekelijkse temperatuur − basistemperatuur) en bepalen hoe ver de gewaskroon-ontwikkeling gevorderd is op een logistische groeicurve, en evapotranspiratie (ET), die water uit de bodemvocht-emmer verwijdert. Neerslag voegt water toe aan diezelfde emmer. De verhouding tussen vocht en het waterhoudend vermogen van de bodem levert een waterstressfactor tussen 0 en 1 op die zowel gewaskroongroei als biomassa-accumulatie afremt; temperaturen ver boven of onder het optimum van het gewas leggen een extra hittestress-straf op. Het verplaatsen van de neerslag- en temperatuurschuiven regenereert de hele seizoensweer-trajectorie en de bodemvocht-emmer, wat verklaart waarom de veld-heatmap en opbrengstcurve direct na een reset veranderen.
Waarom verbreedt de gearceerde betrouwbaarheidsband gedurende het seizoen en versmalt hij dan nabij de oogst?
De band komt van een Monte Carlo-ensemble van 24 leden dat elke week opnieuw wordt berekend: elk lid herhaalt het echte, al waargenomen weer tot die week, en trekt vervolgens een nieuwe willekeurige weertrajectorie (plus zijn eigen vaste lichtgebruiksefficiëntie- en oogstindex-ruis) voor de resterende onwaargenomen weken. Vroeg in het seizoen is bijna het hele seizoen nog onbekend, maar de opgebouwde biomassa is nog klein, dus de absolute spreiding in ton/hectare begint klein. Naarmate het seizoen vordert, verbreedt het opeenstapelen van de per-lid efficiëntieruis tegen een grotere opgebouwde biomassabasis de absolute spreiding, zelfs terwijl het aantal nog onzekere toekomstige weken krimpt. Nabij de oogst zijn er bijna geen onbekende weken meer om opnieuw te bemonsteren, dus stort het ensemble in tot één gerealiseerde uitkomst — wat de verbreed-dan-versmal-vorm oplevert. Dit weerspiegelt hoe echte seizoensgebonden gewasvoorspellingen (die conditioneren op gerealiseerd weer-tot-nu en toekomstig ensembleweer) zich daadwerkelijk gedragen.
Waarom eindigen verschillende cellen in het veldraster met verschillende NDVI en opbrengst?
Elke cel in het 10×10-raster deelt exact dezelfde neerslag- en temperatuurtrajectorie (het weer geldt voor het hele veld), maar elke cel heeft zijn eigen willekeurig gegenereerde bodemkwaliteitsfactor die zijn waterhoudend vermogen en beginvocht schaalt. Cellen met hogere bodemkwaliteit draineren langzamer en blijven langer boven de waterstressdrempel tijdens droge periodes, dus houden ze een hogere NDVI in stand en accumuleren ze meer biomassa. Dit is precies waarom echte precisielandbouwplatforms satelliet-NDVI over bodemkaarten leggen: hetzelfde weer produceert een lappendeken van uitkomsten binnen één enkel veld omdat bodem, niet alleen weer, bepaalt hoeveel van dat weer een plant daadwerkelijk kan benutten.
Wat zijn groeigraaddagen (GDD) en waarom een logistische gewaskroon-groeicurve gebruiken?
Een groeigraaddag accumuleert wanneer de gemiddelde temperatuur boven een gewasspecifieke basistemperatuur ligt (hier 8°C); een week met een gemiddelde van 20°C draagt 7 × (20−8) = 84 GDD bij. Gewasontwikkeling — kieming, bladuitbreiding, kroonsluiting, veroudering — volgt cumulatieve GDD veel betrouwbaarder dan kalendertijd, wat verklaart waarom agronomen planting, bespuiting en oogstvensters plannen op basis van GDD in plaats van datum. Een logistische curve wordt gebruikt voor potentiële gewaskroon (NDVI) groei omdat echte gewaskroon-ontwikkeling traag is bij opkomst, versnelt tijdens de vegetatieve fase, en dan verzadigt zodra de gewaskroon volledig gesloten is en geen extra licht meer kan absorberen — een S-vormige, niet lineaire, trajectorie die een logistische functie vastlegt met een enkele buigpuntparameter.
Hoe verhoudt dit zich tot echte operationele satelliet-opbrengstvoorspellingssystemen?
Systemen zoals NASA Harvest, het Crop Yield Forecasting System van de EU (MARS) en commerciële platforms zoals Planet's gewasgezondheidsproducten combineren echte multispectrale satellietopnames (Sentinel-2, Landsat, MODIS), gerasterde reanalyse- of stationsweersgegevens en bodemdatabases, en combineren deze vervolgens met statistische of machine-learning opbrengstmodellen die getraind zijn op jaren historische oogstgegevens per regio. Deze simulatie reproduceert dezelfde conceptuele pijplijn — vegetatie-index, weergestuurde stress, lichtgebruiksefficiëntie-biomassa-accumulatie, ensembleonzekerheid — maar met synthetische beelden, handmatig ingestelde (niet gefitte) coëfficiënten, en geen echte historische kalibratie, dus moet het worden gelezen als een mechanismedemonstratie in plaats van een productievoorspellingstool.
Waarom veroorzaakt het verplaatsen van de neerslag- of temperatuurschuif een volledige reset in plaats van het aanpassen van de huidige run?
De schuiven stellen het gemiddelde in van het willekeurige weer-genererende proces voor een heel seizoen, niet de waarde van één week, dus ze halverwege het seizoen wijzigen zou stilletjes de geschiedenis herschrijven die het model al heeft "waargenomen" — wat fysiek incoherent is (je kunt niet met terugwerkende kracht veranderen hoeveel regen al gevallen is). In plaats daarvan behandelt deze simulatie elke schuifwijziging als het definiëren van een nieuw wat-als-scenario: klik op reset (of verplaats een schuif en reset) om een nieuw seizoen te bemonsteren, compleet met zijn eigen weertrajectorie, bodemvochtgeschiedenis en ensemblevoorspellingsband, vanaf week nul.
Elke week werkt een gedeelde neerslag/temperatuurtrekking een bodemvocht-emmer per cel en een veldbreed totaal aan groeigraaddagen bij; een logistische gewaskroon-curve, beperkt door water-/hittestress, bepaalt NDVI, wat een lichtgebruiksefficiëntie-biomassamodel aandrijft naar een oogstindex-opbrengst — terwijl een Monte Carlo-ensemble van 24 leden de voorspellingsband elke week opnieuw berekent.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install