Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 5. С. 71-84
Инструментарий для принятия решения о целесообразности применения технологий точного земледелия на основе геостатистического анализа данных дистанционного зондирования
О.А. Митрофанова
1 , Е.П. Митрофанов
1 , В.П. Якушев
1 , В.В. Якушев
1 , В.М. Буре
1, 2 , С.Ю. Блохина
1 1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
2 Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
Одобрена к печати: 16.08.2023
DOI: 10.21046/2070-7401-2023-20-5-71-84
Возможность достижения экономической эффективности от внедрения технологий точного земледелия требует разработки прогнозных методов оценки перспективности использования таких технологий с учётом конкретных условий. Авторами предлагается инструментарий, обеспечивающий поддержку метода оценки степени целесообразности применения технологий точного земледелия на заданной сельскохозяйственной территории на основе вариограммного анализа данных дистанционного зондирования. Для принятия решения необходимо исследовать статистические связи пространственного распределения на сельскохозяйственном поле значений исследуемого параметра и оценить степень внутриполевой неоднородности, от которой зависит применение дифференцированных агротехнологических операций. В работе рассматривается один из подходов построения геостатистического модуля для проведения прогнозных вычислительных экспериментов, который позволяет автоматизировать все этапы решения задачи оценки перспективности использования технологий точного земледелия для конкретных почвенно-климатических условий сельхозпроизводителя. Инструментарий разработан с применением специализированного статистического языка программирования R, помимо стандартных использовались библиотеки gstat, e1071, lattice, sp и др. Визуализация прототипа осуществлялась на основе пакета shiny. В дальнейшем планируется доработка прототипа модуля для внедрения в единый сервис для осуществления анализа разнородных геопространственных данных различными новыми и современными методами с целью принятия управленческих решений.
Ключевые слова: точное земледелие, данные дистанционного зондирования, геостатистика, наггет-дисперсия, геостатистический модуль, R
Полный текстСписок литературы:
- Якушев В. П., Буре В. М., Митрофанова О. А. и др. Оценка внутриполевой изменчивости посевов с помощью вариограммного анализа спутниковых данных для точного земледелия // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 114–122. https://doi.org/10.21046/2070-7401-2020-17-2-114-122.
- Якушев В. П., Буре В. М., Митрофанова О. А. и др. Особенности обработки аэрокосмических снимков для оптимизации геостатистических исследований внутриполевой изменчивости в задачах точного земледелия // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 128–139. https://doi.org/10.21046/2070-7401-2021-18-4-128-139.
- Ahmad L., Mahdi S. S. Chapter 12. Feasibility and evaluation of precision farming // Satellite Farming. Switzerland: Springer Nature, 2018. P. 149–166. https://doi.org/10.1007/978-3-030-03448-1_12.
- Budzko V., Medennikov V. Mathematical modeling of evaluating the effectiveness of using RSD data in precision farming // Procedia Computer Science. 2021. V. 190. P. 122–129. https://doi.org/10.1016/j.procs.2021.06.015.
- Bullock D. S., Boerngen M., Ta H. et al. The data intensive farm management project: Changing agronomic research through on-farm experimentation // Agronomy J. 2019. V. 111. No. 6. P. 2736–2746. https://doi.org/10.2134/agronj2019.03.0165.
- Carvalho P., Costa J. Automatic variogram model fitting of a variogram map based on the Fourier integral method // Computers and Geosciences. 2021. V. 156. Article 104891. http://doi.org/10.1016/j.cageo.2021.104891.
- Chamara N., Islam M. D., Bai G. F. et al. Ag-IoT for crop and environment monitoring: past, present, and future // Agricultural Systems. 2022. V. 203. Article 103497. http://doi.org.10.1016/j.agsy.2022.103497.
- Chlingaryan A., Sukkarieh S., Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review // Computers and Electronics in Agriculture. 2018. V. 151. P. 61–69. https://doi.org/10.1016/j.compag.2018.05.012.
- Dong Y., Fu Z., Peng Y. et al. Precision fertilization method of field crops based on the Wavelet-BP neural network in China // J. Cleaner Production. 2020. V. 246. Article 118735. https://doi.org/10.1016/j.jclepro.2019.118735.
- Galioto F., Raggi M., Viaggi D. Assessing the potential economic viability of precision irrigation: a theoretical analysis and pilot empirical evaluation // Water. 2017. V. 9. No. 12. P. 990–1009. https://doi.org/10.3390/w9120990.
- Garg A., Sapkota A., Haghverdi A. SAMZ-Desert: A Satellite-based agricultural management zoning tool for the desert agriculture region of southern California // Computers and Electronics in Agriculture. 2022. V. 194. Article 106803. https://doi.org/10.1016/j.compag.2022.106803.
- Gavioli A., de Souza E. G., Bazzi C. L., Schenatto K., Betzek N. M. Identification of management zones in precision agriculture: An evaluation of alternative cluster analysis methods // Biosystems Engineering. 2019. V. 181. P. 86–102. https://doi.org/10.1016/j.biosystemseng.2019.02.019.
- Iakushev V. P., Bure V. M., Mitrofanova O. A., Mitrofanov E. P. On the issue of semivariograms constructing automation for precision agriculture problems // Vestnik Sankt-Peterburgskogo Universiteta, Prikladnaya Matematika, Informatika, Protsessy Upravleniya. 2020. V. 16. No. 2. P. 177–185. https://doi.org/10.21638/11701/spbu10.2020.209.
- Jiang R., Sanchez-Azofeifa A., Laakso K. et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency // J. Cleaner Production. 2021. V. 289. Article 125705. https://doi.org/10.1016/j.jclepro.2020.125705.
- Kernecker M., Knierim A., Wurbs A. et al. Experience versus expectation: farmers’ perceptions of smart farming technologies for cropping systems across Europe // Precision Agriculture. 2020. V. 21. No 1. P. 34–50. https://doi.org/10.1007/s11119-019-09651-z.
- Li Z., Zhang X., Clarke K. C. et al. An automatic variogram modeling method with high reliability fitness and estimates // Computers and Geosciences. 2018. V. 120. P. 48–59. https://doi.org/10.1016/j.cageo.2018.07.011.
- Loures L., Chamizo A., Ferreira P. et al. Assessing the effectiveness of precision agriculture management systems in Mediterranean small farms // Sustainability. 2020. V. 12. Article 3765. https://doi.org/10.3390/su12093765.
- Lowder S. K., Skoet J., Raney T. The number, size, and distribution of farms, smallholder farms, and family farms worldwide // World Development. 2016. V. 87. P. 16–29. https://doi.org/10.1016/j. worlddev.2015.10.041.
- MacKie E. J., Field M., Wang L. et al. GStatSim V1.0: a Python package for geostatistical interpolation and simulation: preprint // EGUsphere. 2022. https://doi.org/10.5194/egusphere-2022-1224.
- Mizik T. How can precision farming work on a small scale? A systematic literature review // Precision Agriculture. 2023. V. 24. P. 384–406. https://doi.org/10.1007/s11119-022-09934-y.
- Pathmudi V. R., Khatri N., Kumar S. et al. A systematic review of IoT technologies and their constituents for smart and sustainable agriculture applications // Scientific African. 2023. V. 19. Article e01577. http://doi.org/10.1016/j.sciaf.2023.e01577.
- Paul K., Chatterjee S. S., Pai P. et al. Viable smart sensors and their application in data driven agriculture // Computers and Electronics in Agriculture. 2022. V. 198. Article 107096. https://doi.org/10.1016/j.compag.2022.107096.
- Razavi S., Sheikholeslami R., Gupta H. V., Haghnegahdar A. VARS-TOOL: A toolbox for comprehensive, efficient, and robust sensitivity and uncertainty analysis // Environmental Modelling and Software. 2019. V. 112. P. 95–107. https://doi.org/10.1016/j.envsoft.2018.10.005.
- Rodrigues M. S., Castrignanò A., Belmonte A. et al. Geostatistics and its potential in Agriculture 4.0 // Revista Ciência Agronomica. 2020. V. 51. Special Agriculture 4.0. Article e20207691. http://doi.org/10.5935/1806-6690.20200095.
- Singh P. K., Sharma A. An intelligent WSN-UAV-based IoT framework for precision agriculture application // Computers and Electrical Engineering. 2022. V. 100. Article 107912. http://doi.org./10.1016/j.compeleceng.2022.107912.
- The state of food and agriculture 2020. Overcoming water challenges in agriculture. FAO. Rome, 2020. 210 p. https://doi.org/10.4060/cb1447en.
- Vecchio Y., De Rosa M., Pauselli G. et al. The leading role of perception: the FACOPA model to comprehend innovation adoption // Agricultural and Food Economics. 2022. V. 10. No. 5. P. 1–19. https://doi.org/10.1186/s40100-022-00211-0.
- Yakushev V., Petrushin A., Mitrofanova O. et al. Spatial distribution prediction of agro-ecological parameter using kriging // E3S Web of Conf. Topical Problems of Green Architecture, Civil and Environmental Engineering, TPACEE 2019. 2020. Article 06030. https://doi.org/10.1051/e3sconf/202016406030.
- Yamasaki Y., Morie M., Noguchi N. Development of a high-accuracy autonomous sensing system for a field scouting robot // Computers and Electronics in Agriculture. 2022. V. 193. Article 106630. https://doi.org/10.1016/j.compag.2021.106630.
- Yasojima C., Protázio J., Meiguins B. et al. A New methodology for automatic cluster-based kriging using K-nearest neighbor and Genetic algorithms // Information. 2019. V. 10. No. 11. Article 357. https://doi.org/10.3390/info10110357.