This media is not supported in your browser
VIEW IN TELEGRAM
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
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
This media is not supported in your browser
VIEW IN TELEGRAM
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
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
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
This media is not supported in your browser
VIEW IN TELEGRAM
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
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
Классификация садов по радарным и оптическим данным
Дистанционное зондирование открывает беспрецедентные возможности для мониторинга плодовых деревьев. Многие исследования в этом направлении сосредоточены на использовании данных БПЛА, тогда как в работе
📖 Zhao, G., Wang, L., Zheng, J., Tuerxun, N., Han, W., & Liu, L. (2023). Optimized Extraction Method of Fruit Planting Distribution Based on Spectral and Radar Data Fusion of Key Time Phase. Remote Sensing, 15(17), 4140. https://doi.org/10.3390/rs15174140
применяется облачная платформа Google Earth Engine (GEE), и данные спутников Sentinel-1 и Sentinel-2.
В работе строится карта распространения четырех видов плодовых деревьев. Пространство признаков составлено из спектральной отражательной способности в различных диапазонах, вегетационных индексов, текстурных признаков, поляризационных признаков и признаков рельефа. Для отбора признаков использовался алгоритм последовательного прямого выбора (sequential forward selection, SFS), а для картографирования применялась комбинированная модель машинного обучения и объектно-ориентированной классификации.
Среди моделей классификации самую высокую точность (Overall Accuracy = 0,94, Kappa = 0,92) продемонстрировала комбинированная модель случайного леса и объектно-ориентированной классификации, основанной на методе SNIC, который реализован на платформе GEE.
Довольно неожиданно оказалось, что наибольший вклад в результаты классификации внёс коэффициент обратного рассеяния Sentinel-1, далее следует спектральная отражательная способность и вегетационные индексы, рассчитанные по данным Sentinel-2. Чаще бывает наоборот. Наименьший вклад внесли признаки рельефа.
📸 Схема работы
#сельхоз
Дистанционное зондирование открывает беспрецедентные возможности для мониторинга плодовых деревьев. Многие исследования в этом направлении сосредоточены на использовании данных БПЛА, тогда как в работе
📖 Zhao, G., Wang, L., Zheng, J., Tuerxun, N., Han, W., & Liu, L. (2023). Optimized Extraction Method of Fruit Planting Distribution Based on Spectral and Radar Data Fusion of Key Time Phase. Remote Sensing, 15(17), 4140. https://doi.org/10.3390/rs15174140
применяется облачная платформа Google Earth Engine (GEE), и данные спутников Sentinel-1 и Sentinel-2.
В работе строится карта распространения четырех видов плодовых деревьев. Пространство признаков составлено из спектральной отражательной способности в различных диапазонах, вегетационных индексов, текстурных признаков, поляризационных признаков и признаков рельефа. Для отбора признаков использовался алгоритм последовательного прямого выбора (sequential forward selection, SFS), а для картографирования применялась комбинированная модель машинного обучения и объектно-ориентированной классификации.
Среди моделей классификации самую высокую точность (Overall Accuracy = 0,94, Kappa = 0,92) продемонстрировала комбинированная модель случайного леса и объектно-ориентированной классификации, основанной на методе SNIC, который реализован на платформе GEE.
Довольно неожиданно оказалось, что наибольший вклад в результаты классификации внёс коэффициент обратного рассеяния Sentinel-1, далее следует спектральная отражательная способность и вегетационные индексы, рассчитанные по данным Sentinel-2. Чаще бывает наоборот. Наименьший вклад внесли признаки рельефа.
📸 Схема работы
#сельхоз
📹Наземный мониторинг бюджета углерода в почвах агроэкосистем Российской Федерации: от решения методических вопросов к созданию национальной сети [ссылка]
Лектор: Козлов Д. Н., к. г. н., первый заместитель директора Почвенного института имени В.В. Докучаева
Таймкоды:
0:10 – О лектории, представление докладчика, тема выступления.
1:09 – Вводное слово.
2:10 – Глобальное потепление и его влияние на Россию.
7:12 – Мера реагирования - стратегия научно-технологического развития РФ, обновленная в 2024 г.
9:06 – Изменение климата и сельское хозяйство.
12:47 – Адаптация к изменению климата. Рамочная конвенция ООН и Парижское соглашение.
15:35 – Потенциал смягчения выбросов парниковых газов в сельском хозяйстве.
24:01 – Роль и функции почв. Запасы углерода в почвах.
28:28 – Органическое вещество почв, его происхождение и роль в цикле углерода.
37:49 – Об исполнении национальных обязательств в рамках Киотского протокола и Парижского соглашения. Специфика изменения запасов углерода на разных типах угодий.
43:04 – Национальный кадастр выбросов. Секторы эмиссии.
46:28 – Совершенствование порядка учета выбросов и поглощения. Реестр почвозащитных агротехнологий.
52:49 – Адаптивно-ландшафтное земледелие, этапы его проектирования.
57:08 – Органическое земледелие – другой компонент почвозащитных технологий. Продукция с улучшенными характеристиками.
1:03:41 – Площадь сельскохозяйственных угодий страны, актуализация государственного кадастра.
1:05:46 – Государственный реестр земель сельхоз назначения. Какие данные должны в него войти? Агрохимслужба России.
1:08:01 – Научно-методическое обеспечение расчётов. Проект «Единая национальная система мониторинга климатически активных газов».
1:11:59 – Определение величины запасов почвенного органического вещества. О руководстве по оценке пулов углерода в почвах агроэкосистем и сети мониторинга.
1:18:55 – Сравнение затрат на различные методы определения углерода.
1:20:40 – О создании национальной системы мониторинга и ВИП ГЗ.
1:23:39 – Ответы на вопросы.
#почва #климат #сельхоз
Лектор: Козлов Д. Н., к. г. н., первый заместитель директора Почвенного института имени В.В. Докучаева
Таймкоды:
0:10 – О лектории, представление докладчика, тема выступления.
1:09 – Вводное слово.
2:10 – Глобальное потепление и его влияние на Россию.
7:12 – Мера реагирования - стратегия научно-технологического развития РФ, обновленная в 2024 г.
9:06 – Изменение климата и сельское хозяйство.
12:47 – Адаптация к изменению климата. Рамочная конвенция ООН и Парижское соглашение.
15:35 – Потенциал смягчения выбросов парниковых газов в сельском хозяйстве.
24:01 – Роль и функции почв. Запасы углерода в почвах.
28:28 – Органическое вещество почв, его происхождение и роль в цикле углерода.
37:49 – Об исполнении национальных обязательств в рамках Киотского протокола и Парижского соглашения. Специфика изменения запасов углерода на разных типах угодий.
43:04 – Национальный кадастр выбросов. Секторы эмиссии.
46:28 – Совершенствование порядка учета выбросов и поглощения. Реестр почвозащитных агротехнологий.
52:49 – Адаптивно-ландшафтное земледелие, этапы его проектирования.
57:08 – Органическое земледелие – другой компонент почвозащитных технологий. Продукция с улучшенными характеристиками.
1:03:41 – Площадь сельскохозяйственных угодий страны, актуализация государственного кадастра.
1:05:46 – Государственный реестр земель сельхоз назначения. Какие данные должны в него войти? Агрохимслужба России.
1:08:01 – Научно-методическое обеспечение расчётов. Проект «Единая национальная система мониторинга климатически активных газов».
1:11:59 – Определение величины запасов почвенного органического вещества. О руководстве по оценке пулов углерода в почвах агроэкосистем и сети мониторинга.
1:18:55 – Сравнение затрат на различные методы определения углерода.
1:20:40 – О создании национальной системы мониторинга и ВИП ГЗ.
1:23:39 – Ответы на вопросы.
#почва #климат #сельхоз
Картографирование полей риса-ратуна
Рис-ратун — это способ выращивания риса (а также сахарного тростника, банана и ананаса), когда после уборки первого урожая сохранившиеся спящие почки на стебле используются для размножения, что позволяет получить ещё один урожай риса.
Технология выращивания риса-ратуна не нова, но в последнее десятилетие она пережила своё второе рождение и активно развивается, особенно на юге-западе Китая. Картографирование полей в этом регионе является сложной задачей из-за частой облачности и туманов.
В 📖 работе показано, что простая пороговая модель, основанная на радарных данных Sentinel-1 в VH-поляризации позволяет получить общую точность выделения риса-ратуна — 90,24% (F1 = 0,92, Каппа = 0,80) и построить карты полей с пространственным разрешением 10 метров.
📊 Временные характеристики коэффициентов обратного рассеяния в поляризации VH (вертикально-горизонтальной) для пяти типов почвенно-растительного покрова. Тень возле кривых описывает диапазон ошибок. RR — рис-ратун. На графике хорошо видны периоды, когда посадки риса-ратуна и обычного риса существенно отличаются по величине коэффициента обратного рассеяния.
#сельхоз #SAR
Рис-ратун — это способ выращивания риса (а также сахарного тростника, банана и ананаса), когда после уборки первого урожая сохранившиеся спящие почки на стебле используются для размножения, что позволяет получить ещё один урожай риса.
Технология выращивания риса-ратуна не нова, но в последнее десятилетие она пережила своё второе рождение и активно развивается, особенно на юге-западе Китая. Картографирование полей в этом регионе является сложной задачей из-за частой облачности и туманов.
В 📖 работе показано, что простая пороговая модель, основанная на радарных данных Sentinel-1 в VH-поляризации позволяет получить общую точность выделения риса-ратуна — 90,24% (F1 = 0,92, Каппа = 0,80) и построить карты полей с пространственным разрешением 10 метров.
📊 Временные характеристики коэффициентов обратного рассеяния в поляризации VH (вертикально-горизонтальной) для пяти типов почвенно-растительного покрова. Тень возле кривых описывает диапазон ошибок. RR — рис-ратун. На графике хорошо видны периоды, когда посадки риса-ратуна и обычного риса существенно отличаются по величине коэффициента обратного рассеяния.
#сельхоз #SAR
Радиолокационный метод для анализа физико-химических свойств почвы [ссылка]
Группа ученых Северо-Кавказского федерального университета под руководством заведующего кафедрой инфокоммуникаций, доктора технических наук Геннадия Линца, разработала радиолокационный метод для анализа физико-химических свойств почвы ниже уровня “воздух-поверхность”. Это позволяет более эффективно и с меньшими затратами определять влажность и электропроводность почвы в зоне корневой системы растений.
“Запатентованный нами метод и устройство для анализа подповерхностных горизонтов почвы основаны на создании радиолокационной системы, состоящей из двух БПЛА, обеспечивающей наклонное облучение земной поверхности с использованием эффекта Брюстера и уравнений Френеля. Адекватность методики была не только экспериментально доказана, но и опробована в нескольких крупных агропредприятиях нашего региона”, — сообщил Геннадий Линец.
Преимуществом разработанного метода является возможность оперативного расчета необходимого объёма внесения удобрений. Почвенная влага служит основой для формирования питательных растворов, которые способствуют увеличению роста и продуктивности растений.
Полученные данные имеют ключевое значение для контроля плодородия почвы и помогают своевременно планировать необходимые агротехнические мероприятия, что особенно важно для предотвращения деградации сельскохозяйственных земель в засушливых и заболоченных регионах.
В рамках исследований получены три патента и опубликован ряд статей в научных журналах.
#сельхоз #SAR #россия
Группа ученых Северо-Кавказского федерального университета под руководством заведующего кафедрой инфокоммуникаций, доктора технических наук Геннадия Линца, разработала радиолокационный метод для анализа физико-химических свойств почвы ниже уровня “воздух-поверхность”. Это позволяет более эффективно и с меньшими затратами определять влажность и электропроводность почвы в зоне корневой системы растений.
“Запатентованный нами метод и устройство для анализа подповерхностных горизонтов почвы основаны на создании радиолокационной системы, состоящей из двух БПЛА, обеспечивающей наклонное облучение земной поверхности с использованием эффекта Брюстера и уравнений Френеля. Адекватность методики была не только экспериментально доказана, но и опробована в нескольких крупных агропредприятиях нашего региона”, — сообщил Геннадий Линец.
Преимуществом разработанного метода является возможность оперативного расчета необходимого объёма внесения удобрений. Почвенная влага служит основой для формирования питательных растворов, которые способствуют увеличению роста и продуктивности растений.
Полученные данные имеют ключевое значение для контроля плодородия почвы и помогают своевременно планировать необходимые агротехнические мероприятия, что особенно важно для предотвращения деградации сельскохозяйственных земель в засушливых и заболоченных регионах.
В рамках исследований получены три патента и опубликован ряд статей в научных журналах.
#сельхоз #SAR #россия
Технология подкормки азотными удобрениями по данным гиперспектральной съёмки с беспилотника
📖 Якушев В.П., Якушев В.В., Блохина С.Ю. и др. Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур http://jr.rse.cosmos.ru/article.aspx?id=2835 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 188–203. DOI: 10.21046/2070-7401-2024-21-3-188-203
Разработан алгоритм управления азотным режимом по данным гиперспектрального зондирования с беспилотника. Для внесения азотных удобрений определяли зоны посева, испытывающие стресс по азоту, рассчитывали необходимые дозы удобрений и 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.
Отличный путеводитель по результатам многолетней работы учёных из Агрофизического научно-исследовательского института (г. Санкт-Петербург).
📸 Карта однородных зон поля по индексу ChlRI и карта-задание на внесение азотных удобрений.
#сельхоз #растительность #гиперспектр
📖 Якушев В.П., Якушев В.В., Блохина С.Ю. и др. Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур http://jr.rse.cosmos.ru/article.aspx?id=2835 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 188–203. DOI: 10.21046/2070-7401-2024-21-3-188-203
Разработан алгоритм управления азотным режимом по данным гиперспектрального зондирования с беспилотника. Для внесения азотных удобрений определяли зоны посева, испытывающие стресс по азоту, рассчитывали необходимые дозы удобрений и 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.
Отличный путеводитель по результатам многолетней работы учёных из Агрофизического научно-исследовательского института (г. Санкт-Петербург).
📸 Карта однородных зон поля по индексу ChlRI и карта-задание на внесение азотных удобрений.
#сельхоз #растительность #гиперспектр
На долю агротехнологий приходятся 20% всех университетских стартапов, создаваемых в рамках федерального проекта “Платформа университетского технологического предпринимательства” [ссылка]
Молодые предприниматели создают системы для автоматизации процессов кормления скота, цифровые системы мониторинга и фенотипирования растений, устройства для гидропоники, одним из перспективных направлений стало развитие биотехнологий, направленных на снижение пестицидной нагрузки и производство экологически чистых продуктов.
В частности, создатели стартапа “АгроСпектр” познакомились во время учебы в Новосибирском государственном университете, разошлись по разным магистратурам, а затем снова встретились, чтобы создать совместный проект — комплексное цифровизированное решение для обработки данных в области исследований растительности, основанное на алгоритмах машинного обучения и искусственного интеллекта.
“Сельское хозяйство является одной из самых нецифровизированных отраслей. Применение современных подходов к анализу данных позволит находить новые зависимости в модели растениеводства, повышать точность прогнозирования урожайности, доз удобрений, разработке новых эффективных сортов и т.д.”, — пояснил один из основателей стартапа Александр Колмачевский.
Выпускники РГАУ-МСХА им. Тимирязева изобрели робота и нейросеть для выявления болезней тепличных растений и создали для его реализации стартап «Вавилов».
“Так как наш вуз имеет сельскохозяйственную направленность, мы выбрали направление AgroTech. А решением стало использование старой неработающей машинки на радиоуправлении – мы решили ее перепрограммировать и применить в проекте. Один из членов команды разбирался в компьютерном зрении, и совместными усилиями мы придумали создать робота с искусственным интеллектом для сельского хозяйства”, — говорит один из авторов и руководитель стартапа Егор Каинов.
В рамках федерального проекта “Платформа университетского технологического предпринимательства” Минобрнауки РФ с 2022 года созданы и успешно работают более 20 стартап-студий. Они совмещают функции инвесторов и предпринимателей. Такая модель позволяет университетам передавать знания в реальный сектор экономики. Основная цель университетских стартап-студий — серийно строить технологические бизнесы вместе с университетами и студентами.
#россия #сельхоз
Молодые предприниматели создают системы для автоматизации процессов кормления скота, цифровые системы мониторинга и фенотипирования растений, устройства для гидропоники, одним из перспективных направлений стало развитие биотехнологий, направленных на снижение пестицидной нагрузки и производство экологически чистых продуктов.
В частности, создатели стартапа “АгроСпектр” познакомились во время учебы в Новосибирском государственном университете, разошлись по разным магистратурам, а затем снова встретились, чтобы создать совместный проект — комплексное цифровизированное решение для обработки данных в области исследований растительности, основанное на алгоритмах машинного обучения и искусственного интеллекта.
“Сельское хозяйство является одной из самых нецифровизированных отраслей. Применение современных подходов к анализу данных позволит находить новые зависимости в модели растениеводства, повышать точность прогнозирования урожайности, доз удобрений, разработке новых эффективных сортов и т.д.”, — пояснил один из основателей стартапа Александр Колмачевский.
Выпускники РГАУ-МСХА им. Тимирязева изобрели робота и нейросеть для выявления болезней тепличных растений и создали для его реализации стартап «Вавилов».
“Так как наш вуз имеет сельскохозяйственную направленность, мы выбрали направление AgroTech. А решением стало использование старой неработающей машинки на радиоуправлении – мы решили ее перепрограммировать и применить в проекте. Один из членов команды разбирался в компьютерном зрении, и совместными усилиями мы придумали создать робота с искусственным интеллектом для сельского хозяйства”, — говорит один из авторов и руководитель стартапа Егор Каинов.
В рамках федерального проекта “Платформа университетского технологического предпринимательства” Минобрнауки РФ с 2022 года созданы и успешно работают более 20 стартап-студий. Они совмещают функции инвесторов и предпринимателей. Такая модель позволяет университетам передавать знания в реальный сектор экономики. Основная цель университетских стартап-студий — серийно строить технологические бизнесы вместе с университетами и студентами.
#россия #сельхоз
Где растёт виноград для просекко
На снимке, сделанном спутником Sentinel-2 30 августа 2024 года, изображены виноградники в итальянском регионе Венето. Эта область славится производством Просекко (итал. Prosecco), игристого белого вина из винограда сорта Глера.
Пространственное разрешение снимка — 10 метров на пиксель — не позволяет различить ряды винограда (среднее расстояние между рядами составляет около 2,5 метров). Подсказкой является форма полей, многие из которых вытянуты в направлении с севера на юг. В винограднике ряды размещают в направлении север-юг, чтобы обе стороны лозы получали одинаковое количество солнца.
Название вина происходит от названия деревни Prosecco на востоке Италии, рядом с городом Триест. Название деревни, в свою очередь, происходит от слова “просека” славянского происхождения (словен. proseka).
#снимки #сельхоз
На снимке, сделанном спутником Sentinel-2 30 августа 2024 года, изображены виноградники в итальянском регионе Венето. Эта область славится производством Просекко (итал. Prosecco), игристого белого вина из винограда сорта Глера.
Пространственное разрешение снимка — 10 метров на пиксель — не позволяет различить ряды винограда (среднее расстояние между рядами составляет около 2,5 метров). Подсказкой является форма полей, многие из которых вытянуты в направлении с севера на юг. В винограднике ряды размещают в направлении север-юг, чтобы обе стороны лозы получали одинаковое количество солнца.
Название вина происходит от названия деревни Prosecco на востоке Италии, рядом с городом Триест. Название деревни, в свою очередь, происходит от слова “просека” славянского происхождения (словен. proseka).
#снимки #сельхоз
Разработана технология внесения удобрений по спутниковым данным [ссылка]
"Команда российских разработчиков создала автоматизированную систему "Умное сельское хозяйство" на основе искусственного интеллекта для дифференцированного внесения удобрений с использованием космических снимков, анализом данных по типам почв, погодных условий", — рассказали агентству РИА Новости в пресс-службе платформы Национальной технологической инициативы.
Как отметил лидер проекта Алексей Олифиренко, система формирует специальные карты-задания для сельскохозяйственной техники, что позволяет вносить удобрения в нужном месте и в нужном количестве. Процессом внесения вещества управляет компьютер. Такой подход помогает аграриям повышать урожайность и минимизировать потери.
"Мы успешно реализовали пилотный проект в крупном агрохолдинге в Краснодарском крае. В рамках этого проекта были достигнуты значительные результаты: экономия удобрений составила 20%, а урожайность на экспериментальных полях увеличилась на 23%, достигнув 96 центнеров с гектара. В результате агрохолдинг принял решение масштабировать проект на своих полях с 3 до 10 тысяч гектаров в течение следующих трех лет", — уточнил Олифиренко.
Разработали систему в ООО "ПрофАгро". Вот презентация проекта “Умное сельское хозяйство” на НТИ.
#россия #сельхоз
"Команда российских разработчиков создала автоматизированную систему "Умное сельское хозяйство" на основе искусственного интеллекта для дифференцированного внесения удобрений с использованием космических снимков, анализом данных по типам почв, погодных условий", — рассказали агентству РИА Новости в пресс-службе платформы Национальной технологической инициативы.
Как отметил лидер проекта Алексей Олифиренко, система формирует специальные карты-задания для сельскохозяйственной техники, что позволяет вносить удобрения в нужном месте и в нужном количестве. Процессом внесения вещества управляет компьютер. Такой подход помогает аграриям повышать урожайность и минимизировать потери.
"Мы успешно реализовали пилотный проект в крупном агрохолдинге в Краснодарском крае. В рамках этого проекта были достигнуты значительные результаты: экономия удобрений составила 20%, а урожайность на экспериментальных полях увеличилась на 23%, достигнув 96 центнеров с гектара. В результате агрохолдинг принял решение масштабировать проект на своих полях с 3 до 10 тысяч гектаров в течение следующих трех лет", — уточнил Олифиренко.
Разработали систему в ООО "ПрофАгро". Вот презентация проекта “Умное сельское хозяйство” на НТИ.
#россия #сельхоз
Переменные окружающей среды повышают точность оценки содержания органического углерода в почве с помощью данных дистанционного зондирования
В недавней 📖 работе китайских учёных исследовалось влияние методов моделирования и выбора переменных на точность оценки содержания органического углерода в почве (soil organic carbon, SOC) по данным дистанционного зондирования Земли (ДЗЗ).
В качестве методов моделирования использовались два варианта линейной регрессии и два метода машинного обучения: случайный лес (random forest, RF) и метод опорных векторов (support vector machine, SVM). Анализируемые переменные окружающей среды включали факторы рельефа, климата, почвы и растительного покрова (вегетационные индексы).
Исследования проводились в районе The Northeast China Transect, расположенном в среднеширотном полузасушливом регионе вдоль 43°30' северной широты, общей протяженностью около 1600 км (112° – 130°30' восточной долготы). Сбор образцов почвы был проведен с 26 июля по 8 августа 2001 года. В качестве данных ДЗЗ использовались значения спектральной отражательной способности, полученной по снимкам спутника Landsat 5.
Результаты показали, что: (1) Содержание SOC может быть эффективно оценено с помощью отражательной способности, полученной из снимков Landsat 5 TM. (2) Переменные окружающей среды могут существенно повысить точность оценки содержания SOC, причем климатические и почвенные факторы дают наиболее значительные улучшения. (3) Методы моделирования на основе машинного обучения обеспечивают более высокую точность оценки, чем линейная регрессия. Лучшие результаты были получены с помощью SVM по данным отражательной способности и переменным окружающей среды: R^2 = 0.9220, RMSE = 11.6165, MAE = 10.8075 (на тестовых данных). Несколько худшие результаты дал RF.
Исследование показало, что добавление переменных окружающей среды может эффективно повысить точность оценки содержания SOC. Среди этих переменных среднегодовое количество осадков и pH почвы являются основными факторами, влияющими на точность оценки содержания SOC, за которыми следуют высота над уровнем моря, уклон и аспект. Температура оказывает значительное влияние на содержание SOC через воздействие на активность почвенных микроорганизмов и почвенное дыхание. pH почвы влияет на химические реакции и ионообменные свойства почвы. Кислые почвы обычно ограничивают активность микроорганизмов и разложение органического вещества, тем самым препятствуя накоплению SOC. Осадки косвенно влияют на содержание SOC, воздействуя на состояние влажности почвы.
🗺 Содержание органического углерода в почве в исследуемой области (2001 г.), основанное на лучшей модели.
Если бы авторы разделили исследуемую область на несколько подобластей, то шанс появился бы и у линейной регрессии)
#сельхоз #почва
В недавней 📖 работе китайских учёных исследовалось влияние методов моделирования и выбора переменных на точность оценки содержания органического углерода в почве (soil organic carbon, SOC) по данным дистанционного зондирования Земли (ДЗЗ).
В качестве методов моделирования использовались два варианта линейной регрессии и два метода машинного обучения: случайный лес (random forest, RF) и метод опорных векторов (support vector machine, SVM). Анализируемые переменные окружающей среды включали факторы рельефа, климата, почвы и растительного покрова (вегетационные индексы).
Исследования проводились в районе The Northeast China Transect, расположенном в среднеширотном полузасушливом регионе вдоль 43°30' северной широты, общей протяженностью около 1600 км (112° – 130°30' восточной долготы). Сбор образцов почвы был проведен с 26 июля по 8 августа 2001 года. В качестве данных ДЗЗ использовались значения спектральной отражательной способности, полученной по снимкам спутника Landsat 5.
Результаты показали, что: (1) Содержание SOC может быть эффективно оценено с помощью отражательной способности, полученной из снимков Landsat 5 TM. (2) Переменные окружающей среды могут существенно повысить точность оценки содержания SOC, причем климатические и почвенные факторы дают наиболее значительные улучшения. (3) Методы моделирования на основе машинного обучения обеспечивают более высокую точность оценки, чем линейная регрессия. Лучшие результаты были получены с помощью SVM по данным отражательной способности и переменным окружающей среды: R^2 = 0.9220, RMSE = 11.6165, MAE = 10.8075 (на тестовых данных). Несколько худшие результаты дал RF.
Исследование показало, что добавление переменных окружающей среды может эффективно повысить точность оценки содержания SOC. Среди этих переменных среднегодовое количество осадков и pH почвы являются основными факторами, влияющими на точность оценки содержания SOC, за которыми следуют высота над уровнем моря, уклон и аспект. Температура оказывает значительное влияние на содержание SOC через воздействие на активность почвенных микроорганизмов и почвенное дыхание. pH почвы влияет на химические реакции и ионообменные свойства почвы. Кислые почвы обычно ограничивают активность микроорганизмов и разложение органического вещества, тем самым препятствуя накоплению SOC. Осадки косвенно влияют на содержание SOC, воздействуя на состояние влажности почвы.
🗺 Содержание органического углерода в почве в исследуемой области (2001 г.), основанное на лучшей модели.
Если бы авторы разделили исследуемую область на несколько подобластей, то шанс появился бы и у линейной регрессии)
#сельхоз #почва
Меандры Ирравади
Ирравади (Irrawaddy) — крупнейшая водная артерия Бирмы (Мьянмы), длиной более 2170 километров. Река берет начало в северной части страны и течет на юг до впадения в Андаманское море. Осадки в воде придают реке непрозрачный, светло-коричневый цвет, за исключением короткого светло-зеленого участка возле населенного пункта Елегале (Yelegale).
Темно-зеленая растительность окаймляет берега старых русел Ирравади. Эти русла особенно заметны в правой верхней части снимка. В пойме реки видны следы сельскохозяйственного производства. Это район называют “рисовой чашей” Бирмы. Снимок сделан в декабре, в период сбора урожая.
📸 Снимок с МКС (ISS070-E-42458, 16 декабря 2023 года).
#снимки #вода #сельхоз
Ирравади (Irrawaddy) — крупнейшая водная артерия Бирмы (Мьянмы), длиной более 2170 километров. Река берет начало в северной части страны и течет на юг до впадения в Андаманское море. Осадки в воде придают реке непрозрачный, светло-коричневый цвет, за исключением короткого светло-зеленого участка возле населенного пункта Елегале (Yelegale).
Темно-зеленая растительность окаймляет берега старых русел Ирравади. Эти русла особенно заметны в правой верхней части снимка. В пойме реки видны следы сельскохозяйственного производства. Это район называют “рисовой чашей” Бирмы. Снимок сделан в декабре, в период сбора урожая.
📸 Снимок с МКС (ISS070-E-42458, 16 декабря 2023 года).
#снимки #вода #сельхоз
ДальГАУ разработал региональную модель прогнозирования урожайности на основе спутниковых снимков [ссылка]
Сергей Маргелов, глава Центра искусственного интеллекта Дальневосточного государственного аграрного университета (ДальГАУ), рассказал, что на первом этапе с использованием спутникового мониторинга осуществляется актуализация векторного слоя сельскохозяйственных полей. «На втором этапе мы делаем наземное обследование, выехали и посмотрели. И на основании наземного мониторинга в рамках третьего этапа — вносим информацию в цифровую систему. Потом есть понимание, что и где происходит в каждом районе, муниципальном округе Амурской области».
«Мы обновили данные и подготовили информационный бюллетень, в котором представлена оценка состояния посевов и прогноз урожайности. Теперь Министерство сельского хозяйства Амурской области имеет полное представление о количестве обрабатываемых полей, их состоянии и существующих проблемах», — сообщил сотрудник Центра искусственного интеллекта ДальГАУ Никита Кирьяков.
Региональная модель прогнозирования урожайности развивается в рамках масштабной стратегической программы поддержки университетов «Приоритет–2030». Проект осуществляется в сотрудничестве с Министерством сельского хозяйства Амурской области, Институтом космических исследований РАН и Институтом космических исследований Земли. Еще одним партнером проекта является ООО «Амурагрокомплекс», который оказало поддержку специалистам ДальГАУ, предоставив возможность собирать эталонные данные со своих сельскохозяйственных полей.
#россия #сельхоз
Сергей Маргелов, глава Центра искусственного интеллекта Дальневосточного государственного аграрного университета (ДальГАУ), рассказал, что на первом этапе с использованием спутникового мониторинга осуществляется актуализация векторного слоя сельскохозяйственных полей. «На втором этапе мы делаем наземное обследование, выехали и посмотрели. И на основании наземного мониторинга в рамках третьего этапа — вносим информацию в цифровую систему. Потом есть понимание, что и где происходит в каждом районе, муниципальном округе Амурской области».
«Мы обновили данные и подготовили информационный бюллетень, в котором представлена оценка состояния посевов и прогноз урожайности. Теперь Министерство сельского хозяйства Амурской области имеет полное представление о количестве обрабатываемых полей, их состоянии и существующих проблемах», — сообщил сотрудник Центра искусственного интеллекта ДальГАУ Никита Кирьяков.
Региональная модель прогнозирования урожайности развивается в рамках масштабной стратегической программы поддержки университетов «Приоритет–2030». Проект осуществляется в сотрудничестве с Министерством сельского хозяйства Амурской области, Институтом космических исследований РАН и Институтом космических исследований Земли. Еще одним партнером проекта является ООО «Амурагрокомплекс», который оказало поддержку специалистам ДальГАУ, предоставив возможность собирать эталонные данные со своих сельскохозяйственных полей.
#россия #сельхоз
Карта типов сельскохозяйственных культур стран ЕС на 2022 год
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE