BELSAR: моно- и бистатические полностью поляриметрические данные авиационного радара L-диапазона для сельского хозяйства и гидрологии

Набор данных BELSAR состоит из разновременных моно- и бистатических данных полностью поляриметрического авиационного радара с синтезированной апертурой высокого разрешения в L-диапазоне, а также одновременных измерений растительности и почвенных биогеофизических переменных, проведенных на полях кукурузы и озимой пшеницы летом 2018 года в Бельгии.

В моностатических радарных системах передатчик и приёмник находятся в одном месте, тогда как в бистатических передатчик и приёмник пространственно разделены. Мультистатические системы включают в себя как моно-, так и бистатические компоненты. Самая простая мультистатическая система состоит из активного моностатического датчика и пассивного бистатического. Эти системы позволяют получать информацию о многомерных эффектах рассеяния, используя различные геометрии и конфигурации, обеспечивая дополнительную информацию, по сравнению с той, которую дают моностатические радарные системы.

В связи с этим Европейское космическое агентство профинансировало проект BELSAR-Campaign — кампанию воздушных и полевых измерений, которая проводилась в течение вегетационного сезона 2018 года в Бельгии. Полевые измерения проводились во время и после вегетационного периода на 10 полях кукурузы и 10 полях озимой пшеницы синхронно с получением радарных данных.

📖 Bouchat, J., Tronquo, E., Orban, A., de Macedo, K. A. C., Davidson, M., Verhoest, N. E. C., & Defourny, P. (2024). The BELSAR dataset: Mono- and bistatic full-pol L-band SAR for agriculture and hydrology. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03320-1

Интегрированный набор данных доступен непосредственно на сайте figshare, а данные BELSAR-Campaign — через FTP после подачи запроса на доступ к данным в службу ESA Earth Online.

🛢 Данные и код на figshare

📸 Район сбора данных BELSAR

#данные #сельхоз #SAR #вода

Запасы органического углерода в сельскохозяйственных почвах Германии

Данные о запасах органического углерода почвы (SOC) в сельскохозяйственных почвах по всей Германии, собранные Институтом Thünen (Thünen Institute of Climate-Smart Agriculture). В период с 2009 по 2018 год было отобрано в общей сложности 3104 полевых участка на сетке 8 x 8 км. Набор данных состоит из трёх частей с соответствующими readme-файлами, которые поясняют данные:

* LABORATORY_DATA.xlsx — результаты лабораторных исследований.
* SITE.xlsx — информация о местах отбора проб.
* HORIZON_DATA.xlsx — описание почвенного профиля, определенное в полевых условиях, с несколькими ключевыми параметрами горизонта.

🛢 Poeplau, C., Don, A., Flessa, H., Heidkamp, A., Jacobs, A., Prietz, R., (2020). Erste Bodenzustandserhebung Landwirtschaft – Kerndatensatz. https://doi.org/10.3220/DATA20200203151139

#данные #почва #сельхоз

Набор данных мультиспектральной съемки с БПЛА посевов пшеницы, сои и ячменя в Восточном Казахстане

🛢 Maulit A., Nugumanova A., Apayev K., Baiburin Y., & Sutula M. (2023). A multispectral UAV Imagery dataset of wheat, soybean, and barley crops in East Kazakhstan (Version 3) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.7860751

Набор данных состоит из изображений сельскохозяйственных культур, полученных в течение вегетационного сезона 2022 года в Восточно-Казахстанской области. Изображения были получены с помощью мультиспектральной камеры, установленной на беспилотном летательном аппарате DJI Phantom 4. Сельскохозяйственные угодья площадью 27 гектаров, на которых выращивались пшеница, ячмень и соя, подверглись пяти сеансам мультиспектральной аэрофотосъемки в течение вегетационного периода. Это позволило провести тщательный мониторинг наиболее важных фенологических этапов развития культур в экспериментальной схеме, состоящей из 27 участков площадью 1 гектар каждый. К пяти исходным спектральным каналам (Blue, Green, Red, Red Edge, Near Infrared Red) добавлен шестой канал, который содержит значения нормализованного разностного индекса растительности (NDVI). Это позволяет более эффективно оценивать состояние и рост растительности, что делает обогащённый набор данных ценным ресурсом для разработки и проверки моделей мониторинга и прогнозирования урожайности, а также для изучения методов точного земледелия.

#данные #сельхоз

Данные об урожайности и площадях под сельскохозяйственными культурами в Германии с 1979 по 2021 год

В наборе данных содержится 214 820 точек данных, которые охватывают около 9,5 миллиона гектаров посевных площадей в год, что составляет примерно 80% всех пахотных земель в Германии. Данные разделены на 397 районов, средняя площадь которых составляет 900 кв. км, и включают такие культуры, как яровой и озимый ячмень, кукуруза, овёс, картофель, озимый рапс, рожь, сахарная свёкла, тритикале и озимая пшеница.

Данные могут быть полезны для анализа влияния факторов окружающей среды на урожайность, для разработки и проверки методов прогнозирования урожайности и оценки рисков потерь урожая в сельском хозяйстве.

📖 Duden, C., Nacke, C., & Offermann, F. (2024). German yield and area data for 11 crops from 1979 to 2021 at a harmonized spatial resolution of 397 districts. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-02951-8

🛢 Данные в репозитории OpenAgrar

Данные состоят из четырёх файлов: исходные данные ('Raw_data.csv'), окончательные данные ('Final_data.csv'), текстовый файл с пояснениями, определениями переменных и примечаниями по использованию ('Readme.pdf'), а также список источников данных ('Data_sources.pdf'). Репозиторий содержит две папки с картами, отображающими наличие данных по каждой культуре с разбивкой по годам (‘YearMapsCropArea’ и ‘YearMapsCropYield’).

#данные #сельхоз

USDA Crop Sequence Boundaries

Набор данных Crop Sequence Boundaries (CSB) создан Национальной службой сельскохозяйственной статистики (National Agriculture Statistics Service, NASS) и Службой экономических исследований Министерства сельского хозяйства США (USDA). Он содержат неконфиденциальные границы полей одной культуры за восьмилетний период. Поле одной культуры означает, что каждый год на этом поле выращивалась какая-то одна культура, название которой указано. Зафиксированные границы полей относятся только к выращиваемым культурам, а не к границам владения. Данные получены из спутниковых снимков и других общедоступных данных (в частности, Cropland Data Layer), и сами являются общедоступными.

Данные CSB позволяют анализировать севообороты на территории 48 смежных Соединённых Штатов (CONUS), а также могут быть использованы в качестве обучающих данных для классификации культур и определения границ полей.

📖 Методика создания набора данных: Hunt K.A., Abernethy J., Beeson P., Bowman M., Wallander S., Williams R. (2023) Crop Sequence Boundaries (CSB): Delineated Fields Using Remotely Sensed Crop Rotations.
🛢 CSB на сайте NASS, начиная с 2008 года
🗺 CSB на GEE, 2016–2023 годы
🖥 Код проекта CSB на GitHub

#данные #сельхоз #GEE

Global Oil Palm Dataset 1990–2021

Набор данных содержит:

1️⃣ GlobalOilPalm_OP-extent — глобальную карту распространения плантаций масличной пальмы, включающую как промышленные, так и мелкие фермерские поля, с пространственным разрешением 10 метров, построенную на основе данных Sentinel-1 за период с 2016 по 2021 год. Формат: Geotiff.

2️⃣ GlobalOilPalm_YoP — оценки года посадки плантации с 1990 по 2021 год с пространственным разрешением 30 метров, полученные на основе снимков Landsat-5, -7 и -8. Формат: Geotiff.

3️⃣ Grid_OilPalm2016-2021 — Сетка, состоящая из 609 ячеек размером 100 x 100 км, в которых были обнаружены плантации масличной пальмы. Формат: шейпфайл.

4️⃣ Validation_points_GlobalOP2016-2021 — 17812 точек, используемых для проверки глобальных карт 1️⃣ и 2️⃣. Формат: шейпфайл.

📖 Методика создания набора данных: Descals, A., Gaveau, D. L. A., Wich, S., Szantoi, Z., and Meijaard, E. Global mapping of oil palm planting year from 1990 to 2021. Earth Syst. Sci Data Discuss. [preprint], https://doi.org/10.5194/essd-2024-157, in review, 2024.
🛢 Данные на Zenodo
🌍 Данные на GEE

Анализ данных показал, что общая площадь плантаций масличной пальмы составляет 23,98 млн га, из которых 16,66 ± 0,25 млн га занимают промышленные плантации и 7,59 ± 0,29 млн га — мелкие. Точность данных довольно высока: producers' accuracy составляет 91,9 ± 3,4 %, а users' accuracy — 91,8 ± 1,0 % для промышленных плантаций, а для мелких фермеров — 72,7 ± 1,3 % и 75,7 ± 2,5 % соответственно. Средний возраст насаждений составляет 14,1 года, а возраст плантаций на площади 6,28 млн га превышает 20 лет, что указывает на значительную потребность в пересадке деревьев в ближайшее десятилетие.

#GEE #датасет #данные #сельхоз

Глобальные данные о методах обработки почв в растениеводстве

Метод обработки почвы no-till (NT) часто представляют как средство выращивания культур с положительными экологическими эффектами, такими как увеличение секвестрации углерода, улучшение качества почвы, снижение эрозии почвы и увеличение биоразнообразия. Однако вопрос о возможных преимуществах NT по сравнению с традиционной обработкой почвы (conventional tillage, CT), является дискуссионным и характеризуется высокой вариативностью результатов наблюдений во времени и пространстве.

Чтобы сравнить результаты обоих методов был создан набор данных Global crop production tillage practices. В нём содержатся сведения об урожайности культур, полученной при использовании CT и NT, а также информация о вегетационном периоде, методах управления, характеристиках почвы и ключевых климатических параметрах в течение экспериментального года.

Набор данных содержит 4403 парных наблюдений за урожайностью в период с 1980 по 2017 год для восьми основных сельскохозяйственных культур в 50 странах. Он поможет получить представление об основных факторах, объясняющих изменчивость продуктивности NT и влияние внедрения этого метода на урожайность.

📖 Su, Y., Gabrielle, B., & Makowski, D. (2021). A global dataset for crop production under conventional tillage and no tillage systems. Scientific Data, 8(1). https://doi.org/10.1038/s41597-021-00817-x

🛢 figshare

🗺 Google Earth Engine

#сельхоз #данные #GEE

Пакет mlhrsm для картографирования влажности почвы с высоким пространственным разрешением

Влажность почвы — одна из ключевых переменных в сельском хозяйстве и в экологии. С определением влажности почвы в масштабе поля по данным дистанционного зондирования из космоса существуют большие проблемы: исходные данные имеют низкое пространственное разрешение, а результатам машинного обучения недостаёт точности.

В работе

📖 Peng, Y., Yang, Z., Zhang, Z., & Huang, J. (2024). A Machine Learning-Based High-Resolution Soil Moisture Mapping and Spatial–Temporal Analysis: The mlhrsm Package. Agronomy, 14(3), 421. https://doi.org/10.3390/agronomy14030421

предлагается очередная модель машинного обучения для картографирования влажности почвы. Она основана на алгоритме квантильного случайного леса (quantile random forest) и использует данные наземных датчиков влажности, параметры поверхности земли (растительность, рельеф и почву), а также оценки влажности почвы на поверхности и в прикорневой зоне, полученные по спутниковым данным. В работе используются данные спутников SMAP, Sentinel-1, Landsat, а также данные приборов MODIS. Область исследования: CONUS (contiguous USA), где существуют открытые данные наземных датчиков влажности почвы.

Модель позволяет создавать карты влажности почвы высокого разрешения (от 30 до 500 м, от ежедневных до ежемесячных) и строить оценки неопределенности на участках по территории CONUS на уровнях 0–5 см и 0–1 м.

Точность результатов — примерно такая же, как и у других работ подобного рода. Примеры оценок можно посмотреть в статье.

Привлекает в работе то, что весь расчёт оформлен в виде пакета mlhrsm на языке R с открытым исходным кодом. По сути, статья — это руководство пользователя mlhrsm, где показан расчёт влажности почвы на примере одного поля. Её можно использовать для анализа сильных и слабых сторон подобных моделей, а также как основу для создания собственных моделей.

#почва #сельхоз #R

Границы сельскохозяйственных полей Великобритании

Набор данных UK Fields включает в себя автоматически очерченные границы полей в Англии, Уэльсе, Шотландии и Северной Ирландии. Этот набор данных предоставляет полную информацию о границах полей на территории Великобритании, полученную на основе композитов снимков Sentinel 2, сделанных в 2021 году.

Для построения границ полей использовалась модель Segment Anything Model, разработанная компанией Meta. Сегментированные поля были отмаскированы по годовому композиту данных Dynamic World за 2021 год (класс “crops”).

🛢 Bancroft, S., & Wilkins, J. (2024). UKFields (1.0.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.11110206
🗺 UK Fields на GEE

#данные #сельхоз #UK #GEE