Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 110-124

Дистанционный мониторинг посевов риса и алгоритм выявления неоднородностей

Е.В. Труфляк 1 , С.И. Скубиев 2 , В.В. Цыбулевский 1 , Н.В. Малашихин 1 
1 Кубанский государственный аграрный университет, Krasnodar, Россия
2 Государственный университет по землеустройству, Москва, Россия
Одобрена к печати: 21.05.2019
DOI: 10.21046/2070-7401-2019-16-3-110-124
В 2018 г. на полях ВНИИ риса проводились работы, связанные с применением дистанционных исследований качественных показателей посева риса. Для этих целей на специально выделенных (двух равнозначных) делянках был осуществлён посев некоторых сортов риса разными моделями сеялок: СН-16 (заводской вариант, который был в хозяйстве) и КЛЕН-1.5П (собрана в ООО МИП «КЛЕН-АГРО» Кубанского государственного аграрного университета). Для дистанционного наблюдения за вегетацией риса использовался беспилотный летательный аппарат DJI Phantom 4 PRO (съёмка осуществлялась как в видимом диапазоне спектра, так и в ближней ИК-зоне). Применялись также и наземные методы контрольных измерений высоты и количества растений для проведения дальнейшего сравнительного анализа полученных результатов дистанционного мониторинга. Использовалась цифровая модель местности, построенная по материалам аэрофотосъёмок с целью определения высоты растительного покрова дистанционными методами. Продольные и поперечные профили всходов на тестируемых участках заданных направлений были получены в программной среде Global Mapper 19.1. Также при анализе были использованы результаты обработки материалов съёмок в программе «КОМПАС-3D». При обработке изображений Plant Health двух участков по сеялкам СН-16 и КЛЕН-1.5П, полученных в программе DroneDeploy, применялся алгоритм, выполненный в Mathcad 15, с помощью которого определялось среднее значение кода плотности тона изображения в массиве и количество пикселей, находящихся в выбранном диапазоне. В результате проведённых экспериментов на основании наземных и дистанционных исследований определено, что после посева сеялкой КЛЕН-1.5П по сравнению с СН-16 количество всходов на 53 % выше при одной норме высева семян, высота растений больше на 17 % (перед уборкой — на 2 %), а длина метёлки перед уборкой ― на 6 %, урожайность выше на 12 ц/га.
Ключевые слова: дистанционное зондирование, беспилотный летательный аппарат (БПЛА), сеялка, рис, испытания, качественные показатели посева, алгоритм, статистические показатели
Полный текст

Список литературы:

  1. Дьяконов В. Mathcad 2000: учеб. курс. СПб.: Питер, 2000. 592 с.
  2. Bastiaansen W. G. M., Ali S. A New Crop Yield Forecasting Model Based on Satellite Measurements Applied Across the Indus Basin, Pakistan // Agriculture, Ecosystems and Environment. 2003. V. 94. No. 3. P. 321–340.
  3. Chang K. W., Shen Y., Lo J. C. Predicting Rice Yield Using Canopy Reflectance Measured at Booting Stage // Agronomy Jl. 2005. V. 97. No. 3. P. 872–878. DOI: 10.2134/agronj2004.0162.
  4. Doraiswamy P. C., Hatfield J. L., Jackson T. J., Akhmedov B., Prueger J., Stern A. Crop Condition and Yield Simulations Using Landsat and MODIS // Remote Sensing of Environment. 2004. V. 92. No. 4. P. 548–559.
  5. Inoue Y., Moran M. S., Horie T. Analysis of Spectral Measurements in Paddy Field for Predicting Rice Growth and Yield Based on a Simple Crop Simulation Model // Plant Production Science. 1998. V. 1. No. 4. P. 269–279.
  6. Inoue Y., Penuelas J., Miyata A., Mano M. Normalized Difference Spectral Indices for Estimating Photosynthetic Efficiency and Capacity at a Canopy Scale Derived from Hyperspectral and CO2 Flux Measurements in Rice // Remote Sensing of Environment. 2008. V. 112. No. 1. P. 156–172.
  7. Kuenzer C., Knauer K. Remote sensing of rice crop areas // Intern. J. Remote Sensing. 2013. V. 34. No. 6. P. 2101–2139.
  8. Shibayama M., Akiyama T. Estimating Grain Yield of Maturing Rice Canopies Using High Spectral Resolution Reflectance Measurements // Remote Sensing of Environment. 1991. V. 36. No. 1. P. 45–53.
  9. Tennakoon S. B., Murty V. V. N., Eiumnoh A. Estimation of Cropped Area and Grain Yield of Rice Using Remote Sensing // Intern. J. Remote Sensing. 1992. V. 13. No. 2. P. 427–439.
  10. Wiegand C., Shibayama M., Yamagata Y., Akiyama T. Spectral Observations for Estimating the Growth and Yield of Rice // Japanese J. Crop Science. 1989. V. 58. No. 4. P. 673–683.
  11. Yang C. M., Su M. R. Correlation of Spectral Reflectance to Growth in Rice Vegetation // 19th Asian Conf. Remote Sensing. Manila, Philippines, Nov. 16–20 1998. 1998. 6 p.
  12. Yang C. M., Chen R. K. Modeling Rice Growth with Hyperspectral Reflectance Data // Crop Science Society of America. 2004. V. 44. No. 4. P. 1283–1290. DOI: 10.2135/cropsci2004.1283.