- инвентаризация
сельхозугодий, контроль темпов
уборки урожая;
- прогнозирование
урожайности и т.д.
В каждой прикладной технологии
имеются свои особенности, требования
к исходным данным и результатам обработки.
В следующем разделе данного отчета будут
подробно рассмотрены разработанные нами
прикладные технологии применительно
к основным задачам точного земледелия.
2.3. Применение
данных ДЗЗ для мониторинга
состоянии РП, картирования неоднородностей
и экспресс-анализа агрохимического
состояния РП и почв.
2.3.1. Наиболее распространенный
метод мониторинга сельхозугодий
состоит в использовании различных индексов, в особенности, нормализованного
индекса вегетации[21]:
NDVI = (NIR–RED)/(NIR+RED)
(2.1)
Применение не
простого отношения, а нормализованной
разности между спектральными яркостями
каналов позволяет уменьшить негативное
влияние таких явлений как различия в
освещенности снимка, облачности, дымки,
поглощение радиации атмосферой и пр.
Высокая фотосинтетическая
активность растительности ведет
к меньшему отражению в красной области
спектра и большему в инфракрасной. При
появлении всходов и в течение вегетационного
периода росту биомассы соответствует
увеличение значений NDVI, а с наступлением
периода созревания снижается содержание
хлорофилла и, соответственно, значения
NDVI. Например, при образовании колоса озимой
пшеницы и его последующем наливе, его
биомасса нарастает в том числе и за счёт
оттока органических веществ из листьев,
которые в этот период поглощают меньше
солнечной энергии.
С другой стороны, снижение значений
NDVI в период активной вегетации
(до наступления фазы молочной
спелости) свидетельствует о стрессовом
состоянии посевов. Это может быть вызвано
поражением посевов вследствие стихийных
явлений (град, ливни, засуха), а также болезнями
или вредителями. На значения NDVI
влияет также видовой состав растительности,
ее сомкнутость, экспозпция и угол наклона
поверхности, цвет почвы под разреженной
растительностью и т.д. Индекс умеренно
чувствителен к изменениям почвенного
фона, кроме случаев, когда густота растительного
покрова не ниже 30%. Таким образом, поскольку
значения NDVI зависят от множества контролируемых
и не контролируемых (случайных) факторов,
нельзя «присвоить» каждой культуре и
ее состоянию конкретные значения индекса.
Поэтому, при анализе обычно используются
усредненные значения для основных классов
подстилающей поверхности (Таблица 2.2.).
Таблица 2.2 Состояние растительности
в соответствии со значениями вегетационных
индексов
Значение индекса NDVI |
Состояние растительности |
0-0,1 |
Открытая почва |
0,1-0,2 |
Разреженная растительность |
0,2-0,3 |
Угнетенное |
0,3-0,4 |
Очень плохое |
0,4-0,55 |
Удовлетворительное |
0,55-0,7 |
Хорошее |
0,7-1,0 |
Очень хорошее |
Так как NDVI отражает уровень развития
растительности (биомассу, содержание
хлорофилла), он широко применяется для
мониторинга сельскохозяйственных культур.
Например, он позволяет выявить ареалы
угнетенной растительности и своевременно
принять меры, обеспечивающие повышение
урожайности. Индексы NDVI также используется
для краткосрочного (1-2 месяца) прогнозирования
урожайности. Другие популярные индексы, такие как
NDWI и ID отражают содержание воды в растительности
и поверхностном слое почвы, а также применяется
для прогнозирования засух. В настоящее
время применяется около 160 вариантов
вегетационных индексов. Они подбираются
эмпирическим путем, исходя из особенностей
кривых спектральной отражательной способности
растительности и почв.
2.3.2. Технологию построение
карт «неоднородностей» растительного
покрова рассмотрим на примере
снимков сверхвысокого разрешении для
рисовых чеков в фазе стеблевания
– колошения риса. На рисунке 2.4. (слева)
представлено изображение NDVI, полученное
по данным КА Ikonos c пространственным
разрешением 1 м. Для автоматического картирования
«неоднородностей» NDVI надо, прежде
всего, определиться с целями и задачами
использования результатов. При этом
необходимо перейти от непрерывной (стандартной)
к дискретной (неравномерной) шкале градаций
индекса вегетации.
Рассмотрим
случай разбиения непрерывной шкалы
NDVI на 3 уровня с присвоением самому
низкому уровню содержания хлорофилла
– желтого цвета, среднему - светло
зеленого и верхнему – темно зеленого
цветов. Полученное в результате
изображение (рисунок 2.4, справа) может
применяться в качестве электронной карты-задания
для дифференциальной обработки РП,
например, азотной подкормки риса.
Однако, с учетом технических возможностей
реализации агротехнологий, данная
карта может быть подвергнута дополнительной
фильтации (генерализации [12]) для устранения
мелких неоднородностей (рисунок
2.5, справа). Для картирования «неоднородностей»
в данном случае использовалась
следующая дискретная шкала градации,
с предварительно найденным средним значением NDVI:
[ NDVI- 0.3; NDVI+ 0.3 ] – светло
зеленый цвет;
[ 0; NDVI- 0.3 ] – желтый
цвет;
[ NDVI+ 0.3;
1 ] – темно
зеленый цвет.
Поскольку
для чеков с различными сортами
и фазами созревания риса
неправомерно применять одно и то же
значение NDVI, визуально,
например по стандартному
Рисунок 2.4 - Фрагмент изображения
NDVI, полученного с использованием стандартной
и дискретной (справа) шкалы градаций (КА
Ikonos , 30.08.2011г.) .
Рисунок 2.5 - Фрагмент исходной
и «генерализованной» (справа) карты
NDVI.
изображению NDVI, выбираются
приблизительно «однородные группы»
чеков и для каждой из них вычисляется
среднее значение NDVI.
При
необходимости, количество градаций
и шаг градаций (дискретизации, здесь он
равен 0,3 ) может изменяться в зависимости
от поставленной задачи и состояния РП.
Для выявления
«однородных групп» РП дополнительно
можно использовались спектральные различия
данных ДЗЗ. Например, если произвести
автоматическую классификацию, то в результате
совместного анализа NDVI, RGB и результатов
автоматической классификации можно
более точно выявить и картировать
«неоднородности».
2.3.3. Для создания карт или картограмм
распределения агрохимических показателей
традиционно выполняется агрохимическое
обследование полей по элементарным участкам.
Картографической основой для выделения
элементарных участков на полях и дальнейшего
отбора почвенных проб служит, как правило,
план внутрихозяйственного землеустройства.
На подлежащих агрохимическому обследованию
полях могут выделяться участки, различающиеся
по рельефу, уровню плодородия почвы, агрохимическим
показателям, установленным в предыдущие
годы агрохимического обследования.
В небольших
по площади хозяйствах может
применяться так называемый сеточный
метод отбора почвенных проб. При использовании
сеточного метода поле обычно разбивают
на квадратные или прямоугольные ячейки
площадью от 0,5 до 2 га [17,20].
Выделение
однородных участков может проводиться
также на основе карт распределения продуктивности
культур. Данный способ основан на автоматическом
определении урожайности сельскохозяйственных
культур, главным образом зерновых и кормовых,
в процессе их уборки. Специальные датчики,
установленные на комбайнах и регистрирующие
поток зерна или другой биомассы, связанны
с бортовым компьютером и системой высокоточного
геопозиционирования. Рассматриваемый
метод позволяет при дальнейшей обработке
данных выделять участки поля, различающиеся
по фактическому состоянию показателей
урожайности и производить их кластеризацию
на относительно однородные контуры (зоны).
Далее, на основе этих данных и прогнозируемой
урожайности, рассчитываются необходимые
нормы внесения удобрений и создаются
карты-задания для дифференцированного
внесения удобрений.
Следовательно,
в условиях высокой стоимости
минеральных удобрений, одним из
действенных средств экономии
финансовых средств является дифференцированное
внесение удобрений, которое позволяет
существенно уменьшить количество необходимых
удобрений и, рационально и экологически
обоснованно, распределить их по каждому
полю с учетом их пространственной неоднородности.
Дополнительная
экономия средств достигается, если
при зонировании вместо дорогостоящих
карт урожайности, использовать
их аналог, карты индекса вегетации.
К тому же, при уборке зерновых одинаково
откалибровать все комбайны, работающие
на одном поле не очень просто.
Но главным преимуществом использования
NDVI является возможность оперативного
выявления всего комплекса причин, негативно
влияющих на состояние посевов и своевременного
принятия мер для их устранения. В частности,
это касается дифференцированного внесения
азотной подкормки для озимых и
СЗР.
На следующем
рисунке приведен пример создания
таких карт по NDVI с выделением
нескольких зон неоднородностей, в пределах
каждой из которых могут определяться
«среднезональные» показатели плодородия
почв вместо «среднеполевых», как это
принято в традиционном земледелии.
При регулярном применении такая технология
позволит поэтапно выровнять урожайность
и восстановить плодородие почв при минимальных
финансовых затратах. Таким образом, вместо
тотального агрохимобследования почв,
может использоваться зональный отбор
с минимальным количеством проб в пределах
каждого неоднородного поля.
Рисунок 2.6 - Выявление и картирование
зон неоднородностей для проведения агрохимического
анализа по данным космосъемки (КА Rapid
EYE, 13.06.2010 г).
2.4. Методы моделирования
содержания азота в РП и гумуса
почве.
2.4.1. Математические модели.
Своевременное и направленное
воздействие на ход формирования
урожая возможно только на
основе точной диагностики питания
растений. Оперативное определение содержания
питательных элементов в растительном
покрове при минимальных затратах
сегодня стало возможным благодаря использованию
ДЗЗ и глобальных навигационных систем.
Например, для определения азота в верхнем
ярусе РП достаточно произвести полевые
измерения его содержания N-тестером на
ограниченном количестве точек (М) и далее
смоделировать его распределение на всей
площади, занимаемой данной культурой.
Для моделирования может использоваться
линейная множественная регрессия:
Y=X*B+E
(2.2)
где: X – матрица значений спектральных
яркостей в М- точках и К спектральных
каналах;
B – вектор параметров регрессии (модели);
Y - вектор определяемых величин содержания
питательных веществ;
E - вектор ошибок ( неучтенных факторов).
Параметры регрессии
определяются методом наименьших
квадратов [3] по данным спектральных
яркостей в М-точках из условия минимума
среднеквадратичной ошибки Е. Особый интерес
для моделирования содержания азота в
РП представляет одномерная регрессия,
так как существует высокая корреляция
(на уровне 0.8-0.9) между содержанием азота
N, хлорофилла и величиной фитомассы, которые
хорошо описываются индексом вегетации
NDVI.
N=b*NDVI+d (2.3)
При этом для определения координат точек
отбора проб целесообразно использовать
геодезические ГЛОНАСС/GPS-приемники,
точность которых соизмерима и даже превышает
точность геопривязки данных ДЗЗ (0.5- 5.0
м).
Потребность
в азотном удобрении никогда
не бывает постоянной. Она может
значительно изменяться из года
в год на каждом отдельном участке
поля. Из показаний N-тестера можно точно
установить оптимальную дозу азотной
подкормки в определённый период вегетации
растения, начиная с фазы кущения-выхода
в трубку и заканчивая наливом колоса
у зерновых культур.
При этом необходимо учитывать следующее:
- дробное внесение
азотного удобрения в процессе вегетации
позволяет гибко реагировать на принятие
решения в зависимости от развития растений
и погодных условий;
- дефицит серы, также
как и дефицит азота, приводит к
осветлению листьев РП, поэтому перед
использованием N-тестера необходимо проверить
обеспеченность серой. Рекомендуется
потребность в сере покрывать уже при
первой дозе внесения азотных удобрений,
так чтобы до второй и третей дозы ликвидировать
полностью дефицит серы.
- дефицит других
питательных веществ на показания
N-тестера заметного влияния не оказывает.
Так же N-тестер не может показать
запасы азота в почве, которые растения
не могут использовать при длительной
засухи;
- не рекомендуется проводить
измерения N-тестером при продолжающейся
засухе. Визуально можно определить засуху
по начальному увяданию растения и скручивающимся
листьям.
Для оценки содержания
гумуса в верхнем пахотном слое почвы
также могут быть использованы данные
ДЗЗ в сочетании с выборочным отбором
почв. По сравнению с традиционными методами
агрохимобследования, основное преимущество
методов математического моделирования
состоит в существенно более низкой стоимости
работ и более высокой детальности описания
пространственного изменения концентрации
гумуса в пределах каждого поля. Предпосылкой
использования ДЗЗ является экспериментально
установленная связь спектральной
отражательной способности с концентрацией
гумуса в верхнем слое воздушно-сухой
почвы [4]. В видимой и ближней инфракрасной
(ИК) областях спектра (0,4–1,2 мкм) значение
коэффициента отражения хорошо коррелирует
и уменьшается с ростом концентрации гумуса.
Наибольшие различия значений коэффициента
отражения между почвами с высокой концентрацией
гумуса и его отсутствием наблюдаются
в красной области спектра (0,68–0,70 мкм),
сравнительно высокий контраст между
ними (более 0,2–0,3) прослеживается во всем
диапазоне 0,48–0,86 мкм и т.д. В общем случае
коэффициенты отражения зависят от нескольких
факторов. В порядке убывания значимости
их можно расставить в следующем виде:
поверхностная влажность; комковатость
почвы; содержание окрашивающих компонентов
(обычно соединений железа) и гумуса.