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. 2022. Т. 19. № 4. С. 153-167

Возможности оценки состояния деревьев в яблоневом саду на основе данных дистанционного зондирования

И.Ю. Савин 1, 2 , С.Н. Коновалов 3 , Е.Ю. Прудникова 1, 2 , Ю.И. Вернюк 1 , П.Г. Грубина 1 , С. Нассер 2 
1 Почвенный институт им. В.В. Докучаева, Москва, Россия
2 Российский университет дружбы народов, Москва, Россия
3 Всероссийский селекционно-технологический институт садоводства и питомниководства, Москва, Россия
Одобрена к печати: 14.07.2022
DOI: 10.21046/2070-7401-2022-19-4-153-167
Проведён анализ возможностей использования спутниковых данных Sentinel-2 и изображений, получаемых с использованием беспилотных летательных аппаратов (БПЛА), для оперативной оценки состояния деревьев яблони. Исследования проведены на примере тестового участка возле пос. Михнево (Ступинский муниципалитет Московской обл.). Было проведено сопоставление сведений о состоянии деревьев яблони, полученных в поле, с параметрами, рассчитанными по данным дистанционного зондирования. Установлено, что на данный момент дистанционный мониторинг состояния деревьев в саду может осуществляться на качественном и полуколичественном уровне. Попытка построения количественных оценок не привела к положительному результату. Для построения количественных зависимостей параметров, получаемых по спутниковым данным и БПЛА, с параметрами состояния деревьев необходимо углублённое изучение динамики спектральной отражательной способности наземных объектов в саду в течение всего сезона вегетации. Кроме того, необходимо внедрение дополнительных параметров состояния деревьев, которые в настоящий момент не используются в практике плодоводства, но которые могут дать ключ к пониманию того, за счёт каких свойств растительности и плодовых деревьев формируется дистанционное изображение в разные периоды сезона вегетации.
Ключевые слова: Sentinel-2, беспилотный летательный аппарат, мониторинг растительности, цифровая модель местности, состояние деревьев, яблоневый сад
Полный текст

Список литературы:

  1. Гегечкори Б. С., Кладь А. А., Дорошенко Т. Н. Практикум по плодоводству. Краснодар: КГАУ, 2008. 345 с.
  2. Драгавцева И. А., Савин И. Ю., Загиров Н. Г., Казиев М. Р. А., Ахматова З. П., Моренец А. С., Батталов С. Б. Ресурсный потенциал земель Северного Кавказа для плодоводства. Краснодар, Махачкала: ДагНИИСХ, 2016. 138 с.
  3. Егоров Е. А., Фисенко А. Н., Дорошенко Т. Н., Хвостова И. В., Теренько Г. Н., Попова В. П., Смольякова В. М., Сторчевая Е. М., Черкезова С. Р., Драгавцева И. А., Артюх С. Н., Можар Н. В., Алехина Е. М., Заремук Р. Ш., Причко Т. Г., Лопатина Л. М., Савин И. Ю., Святкина О. А. Системообразующие экологические факторы и критерии зон устойчивого развития плодоводства на Северном Кавказе. Краснодар: СКЗНИИСиВ, 2001. 284 с.
  4. Лупян Е. А., Барталев С. А., Савин И. Ю. Технологии спутникового мониторинга в сельском хозяйстве России // Аэрокосмический курьер. 2009. № 6. С. 47–49.
  5. Рыбалко Е. А., Баранова Н. В., Лупян Е. А., Толпин В. А., Кашницкий А. В., Уваров И. А., Крашенинникова Ю. С., Иванченко В. И. Организация работы с данными наземных и дистанционных наблюдений для решения задач дистанционного мониторинга виноградников // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 79–92. DOI: 10.21046/2070-7401-2016-13-1-79-92.
  6. Савин И. Ю. Современный спутниковый мониторинг почв и посевов: достижения и проблемы // Применение средств дистанционного зондирования земли в сельском хозяйстве. М.: Почвенный институт им. В. В. Докучаева, 2015. С. 29–32.
  7. Толпин В. А., Рыбалко Е. А., Баранова Н. В., Кашницкий А. В., Лупян Е. А., Уваров И. А. Формирование информационной базы спутниковых и наземных данных для отработки методик дистанционного мониторинга виноградарства в Республике Крым // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 1. С. 101–110. DOI: 10.21046/2070-7401-2017-14-1-101-110.
  8. Alvino A., Marino S. Remote Sensing for Irrigation of Horticultural Crops // Horticulturae. 2017. V. 3. Art. No. 40. 36 p. https://doi.org/10.3390/horticulturae3020040.
  9. Ampatzidis Y., Partel V., Meyering B., Albrecht U. Citrus rootstock evaluation utilizing UAV-based remote sensing and artificial intelligence // Computers and Electronics in Agriculture. 2019. V. 164. 9 p. https://doi.org/10.1016/j.compag.2019.104900.
  10. Atzberger C. Advances in remote sensing of agriculture: context description, existing operational monitoring systems and major information needs // Remote Sensing. 2013. V. 5. P. 949–981. DOI: 10.3390/rs5020949.
  11. Barnes E., Clarke T. R., Richards S. E., Colaizzi P., Haberland J., Kostrzewski M., Waller P., Choi C., Riley E., Thompson T. L. Coincident detection of crop water stress, nitrogen status, and canopy density using ground based multispectral data // 5th Intern. Conf. Precision Agriculture. Bloomington. 2000. P. 1–15.
  12. Broge N. H., Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density // Remote Sensing of Environment. 2000. No. 76. P. 156–172.
  13. Calera A., Campos I., Osann A., D’Urso G., Menenti M. Remote Sensing for Crop Management: from ET Modelling to Services for the End Users // Sensors. 2017. No. 17(5). Art. No. 1104. 25 p. https://doi.org/10.3390/s17051104.
  14. Capolupo A., Monterisi C., Tarantino E. Landsat Images Classification Algorithm (LICA) to Automatically Extract Land Cover Information in Google Earth Engine Environment // Remote Sensing. 2020. No. 12. Art. No. 1201. 28 p. https://doi.org/10.3390/rs12071201.
  15. Casa R., Rossi M., Sappa G., Trotta A. Assessing Crop Water Demand by Remote Sensing and GIS for the Pontina Plain, Central Italy // Water Resources Management. 2009. V. 23. P. 1685–1712. DOI: 10.1007/s11269-008-9347-4.
  16. Ceccato P., Gobron N., Flasse S., Pinty B., Tarantola S. Designing a spectral index to estimate vegetation water content from remote sensing data: Pt. 1: Theoretical approach // Remote Sensing of Environment. 2002. No. 82. P. 188–197. DOI: 10.1016/S0034-4257(02)00037-8.
  17. Corgne S., Hubert-Moy L., Betbeder J. Monitoring of Agricultural Landscapes Using Remote Sensing Data // Land Surface Remote Sensing in Agriculture and Forest. 2016. P. 221–247.
  18. Dorigo W. A., Zurita-Milla R., Wit A., Brazile J., Singh R., Schaepman M. E. A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling // Intern. J. Applied Earth Observation and Geoinformation. 2007. No. 9. P. 165–193. DOI: 10.1016/j.jag.2006.05.003.
  19. Escadafal R., Huete A. Improvement in remote sensing of low vegetation cover in arid regions by correcting vegetation indices for soil “noise” // Comptes Rendus de l’Académie des Sciences. Série 2. 1991. No. 312. P. 1385–1391.
  20. Escadafal R., Belghit A., Ben-Moussa A. Indices spectraux pour la télédétection de la dégradation des milieux naturels en Tunisie aride // Actes du 6eme Symp. Intern. sur les mesures physiques et signatures en télédétection / réd de G. Guyot. 17–24 Janvier, Val d’Isère, France, 1994. No. 17. P. 253–259.
  21. Gamon J. A., Surfus J. S. Assessing leaf pigment content and activity with a reflectometer // New Phytologist. 1999. No. 143. P. 105–117. DOI:10.1046/j.1469-8137.1999.00424.x.
  22. Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS // Remote Sensing of Environment. 1996. No. 58. P. 289–298. DOI: 10.1016/S0034-4257(96)00072-7.
  23. Gitelson A., Kaufman Y., Stark R., Rundquist D. Novel Algorithms for Remote Estimation of Vegetation Fraction // Remote Sensing of Environment. 2002. No. 80. P. 76–87.
  24. Gitelson A. A., Viña A., Arkebauer T. J., Rundquist D. C., Keydan G., Leavitt B. Remote estimation of leaf area index and green leaf biomass in maize canopies // Geophysical Research. 2003. V. 30. Iss. 5. Art. No. 1248. 4 p. https://doi.org/10.1029/2002GL016450.
  25. Glenn E. P., Nagler P. L., Huete A. R. Vegetation Index Methods for Estimating Evapotranspiration by Remote Sensing // Surveys Geophysics. 2010. No. 31. P. 531–555. DOI: 10.1007/s10712-010-9102-2.
  26. Gobron N., Pinty B., Verstraete M. M., Widlowski J. Advanced vegetation indices optimized for up-coming sensors: Design, performance, and applications // Geoscience and Remote Sensing. 2000. No. 38. P. 2489–2505.
  27. Hancock D. W., Dougherty C. T. Relationships between blue- and red-based vegetation indices and leaf area and yield of alfalfa // Crop Science. 2007. No. 47. P. 2547–2556. DOI: 10.2135/cropsci2007.01.0031.
  28. Jimenez-Brenes F. M., Lopez-Granados F., de Castro A. I., Torres-Sanchez J., Serrano N., Pena J. M. Quantifying pruning impacts on olive tree architecture and annual canopy growth by using UAV-based 3D modelling // Plant Methods. 2017. V. 13. Art. No. 55. 15 p. DOI: 10.1186/s13007-017-0205-3.
  29. Lymburner L., Beggs P. J., Jacobson C. R. Estimation of canopy-average surface-specific leaf area using Landsat TM data // Photogrammetric Engineering and Remote Sensing. 2000. No. 66. P. 183–191.
  30. Maimaitijiang M., Sagan V., Sidike P., Daloye A. M., Erkbol H., Fritschi F. B. Crop Monitoring Using Satellite/UAV Data Fusion and Machine Learning // Remote Sensing. 2020. V. 12(9). Art. No. 1357. 23 p. https://doi.org/10.3390/rs12091357.
  31. Mushtaq G., Asima N. Estimation of apple orchard using remote sensing and agro-meteorology land-based observation in Pulwama district of Kashmir valley // Intern. J. Remote Sensing and Geoscience. 2014. V. 3(6). P. 2319–3484.
  32. Ok A. O., Ozdarici-Ok A. 2-D delineation of individual citrus trees from UAV-based dense photogrammetric surface models // Intern. J. Digital Earth. 2018. V. 11(6). P. 583–608. DOI: 10.1080/17538947.2017.1337820.
  33. Panda S. S., Hoogenboom G., Paz J. O. Remote sensing and geospatial technological ap-plications for site-specific management of fruit and nut crops: a review // Remote Sensing. 2010. V. 2(8). P. 1973–1997. DOI: 10.3390/rs2081973.
  34. Pinder J. E., McLeod K. W. Indications of relative drought stress in longleaf pine from Thematic Mapper data // Photogrammetric Engineering and Remote Sensing. 1999. No. 65. P. 495–501.
  35. Prudnikova E., Savin I., Vindeker G., Grubina P., Shishkonakova E., Sharychev D. Influence of Soil Background on Spectral Reflectance of Winter Wheat Crop Canopy // Remote Sensing. 2019. No. 11(16). Art. No. 1932. 25 p. https://doi.org/10.3390/rs11161932.
  36. Pujar D. U., Pujar U. U., Shruthi C. R., Wadagave A., Chulaki M. Remote sensing in fruit crops // J. Pharmacognosy and Phytochemistry. 2017. V. 6(5). P. 2479–2484.
  37. Rembold F., Atzberger C., Savin I., Rojas O. Using Low Resolution Satellite Imagery for Yield Prediction and Yield Anomaly Detection // Remote Sensing. 2013. V. 5(4). P. 1704–1733. DOI: 10.3390/rs5041704.
  38. Savin I., Klyukina A., Dragavtseva I. About possibilities of apple trees flowering date detection based on MODIS data // Proc. 20th Intern. Multidisciplinary Scientific GeoConf. SGEM. 2020. Book No. 2.2. P. 157–164. DOI: 10.5593/sgem2020/2.2/s10.019.
  39. Torres-Sanchez J., Lopez-Granados F., Serrano N., Arquero O., Pena J. M. High-Throughput 3-D Monitoring of Agricultural-Tree Plantations with Unmanned Aerial Vehicle (UAV) Technology // PLoS ONE. 2015. V. 10(6). Art. No. e0130479. 20 p. https://doi.org/10.1371/journal.pone.0130479.
  40. Tucker C. J., Elgin J. H., McMurtrey J. E., Fan C. J. Monitoring corn and soybean crop development with hand-held radiometer spectral data // Remote Sensing of Environment. 1979. No. 8. P. 237–248. DOI: 10.1016/0034-4257(79)90004-X.
  41. Usha K., Singh B. Potential applications of remote sensing in horticulture — A review // Scientia Horticulturae. 2013. V. 153. P. 71–83. DOI:10.1016/j.scienta.2013.01.008.
  42. Vincini M., Frazzi E., D’Alessio P. A broad-band leaf chlorophyll vegetation index at the canopy scale // Precision Agriculture. 2008. No. 9. P. 303–319. DOI: 10.1007/s11119-008-9075-z.
  43. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A metareview // Remote Sensing of Environment. 2020. V. 236. 19 p. DOI: 10.1016/j.rse.2019.111402.
  44. Zhang C., Valente J., Kooistra L., Guo L., Wang W. Orchard management with small unmanned aerial vehicles: a survey of sensing and analysis approaches // Precision Agriculture. 2021. No. 22. P. 2007–2052. DOI: 10.1007/s11119-021-09813-y.
  45. Zhang P., Deng L., Lyu Q., He S. L., Yi S. L., Liu Y. Effects of citrus tree-shape and spraying height of small unmanned aerial vehicle on droplet distribution // Intern. J. Agricultural and Biological Engineering. 2016. V. 9. P. 45–52. DOI: 10.3965/j.ijabe.20160904.2178.