Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
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. 2024. Т. 21. № 3. С. 188-203

Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур

В.П. Якушев 1 , В.В. Якушев 1 , С.Ю. Блохина 1 , Ю.И. Блохин 1 , А.Ф. Петрушин 1 , Д.А. Матвеенко 1 
1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
Одобрена к печати: 29.05.2024
DOI: 10.21046/2070-7401-2024-21-3-188-203
Повышение устойчивости производства зерновых культур в значительной степени зависит от эффективного использования азотных удобрений. Точное земледелие (ТЗ), как жизнеспособное и масштабируемое решение для управления азотным режимом растений за счёт внесения оптимального количества удобрений на тех участках посева, в которых сложился дефицит азотного питания, способствует не только повышению урожайности, но и снижению потерь азота. Среди агрономических практик, в которых концепция ТЗ применяется в исследовательских и производственных целях, ключевую роль играет дифференцированное внесение азотных удобрений. Однако данная технология до сих пор не получила широкого распространения, поскольку для её реализации требуется детальная оценка внутриполевой изменчивости факторов урожайности и взаимосвязи этой изменчивости с условиями роста сельскохозяйственных культур. Гиперспектральное дистанционное зондирование открывает новые возможности для оперативной и более точной количественной оценки состояния посевов сельскохозяйственных культур в основные фазы развития. Разработан алгоритм управления азотным режимом по данным гиперспектрального зондирования с выявлением участков посева, в которых сложился дефицит азотного питания. Цифровые изображения посевов яровой пшеницы получали с помощью гиперспектральной камеры Pika-L (Resoson, США), установленной на беспилотном воздушном судне Matrice 600 Pro (DJI, Китай), по снимкам вычисляли вегетационные индексы. Оценивали динамику изменений вычисленных индексов по фазам развития, сравнивая их с показателями, полученными в оптимальных и стрессовых условиях, и проводили функциональный анализ параметров, описывающих пространственную структуру варьируемых оптических характеристик посева. Для выполнения технологической операции по внесению азотных удобрений определяли зоны посева, испытывающие стресс по азоту, рассчитывали необходимые дозы, после чего формировали электронные карты-задания для роботизированной техники с указанием точного места внесения. При этом существенно уменьшены затраты ресурсов и времени на наземные полевые измерения и закладку тестовых площадок с перспективой отказа от их размещения на производственных полях.
Ключевые слова: точное земледелие, гиперспектральное зондирование, дефицит азота, дифференцированное внесение, азотные удобрения, вегетационные индексы, вариограммный анализ
Полный текст

Список литературы:

  1. Анищенко А. Н., Шутьков А. А. Проблемы реализации Доктрины продовольственной безопасности России // Продовольственная политика и безопасность. 2021. Т. 8. № 1. С. 9–22. DOI: 10.18334/ppib.8.1.111777.
  2. Завалин А. А., Соколов А. О. Коэффициент использования растениями азота удобрений и его регулирование // Международ. с.-х. журн. 2019. № 4(370). С. 71–75. DOI: 10.24411/2587-6740-2019-14070.
  3. Матвеенко Д. А., Якушев В. П., Якушев В. В. Прецизионное управление азотным режимом яровой пшеницы на основе дистанционного зондирования посевов // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 79–86. DOI: 10.21046/2070-7401-2019-16-3-79-86.
  4. Мерзлая И. В., Понкратенкова И. В., Гаврилова А. Ю. Агроэкологическая оценка длительного применения органических и минеральных удобрений при возделывании яровой пшеницы в агротехнологиях разной интенсивности // Агрохимия. 2019. № 9. С. 18–25. DOI: 10.1134/S0002188119090060.
  5. Митрофанова О. А., Митрофанов Е. П., Якушев В. П. и др. Блохина С. Ю. Инструментарий для принятия решения о целесообразности применения технологий точного земледелия на основе геостатистического анализа данных дистанционного зондирования // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 5. С. 71–84. DOI: 10.21046/2070-7401-2023-20-5-71-84.
  6. Петрушин А. Ф., Якушев В. П., Якушев В. П., Блохина С. Ю., Матвеенко Д. А., Блохин Ю. И., Митрофанов Е. П., Митрофанова О. А. Программа обнаружения и выделения границ внутриполевой изменчивости по аэрокосмическим снимкам и оптическим критериям. Свидетельство о гос. регистрации программы для ЭВМ № 2023611147. Рег. 17.01.2023.
  7. Шарков И. Н., Колбин С. А., Самохвалова Л. М. Проблема азота при использовании чернозёма выщелоченного по интенсивной технологии в лесостепи Западной Сибири // Агрохимия. 2021. № 2. С. 3–10. DOI: 10.31857/S0002188121020101.
  8. Шпанев А. М., Смук В. В. Изменение спектральных характеристик культурных и сорных растений под влиянием минеральных удобрений в агроценозах Северо-Запада России // Современные проблемы дистанционного зондирования Земли из космоса. 2022. № 3. С. 165–177. DOI: 10.21046/2070-7401-2022-19-3-165-177.
  9. Якушев В. П., Якушев В. В. Перспективы «умного сельского хозяйства» в России // Вестн. Российской акад. наук. 2018. Т. 88. № 9. С. 773–784. DOI: 10.31857/S086958730001690-7.
  10. Якушев В. П., Канаш Е. В., Якушев В. В. и др. Новые возможности автоматизации процесса обнаружения внутриполевой неоднородности по гиперспектральным снимкам и оптическим критериям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 24–32. DOI: 10.21046/2070-7401-2019-16-3-24-32.
  11. Якушев В. П., Буре В. М., Митрофанова О. А. и др. (2020а) 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. DOI: 10.21046/2070-7401-2020-17-2-114-122.
  12. Якушев В. П., Якушев В. В., Матвеенко Д. А. (2020б) Интеллектуальные системы поддержки технологических решений в точном земледелии // Земледелие. 2020. № 1. С. 33–37. DOI: 10.24411/0044-3913-2020-10109.
  13. Якушев В. П., Якушев В. В., Блохина С. Ю. и др. (2021а) Информационное обеспечение современных систем земледелия в России // Вестн. Российской акад. наук. 2021. Т. 91. № 8. С. 755–768. DOI: 10.31857/S0869587321080090.
  14. Якушев В. П., Буре В. М., Митрофанова О. А. и др. (2021б) 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. DOI: 10.21046/2070-7401-2021-18-4-128-139.
  15. Якушев В. П., Канаш Е. В., Русаков Д. В. и др. Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева // Сельскохозяйственная биология. 2022. Т. 57. № 1. С. 98–112. DOI: 10.15389/agrobiology.2022.1.98rus.
  16. Якушев В. П., Якушев В. В., Блохина С. Ю. и др. Роль дистанционного зондирования земли в точном земледелии // Вестн. Российской акад. наук. 2023. Т. 93. № 10. С. 955–969. DOI: 10.31857/S0869587323100110.
  17. Al Makdessi N., Ecarnot M., Roumet P. et al. Spectral correction method for multi-scattering effects in close range hyperspectral imagery of vegetation scenes: application to nitrogen content assessment in wheat // Precision Agriculture. 2019. V. 20. No. 2. P. 237–259. DOI: 10.1007/s11119-018-9613-2.
  18. Argento F., Anken T., Abt F. et al. Site-specific nitrogen management in winter wheat supported by low-altitude remote sensing and soil data // Precision Agriculture. 2021. V. 22. P. 364–386. DOI: 10.1007/s11119-020-09733-3.
  19. Baresel J. P., Zimmermann G., Reents H. J. Effects of genotype and environment on N uptake and N partition in organically grown winter wheat (Triticum aestivum L.) in Germany // Euphytica. 2008. V. 163. No. 3. P. 347–354. DOI:10.1007/s10681-008-9718-1.
  20. Basso B., Antle J. Digital agriculture to design sustainable agricultural systems // Nature Sustainability. 2020. V. 3(4). P. 254–256. DOI: 10.1038/s41893-020-0510-0.
  21. Basso B., Dumont B., Cammarano D. et al. Environmental and economic benefits of variable rate nitrogen fertilization in a nitrate vulnerable zone // Science of the Total Environment. 2016. V. 545–546. P. 227–235. DOI: 10.1016/j.scitotenv.2015.12.104.
  22. Basso B., Shuai G., Zhang J. et al. Yield stability analysis reveals sources of large-scale nitrogen loss from the US Midwest // Scientific Reports. 2019. V. 9. No. 1. P. 1–9. DOI: 10.1038/s41598-019-42271-1.
  23. Basyouni R., Dunn B. L., Goad C. Use of nondestructive sensors to assess nitrogen status in potted poinsettia (Euphorbia pulcherrima L. (Willd. ex Klotzsch)) production // Scientia Horticulturae. 2015. V. 192. P. 47–53. DOI: 10.1016/j.scienta.2015.05.011.
  24. Blekanov I., Molin A., Zhang D. et al. Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches // Computers and Electronics in Agriculture. 2023. V. 2012. Article 108047. DOI: 10.1016/j.compag.2023.108047.
  25. Buthelezi S., Mutanga O., Sibanda M. et al. Assessing the prospects of remote sensing maize leaf area index using UAV-derived multi-spectral data in smallholder farms across the growing season // Remote Sensing. 2023. V. 15. No. 6. Article 1597. DOI: 10.3390/rs15061597.
  26. Calicioglu O., Flammini A., Bracco S. et al. The future challenges of food and agriculture: an integrated analysis of trends and solutions // Sustainability. 2019; V. 11. No. 1. Article 222. DOI: 10.3390/su11010222.
  27. 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. DOI: 10.1016/j.compag.2018.05.012.
  28. Dehghan-Shoar M. H., Orsi A. A., Pullanagari R. R. et al. A hybrid model to predict nitrogen concentration in heterogeneous grassland using field spectroscopy // Remote Sensing of Environment. 2023. V. 285. Article 113385. DOI: 10.1016/j.rse.2022.113385.
  29. Good A. G., Beatty P. H. Fertilizing nature: a tragedy of excess in the commons // PLoS Biology. 2011. V. 9. No. 8. Article e1001124. DOI: 10.1371/journal.pbio.1001124.
  30. Guo J., Jia Y., Chen H. et al. Growth, photosynthesis, and nutrient uptake in wheat are affected by differences in nitrogen levels and forms and potassium supply // Scientific Reports. 2019. V. 9. Article 1248. DOI: 10.1038/s41598-018-37838-3.
  31. Guo J., Zhang J., Xiong S. et al. Hyperspectral assessment of leaf nitrogen accumulation for winter wheat using different regression modeling // Precision Agriculture. 2021. V. 22. P. 1634–1658. DOI: 10.1007/s11119-021-09804-z.
  32. Hirel B., Tetu T., Lea P. J. et al. Improving nitrogen use efficiency in crops for sustainable agriculture // Sustainability. 2011. V. 3. No. 9. P. 1452–1485. DOI: 10.3390/su3091452.
  33. Jamali M., Soufizadeh S., Yeganeh B. et al. Wheat leaf traits monitoring based on machine learning algorithms and high-resolution satellite imagery // Ecological Informatics. 2023. V. 74. Article 101967. DOI: 10.1016/j.ecoinf.2022.101967.
  34. Jiang J., Cai W., Zheng H. et al. Using digital cameras on an unmanned aerial vehicle to derive optimum color vegetation indices for leaf nitrogen concentration monitoring in winter wheat // Remote Sensing. 2019. V. 11. No. 22. Article 2667. DOI: 10.3390/rs11222667.
  35. Jiang J., Atkinson P. M., Chen C. et al. Combining UAV and Sentinel-2 satellite multi-spectral images to diagnose crop growth and N status in winter wheat at the county scale // Field Crops Research. 2023. V. 294. Article 108860. DOI: 10.1016/j.fcr.2023.108860.
  36. Li F., Li D., Elsayed S. et al. Using optimized three-band spectral indices to assess canopy N uptake in corn and wheat // European J. Agronomy. 2021. V. 127. Article 126286. DOI: 10.1016/j.eja.2021.126286.
  37. Lu B., Dao P. D., Liu J. et al. Recent advances of hyperspectral imaging technology and applications in agriculture // Remote Sensing. 2020. V. 12. No. 16. Article 2659. DOI: 10.3390/rs12162659.
  38. Ma J., Zheng B., He Y. Applications of a hyperspectral imaging system used to estimate wheat grain protein: a review // Frontiers in Plant Science. 2022. V. 13. Article 837200. DOI: 10.3389/fpls.2022.837200.
  39. Mălinaş A., Vidican R., Rotar I. et al. Current status and future prospective for nitrogen use efficiency in wheat (Triticum aestivum L.) // Plants. 2022. V. 1. No. 2. Article 217. DOI: 10. 3390/ plant s1102 0217.
  40. Mishra D., Muduli K., Sevcik L. et al. Combating of associated issues for sustainable agri-food sectors // Sustainability. 2023. V. 15. No. 3. Article 10096. DOI: 0.3390/ su151310096.
  41. Mittermayer M., Donauer J., Kimmelmann S. et al. Effects of different nitrogen fertilization systems on crop yield and nitrogen use efficiency — results of a field experiment in southern Germany // Heliyon. 2024. V. 10. No. 7. Article e28065. DOI: 10.1016/j.heliyon.2024.e28065.
  42. Nutini F., Confalonieri R., Crema A. et al. An operational workflow to assess rice nutritional status based on satellite imagery and smartphone apps // Computers and Electronics in Agriculture. 2018. V. 154. P. 80–92. DOI: 10.1016/j.compag.2018.08.008.
  43. Pancorbo J. L., Alonso-Ayuso M., Camino C. et al. Airborne hyperspectral and Sentinel imagery to quantify winter wheat traits through ensemble modeling approaches // Precision Agriculture. 2023. V. 24. P. 1288–1311. DOI: 10.1007/s11119-023-09990-y.
  44. Pannell D. J., Gandorfer M., Weersink A. How flat is flat? Measuring payoff functions and the implications for site-specific crop management // Computers and Electronics in Agriculture. 2019. V. 162. P. 459–465. DOI: 10.1016/j.compag.2019.04.011.
  45. Raya-Sereno M. D., Alonso-Ayuso M., Pancorbo J. L. et al. Residual effect and N fertilizer rate detection by high-resolution VNIR-SWIR hyperspectral imagery and solar-induced chlorophyll fluorescence in wheat // IEEE Trans. Geoscience and Remote Sensing. 2021. V. 60. P. 1–17. DOI: 10.1109/TGRS.2021.3099624.
  46. Sahoo R. N., Gakhar S., Rejith R. G. et al. Optimizing the retrieval of wheat crop traits from UAV-borne hyperspectral image with radiative transfer modelling using Gaussian process regression // Remote Sensing. 2023. V. 15. No. 23. Article 5496. DOI: 10.3390/rs15235496.
  47. Sahoo R. N., Rejith R. G., Gakhar S. et al. Drone remote sensing of wheat N using hyperspectral sensor and machine learning // Precision Agriculture. 2024. V. 25. No. 2. P. 704–728. DOI: 10.1007/s11119-023-10089-7.
  48. Spati K., Huber R., Finger R. Benefits of increasing information accuracy in variable rate technologies // Ecological Economics. 2021. V. 185. Article 107047. DOI: 10.1016/j.ecole con.2021.107047.
  49. Stamatiadis S., Schepers J. S., Evangelou E. et al. Variable-rate nitrogen fertilization of winter wheat under high spatial resolution // Precision Agriculture. 2018. V. 19. No. 3. P. 570–587. DOI: 10.1007/s11119-017-9540-7.
  50. van Grinsven H. J., Bouwman L., Cassman K. G. et al. Losses of ammonia and nitrate from agriculture and their effect on nitrogen recovery in the European Union and the United States between 1900 and 2050 // J. Environmental Quality. 2015. V. 44. No. 2. P. 356–367. DOI: 10.2134/jeq2014.03.0102.
  51. Walter A., Finger R., Huber R. et al. Opinion: smart farming is key to developing sustainable agriculture // Proc. National Academy of Sciences. 2017. V. 114. No. 24. P. 6148–6150. DOI: 10.1073/pnas.1707462114.
  52. Wang X., Miao Y., Dong R. et al. Economic optimal nitrogen rate variability of maize in response to soil and weather conditions: implications for site-specific nitrogen management // Agronomy. 2020. V. 10. No. 9. Article 1237. DOI:10.3390/agronomy10091237.
  53. Xu S., Xu X., Blacker C. et al. Estimation of leaf nitrogen content in rice using vegetation indices and feature variable optimization with information fusion of multiple-sensor images from UAV // Remote Sensing. 2023. V. 15. No. 3. Article 854. DOI: 10.3390/rs15030854.
  54. Yakushev V. P., Kanash E. V. Evaluation of wheat nitrogen status by colorimetric characteristics of crop canopy presented in digital images // J. Agricultural Informatics. 2016. V. 7. No. 1. P. 65–74. DOI: 10.17700/jai.2016.7.1.268.
  55. Yang B., Wang M., Sha Z. et al. Evaluation of aboveground nitrogen content of winter wheat using digital imagery of unmanned aerial vehicles // Sensors (Switzerland). 2019. V. 19. No. 20. Article 4416. DOI: 10.3390/s19204416.