Методика прогнозування врожаю за результатами дистанційного зондування, отриманого за допомогою БПЛА на прикладі пшениці



DOI: http://dx.doi.org/10.31548/energiya2019.05.063

S. Shvorov, V. Lysenko, N. Pasichnyk, O. Opryshko, U. Rosamaha, V. Lukin, A. Rudenskiy

Анотація


Анотація. Контактні методики моніторингу станів рослинних насаджень не пристосовані для масових досліджень в масштабах промислових полів.  Супутниковий моніторинг створювався передусім для об’єктивної оцінки перспектив отримання врожаю. Упровадження БПЛА дозволили в певній мірі підвищити точність результатів за рахунок високої розподільчої здатності сенсорного обладнання. У більшості випадків прогнозування ґрунтується на стандартних стресових індексах, таких як NDVI. Проте ці дослідження не дають інформації про кількісні показники врожаю, що потрібно господарствам для організації оптимальної логістики та використання збиральної техніки. Розробка методики інтерпретації результатів дистанційного моніторингу у вигляді значень вегетаційних (стресових) індексів в очікувані обсяги врожаю склало мету роботи. Дослідження проводились у 2019 р. в Київській області на виробничій ділянці посівів озимої пшениці у відокремленому підрозділі НУБіП України «Агрономічна дослідна станція».   Урожай пшениці збирали з використанням комбайну John Deere 9670STS. При роботі комбайну дані фіксувались щосекунди. При цьому було отримано понад 14000 окремих ділянок при ширині жатки в 9 метрів. Дані були опрацьовані з використанням програмного продукту Trimble (R) Farm Works (R) Office і експортовані у вигляді табличних даних формату Microsoft Excel. Для дистанційного моніторингу було використано спеціалізовану спектральну систему SlantRange 3p, що було змонтовано на промисловій платформі DJI Matrice 600 Pro. Радіочастотну корекцію щодо змін освітлення система здійснювала за рахунок штатного зенітного сенсору. Обчислення результатів та побудову карт стресових індексів здійснювали із використанням програмного забезпечення розробника системи SlantView.

На базі отриманих експериментальних даних було розроблено методику порівняння об’єктивних даних щодо врожаю, отриманих комбайном щодо кількості зерна та значеннями стресових індексів від БПЛА. Запропоновано до використання стресовий індекс, що дає можливість прогнозувати врожай (при цьому карта стресових індексів будувалась за 2 місяці до збирання врожаю). Зазначене дозволяє господарству оптимізувати використання наземного обладнання.

Ключові слова:  SlantRange, stress індекс, БПЛА

Повний текст:

PDF

Посилання


Savin, I. Yu., Vernyuk, Yu .I., Faraslis, G. (2015) The possible use of pilotless aircrafts for operative monitoring of soil productivity. Bulletin of the V.V. Dokuchaev Soil Institute, 80, 95-105.

https://doi.org/10.19047/0136-1694-2015-80-95-105

Savin, I. Yu., Kozubenko, I. S. (2018) Possibilities of satellite data usage in agricultural insurances. RUDN Journal of Agronomy and animal industries, 13 (4), 336-343.

https://doi.org/10.22363/2312-797X-2018-13-4-336-343

Mathyam Prabhakar, Gopinath, K. A., Reddy, A. G .K., Thirupathi, M., Ch. Srinivasa Rao (2019). Mapping hailstorm damaged crop area using multispectral satellite data. The Egyptian Journal of Remote Sensing and Space Science, 22 (1), 73-79.

https://doi.org/10.1016/j.ejrs.2018.09.001

Lai, Y.R. , Pringle, M.J., Kopittke, P.M., Menzies, N.W., Orton, T.G., Dang, Y.P. (2018). An empirical model for prediction of wheat yield, using time-integrated Landsat NDVI. International Journal of Applied Earth Observation and Geoinformation, 72, 99-108.

https://doi.org/10.1016/j.jag.2018.07.013

Geng Bai, Yufeng Ge, Waseem Hussain, P. Stephen Baenziger, George Graef (2016). A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding. Computers and Electronics in Agriculture, 128, 181-192/

https://doi.org/10.1016/j.compag.2016.08.021

Kyratzis, A., Skarlatos, D., Fotopoulos, V., Vamvakousis, V., Katsiotis, A. (2015). Investigating Correlation among NDVI Index Derived by Unmanned Aerial Vehicle Photography and Grain Yield under Late Drought Stress Conditions. Procedia Environmental Sciences, 29, 225-226.

https://doi.org/10.1016/j.proenv.2015.07.284

Saberioona, M.M., Amina, M.S.M., Anuarb, A.R., Gholizadehc, A., Wayayokd, A., Khairunniza-Bejoda Smart, S. (2014) Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale. International Journal of Applied Earth Observation and Geoinformation,.32, 35-45.

https://doi.org/10.1016/j.jag.2014.03.018

Lysenko, V., Opryshko, O., Komarchuk, D., Pasichnyk, N., Zaets, N., Dudnyk, A. (2017) Usage of Flying Robots for Monitoring Nitrogen in Wheat Crops. The 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 1, 30-34.

https://doi.org/10.1109/IDAACS.2017.8095044

Korobiichuk, I., Lysenko, V., Opryshko, O., Komarchyk, D., Pasichnyk, N., Juś, A. (2018). Crop monitoring for nitrogen nutrition level by digital Automation 2018. AUTOMATION 2018. Advances in Intelligent Systems and Computing, 743. Springer, Cham, 595-603.

https://doi.org/10.1007/978-3-319-77179-3_56

Aitazaz A. Farooque, Young K. Chang, Qamar U. Zaman, Dominic Groulx, Arnold W. Schumann, Travis J. Esau (2013). Performance evaluation of multiple ground based sensors mounted on a commercial wild blueberry harvester to sense plant height, fruit yield and topographic features in real-time Computers and Electronics in Agriculture, 91, 135-144/

https://doi.org/10.1016/j.compag.2012.12.006

F. Pallottino, F.Antonucci, C.Costa, C.Bisaglia, S.Figorilli, P.Menesatti (2019). Optoelectronic proximal sensing vehicle-mounted technologies in precision agriculture: A review Computers and Electronics in Agriculture, 162, 859-873.

https://doi.org/10.1016/j.compag.2019.05.034

Jesús Martín Talavera, Luis Eduardo Tobón, Jairo Alejandro Gómez, María Alejandra Culman, Juan Manuel Aranda, Diana Teresa Parra, Luis Alfredo Quiroz, Adolfo Hoyos, Luis Ernesto Garreta (2017). Review of IoT applications in agro-industrial and environmental fields. Computers and Electronics in Agriculture, 142 (A), 283-297.

https://doi.org/10.1016/j.compag.2017.09.015

Lysenko, V., Komarchuk, D., Pasichnyk, N., Opryshko, O., Awtoniuk, M., Martsyfei, A. (2018). Information Support of Remote Monitoring of Grain Crops Biomass Amount as the Feedstock to Load Biogas Reactors. 2018 International Scientific-Practical Conference on Problems of Infocommunications Science and Technology, 35-38.

https://doi.org/10.1109/INFOCOMMST.2018.8632090

Shvorov, S.A., Komarchuk, D. S., Pasichnyk, N. A., Opryshko, O. O., Gunchenko, Yu. A., Kuznichenko, S. D. (2018). UAV Navigation and Management System Based on the Spectral Portrait of Terrain. 2018 IEEE 5th International Conference on Methods and Systems of Navigation and Motion Control, MSNMC 2018, Proceedings, 68-71.

https://doi.org/10.1109/MSNMC.2018.8576304

Pasichnyk, N. A., Opryshko, O. O., Komarchuk, D. S., Miroshnyk, V. O. (2019). Experience in using mathcad to analyze data from UAVS for remote sensing of crops. Naukovyi visnyk NUBiP Ukrainy. Seriia: Ahronomiia, 244-250.


Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.


Bookmark and Share