ВАК 4.1.1

Цифровая обработка фотометрических данных дистанционного зондирования полей озимой ржи

Опубликовано в Аграрный вестник Урала · Том 24, Номер 02, 2024 · Страницы 152–162 · Рубрики: Агротехнологии
DOI 10.32417/1997-4868-2024-24-02-152-162
Получено: 27.02.2024 Одобрено: 27.02.2024 Опубликовано: 27.02.2024
Авторы
1 Всероссийский научно-исследовательский институт сельcкохозяйственной микробиологии
Санкт-Петербург, Россия
2 ФГБНУ «Федеральный научный центр пищевых систем им. В.М. Горбатова» Российской академии наук (Научный сотрудник)
Аннотация. Целью работы являлась возможность использования нейронных сетевых структур системы искусственного интеллекта для обработки фотометрических данных дистанционного зондирования посевов озимой ржи, выращенных в условиях Ленинградской области на поле учебно-опытного сада СПбГАУ в 2014–2015 гг. Методология и методы исследования. В процессе культивирования растений были применены различные виды обработок: внесение минеральных удобрений, микроэлементов и микробного биопрепарата. Для обработки фотометрических данных был применен персептрон Розенблатта, анализирующий сходство и различия фотометрических NDVI-профилей посевов озимой ржи, полученных с разных вариантов опыта. Результаты. По числовым показателям вегетационных индексов удалось построить фазовые портреты траектории их перемещения на координатной плоскости поля. Дальнейший кластерный анализ полученных данных, преобразованных в квадратную матрицу парных евклидовых дистанций, позволил выделить на дендрограмме группировку вариантов, связующим компонентов в которых являлось применение микробиологического инокулянта. При применении биопрепарата происходит более полное развитие растений в посевах и улучшается их выравненность в поле. Минимальный показатель коэффициента вариации при этом наблюдался для варианта без применения биопрепарата, но с совместным использованием комплекса всех минеральных удобрений (50 фосмука + 50 KCl + 50 аммиачная селитра) и микроэлементов в дозе 250 кг/га. Научная новизна. По итогу проведенного анализа можно сделать вывод, что образы траекторий точек NDVI-профилей предоставляют качественную информацию, отражающую динамику фаз онтогенеза растений озимой ржи. На основании характера выбранных участков этих траекторий можно создать цифровую карту опытного поля, с помощью которой вести протокол дистанционной диагностики состояния продуктивности посевов и делать прогноз их урожайности времени уборки.
пространственный фотометрический NDVI-профиль озимая рожь; персептрон Розенблатта
Текст (PDF): Читать Скачать
Список литературы

1. Каргатова А. М., Степанов С. А., Ермолаева Т. Я., Нуждина Н. Н. Биологические особенности продуктивности различных селекционно-генетических форм озимой ржи // Известия Саратовского университета. Новая серия. Серия: Химия. Биология. Экология. 2017. Т. 17. № 1. С. 48-52. DOI: https://doi.org/10.18500/1816-9775-2017-17-1-48-52; EDN: https://elibrary.ru/YKKIYD

2. Турсумбекова Г. Ш. Аллелопатическое влияние вытяжек сорных растений на семена и проростки зерновых культур // Агропродовольственная политика России. 2014. № 4 (28). С. 38-40. EDN: https://elibrary.ru/SXJYZF

3. Сторчак И. Г., Шестакова Е. О., Ерошенко Ф. В. Связь урожайности посевов озимой пшеницы с NDVI для отдельных полей // Аграрный вестник Урала. 2018. № 6. C. 64-68. DOI:https://doi.org/10.25930/awm3-sw92. EDN: https://elibrary.ru/XRSJOH

4. Михайленко И. М., Воронков И. Н. Научно-методические и алгоритмические основы оценивания показателей продуктивности и фитосанитарного состояния посевов по данным дистанционного зондирования земли // Агрофизика. 2016. № 1. С. 32-42. EDN: https://elibrary.ru/VQXNSN

5. Paul K., Chatterjee S. S., Pai P., Varshney A., Juikar S., Prasad V., Dasgupta S. Viable smart sensors and their application in data driven agriculture // Computers and Electronics in Agriculture. 2022. Vol. 198. Article number 107096. DOI:https://doi.org/10.1016/j.compag.2022.107096. EDN: https://elibrary.ru/ZNMMDY

6. Muñoz-Huerta R. F., Guevara-Gonzalez R. G., Contreras-Medina L. M., Torres-Pacheco I. L., Prado-Olivarez J., Ocampo-Velazquez R. V. A Review of Methods for Sensing the Nitrogen Status in Plants: Advantages, Disadvantages and Recent Advances // Sensors. 2013. Vol. 13. Pp. 10823-10843. DOI:https://doi.org/10.3390/s130810823.

7. Абрамов Н. В., Семизоров С. А., Шерстобитов С. В., Гунгер М. В., Петухов Д. А. Использование беспилотного летательного аппарата для мониторинга за состоянием агроценозов и составления электронных карт полей // Земледелие. 2021. № 8. С. 8-12. DOI:https://doi.org/10.24412/0044-3913-2021-8-8-12. EDN: https://elibrary.ru/MIXXYN

8. Wang R., Cherkauer K., Bowling L. Corn Response to Climate Stress Detected with satellite based NDVI series // Remote sensing. 2016. Vol. 23. Рp. 269-287. DOI:https://doi.org/10.3390/rs8040269.

9. Ghanem M. E., Marrou H., Sinclair T. R. Physiological phenotyping of plants for crop improvement // Trends in Plant Science. 2015. Vol. 20. No. 3. Pp. 139-144. DOI:https://doi.org/10.1016/j.tplants.2014.11.006.

10. Koptilina D., Bulgakov A., Aleshina A. “Big data” and the “Internet of things”, or what accelerates the development of the agro-industrial complex // IOP Conference Series: Earth and Environmental Science. 2019. Vol. 274. No. 1. Article number 012058. DOI:https://doi.org/10.1088/1755-1315/274/1/012058. EDN: https://elibrary.ru/LPMSPJ

11. Zolkin A. L., Burda A. G., Avdeev Y. M., Fakhertdinova D. I. The main areas of application of information and digital technologies in the agro-industrial complex // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 677. No. 3. Article number 032092. DOI:https://doi.org/10.1088/1755-1315/677/3/032092. EDN: https://elibrary.ru/BDFNDZ

12. Стовба Е. В., Шарафутдинов А. Г., Горбунова О. С., Арасланбаев И. В., Стовба А. В., Даминева Э. Р. Роль цифровых технологий в развитии деятельности сельскохозяйственных товаропроизводителей // Вестник Алтайской академии экономики и права. 2021. № 3-2. С. 225-232. DOI: https://doi.org/10.17513/vaael.1634; EDN: https://elibrary.ru/RVYRWC

13. Якушев В. П., Якушев В. В., Матвеенко Д. А. Интеллектуальные системы поддержки технологических решений в точном земледелии // Земледелие. 2020. № 1. С. 33-37. DOI:https://doi.org/10.24411/0044-3913-2020-10109. EDN: https://elibrary.ru/LYKCTT

14. Van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review // Computers and Electronics in Agriculture. 2020. Vol. 177. Article number 105709. DOI:https://doi.org/10.1016/j.compag.2020.105709.

15. Malhi G. S., Kaur M., Kaushik P. Impact of climate change on agriculture and its mitigation strategies: A review // Sustainability. 2021. Vol. 13. No. 3. Article number 1318. DOI:https://doi.org/10.3390/su13031318. EDN: https://elibrary.ru/DXYSFP

16. Karimi V., Karami E., Keshavarz M. Climate change and agriculture: Impacts and adaptive responses in Iran // Journal of Integrative Agriculture. 2018. Vol. 17. No. 1. DOI:https://doi.org/10.1016/S2095-3119(17)61794-5.

17. Brühl C. A., Zaller J. G. Biodiversity decline as a consequence of an inappropriate environmental risk assessment of pesticides // Frontiers in Environmental Science. 2019. Vol. 7. Article number 177. DOI:https://doi.org/10.3389/fenvs.2019.00177.

18. Wu Y., Feng J. Development and application of artificial neural network // Wireless Personal Communications. 2018. Vol. 102. Pp. 1645-1656. DOI:https://doi.org/10.1007/s11277-017-5224-x. EDN: https://elibrary.ru/JBMMGU

19. Saltykov M., Yakubailik O., Bartsev S. Identification of vegetation types and its boundaries using artificial neural networks // IOP Conference Series: Materials Science and Engineering. 2019. Vol. 537. No. 6. Article number 062001. DOI:https://doi.org/10.1088/1757-899X/537/6/062001. EDN: https://elibrary.ru/RLDJFQ

20. Esau T. J., Hennessy P. J., MacEachern C. B. Artificial intelligence and deep learning applications for agriculture // Precision Agriculture. Academic Press, 2023. Pp. 141-167. DOI:https://doi.org/10.1016/B978-0-443-18953-1.00003-9.

Войти или Создать
* Забыли пароль?