Использование мультиспектральных данных позволяет составлять карты каче- ства почв для организации дифференциро- ванного внесения удобрений.
Например, Gabriel Torrens пишет об использовании мультиспектральной ка- меры для создания NDVI карт для не- скольких рисовых полей. По этим дан- ным были произведены расчеты по вне- сению азота (рис.3).
Использование данной технологии по- высило урожайность риса на 8%, и снизила количество внесенных азотных удобрений
на 14%, по сравнению с традиционными ме- тодами внесения.
Рисунок 3: Зонирование и расчет доз внесения азот- ных удобрений на основе карт NDVI
Результаты опыта демонстрируют, как откалиброванные данные, полученные мультиспектральной камерой, могут суще- ственно дополнять производственный про- цесс, снижая затраты и увеличивая урожай- ность [6].
Кроме этого данные мультиспектраль- ной съемки позволяют выявить сорную рас- тительность на ранних этапах вегетации.
Рисунок 4: Последовательность дешифриро- вания растительности
Исследования на полях кукурузы в Ис- пании, г. Мадрид показали, что мультиспек- тральные снимки успешно применяются для идентификации сорняков и последую- щего их зонирования. Пример процедуры дешифрирования на каждом шаге представ- лен на рисунке 4 [7].
Мультиспектральная съемка позво- ляет провести анализ условий, которые влияют на рост растительности и после- дующее обследование выбранных участ- ков в поле.
Например, Robert Parker пишет так о применении карт NDVI: «В одной ча- сти поля, карта NDVI отражает здоровый зеленый участок, окруженный клочками желтого цвета. Любой агроном, взглянув на данные, может разумно предполо- жить, что эта область содержит здоро- вый картофель, окруженный менее здо- ровыми растениями. Однако, используя карту в мобильном приложении, (рис.5) специалист непосредственно исследовал этот участок и нашел там бурно расту- щие сорняки».
|
|
Кроме индексов используют раз- личные цветные композиты, которые по- могают определить причину какой-либо проблемы (рис.6).
Рисунок 6: Композит NRG, в отличии от NDVI, отображает более ясно, что причиной гибели растений является чрезмерное обилие воды. Темно-фиолетовый цвет в NRG указывает обла- сти обводненности почвы
Анализ мультиспектральных данных помогает определить участки, зараженные болезнями или вредителями, и предотвра- тить их дальнейшее распространение. Мно- жество исследований доказали успешность применения мультиспектральных камер в этой области. Например, в Канаде провели эксперимент по использованию БПЛА для мониторинга виноградников (рис.7).
Рисунок 7: Выявление зараженных растений с по- мощью анализа мультиспектральных данных
Получив снимки с пространственным разрешением 0,25-0,50 м/пиксель, они про- вели анализ лоз. Точность определения зара- женных растений составила более 90% [2].
В июле 2014 года на испытательных полях (Швейцария) проводились опыты с использованием аэрофотосъемки (рис.8).
Рисунок 8: Карты NDVI первого полета (сверху) т второго (справа)
На карте NDVI первого полета (17.07.14) отчетливо видны пораженные участки. Выход агронома в поле под- твердил наличие болезни. Дальнейшее распространение можно наблюдать на результатах второго полета (31.07.14). Кроме этого хорошо заметны пробелы в обработке фунгицидами (отмечено бе- лым пунктиром) [8].
|
|
Кроме этого, данные аэрофотосъемки помогают оптимизировать внесение СЗР и работу техники на поле за счет комплексной оценки состояния растительности на ос- нове композитов изображений и рассчи- танных вегетационных индексов (рис.9). С помощью мультиспектральной съемки можно определить степень зре- лости и, в конечном счете, рассчитать урожайность. Уже давно практикуют применение космоснимков для расчета урожайности. Исследования показали, что разница между прогнозируемыми значениями урожайности и фактиче- скими колеблется от 7,9 до 13,5% (изоб- ражения landsat-8, разрешение 30 м) и от 3,8 до 10,2% (изображения Sentinel-2, разрешение 10 м). Снимки с БПЛА, в от- личии от спутниковых изображений, имеют более высокое разрешение, соот- ветственно имеют более меньшую по- грешность по расчетам урожайности [3].
Заключение
На сегодняшний день применение БПЛА в сельском хозяйстве начинает бурно развиваться, и вопрос о внедрении в производство этих технологий стано- вится актуальным. Современное техни- ческое обеспечение, такое как мультис- пектральные камеры, делают беспилот- ные технологии более информативными, и значительно расширяют их спектр при- менения.
Изучив положительный опыт при- менения мультиспектральных камер, можно уверенно заявить о том, что даже не смотря на опытно-эксперименталь- ный характер использования, данные технологии будут только развиваться и в скором будущем найдут широкое приме- нение.
Список литературы:
1. Железова С.В., Ананьев А.А., Вью- нов М.В., Березовский Е.В. Мониторинг посевов озимой пшеницы с применением
|
|
беспилотной аэрофотосъемки и оптиче- ского датчика GreenSeeker RT200 // Вест- ник Оренбургского государственного университета. 2016. № 6. С. 56-61
2. Adam Beak Innovative approach to curb vineyard threat wins award // 2016 Ре- жим доступа:
https://blog.bankofthewest.com/blog/2016/ 02/04/innovative-approach-to-curb-vine- yard-threat-wins-award/
3. Al-Gaadi KA, Hassaballa AA, Tola E, Kayad AG, Madugundu R, Alblewi B, et al. (2016) Prediction of Potato Crop Yield Us- ing Precision Agriculture Techniques. PLoS ONE 11(9): e0162219. doi:10.1371/jour- nal.pone.0162219
4. Caturegli L, Corniglia M, Gaetani M, Grossi N, Magni S, Migliazzi M, et al. (2016) Unmanned Aerial Vehicle to Esti- mate Nitrogen Status of Turfgrasses. PLoS ONE 11(6): e0158268.doi:10.1371/jour- nal.pone.0158268
5. Federico Martinelli, Riccardo Sca- lenghe, Salvatore Davino, Stefano Panno, Giuseppe Scuderi, et al.. Advanced methods of plant disease detection. A review. Agron- omy for Sustainable Development, Springer Verlag/EDP Sciences/INRA, 2015, 35 (1), pp.1-25. <10.1007/s13593-014-0246-1>.
<hal-01284270>
6. Gabriel Torres, Nitrogen recommen- dations // 2016
7. Peña JM, Torres-Sánchez J, de Castro AI, Kelly M, López-Granados F (2013) Weed Mapping in Early-Season Maize Fields Using Object-Based Analysis of Un- manned Aerial Vehicle (UAV) Images. PLoS ONE 8(10): e77151. doi:10.1371/journal.pone.0077151
8. S. Nebiker, N. Lack, M. Abächerli, S. Läderach. Light-weight multispectral UAV sensors and their capabilities for predicting grain yield and detecting plant diseases // The International Archives of the Photo-
grammetry, Remote Sensing and Spatial In- formation Sciences, Volume XLI-B1, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic.