Техніка та енергетика

ОЦІНКА ПРИДАТНОСТІ РЕЗУЛЬТАТІВ ДИСТАНЦІЙНОГО МОНІТОРИНГУ ПОЛІВ ДЛЯ УПРАВЛІННЯ ВРОЖАЄМ ЕНЕРГЕТИЧНИХ КУЛЬТУР

Наталія Анатоліївна Пасічник, Олексій Олександрович Опришко, Сергій Андрійович Шворов, Алла Олексіївна Дудник, Віктор Михайлович Теплюк
Завантажити статтю
Анотація

Більшість вегетаційних індексів для аналізу даних БПЛА розроблені для супутникових платформ низької роздільної здатності, що вимагає використання інших методів моніторингу та агрохімічних заходів для точного визначення стану рослинних насаджень, враховуючи різні стадії вегетації і спектральні характеристики. Тому головна мета дослідження – розробка методики оцінки придатності спектральних даних дистанційного моніторингу для управління живленням енергетичних культур. Дослідження проведено з використанням озимих культур, зокрема пшениці і ріпаку. Аналізувалися результати для пшениці озимої за період з 2017 по 2020 рік. Дослідження стресів, пов’язаних з нестачею елементів живлення, проводилися на полях багаторічних стаціонарних дослідів Національного університету біоресурсів і природокористування України. Використовувались результати отримані від сенсору Slantrange та програмного забезпечення Slantview. У проведених дослідженнях підтверджено, що розподіл пікселів на зображеннях рослинних насаджень (пшениці та ріпаку озимих) може бути описаний розподілом Гауса. Коефіцієнт детермінації для пшениці був вищим, ніж для ріпаку, через особливості будови листів рослин. Для ріпаку було виявлено вищий коефіцієнт детермінації для логнормального розподілу, який не є зручним для автоматизації процесів підживлення в технологіях точного землеробства. Аналіз розподілу за спектральними каналами, зокрема наявність кількох максимумів, може свідчити про наявність сторонніх включень або перехідних етапів вегетації, що робить такі дані непридатними для керування врожаєм. Встановлено, що якщо після фільтрації ґрунту максимальна амплітуда розподілу перевищує найближчу більш ніж в 3 рази, етап вегетації може вважатися стабільним для певної ділянки, а результати спектрального моніторингу є надійними для подальшого аналізу Підтверджено, що вегетаційні індекси GNDVI та RNDVI не є ефективними для оцінки надійності даних на основі стандартного відхилення розподілу. Еталонні значення стандартного відхилення розподілу можуть бути встановлені на дослідницьких станціях з контрольованими стресовими чинниками, що допоможе в керуванні врожаєм

Ключові слова

точне землеробство, придатність даних, вегетаційні індекси, розподіл Гауса

ЦИТУВАТИ
Pasichnik, N., Opryshko, O. , Shvorov, S., Dudnyk, А., & Teplyuk , V. (2023). Remote field monitoring results feasibility assessment for energy crops yield management. Machinery & Energetics, 14(2), 46-59. https://doi.org/10.31548/machinery/2.2023.46
Використані джерела

[1] Aasen, H., Burkart, A., Bolten, A., & Bareth, G. (2015). Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 245-259. doi: 10.1016/j.isprsjprs.2015.08.002.

[2] Amarasingam, N., Salgadoe, A.S.A., Powell, K., Gonzalez, L.F., & Natarajan, S. (2022). A review of UAV platforms, sensors, and applications for monitoring of sugarcane crops. Remote Sensing Applications: Society and Environment, 26, article number 100712. doi: 10.1016/j.rsase.2022.100712.

[3] Banerjee, B.P., Raval, S., Cullen, P.J., & Kumar Singh. S. (2019). Mapping of complex vegetation communities and species using UAV-LIDAR metrics and high-resolution optical data. In 2019 IEEE International Geoscience and Remote Sensing Symposium (6110-6113). Yokohama: IEEE. doi: 10.1109/IGARSS.2019.8899160.

[4] Cao, Y., Li, G.L., Luo, Y.K., Pan, Q., & Zhang, S.Y. (2020) Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images. Computers and Electronics in Agriculture, 171, article number 105331, doi: 10.1016/j.compag.2020.105331.

[5] Convention on Biological Diversity. (2022). Retrieved from https://www.cbd.int/convention/.

[6] Coy, A., Rankine, D., Taylor, M., Nielsen, D.C., & Cohen, J. (2016). Increasing the accuracy and automation of fractional vegetation cover estimation from digital photographs. Remote Sensing, 8, article number 474. doi: 10.3390/rs8070474.

[7] Dhami, H., Yu, K., Xu, T., Zhu, Q., Dhakal, K., Friel, J., Song, L., & Tokekar, P. (2020). Crop height and plot estimation for phenotyping from unmanned aerial vehicles using 3D LiDAR. In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. 2643-2649). Las Vegas: IEEE. doi: 10.1109/IROS45743.2020.9341343.

[8] Dolia, M., Lysenko, V., Pasichnyk, N., Opryshko, O., Komarchuk, D., Miroshnyk, V., Lendiel, T., & Martsyfei, A. (2019). Information technology for remote evaluation of after effects of residues of herbicides on winter crop rape. In 2019 3rd International Conference on Advanced Information and Communications Technologies (AICT) (pp. 469-473). Lviv: IEEE. doi: 10.1109/AIACT.2019.8847850.

[9] Li, H., & Zhang, L. (2021) A bilevel learning model and algorithm for self-organizing feed-forward neural networks for pattern classification. IEEE Transactions on Neural Networks and Learning Systems, 32(11), 4901-4915. doi: 10.1109/TNNLS.2020.3026114.

[10] Li, L., Mu, X., Macfarlane, C., Song, W., Chen, J., Yan, K., & Yan, G. (2018) A half-Gaussian fitting method for estimating fractional vegetation cover of corn crops using unmanned aerial vehicle images. Agricultural and Forest Meteorology, 262, 379-390. doi: 10.1016/j.agrformet.2018.07.028.

[11] Liu, D.-Zh., Yang, F.-F., & Liu, S.-P. (2021a). Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data. Journal of Integrative Agriculture, 20(11), 2880-2891. doi: 10.1016/S2095-3119(20)63556-0.

[12] Liu, F., Hu, P., Zheng, B., Duan, T., Zhu, B., & Guo, Y. (2021b) A field-based high-throughput method for acquiring canopy architecture using unmanned aerial vehicle images. Agricultural and Forest Meteorology, 296, article number 108231. doi: 10.1016/j.agrformet.2020.108231.

[13] Liu, Y., Mu, X., Wang, H., & Yan, G. (2012) A novel method for extracting green fractional vegetation cover fromdigital images. Journal of Vegetation Science, 23, 406-418. doi: 10.1111/j.1654-1103.2011.01373.x.

[14] Lottering, R., & Peerbhay, K. (2022). Mapping wattle rust induced defoliation within South Africa’s wattle commercial forest plantations over two seasons. In 2022 International Conference on Electrical, Computer and Energy Technologies (ICECET) (pp. 1-5). Prague: IEEE. doi: 10.1109/ICECET55527.2022.9872628.

[15] Lysenko, V., Opryshko, O., Komarchuk, D., Pasichnyk, N., Zaets, N., & Dudnyk, A. (2018). Information support of the remote nitrogen monitoring system in agricultural crops. International Journal of Computing, 17(1), 47-54.

[16] Niu, Y., Han, W., Zhang, H., Zhang, L., Chen, H. (2021). Estimating fractional vegetation cover of maize under water stress from UAV multispectral imagery using machine learning algorithms. Computers and Electronics in Agriculture, 189, article number 106414. doi: 10.1016/j.compag.2021.106414.

[17] Pasichnyk, N., Komarchuk, D., Opryshko, O., Shvorov, S., & Zui, O. (2021). Validation of data obtained after field sensing using UAV for management of future crops. CEUR Workshop Proceeding, 3126, 328-334.

[18] Shvorov, S., Lysenko, V., Pasichnyk, N., Rosamakha, Y., Rudenskyi, А., Lukin, V., Martsyfei, A. (2020). The method of determining the amount of yield based on the results of remote sensing obtained using UAV on the example of wheat. In 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET) (рр. 245-248). Kyiv: IEEE. doi: 10.1109/PICST47496.2019.9061238.

[19] Song, W., Mu, X., Yan, G., & Shuai, H. (2015). Extracting the green fractional vegetation cover from digital images using a shadow-resistant algorithm (SHAR-LABFVC), Remote Sensing, 7(8), article number 10425. doi: 10.3390/rs70810425.

[20] Wang, Z., Chen, W., Xing, J., Zhang, X., Tian, H., Tang, H., Bi, P., Li, G., & Zhang, F. (2023). Extracting vegetation information from high dynamic range images with shadows: A comparison between deep learning and threshold methods. Computers and Electronics in Agriculture, 208, article number 107805. doi: 10.1016/j.compag.2023.107805.

[21] Yan, G., Li, L., Coy, A., Mu, X., Chen, S., Xie, D., Zhang, W., Shen, Q., & Zhou, H. (2019) Improving the estimation of fractional vegetation cover from UAV RGB imagery by colour unmixing. ISPRS Journal of Photogrammetry and Remote Sensing, 158, 23-34. doi: 10.1016/j.isprsjprs.2019.09.017.

[22] Yuan, Q., & Zuo, Z. (2022). Research on the performance of different convolutional neural network models on small datasets. In 2022 International Conference on Machine Learning and Intelligent Systems Engineering (MLISE) (pp. 57-62). Guangzhou: IEEE. doi: 10.1109/MLISE57402.2022.00019.