ОСОБЛИВОСТІ ЗЕРНОВИХ КУЛЬТУР СПЕКТРАЛЬНИЙ АНАЛІЗ З ВИКОРИСТАННЯМ БПЛА
Abstract
Моніторинг сільськогосподарських полів стану рослинності є важливим кроком у використанні дистанційного зондування Землі для завдань точного землеробства. Немає традиційних бортових платформ, таких як літаки і комерційних супутників підходять ці використовуються з-за їхнизької роздільної здатності. Проблема може бути вирішена за допомогою БПЛА.
У цій статті, БПЛА оснащуються камера видимого діапазону спектру була використана для того щоб зробити зображення поля пшениці у фазу кущення. Завдяки високій роздільній здатності зображення на фотографії грунту, а також а також рослин. Це вплине на загальне спектральних показників посівних площ.
Мета дослідження полягає в розробці методології розмежування площі пшениці з площі ґрунту на фотографії. Експерименти проводилися в 40 – висоти 100 м БПЛА діапазон для різних станів ґрунту – орної грунтом і сухій ґрунтовій дорозі. Було встановлено, що важливо для F ріллі, в основному, фіксовані для посівів і, відповідно, коригування фільтрів повинна проводитися для кожного моніторингу висота apartly.
При виборі оптичної фільтрації діапазону канал, щоб відрізняти рослини з грунту, аналізується відділений пікселі зображення доцільно використовувати зелений і синій канали.
References
Mónica Herrero-Huerta, David Hernández-López,Pablo Rodriguez-Gonzalvez, Diego González-Aguilera, José González-Piqueras. (2014). Vicarious radiometric calibration of a multispectral sensor from an aerial trike applied to precision agriculture. Computers and Electronics in Agriculture, Vol. 108. 28-38.
Jianfeng Zhou, Lav R. Khot, Haitham Y. Bahlol,Rick Boydston, Phillip N. Miklas. (2016). Evaluation of ground, proximal and aerial remote sensing technologies for crop stress monitoring IFAC-PapersOnLine. Vol. 49, № 16, 22-26.
Vitalii Lysenko, Oleksiy Opryshko, DmytroKomarchuk, Nadiia Pasichnyk, Nataliia Zaets, Alla Dudnyk. (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 (21-23.09.2017), 30-34.
Jesper Rasmussena, Georgios Ntakos, Jon Nielsen,Jesper Svensgaard, Robert N. Poulsen, Svend Christensen. (2016). Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently reliable for assessing experimental plots? European Journal of Agronomy Vol.74, 75-92 http://dx.doi.org/10.1016/j.eja.2015.11.026.
V. Lysenko, O. Opryshko, D. Komarchyk,N. Pasichnik. (2016). Drones camera calibration for the leaf research. Scientific herald of the National University of Bioresources and Nature Management of Ukraine. Series: Engineering and Power Engineering of Agroindustrial Complex Vol. 252. 61-65. http://nbuv.gov.ua/UJRN/nvnau_tech_2016_25_10
Gunchenko, Y. A., Shvorov, S. A., Rudnichenko, N. D.,Boyko, V. D. (2016). Methodical complex of accelerated training for operators of unmanned aerial vehicles. 2016 IEEE 4th International Conference Methods and Systems of Navigation and Motion Control, MSNMC 2016 – Proceedings. https://www.scopus.com/authid/detail.uri? authorId=57193057973.
Jan U.H. Eitel, Troy S. Magneya, Lee A. Vierlinga,Tabitha T. Brownc, David R. Huggins. (2014). LiDAR based biomass and crop nitrogen estimates for rapid, non-destructive assessment of wheat nitrogen status. Field Crops Research. 159. 21-32.
Shouyang Liu, Fred Baret Mariem Abichou, FredBoudon, Samuel Thomas, Kaiguang Zhao, Christian Fournier, Bruno Andrieu, Kamran Irfan, Matthieu Hemmerlé, Benoit de Solan. (2017). Estimating wheat green area index from ground-based LiDAR measurement using a 3D canopy structure model Agricultural and Forest Meteorology. Vol. 247. 12-20.
Xi Zhu, Tiejun Wang, Roshanak Darvishzadeh,Andrew K. Skidmore, K. Olaf Niemann. (2015). 3D leaf water content mapping using terrestrial laser scanner backscatter intensity with radiometric correction. Journal of Photogrammetry and Remote Sensing 110, 14-23.
Hoffmeister, D. (2016). Chapter 11: LaserScanning Approaches for Crop Monitoring. Comprehensive Analytical Chemistry, Volume 74, 343-361.
Richardson, A. J.; Wiegand, C. L. (1977).Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing Vol. 43. № 2. 1541-1552.
Carlos de Souza, Rubens Lamparelli, JansleRocha, Paulo Magalhães. (2017). Mapping skips in sugarcane fields using object-based analysis of unmanned aerial vehicle (UAV) images. Computers and Electronics in Agriculture. Vol. 143. 49-56.
J. Torres-Sánchez, J.M. Peña, A.I. de Castro, F.López-Granados. (2014). Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV Computers and Electronics in Agriculture. Vol. 103. 104-113.
María Pérez-Ortiz, José Manuel Peña, PedroAntonio Gutiérrez, JorgeTorres-Sánchez, César Hervás-Martínez, Francisca López-Granados. (2016). Selecting patterns and features for between- and within- crop-row weed mapping using UAV-imagery Expert Systems with Applications. Vol. 47. 85-94.
Ghamisi, P., Couceiro, M. S., Benediktsson, J. A.,Ferreira, N. M. (2012). An efficient method for segmentation of images based on fractional calculus and natural selection. Expert Systems with Applications, 39, 12407-12417. URL: http://www.sciencedirect.com/ science/article/pii/ S0957417412006756. doi:http://dx.doi. org/10.1016/j.eswa.2012.04.078.
J. Senthilnath, Manasa Kandukuri, AkankshaDokania, K.N. Ramesh. (2017). Application of UAV imaging platform for vegetation analysis based on spectral-spatial methods. Computers and Electronics in Agriculture. Vol. 140. 8-24.
Blaschke, T. (2010). Object based image analysisfor remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 65. 2-16.
P´erez-Ortiz, M., Guti´errez, P. A., Pe˜na, J. M.,Torres-S´anchez, J., Herv´as-Mart´ınez, C., & L´opez-Granados, F. (2015). An experimental comparison for the identification of weeds in sunflower crops via unmanned aerial vehicles and object-based analysis. Advances in Computational Intelligence. Springer International Publishing Vol. 9094 of Lecture Notes in Computer Science. 252-262.
Junfeng Gao, Wenzhi Liao, David Nuyttens,Peter Lootens, Jürgen Vangeyte, Aleksandra Pižurica, Yong He, Jan G. Pieters. (2018). Fusion of pixel and object-based features for weed mapping using unmanned aerial vehicle imagery. International Journal of Applied Earth Observation and Geoinformation Vol. 67, 43-53.
I. Korobiichuk, V. Lysenko, O. Opryshko,D. Komarchyk, N. Pasichnyk, A. Juś. (2018). Crop Monitoring for Nitrogen Nutrition Level by Digital Camera, Automation 2018, AISC, volume 743. 595-603. (https://link.springer.com/chapter/10.1007/978-3-319-77179-3_56).
Downloads
Published
Issue
Section
License
Relationship between right holders and users shall be governed by the terms of the license Creative Commons Attribution – non-commercial – Distribution On Same Conditions 4.0 international (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
