Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 71-84
Управление состоянием агроценоза на основе данных дистанционного зондирования Земли
И.М. Михайленко
1 , В.Н. Тимошин
1 1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
Одобрена к печати: 01.06.2023
DOI: 10.21046/2070-7401-2023-20-3-71-84
Цель настоящей работы заключается в представлении новых результатов использования данных дистанционного зондирования Земли (ДЗЗ) в задаче управления агротехнологией в реальном времени. Основной причиной низкой эффективности современных технологий точного земледелия стало отсутствие адекватной теории управления агротехнологиями. При этом при создании такой теории должен учитываться тот факт, что объект управления, которым выступает агротехнология, включает в себя агроценоз, в котором кроме посева культуры содержатся и сорные растения. Неучёт этого фактора приводит к ухудшению эффективности управления, снижению продуктивности посева и перерасходу минеральных удобрений и гербицидов. В настоящей работе впервые представлена полная теория управления состоянием агроценоза. Эта теория позволяет получать заданный урожай с требуемой надёжностью. Такое управление формируется на основе оценок параметров состояния посева культуры и сорных растений, формируемых по данным ДЗЗ в реальном времени. В основе представленной теории лежат новые математические модели параметров состояния сельскохозяйственных культур, почвенной среды, сорных растений, а также модели связи этих параметров с данными ДЗЗ. Факторами управления в агротехнологии представляются минеральные удобрения, гербициды и орошение. Естественно, параметрами технологических операций выступают дозы вносимых минеральных удобрений и гербицидов, а также нормы орошения. Эти операции проводят при наступлении определённых фенологических фаз посева сельскохозяйственных культур. Данные дистанционного зондирования вводятся именно в такие моменты времени, когда на их основе оцениваются параметры состояния посевов и сорных растений. Представленная теория основана на классических принципах управления, используемых в современных динамических системах. Согласно предложенной теории был разработан специализированный программный комплекс, с помощью которого система управления была апробирована на примере посева яровой пшеницы.
Ключевые слова: агротехнологии, агроценоз, параметры состояния, посев культуры, сорные растения, оценивание параметров, управление, реальное время
Полный текстСписок литературы:
- Антонов В. Н., Сладких Л. А. Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным дистанционного зондирования // Геоматика. 2009. № 4. С. 50–53.
- Барталев С. А., Лупян Э. А., Нейштадт И. А., Савин И. Ю. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS // Исслед. Земли из космоса. 2006. № 3. С. 68–75.
- Емельянов Ю. Я., Копылов Е. В., Кириллова Е. В. Эффективность гербицидов в сочетании с удобрениями на яровой пшенице // Нивы Зауралья. 2013. № 6(106). С. 76–77.
- Казаков И. Е. Методы оптимизации стохастических систем. М.: Наука, 1987. 384 с.
- Корсаков К. В., Стрижков Н. И., Пронько В. В. Совместное применение удобрений, гербицидов и регуляторов роста при возделывании овса и проса в Поволжье // Вестн. Алтайского гос. аграр. ун-та. 2013. № 4(102). С. 16–19.
- Кочубей С. М., Шадчина Т. М., Кобец Н. И. Спектральные свойства растений как основа дистанционных методов диагностики. Киев: Наукова думка, 1990. 134 с.
- Марчуков В. С. Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации: автореф. дис. … д-ра техн. наук. М., 2011. 42 с.
- Михайленко И. М. Теоретические основы и техническая реализация управления агротехнологиями. СПб.: Изд-во СпбГТУ, 2017. 250 с.
- Михайленко И. М., Тимошин В. Н. Оценивание химического состояния почвенной среды по данным дистанционного зондирования Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 18. № 4. С. 125–134. DOI: 10.21046/2070-7401-2018-15-7-102-113.
- Михайленко И. М., Тимошин В. Н. Программное управление параметрами состояния почвы под посевами яровой пшеницы // Агрохимия. 2020. № 8. С 86–93. DOI: 10.31857/S0002188120080062.
- Михайленко И. М., Тимошин В. Н. Оценивание параметров агроценозов по данным дистанционного зондирования Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 102–114. DOI: 10.21046/2070-7401-2021-18-4-102-114.
- Михайленко И. М., Тимошин В. Н. Программный уровень общего управления агроценозом с учетом влияния сорной растительности на состояние посева культуры // Сельскохозяйств. биология. 2022. Т. 57. № 3. С. 500–517. DOI: 10.15389/agrobiology.2022.3.500rus.
- Немченко В. В., Рыбина Л. Д., Гилев С. Д., Кунгурцева Н. М., Степных Н. В., Копылов А. Н., Копылова С. В. Современные средства защиты растений и технологии их применения. Куртамыш, 2006. 348 c.
- Рачкулик В. И., Ситникова М. В. Отражательные свойства и состояние растительного покрова. Л.: Гидрометеоиздат, 1981. 287 с.
- Crippen R. E. Calculating the Vegetation Index Faster // Remote Sensing of Environment. 1990. V. 34. P. 71–73. DOI: 10.1016/0034-4257(90)90085-Z.
- Datt B. A New Reflectance Index for Remote Sensing of Chlorophyll Content in Higher Plants: Tests Using Eucalyptus Leaves // J. Plant Physiology. 1999. V. 1. P. 30–36. DOI: 10.1016/S0176-1617(99)80314-9.
- Derby N. E., Casey F. X. M., Franzen D. E. Comparison of nitrogen management zone delineation methods for corn grain yield // Agronomy J. 2007. V. 99. P. 405–414. DOI: 10.2134//AGRONG.2006.0027.
- Gamon J. A., Serrano L., Surfus J. S. The Photochemical Reflectance Index: An Optical Indicator of Photosynthetic Radiation Use Efficiency Across Species. Functional Types and Nutrient Levels // Ecologia. 1997. V. 4. P. 492–501. DOI: 10.1007/s004420050337.
- Heatherly L. G., Elmore T. W. Managing inputs for peak production / eds. J. E. Specht, H. R. Boerma // Soybeans: Improvement, Production and Uses. Madison: ASA-CSSA-SSSA, 2004. P. 451–536. DOI: 10.2134/agronmonogr16.3ed.c10.
- Jouven M., Carrère P., Baumont R. Model predicting dynamics of biomass, structure and digestibility of herbage in managed permanent pastures. 1. Model description // Grass and Forage Science. 2006. V. 61. Iss. 2. P. 112–124. https://doi.org/10.1111/j.1365-2494.2006.00517.x.
- Kim K., Chavas J. P. Technological change and risk management: An application to the economics of corn production // Agricultural Economics. 2003. V. 29. P. 125–142. DOI: 10.1016/S0169-5150(03)00081-1.
- Mikhailenko I. M. (2013a) Assessment of crop and soil state using satellite remote sensing data // Intern. J. Information Technology and Operations Management. 2013. V. 1. No. 5. P. 41–52.
- Mikhailenko I. M. (2013b) Control of crop state using remote sensing information // Intern. J. Mathematical Modeling and Applied Computing. 2013. V. 1. No. 5. P. 18–25.
- Mikhailenko I. M. Estimation of Parameters of Biomass State of Sowing Spring Wheat // Remote Sensing. 2022. V. 14. Iss. 6. Art. No. 1388. https://doi.org/10.3390/rs14061388.
- Mikhailenko I. M., Timoshin V. N. Development of a methodology for assessing the parameters of the state of crops and soil environment for crops according to remote sensing of the Earth // IOP Conf. Ser.: Earth and Environmental Science. 2020. No. 548. Art. No. 052027. DOI: 10.1088/1755-1315/548/5/052027.
- Roudier P., Tisseyre B., Poilve H., Roger J.-M. A technical opportunity index adapted to zone-specific management // Precision Agriculture. 2011. V. 12. P. 130–145. DOI: 10.1007/s11119-010-9160-у.
- Sami K., Kushal KC., John P. F., Scott S., Erdal O. Remote Sensing in Agriculture – Accomplishments, Limitations, and Opportunities // Remote Sensing. 2020. V. 12(22). Art. No. 3783. https://doi.org/10.3390/rs12223783.
- Sanderson M. A., Rotz C. A., Fultz S. W., Rauburn E. B. Estimating forage mass with a commercial capacitance meter, rising plate meter, and pasture ruler // Agronomy J. 2001. V. 93. P. 1281–1286. https://doi.org/10.2134/agronj2001.
- Sims D. A., Gamon J. A. Relationships Between Leaf Pigment Content and Spectral Reflectance Across a Wide Range of Species, Leaf Structures and Developmental Stages // Remote Sensing of Environment. 2002. P. 337–354. DOI: 10.10.16/S0034-4257(02)00010-X.
- Steven M. Satellite remote sensing for agricultural management: Opportunities and logistic constraints ISPRS // J. Photogrammetry and Remote Sensing. 1993. V. 48. P. 29–34. DOI: 10.1016/0924-2716(93)90029-M.
- Thompson J., Krogh P. H. A qualitative multi-attribute model for assessing the impact of cropping systems on soil quality // Pedobiologia. 2007. V. 51(3). P. 239–250. DOI: 10.1016/j.pedobi.2007.03.006.
- Tisseyre B., McBratney A. B. A technical opportunity index based on mathematical morphology for site-specific management: an application to viticulture // Precision Agriculture. 2008. V. 9. P. 101–113. DOI: 10.1007/s11119-008-9053-5.