Методика прогнозування обсягів врожаю на базі даних дистанційного зондування високої просторової розподільчої здатності на прикладі пшениці
DOI:
https://doi.org/10.33730/2310-4678.2.2020.208824Ключові слова:
SlantRange, Stress індекс, БПЛААнотація
Розроблено методику інтерпретації результатів дистанційного моніторингу у вигляді значень вегетаційних (стресових) індексів в очікувані обсяги врожаю. Дослідження проводили у 2019 р. у Київській області на виробничій ділянці посівів пшениці озимої у відокремленому підрозділі НУБіП України Агрономічна дослідна станція. Дистанційний моніторинг виконували 25.06.2019 р. з використанням мультиспектрального сенсорного комплексу SlantRange 3p, змонтованого на БПЛА. Висота польоту становила 100 м. Розраховували як стандартні індекси як варіації NDVI та Chlorophyll index, так і запропоновані компанією індекси стресу SlantRange: Vegetation fraction, Stress та Yield potential. Окремо розглядали вихідні дані безпосередньо за спектральним каналам, які отримували з вікна знімків програмного забезпечення Slantview. Розрахунки проводили у ПЗ MathCad, де зображення розглядали у вигляді матриці. Облік врожаю здійснювали з використанням комбайнів John Deere, які проводили моніторинг щосекунди із встановленням позиціонування за супутниковою системою навігації. З результатів наземного моніторингу було вилучено хибні результати, пов’язані з помилками сенсорного обладнання, неповним використанням ширини жатки. Встановлено, що зіставлення врожайності пшениці озимої та станів цих рослин за 2 міс. до обліку врожаю за результатами спектрального аналізу із використанням БПЛА дало змогу встановити зв’язок між кількісними характеристиками врожайності та розподілами стресових індексів. Із досліджених індексів найкращий результат лінійної апроксимації експериментальної залежності з коефіцієнтом детермінації 0,845 між врожайністю та числовим значенням спектральної характеристики показав індекс Stress, розроблений компанією SlantRange. Найкращу точність було отримано за результатами використання індексу Vegetation fraction, також запропонованого SlantRange, завдяки чому він також є перспективним для прогнозування врожаю.
Посилання
Pallottino, F. (2019). Optoelectronic proximal sensing vehicle-mounted technologies in precision agriculture: A review Pallottino, F., Antonucci, F., Costa, C. et. al. Computers and Electronics in Agriculture. Vol. 162. Pр. 859–873 [In English].
Lai, Y.R. (2018). An empirical model for prediction of wheat yield, using time-integrated Landsat NDVI. Pringle, M.J., Kopittke, P.M. International Journal of Applied Earth Observation and Geoinformation. Vol. 72. Pр. 99–108 [In English].
Bai, G. (2016). A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding. Ge, Y., Hussain, W. et. al. Computers and Electronics in Agriculture. Vol. 128. Pр. 181–192 [In English].
Zatserkovnyi, V.I. (2019). Monitoring surface water status using an integrated indicator. Plichko, L.V., Malik, T.M. et. al. 13th International Conference on Monitoring of Geological Processes and Ecological Condition of the Environment. Taras Schevchenko National University of Kyiv (12 November 2019). DOI: 10.3997/2214-4609.201903239. [In Ukrainian].
Saberioona, M.M. (2014). Assessment of rice leaf chlorophyll content using visible bands atdifferent growth stages at both the leaf and canopy scale // Amina, M.S.M., Anuarb, A.R. et. al. International Journal of Applied Earth Observation and Geoinformation. Vol.32. Pр. 35–45 [In English].
Lysenko, V. (2017). Usage of Flying Robots for Monitoring Nitrogen in Wheat Crops. Opryshko, O., Komarchuk, D. et. al. The 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications. Vol.1. Pp. 30–34 [In Ukrainian].
Korobiichuk, I. (2018). Crop monitoring for nitrogen nutrition level by digital camera. Lysenko, V., Opryshko, O., et. al. Automation 2018. Advances in Intelligent Systems and Computing. Vol. 743. Springer, Cham. Pp. 595–603 [In Ukrainian].
Talavera, J.M. (2017). Review of IoT applications in agro-industrial and environmental fields. Tobón, L. E., Gómez, J.A. et. al. Computers and Electronics in Agriculture. Vol.142 (A). Pр. 283–297 [In English].
Shvorov, S.A. (2018). UAV Navigation and Management System Based on the Spectral Portrait of Terrain. Komarchuk, D.S., Pasichnyk, N.A. et. al. 2018 IEEE 5th International Conference on Methods and Systems of Navigation and Motion Control. MSNMC 2018 — Proceedings. Pp. 68–71 [In Ukrainian].
Pasichnyk, N.A. (2019). Experience in using mathcad to analyze data from UAVS for remote sensing of crops. Opryshko, O.O., Komarchuk, D.S. et. al. Scientific Bulletin of NULES of Ukraine. Series: Agronomy. Pр. 244–250 [In Ukrainian].
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
