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
В МАИ научат искусственный интеллект определять плодородие почвы [ссылка]
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва
This media is not supported in your browser
VIEW IN TELEGRAM
QDANN — карты урожайности кукурузы, сои и озимой пшеницы на внутриполевом уровне
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
Красноярские учёные разработали алгоритмы обработки данных и получения информации в автоматизированном режиме для наблюдения за сельскохозяйственными посевами [ссылка]
Они опробовали свой метод в опытно-производственных хозяйствах Красноярского научного центра Сибирского отделения Российской академии наук — в опытно-производственных хозяйствах "Курагинское" и "Михайловское", расположенное в Ужурском районе.
По спутниковым данным разработаны интерактивные тематические карты и веб-сервис, которые обеспечивают оперативный мониторинг посевов. Сервис содержит значения средней суточной температуры поверхности почвы, количества ежедневных осадков и средние значения индексов вегетации, отражающие состояние сельскохозяйственных посевов.
Основными показателями, отражающими состояние сельскохозяйственных посевов, являются значения вегетационных индексов NDVI, ClGreen и MSAVI2. Первый характеризует состояние растительности на протяжении всего вегетационного сезона. Второй используется для оценки общего содержания хлорофилла в листьях, его данные позволяют рассчитывать необходимое количество удобрений. Третий отображает неоднородность пространственного распределения посевов на почве.
См. также здесь.
#россия #сельхоз
Они опробовали свой метод в опытно-производственных хозяйствах Красноярского научного центра Сибирского отделения Российской академии наук — в опытно-производственных хозяйствах "Курагинское" и "Михайловское", расположенное в Ужурском районе.
По спутниковым данным разработаны интерактивные тематические карты и веб-сервис, которые обеспечивают оперативный мониторинг посевов. Сервис содержит значения средней суточной температуры поверхности почвы, количества ежедневных осадков и средние значения индексов вегетации, отражающие состояние сельскохозяйственных посевов.
Основными показателями, отражающими состояние сельскохозяйственных посевов, являются значения вегетационных индексов NDVI, ClGreen и MSAVI2. Первый характеризует состояние растительности на протяжении всего вегетационного сезона. Второй используется для оценки общего содержания хлорофилла в листьях, его данные позволяют рассчитывать необходимое количество удобрений. Третий отображает неоднородность пространственного распределения посевов на почве.
См. также здесь.
#россия #сельхоз
Классификация сельскохозяйственных культур Канады: карты и набор данных
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки
Обнаружение болезней сельскохозяйственных культур на уровнях листа и поля: чего можно ожидать от искусственного интеллекта?
📖 Lebrini, Y., & Ayerdi Gotor, A. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. Agronomy, 14(11), 2719. https://doi.org/10.3390/agronomy14112719
Сельское хозяйство решает многочисленные задачи по увеличению производительности при одновременном снижении количества используемых химикатов и удобрений. Обзор посвящен прогрессу, достигнутому в использовании машинного обучения и дистанционного зондирования для обнаружения и идентификации болезней сельскохозяйственных культур, что может помочь фермерам: (1) выбрать правильное лечение, наиболее подходящее к конкретной болезни, (2) лечить болезни на ранних стадиях заражения и, (3) возможно, в будущем проводить лечение только там, где это необходимо или экономически выгодно. Уровень техники показывает значительный прогресс в обнаружении и идентификации болезней на уровне листа у большинства культивируемых видов. Гораздо меньший прогресс достигнут в обнаружении болезней на уровне поля, где окружающая среда сложна, и который пока реализован лишь для некоторых полевых культур.
📸 Блок-схема методики сбора данных по идентификации болезней растений с помощью искусственного интеллекта и дистанционного зондирования.
#ИИ #сельхоз
📖 Lebrini, Y., & Ayerdi Gotor, A. (2024). Crops Disease Detection, from Leaves to Field: What We Can Expect from Artificial Intelligence. Agronomy, 14(11), 2719. https://doi.org/10.3390/agronomy14112719
Сельское хозяйство решает многочисленные задачи по увеличению производительности при одновременном снижении количества используемых химикатов и удобрений. Обзор посвящен прогрессу, достигнутому в использовании машинного обучения и дистанционного зондирования для обнаружения и идентификации болезней сельскохозяйственных культур, что может помочь фермерам: (1) выбрать правильное лечение, наиболее подходящее к конкретной болезни, (2) лечить болезни на ранних стадиях заражения и, (3) возможно, в будущем проводить лечение только там, где это необходимо или экономически выгодно. Уровень техники показывает значительный прогресс в обнаружении и идентификации болезней на уровне листа у большинства культивируемых видов. Гораздо меньший прогресс достигнут в обнаружении болезней на уровне поля, где окружающая среда сложна, и который пока реализован лишь для некоторых полевых культур.
📸 Блок-схема методики сбора данных по идентификации болезней растений с помощью искусственного интеллекта и дистанционного зондирования.
#ИИ #сельхоз
This media is not supported in your browser
VIEW IN TELEGRAM
Границы сельскохозяйственных полей Японии
Japanese Farmland Parcel Polygons — границы сельскохозяйственных полей Японии. Полигоны границ получены с помощью ручной оцифровки данных аэрофотосъемки и спутниковых снимков.
Внимание! Наземная проверка данных не проводилась.
Размер данных 2024 года составляет 31 Гб.
🛢 Данные и их описание на сайте Source Cooperative
📹 Источник
#данные #сельхоз #япония
Japanese Farmland Parcel Polygons — границы сельскохозяйственных полей Японии. Полигоны границ получены с помощью ручной оцифровки данных аэрофотосъемки и спутниковых снимков.
Внимание! Наземная проверка данных не проводилась.
Размер данных 2024 года составляет 31 Гб.
🛢 Данные и их описание на сайте Source Cooperative
📹 Источник
#данные #сельхоз #япония