Поділитись:

Частина 1: Дистанційний моніторинг розвитку сільськогосподарських культур та модель прогнозування врожаю

Очікується, що глобальний попит на сільськогосподарську продукцію збільшиться приблизно на 60% [1] у наступне десятиліття, що змушує  сільське господарство шукати можливості для збільшення виробництва [2]. Значне покращення продуктивності сільського господарства та ефективності використання ресурсів необхідні для забезпечення виробництва продовольством зростаючого  населення світу у 2050 р. [3, 4]. Виробництво продуктів харчування має зростати швидше, ніж населення у світі в зв’язку із  зміною раціону харчування людей в бік  збільшення споживання м'яса на душу населення та виробництва біопалива [5]. Зростаючий попит на енергію призвів до зростання виробництва більшої кількості біопалива, яке конкурує за землю, воду та поживні речовини із харчовими культурами. Цю проблему можна вирішити за рахунок значного покращення продуктивності сільського господарства та активізації сільськогосподарського виробництва для отримання більшої кількості з тієї ж кількості землі [6].

Крім технологічного прогресу, такого як застосування добрив, нових сортів сільськогосподарських культур, боротьба зі шкідниками та хворобами та розширення зрошення, технології дистанційного зондування можуть широко застосовуватися у високоточному землеробстві. Супутникові дані можуть надати фермерам інформацію, яка дозволяє їм вирішити, скільки насіння та добрив придбати, а також як і коли найкраще їх використовувати.

Біофізичні властивості сільськогосподарських культур, такі як Індекс листкової поверхні (LAI), біомаса та продуктивність рослинності, можна оцінити або відстежувати з космосу за допомогою Радара із раділокаторною антеною (SAR), а також Оптичних індексів рослинності (VI). Індекси вегетації, такі як Нормалізований відносний індекс біомаси (NDVI), покращений Індекс вегетації (EVI) та останнім часом Індекс Хлорофілу (GCVI). Оптичні показники вегетації показують ділянки поля, на яких сільськогосподарські культури мають гарний чи поганий розвиток, які потребують подальшого дослідження для встановлення причин такої нерівномірності.

Відображення зміни концентрації хлорофілу в листі в зеленому спектрі довжини хвилі (використовується в GCVI – індексі Хлорофілу), як відомо, є більш точним, ніж в червоному спектрі (використовується в NDVI та EVI). Таким чином, GCVI (індекс Хлорофілу) значно перевершує традиційні рослинні індекси, такі як NDVI та EVI. GCVI також може фіксувати відмінності в дефіциті поживних речовин, які корелюють із урожаєм [7, 8].

SAR (Радіолокаційне зондування) надає зображення з високою роздільною здатністю, які не залежать від часу доби та погоди [9] і можуть використовуватися для визначення структури об'єкта на поверхні. Незалежність якості зондування  від хмарності призводить до того, що дані SAR часто є кращим вибором порівняно з оптичними даними [10] для визначення стадії росту сільськогосподарських культур, фізичного розвитку та потенціалу врожаю. Повний поляриметричний SAR забезпечує чотири комбінації переданої та прийнятої інформації  у вигляді співполяризованих хвилей ГГ (горизонтально переданих і горизонтальних отриманих) і ВВ (вертикально переданих і вертикальних отриманих), а також перехресних поляризованих хвиль ГВ (горизонтально переданих і вертикальних отриманих) і ВГ (вертикальне передане та отримане горизонтальне). Дослідження показали, що Радар із радіолокаційною антеною  SAR є більш чутливим до біомаси посіву при більшій довжині хвилі [11]. Відповідно до типу культури, ВВ та ВГ поляризація показує різні показники напротязі вегетації рослин.

Мал. 1. Горизонтальне і вертикальне зворотнє відбиття (ліворуч) зворотнє відбиття від крони дерев та поверхні грунту (праворуч).

Мультиспектральні оптичні та SAR дані можуть давати унікальну інформацію про ефективне вимірювання «зеленості» кожної рослини чи поверхні ґрунту, що потребує менших витрат на збір даних у польових умовах у конкретні часові періоди протягом вегетації. Це призводить до збільшення точності землеробства, яке дає змогу ефективніше керувати сільськогосподарською діяльністю шляхом оптимізації застосування в потрібний час ресурсів, таких як добрива, гербіциди, насіння та пестициди. Важливо, що точне землеробство також може зменшити негативний впливу сільського господарства на довкілля за рахунок оптимізації процесів [12].

Модель росту сільськогосподарських культур

Моделі ґрунт – культура розроблені для різних масштабів, починаючи від польового, регіонального та глобального. Моделювання рослинництва в глобальному масштабі є складним завданням. Неоднорідність кліматичних умов, ґрунтів, посівів та управління посівами не дає змогу розробити прості, але адекватні моделі для цього широкого спектру умов [13].

Моделі росту сільськогосподарських культур можна охарактеризувати як емпірично-статистичні (регресійне моделювання) та механічні (на основі фізичних процесів) моделі. Емпіричні моделі безпосередньо використовують взаємозв'язок (лінійний або нелінійний) між змінними моделі та результатами моделі без опису основних (фізичних) процесів. Зазвичай ці моделі є специфічними щодо місця застосування. [14]. Прості лінійні моделі часто працюють погано, оскільки більшість фізичних та біологічних процесів нелінійні. Для даного масштабу механічні моделі часто є більш складними, оскільки описують відому фізичну взаємодію в системах культура-ґрунт, і зазвичай вимагають детальних даних про характеристики ґрунту та посівів, що робить їх менш придатними для застосування у великих масштабах. Напівмеханічні (або напівемпіричні) моделі відносно прості та зазвичай використовуються для прогнозування реакцій урожайності як функції родючості ґрунтів та застосування добрив. Більшість доступних моделей Росту рослин потребують всебічних наборів вхідних даних, які недоступні в ширшому масштабі. Крім того, якщо дані є, для перспективного застосування моделей необхідна складна процедура калібрування. Тому більш прості - напівмеханічні моделі з меншими вимогами до вхідних даних є більш доцільними у великих масштабах.

В Contour розроблена  Модель росту рослин для різних сільськогосподарських культур, як інструмент аналізу агрономії, який інтегрує тимчасові дані SAR (Радіолокаційні зображення), оптичні супутникові дані, точні погодні дані та фізіологічні дані посівів, щоб зрозуміти ріст сільськогосподарських культур та його зв’язок з Індексом листкової поверхні (LAI), Біомасою та Фазами розвитку, як показано на малюнку 2.

Погодні дані включають температуру (⁰C), ефективну (активну) температуру, мінімальну біологічну температуру культури, температурний режим (TР), сонячну радіацію (MДЖ -2 Д -1 ) та вологість ґрунту - основні вхідні дані погоди, що використовуються у CGM ( Модель Росту культури). Фізіологічні дані посівів включають Ефективність використання світла (LUE), Коефіцієнт поглинання світла (k), стадію розвитку культури (GS) та дату посіву. Два процеси, які відіграють важливу роль у визначенні динаміки накопичення біомаси в моделях росту сільськогосподарських культур, - це поглинання листям сонячної радіації (визначається LAI-динамікою) та використання поглинутого сонячного випромінювання для отримання біомаси за допомогою процесу фотосинтезу [15]. Ефективність використання світла (г сухої речовини / MДЖ ) - це функція різних видів рослин, а утворення  та втрата сухої речовини - це функція поглинання світла та ефективності використання світла, підсумована протягом циклу росту рослини.

Малюнок 2. Робочий процес моделі врожаю Contour

References

1.           Alexandratos, N. and J. Bruinsma, World agriculture towards 2030/2050: the 2012 revision. 2012, Food and Agriculture Organization: Rome.

2.           Baudron, F. and K.E. Giller, Agriculture and nature: Trouble and strife? Biological Conservation, 2014. 170: p. 232-245.

3.           Koning, N.B.J., et al., Long-term global availability of food: continued abundance or new scarcity? Netherlands Journal of Agricultural Sciences, 2008. 55: p. 229-292.

4.           Sattari, S.Z., et al., Residual soil phosphorus as the missing piece in the global phosphorus crisis puzzle. Proceedings of the National Academy of Sciences 2012. 109(16): p. 6348-6353.

5.           Sattari, S.Z., et al., Negative global phosphorus budgets challenge sustainable intensification of grasslands. Nature Communications, 2016. 7(1): p. 10696.

6.           Keyzer, M., M. Merbis, and R. Voortman, The Biofuel Controversy. De Economist, 2008. 156(4): p. 507-527.

7.           Burke, M. and D.B. Lobell, Satellite-based assessment of yield variation and its determinants in smallholder African systems. Proceedings of the National Academy of Sciences, 2017. 114(9): p. 2189-2194.

8.           Gitelson, A.A., Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation. Journal of Plant Physiology, 2004. 161(2): p. 165-173.

9.           Moreira, A., et al., A tutorial on synthetic aperture radar. IEEE Geoscience and Remote Sensing Magazine, 2013. 1(1): p. 6-43.

10.         Setiyono, T.D., et al., Rice yield estimation using synthetic aperture radar (SAR) and the ORYZA crop growth model: development and application of the system in South and South-east Asian countries. International Journal of Remote Sensing, 2019. 40(21): p. 8093-8124.

11.         Huang, W., et al. Sensitivity of multi-source SAR backscatter to changes of forest aboveground biomass. in 2013 IEEE International Geoscience and Remote Sensing Symposium – IGARSS. 2013.

12.         Mulla, D.J., Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, 2013. 114(4): p. 358-371.

13.         Sattari, S.Z., et al., Crop yield response to soil fertility and N, P, K inputs in different environments: Testing and improving the QUEFTS model. Field Crops Research, 2014. 157(0): p. 35-46.

14.         Smaling, E.M.A. and B.H. Janssen, Calibration of QUEFTS, a model predicting nutrient uptake and yields from chemical soil fertility indices. Geoderma, 1993. 59(1-4): p. 21-44.

15.         Monteith, J.L. and C.J. Moss, Climate and the Efficiency of Crop Production in Britain [and Discussion]. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 1977. 281(980): p. 277-294.