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

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.

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. https://doi.org/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