Preview

Известия Национальной академии наук Беларуси. Серия аграрных наук

Расширенный поиск

Использование данных дистанционного зондирования, полученных с БЛА, для оценки продуктивности биомассы Silphium perfoliatum

https://doi.org/10.29235/1817-7204-2021-59-2-186-197

Полный текст:

Аннотация

Агромониторинг является одним из важнейших источников получения актуальной и оперативной информации о состоянии сельскохозяйственных культур. Ускорить и удешевить процесс его проведения возможно посредством использования данных дистанционного зондирования (ДДЗ), получаемых с помощью беспилотных летательных аппаратов (БЛА). Оценка возможности использования ДЗЗ сверхвысокого разрешения для определения продуктивности биомассы Silphium perfoliatum выполнялась с использованием БЛА Phantom-4ProV 2.0. Съемку проводили в режиме RGB, высота съемки – 50 м, пространственное разрешение – 2,5 см. По результатам съемки создавались карта высот и ортомозаика, используемые в дальнейшем для оценки продуктивности растений. Для получения значений высоты растений находили разницу между высотами растительного покрова, полученными из растра модели поверхности, и минимальной высотой, определенной в пределах растра. Фактическую высоту растений, измеренную в полевых условиях, сравнивали с данными, полученными с помощью БЛА, затем определяли продуктивность биомассы, рассчитанную по фактической и прогнозной высотам. Коэффициент детерминации для уравнения парной линейной регрессии между фактическим и прогнозным значениями продуктивности составил 0,97, а величина средней ошибки аппроксимации – 3,3 %. Для верификации полученных результатов в пределах территории исследования в полевых условиях отбирали 60 образцов биомассы, длину растений в которых определяли с помощью рулетки, а места отбора образцов координировали с помощью GPS-позиционирования. По откалиброванной ортомозаике на пиксельной основе по нормализированным RGB-каналам определяли 13 вегетационных индексов, из которых четыре (ExG, VARI, WI и EXGR) оказались пригодными для создания прогнозной модели множественной линейной регрессии, позволяющей осуществлять оценку и прогноз продуктивности биомассы Silphium perfoliatum в фазу стеблевания с ошибкой, не превышающей 2 %. Результаты исследования могут быть полезны как при разработке методики прогнозирования, так и при непосредственном прогнозировании продуктивности биомассы Silphium perfoliatum и других кормовых культур, в частности Helianthus annuus и Helianthus tuberosus.

Об авторах

Т. Н. Мыслыва
Белорусская государственная сельскохозяйственная академия
Беларусь

Мыслыва Тамара Николаевна, доктор сельскохозяйственных наук, доцент, зав. кафедрой геодезии и фотограмметрии

ул. Мичурина, 5, 213407 Горки, Могилевская обл.



Б. В. Шелюто
Белорусская государственная сельскохозяйственная академия
Беларусь

Шелюто Бронислава Васильевна, доктор сельскохозяйственных наук, профессор, профессор кафедры кормопроизводства и хранения продукции растениеводства

ул. Мичурина, 5, 213407 Горки, Могилевская обл.



П. П. Надточий
Институт сельского хозяйства Полесья Национальной академии аграрных наук Украины
Украина

Надточий Петр Петрович, доктор сельскохозяйственных наук, профессор, ведущий научный сотрудник

Киевское шоссе, 132, 10132 Житомир, Житомирская обл.



О. А. Куцаева
Белорусская государственная сельскохозяйственная академия
Беларусь

Куцаева Олеся Алексеевна, старший преподаватель кафедры геодезии и фотограмметрии

ул. Мичурина, 5, 213407 Горки, Могилевская обл.



Список литературы

1. Kutsayeva, A. Сreation of management zones for the purposes of land development at the implementation of precision farming in Belarus / А. Kutsayeva, T. Myslyva // Baltic Surveying. – 2020. – Vol. 12. – P. 19–27. https://doi.org/10.22616/j.balticsurveying.2020.003

2. Daheim, C. Precision agriculture and the future of farming in Europe : scientific foresight study / C. Daheim, K. Poppe, R. Schrijver ; Europ. Parliament. – Brussels : EU, 2016. – 274 p. https://doi.org/10.2861/020809

3. Doerge, Т.А. Management zone concepts. Site-specific management guidelines, no. 2 / T.A. Doerge. – Canada : IPNI, 1999. – 4 p.

4. Куцаева О.А. Создание менеджмент-зон для дифференцированного внесения минеральных удобрений с использованием инструментов геостатистики / О.А. Куцаева // Вестн. Белорус. гос. с.-х. акад. – 2020. – №2. – С. 176–181.

5. Zarco-Tejada, P. J. Precision agriculture: an opportunity for EU farmers – potential support with the cap 2014–2020 / P.J. Zarco-Tejada, N. Hubbard, P. Loudjani ; Europ. Parliament, Directorate-General for Internal Policies of the Union. – Luxembourg : Publ. Office, 2014. – 50 p. https://doi.org/10.2861/58758

6. Maloku, D. Adoption of precision farming technologies: USA and EU situation / D. Maloku // SEA – Practical Application of Science. – 2020. – Vol. VIII, iss. 22. – P. 7–14.

7. Бауэрс, П. Летательные аппараты нетрадиционных схем / П. Бауэрс ; пер. с англ. Б.Б. Рыбака ; под ред. Е.В. Зябрева. – М. : Мир, 2016. – 320 c.

8. Василин, Н.Я. Беспилотные летательные аппараты / Н.Я. Василин. – Минск : Попурри, 2017. – 272 с.

9. Использование беспилотных летательных аппаратов в сельском хозяйстве / Ю.Н. Зубарев [и др.] // Вестн. Перм. федер. исслед. центра. – 2019. – №2. – С. 47–51. https://doi.org/10.7242/2658-705X/2019.2.5

10. Terrestrial laser scanning of agricultural crops / J. Lumme [et al.] // The Intern. Arch. of the Photogrammetry, Remote Sensing a. Spatial Inform. Sciences. – 2008. – Vol. 37, pt. B5. – P. 563–566.

11. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley / J. Bendig [et al.] // Intern. J. of Appl. Earth Observation a. Geoinformation. – 2015. – Vol. 39. – P. 79–87. https://doi.org/10.1016/j.jag.2015.02.012

12. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging / J. Bendig [et al.] // Remote Sensing. – 2014. – Vol. 6, N 11. – P. 10395–10412. https://doi.org/10.3390/rs61110395

13. Bendig, J. UAV-based imaging for multi-temporal, very high-resolution crop surface models to monitor crop growth variability / J. Bendig, A. Bolten, G. Bareth // Photogrammetrie. Fernerkundung. Geoinformation. – 2013. – Vol. 6. – Р. 551– 562. https://doi.org/10.1127/1432-8364/2013/0200

14. Accuracy assessment of plant height using an unmanned aerial vehicle for quantitative genomic analysis in bread wheat / M.A. Hassan [et al.] // Plant Methods. – 2019. – Vol. 15. – Art. 37. https://doi.org/10.1186/s13007-019-0419-7

15. Comparison of models in assessing relationship of corn yield with plant height measured during early- to midseason / X. Yin [et al.] // J. of Agr. Science. – 2011. – Vol. 3, N 3. – Р. 14–24. https://doi.org/10.5539/jas.v3n3p14

16. Mapping and monitoring of biomass and grazing in pasture with an unmanned aerial system / A. Michez [et al.] // Remote Sensing. – 2019. – Vol. 11, N 5. – Art. 473. https://doi.org/10.3390/rs11050473

17. Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland / U. Lussem [et al.] // The Intern. Arch. of the Photogrammetry, Remote Sensing a. Spatial Inform. Sciences. – 2018. – Vol. XLII-3. – P. 1215–1219. https://doi.org/10.5194/isprs-archives-XLII-3-1215-2018

18. RGB vegetation indices applied to grass monitoring: a qualitative analysis / B.D. S. Barbosa [et al.] // Agronomy Research. – 2019. – Vol. 17, N 2. – P. 349–357. https://doi.org/10.15159/AR.19.119

19. Louhaichi, M. Spatially located platform and aerial photography for documentation of grazing impacts on wheat / M. Louhaichi, M.M. Borman, D.E. Johnson // Geocarto Intern. – 2001. – Vol. 16, №1. – P. 65–70. https://doi.org/10.1080/10106040108542184

20. A visible band index for remote sensing leaf chlorophyll content at the canopy scale / E.R. Hunt Jr. [et al.] // Intern. J. of Appl. Earth Observation a. Geoinformation. – 2013. – Vol. 21. – P. 103–112. doi.org/10.1016/j.jag.2012.07.020

21. Novel algorithms for remote estimation of vegetation fraction / A.A. Gitelson [et al.] // Remote Sensing of Environment. – 2002. – Vol. 80, N 1. – P. 76–87. https://doi.org/10.1016/s0034-4257(01)00289-9

22. Tucker, C. J. Red and photographic infrared linear combinations for monitoring vegetation / C.J. Tucker // Remote Sensing of Environment. – 1979. – Vol. 8, N 2. – P. 127–150. https://doi.org/10.1016/0034-4257(79)90013-0

23. Color indexes for weed identification under various soil, residue, and lighting conditions / D.M. Woebbecke [et al.] // Trans. of the ASAE. – 1995. – Vol. 38, N 1. – Р. 259–269. https://doi.org/10.13031/2013.27838

24. Determination of vegetation cover index under different soil management systems of cover plants by using an unmanned aerial vehicle with an onboard digital photographic camera / A. Beniaich [et al.] // Semina: Ciências Agrárias. – 2019. – Vol. 40, N 1. – Р. 49–66. https://doi.org/10.5433/1679-0359.2019v40n1p49

25. Meyer, G.E. Verification of color vegetation indices for automated crop imaging applications / G.E. Meyer, J.C. Neto // Computers a. Electronics in Agriculture. – 2008. – Vol. 63, №2. – P. 282–293. https://doi.org/10.1016/j.compag.2008.03.009

26. Crop growth estimation system using machine vision / T. Kataoka [et al.] // Proceedings 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003), July 20 – July 24, 2003 / The Inst. of Electrical a. Electronics Engineers. – Kobe, 2003. – Vol. 2. – P. 1079–1083. https://doi.org/10.1109/aim.2003.1225492

27. Marchant, J.A. Shadow invariant classification for scenes illuminated by daylight / J.A. Marchant, C.M. Onyango // J. of the Optical Society of America. – 2000. – Vol. 17, N 11. – P. 1952–1961. https://doi.org/10.1364/josaa.17.001952

28. Hague, Т. Automated crop and weed monitoring in widely spaced cereals / Т. Hague, N.D. Tillett, H. Wheeler // Precision Agriculture. – 2006. – Vol. 7, N 1. – P. 21–32. https://doi.org/10.1007/s11119-005-6787-1

29. Automatic segmentation of relevant textures in agricultural images / M. Guijarro [et al.] // Computers a. Electronics in Agriculture. – 2011. – Vol. 75, N 1. – P. 75–83. https://doi.org/10.1016/j.compag.2010.09.013

30. Estimating the nitrogen status of crops using a digital camera / Y. Li [et al.] // Field Crops Research. – 2010. – Vol. 118, N 3. – P. 221–227. https://doi.org/10.1016/j.fcr.2010.05.011

31. Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle / Z. Fu [et al.] // Remote Sensing. – 2020. – Vol. 12, N 3. – Art. 508. https://doi.org/10.3390/rs12030508


Просмотров: 53


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1817-7204 (Print)
ISSN 1817-7239 (Online)