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
Вегетационные индексы в виноградарстве
В работе (Giovos et al., 2021) собрано более 90 вегетационных индексов, используемых в виноградарстве
Индексы рассчитывались по снимкам, полученных со спутников, самолетов и БПЛА. Чаще всего используется индекс NDVI. Больше всего публикаций, посвященных применению вегетационных индексов в виноградарстве — у ученых Испании и Италии. Наиболее распространенными приложениями данных дистанционного зондирования (ДЗЗ) являются мониторинг и оценка водного стресса и разграничение хозяйственных зон (management zones) виноградников. Среди платформ ДЗЗ преобладают БПЛА.
#сельхоз #индексы
В работе (Giovos et al., 2021) собрано более 90 вегетационных индексов, используемых в виноградарстве
Индексы рассчитывались по снимкам, полученных со спутников, самолетов и БПЛА. Чаще всего используется индекс NDVI. Больше всего публикаций, посвященных применению вегетационных индексов в виноградарстве — у ученых Испании и Италии. Наиболее распространенными приложениями данных дистанционного зондирования (ДЗЗ) являются мониторинг и оценка водного стресса и разграничение хозяйственных зон (management zones) виноградников. Среди платформ ДЗЗ преобладают БПЛА.
#сельхоз #индексы
MDPI
Remote Sensing Vegetation Indices in Viticulture: A Critical Review
One factor of precision agriculture is remote sensing, through which we can monitor vegetation health and condition. Much research has been conducted in the field of remote sensing and agriculture analyzing the applications, while the reviews gather the research…
Оценка даты посева сельскохозяйственных культур в масштабе поля по данным MODIS и сумме эффективных температур
В (Dong et al, 2019) предложен метод оценки даты посева сельскохозяйственных культур на уровне поля по временным рядам данных MODIS (разрешение 250 м) и сумме эффективных температур (базовая температура = 5 °C).
Начало вегетационного периода (SOS) определялось по временному ряду индекса EVI2 (двухполосный EVI), рассчитанного по 8-суточным композитным данным MOD09Q1. Для расчета эффективных температур использовались метеоданные Daymet.
Была построена простая модель, связывающая наблюдаемую дату посева и SOS. Калибровка и валидация модели проводились на трех культурах — яровой пшенице, каноле (канадской разновидности рапса) и овсе в провинции Манитоба (Канада).
Расчетное значение SOS имело сильную корреляцию с наблюдаемой датой посева, с отклонением в несколько дней в зависимости от года. Дата посева рассчитывалась на основе SOS путем корректировки на количество дней, необходимых для накопления суммы эффективных температур, достаточной для появления всходов. Среднеквадратичная ошибка расчетной даты посева составила менее 10 суток. Валидация показала, что точность оценки даты посева не зависит от типа культуры.
Метод можно использовать для оценки исторической даты посева. Предполагается, что этот метод может быть адаптирован к другим культурам в других регионах с использованием тех же или других спутниковых данных.
#сельхоз
В (Dong et al, 2019) предложен метод оценки даты посева сельскохозяйственных культур на уровне поля по временным рядам данных MODIS (разрешение 250 м) и сумме эффективных температур (базовая температура = 5 °C).
Начало вегетационного периода (SOS) определялось по временному ряду индекса EVI2 (двухполосный EVI), рассчитанного по 8-суточным композитным данным MOD09Q1. Для расчета эффективных температур использовались метеоданные Daymet.
Была построена простая модель, связывающая наблюдаемую дату посева и SOS. Калибровка и валидация модели проводились на трех культурах — яровой пшенице, каноле (канадской разновидности рапса) и овсе в провинции Манитоба (Канада).
Расчетное значение SOS имело сильную корреляцию с наблюдаемой датой посева, с отклонением в несколько дней в зависимости от года. Дата посева рассчитывалась на основе SOS путем корректировки на количество дней, необходимых для накопления суммы эффективных температур, достаточной для появления всходов. Среднеквадратичная ошибка расчетной даты посева составила менее 10 суток. Валидация показала, что точность оценки даты посева не зависит от типа культуры.
Метод можно использовать для оценки исторической даты посева. Предполагается, что этот метод может быть адаптирован к другим культурам в других регионах с использованием тех же или других спутниковых данных.
#сельхоз
MDPI
Field-Scale Crop Seeding Date Estimation from MODIS Data and Growing Degree Days in Manitoba, Canada
Information on crop seeding date is required in many applications such as crop management and yield forecasting. This study presents a novel method to estimate crop seeding date at the field level from time-series 250-m Moderate Resolution Imaging Spectroradiometer…
Анализ временных рядов радиолокационных данных Sentinel-1 для мониторинга сельскохозяйственных культур Хабаровского края
📖 Верхотуров А.Л., Холодков А.А. Анализ временных рядов радиолокационных данных Sentinel-1 для мониторинга сельскохозяйственных культур Хабаровского края
🔹 Временные ряды отношения интерферометрической когерентности двух поляризаций (Coh_VH/Coh_VV) имеют значительную корреляцию с NDVI — 0,87 для полей сои и 0,72 для полей гречихи.
🔹 Наиболее подходящими поляриметрическими характеристиками для идентификации фенологических фаз растений являются степень линейной поляризации, угол ориентации и угол эллиптичности.
📚 Презентация
👨🏻🏫 Видео
Комментарии:
• Осадки важны, особенно выпавшие незадолго до момента съемки
• Разрешение важно (слайд “Перспективы”), у вас просто поля большие)
#сельхоз #SAR
📖 Верхотуров А.Л., Холодков А.А. Анализ временных рядов радиолокационных данных Sentinel-1 для мониторинга сельскохозяйственных культур Хабаровского края
🔹 Временные ряды отношения интерферометрической когерентности двух поляризаций (Coh_VH/Coh_VV) имеют значительную корреляцию с NDVI — 0,87 для полей сои и 0,72 для полей гречихи.
🔹 Наиболее подходящими поляриметрическими характеристиками для идентификации фенологических фаз растений являются степень линейной поляризации, угол ориентации и угол эллиптичности.
📚 Презентация
👨🏻🏫 Видео
Комментарии:
• Осадки важны, особенно выпавшие незадолго до момента съемки
• Разрешение важно (слайд “Перспективы”), у вас просто поля большие)
#сельхоз #SAR
Прогнозирование урожайности яровых на юге Западной Сибири по данным спутниковых измерений солнечно-индуцированной флуоресценции
📖 Карамзина А.Е., Лагутин А.А., Мордвин Е.Ю. Прогнозирование урожайности яровых зерновых и зернобобовых культур по данным спутниковых наблюдений на юге Западной Сибири
В работе развивается подход к прогнозированию урожайности яровых культур с упреждением в 2–3 месяца, опирающийся на данные об интенсивности индуцированного солнечным светом флуоресцентного излучения.
Во время световой фазы фотосинтеза молекулы хлорофилла в растениях поглощают энергию солнечного света, часть которой излучается в диапазоне длин волн 600–800 нм. Это излучение называется солнечно-индуцированной флуоресценцией (SIF, Solar-induced fluorescence).
В основе предлагаемого метода лежит линейная зависимость между SIF, характеризующей интенсивность фотосинтеза, и первичной валовой продукцией (GPP, gross primary production) региона, являющейся показателем продуктивности “полезной” биомассы, что дает возможность оценить урожайность сельскохозяйственных культур.
В работе использованы измерения потоков SIF, выполненные прибором TROPOMI спутника Sentinel-5P, информация о типе подстилающей поверхности (продукт MCD12Q1 прибора MODIS спутников Terra и Aqua), а также размер посевных площадей по данным Росстата.
• Анализ полученных результатов для периода 2020–2021 гг. показал существование устойчивой связи между максимумом в спутниковых наблюдениях SIF и урожайностью зерновых и зернобобовых культур на территории юга Западной Сибири.
• Предложенный алгоритм позволил сделать оценку урожайности с доверительным интервалом ~7% во второй половине июля, до начала уборочной кампании
• Полученные оценки урожайности для периода 2022–2023 гг. согласуются с опубликованными данными Росстата.
• Представлены оценки урожайности для 2024 г.
📚 Презентация
👩🏫 Видео
Данные SIF обеспечивают хорошую заблаговременность прогнозов урожайности, но сами являются проблемными: их мало, они имеют низкое разрешение и зачастую запаздывают. Первый спутник, специально предназначенный для измерений SIF, планируется запустить в следующем году (после подготовки, длящейся около 20 лет).
Интересно, существуют ли отечественные организации, измеряющие SIF с воздуха? Создаются ли собственные приборы для измерения SIF?
#SIF #сельхоз
📖 Карамзина А.Е., Лагутин А.А., Мордвин Е.Ю. Прогнозирование урожайности яровых зерновых и зернобобовых культур по данным спутниковых наблюдений на юге Западной Сибири
В работе развивается подход к прогнозированию урожайности яровых культур с упреждением в 2–3 месяца, опирающийся на данные об интенсивности индуцированного солнечным светом флуоресцентного излучения.
Во время световой фазы фотосинтеза молекулы хлорофилла в растениях поглощают энергию солнечного света, часть которой излучается в диапазоне длин волн 600–800 нм. Это излучение называется солнечно-индуцированной флуоресценцией (SIF, Solar-induced fluorescence).
В основе предлагаемого метода лежит линейная зависимость между SIF, характеризующей интенсивность фотосинтеза, и первичной валовой продукцией (GPP, gross primary production) региона, являющейся показателем продуктивности “полезной” биомассы, что дает возможность оценить урожайность сельскохозяйственных культур.
В работе использованы измерения потоков SIF, выполненные прибором TROPOMI спутника Sentinel-5P, информация о типе подстилающей поверхности (продукт MCD12Q1 прибора MODIS спутников Terra и Aqua), а также размер посевных площадей по данным Росстата.
• Анализ полученных результатов для периода 2020–2021 гг. показал существование устойчивой связи между максимумом в спутниковых наблюдениях SIF и урожайностью зерновых и зернобобовых культур на территории юга Западной Сибири.
• Предложенный алгоритм позволил сделать оценку урожайности с доверительным интервалом ~7% во второй половине июля, до начала уборочной кампании
• Полученные оценки урожайности для периода 2022–2023 гг. согласуются с опубликованными данными Росстата.
• Представлены оценки урожайности для 2024 г.
📚 Презентация
👩🏫 Видео
Данные SIF обеспечивают хорошую заблаговременность прогнозов урожайности, но сами являются проблемными: их мало, они имеют низкое разрешение и зачастую запаздывают. Первый спутник, специально предназначенный для измерений SIF, планируется запустить в следующем году (после подготовки, длящейся около 20 лет).
Интересно, существуют ли отечественные организации, измеряющие SIF с воздуха? Создаются ли собственные приборы для измерения SIF?
#SIF #сельхоз
Оценка состояния посевов по данным спутников серии «Метеор-М»
📖 Панов Д.Ю., Сахарова Е.Ю., Чурсин В.В. Оценка состояния посевов по данным КА серии «Метеор-М»
C развитием группировки космических аппаратов серии «Метеор-М», преимуществами которых является высокая периодичность съемки и пространственное разрешение снимков, приоритетным направлением стало применение данных прибора КМСС в оперативном сельскохозяйственном мониторинге. В работе предложена методика оценки состояния посевов яровой пшеницы по трем градациям: плохое, удовлетворительное, хорошее. Для классификации использовался метод машинного обучения XGBoost.
📚 Презентация
👨🏻🏫 Видео
Комплекс многозональной спутниковой съемки (КМСС), стоящий на борту спутников «Метеор-М» №2, обеспечивает пространственное разрешение 60 м и регистрирует отраженное солнечное излучение в трех спектральных каналах: зеленом (0,535–0,575 мкм), красном (0,63–0,68 мкм) и ближнем инфракрасном (0,76–0,9 мкм) в полосе захвата 960 км с периодичностью в сутки.
Данные КМСС имеют гораздо более высокое пространственное разрешение (60 м против 250 м) по сравнению с данными приборов MODIS спутников NASA Terra и Aqua, и могут использоваться для решения задач дистанционной оценки характеристик земной поверхности, оперативного мониторинга и оценки растительного покрова в масштабе региона и страны. До недавнего времени потенциал данных КМСС использовался недостаточно из-за различных технических проблем, связанных с их обработкой. Однако эти проблемы были решены и мы видим появление исследований, направленных на практическое использование данных КМСС-М.
📸 В состав КМСС входят два идентичных многозональных съёмочных устройства МСУ-100ТМ (источник)
#сельхоз #россия
📖 Панов Д.Ю., Сахарова Е.Ю., Чурсин В.В. Оценка состояния посевов по данным КА серии «Метеор-М»
C развитием группировки космических аппаратов серии «Метеор-М», преимуществами которых является высокая периодичность съемки и пространственное разрешение снимков, приоритетным направлением стало применение данных прибора КМСС в оперативном сельскохозяйственном мониторинге. В работе предложена методика оценки состояния посевов яровой пшеницы по трем градациям: плохое, удовлетворительное, хорошее. Для классификации использовался метод машинного обучения XGBoost.
📚 Презентация
👨🏻🏫 Видео
Комплекс многозональной спутниковой съемки (КМСС), стоящий на борту спутников «Метеор-М» №2, обеспечивает пространственное разрешение 60 м и регистрирует отраженное солнечное излучение в трех спектральных каналах: зеленом (0,535–0,575 мкм), красном (0,63–0,68 мкм) и ближнем инфракрасном (0,76–0,9 мкм) в полосе захвата 960 км с периодичностью в сутки.
Данные КМСС имеют гораздо более высокое пространственное разрешение (60 м против 250 м) по сравнению с данными приборов MODIS спутников NASA Terra и Aqua, и могут использоваться для решения задач дистанционной оценки характеристик земной поверхности, оперативного мониторинга и оценки растительного покрова в масштабе региона и страны. До недавнего времени потенциал данных КМСС использовался недостаточно из-за различных технических проблем, связанных с их обработкой. Однако эти проблемы были решены и мы видим появление исследований, направленных на практическое использование данных КМСС-М.
📸 В состав КМСС входят два идентичных многозональных съёмочных устройства МСУ-100ТМ (источник)
#сельхоз #россия