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
October 25, 2024
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
November 1, 2024
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
November 2, 2024
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
November 14, 2024
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
November 21, 2024
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
December 4, 2024
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…
December 5, 2024
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…
December 15, 2024
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
December 20, 2024
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
December 24, 2024
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
December 27, 2024
This media is not supported in your browser
VIEW IN TELEGRAM
Forest Data Partnership опубликовал карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
January 5
MapBiomas: спутниковое картографирование Бразилии
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары
January 13
Технология оценки содержания азота в почве, опирающаяся на гиперспектральные спутниковые снимки
Блог Космического агентства Великобритании (UKSA) сообщает об успехах стартапа Messium: компания разработала технологию оценки содержания азота в почве, опирающуюся на гиперспектральные спутниковые снимки.
Азот необходим растениям, но избыточное внесение азотных удобрений ведет к дополнительным расходам и возможным экологическим проблемам. Основные проблемы, связанные с азотными удобрениями, — это попадание нитратов (NO3–) в подземные и поверхностные воды, а также выброс в атмосферу аммиака (NH3) и оксида диазота (N2O). Естественно, что вопросы рационального внесения азотных удобрений уже много лет вызывают пристальный интерес ученых и производителей сельскохозяйственной продукции.
О новой технологии неизвестно ничего, кроме того, что она опирается на гиперспектральные снимки из космоса и использует продвинутые модели машинного обучения. Непонятно даже, идет ли речь о содержании азота в почве или в биомассе растений.
Так, чтобы оценить содержание азота в почве нужно обучить модели, а для этого — собрать и проанализировать образцы почвы. Привязка к району сбора образцов делает подобные модели локальными. Но эти вопросы в блоге не обсуждаются.
Зато там есть приветственные высказывания руководителей компаний, создающих группировки гиперспектральных спутников, Wyvern и Pixxel, а также благодарности в адрес программы Enabling Technologies Programme UKSA и других программ, обеспечивших поддержку компании.
Сайт Messium также не сообщает деталей технологии или хотя бы фамилий штатных ученых, чтобы можно было посмотреть их публикации.
В общем, обсуждать новую технологию пока рано. Тем временем, Messium сообщает о своем интересе к солнечно-индуцированной флуоресценции (SIF), измерять которую помогут новые гиперспектральные спутники (надо думать, Wyvern Dragonette и Pixxel Firefly).
#гиперспектр #сельхоз #UK
Блог Космического агентства Великобритании (UKSA) сообщает об успехах стартапа Messium: компания разработала технологию оценки содержания азота в почве, опирающуюся на гиперспектральные спутниковые снимки.
Азот необходим растениям, но избыточное внесение азотных удобрений ведет к дополнительным расходам и возможным экологическим проблемам. Основные проблемы, связанные с азотными удобрениями, — это попадание нитратов (NO3–) в подземные и поверхностные воды, а также выброс в атмосферу аммиака (NH3) и оксида диазота (N2O). Естественно, что вопросы рационального внесения азотных удобрений уже много лет вызывают пристальный интерес ученых и производителей сельскохозяйственной продукции.
О новой технологии неизвестно ничего, кроме того, что она опирается на гиперспектральные снимки из космоса и использует продвинутые модели машинного обучения. Непонятно даже, идет ли речь о содержании азота в почве или в биомассе растений.
Так, чтобы оценить содержание азота в почве нужно обучить модели, а для этого — собрать и проанализировать образцы почвы. Привязка к району сбора образцов делает подобные модели локальными. Но эти вопросы в блоге не обсуждаются.
Зато там есть приветственные высказывания руководителей компаний, создающих группировки гиперспектральных спутников, Wyvern и Pixxel, а также благодарности в адрес программы Enabling Technologies Programme UKSA и других программ, обеспечивших поддержку компании.
Сайт Messium также не сообщает деталей технологии или хотя бы фамилий штатных ученых, чтобы можно было посмотреть их публикации.
В общем, обсуждать новую технологию пока рано. Тем временем, Messium сообщает о своем интересе к солнечно-индуцированной флуоресценции (SIF), измерять которую помогут новые гиперспектральные спутники (надо думать, Wyvern Dragonette и Pixxel Firefly).
#гиперспектр #сельхоз #UK
January 21
Мультиспектральная камера передана для установки на спутник “Лобачевский”
📸 Мультиспектральную камеру для спутника “Лобачевский” передали в компанию “Геоскан”, которая установит ее на спутник. Вскоре там появится и вторая, гиперспектральная, камера.
Спутник нижегородского Университета Лобачевского имеет форм-фактор CubeSat 16U и предназначен для агроэкологических исследований в различных регионах страны. Аппарат выполнен на базе спутниковой платформы Геоскан 16U и имеет массу 26,7 кг. Полезной нагрузкой, кроме мультиспектральной и гиперспектральной камер, является FM-ретранслятор радиосигнала.
Производитель мультиспектральной камеры — Научно-производственное объединение “Лептон”. Камера приобретена ННГУ за счет пожертвования АО “Щёлково Агрохим”, являющегося одним лидеров российского агрохимического и семенного рынка.
Гиперспектральная камера разработана и изготовлена научным коллективом Самарского государственного университета им. академика С.П. Королева.
С помощью этого научного оборудования спутник будет вести мониторинг состояния растительных покровов на исследуемых территориях. Полученные с космической орбиты данные поступят в программно-аппаратный комплекс, созданный в Университете Лобачевского под руководством доктора технических наук, профессора Института информационных технологий, математики и механики (ИИТММ) ННГУ Вадима Турлапова. По его словам, “космические данные, обработанные с помощью технологий искусственного интеллекта, позволят повысить качество и оперативность анализа состояний агрокультур и дикорастущих растений. Это востребовано для развития точного земледелия, а также управления территориями”.
В феврале 2024 года Университет Лобачевского вошел в число победителей конкурса Фонда содействия инновациям и получил грант в размере 10 млн рублей на реализацию космического научно-образовательного эксперимента “Агроэкология. Спутниковый мониторинг состояний лесного фонда и агрокультур”.
Запуск спутника в космос планируется в июне 2025 года.
🔗 Спутник ЛОБАЧЕВСКИЙ — группа спутникового проекта Нижегородского государственного университета им. Н.И. Лобачевского.
#сельхоз #оптика #гиперспектр #россия
📸 Мультиспектральную камеру для спутника “Лобачевский” передали в компанию “Геоскан”, которая установит ее на спутник. Вскоре там появится и вторая, гиперспектральная, камера.
Спутник нижегородского Университета Лобачевского имеет форм-фактор CubeSat 16U и предназначен для агроэкологических исследований в различных регионах страны. Аппарат выполнен на базе спутниковой платформы Геоскан 16U и имеет массу 26,7 кг. Полезной нагрузкой, кроме мультиспектральной и гиперспектральной камер, является FM-ретранслятор радиосигнала.
Производитель мультиспектральной камеры — Научно-производственное объединение “Лептон”. Камера приобретена ННГУ за счет пожертвования АО “Щёлково Агрохим”, являющегося одним лидеров российского агрохимического и семенного рынка.
Гиперспектральная камера разработана и изготовлена научным коллективом Самарского государственного университета им. академика С.П. Королева.
С помощью этого научного оборудования спутник будет вести мониторинг состояния растительных покровов на исследуемых территориях. Полученные с космической орбиты данные поступят в программно-аппаратный комплекс, созданный в Университете Лобачевского под руководством доктора технических наук, профессора Института информационных технологий, математики и механики (ИИТММ) ННГУ Вадима Турлапова. По его словам, “космические данные, обработанные с помощью технологий искусственного интеллекта, позволят повысить качество и оперативность анализа состояний агрокультур и дикорастущих растений. Это востребовано для развития точного земледелия, а также управления территориями”.
В феврале 2024 года Университет Лобачевского вошел в число победителей конкурса Фонда содействия инновациям и получил грант в размере 10 млн рублей на реализацию космического научно-образовательного эксперимента “Агроэкология. Спутниковый мониторинг состояний лесного фонда и агрокультур”.
Запуск спутника в космос планируется в июне 2025 года.
🔗 Спутник ЛОБАЧЕВСКИЙ — группа спутникового проекта Нижегородского государственного университета им. Н.И. Лобачевского.
#сельхоз #оптика #гиперспектр #россия
January 23
Field Boundaries for Agriculture (fiboa)
Field Boundaries for Agriculture (fiboa) (https://source.coop/fiboa) — коллекция репозиториев границ сельскохозяйственных полей в разных странах мира, размещенная на Source Cooperative.
🖥 Гитхаб-репозиторий проекта fiboa
🗺 📸 Расположение данных fiboa
В блоге Taylor Geospatial Engine рассказывают о работе с этими данными при помощи интерфейса на основе большой языковой модели (Large Language Model, LLM) — Tech Fellow Update: Exploring Field Boundary Data with LLMs.
Можно посмотреть, как это работает:
• Fiboa Baltics Demo
• Fiboa Netherlands Demo
#сельхоз #данные #ИИ
Field Boundaries for Agriculture (fiboa) (https://source.coop/fiboa) — коллекция репозиториев границ сельскохозяйственных полей в разных странах мира, размещенная на Source Cooperative.
🖥 Гитхаб-репозиторий проекта fiboa
🗺 📸 Расположение данных fiboa
В блоге Taylor Geospatial Engine рассказывают о работе с этими данными при помощи интерфейса на основе большой языковой модели (Large Language Model, LLM) — Tech Fellow Update: Exploring Field Boundary Data with LLMs.
Можно посмотреть, как это работает:
• Fiboa Baltics Demo
• Fiboa Netherlands Demo
#сельхоз #данные #ИИ
February 9
Fields of The World (FTW) (https://fieldsofthe.world) — набор данных для обучения моделей сегментации сельскохозяйственных полей, охватывающий 24 страны на четырех континентах (Европа, Африка, Азия и Южная Америка).
FTW содержит 70 462 образца, каждый из которых включает маски экземпляров и семантические маски сегментации, совмещенные с разновременными мультиспектральными спутниковыми снимками Sentinel-2.
🛢 Доступ к данным
📝 Руководство по работе с FTW
📖 Методика создания набора данных: Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation
#датасет #сельхоз
FTW содержит 70 462 образца, каждый из которых включает маски экземпляров и семантические маски сегментации, совмещенные с разновременными мультиспектральными спутниковыми снимками Sentinel-2.
🛢 Доступ к данным
📝 Руководство по работе с FTW
📖 Методика создания набора данных: Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation
#датасет #сельхоз
February 11
Необычное использование NDVI
Казалось бы, какую новую информацию можно извлечь из вегетационного индекса NDVI? Авторы исследования 📖 утверждают, что значение NDVI посевов может служить основой для косвенного детектирования вертикальной неоднородности агрономически важных свойств почв.
Предоставим слово авторам (сокращения и жирный шрифт — наши):
“Согласно почвенной карте поля, на нем преобладают черноземы обыкновенные в различной степени щебнистые и каменистые. Изображение открытой поверхности почв поля на спутниковых данных <…> свидетельствует о значительной однородности их пахотного горизонта по цвету, который в основном определяется на уровне поля варьированием содержания и типа гумуса. Удобрения на все поле также вносятся однородно. Это позволяет предположить, что по уровню плодородия пахотный горизонт почв поля достаточно хорошо выровнен. Однако корневая система кукурузы проникает глубже пахотного горизонта, следовательно, можно предположить, что влияние на развитие растений оказывают свойства подпахотных слоев почвы”.
“Скорее всего, подобная разница связана с пространственной неоднородностью почвообразующих пород. Но также можно предположить и возможность вертикального перераспределения фракций скелета в результате специфики агротехники возделывания культур.
Существенная разница в скелетности слоя почвы 40–60 см могла отразиться как на влажности почв, так и на общем развитии корневой системы растений в данном слое почв, что и привело к разному состоянию посевов в разных частях поля. Об этом свидетельствует также и то, что пространственные неоднородности посевов не проявлялись на ранних фенофазах развития растений, когда их корневая система еще не достигает глубины 40–60 см, а проявились на пике их вегетационного развития при максимальном проникновении корней в более глубокие слои почвы.
Дополнительным аргументом служит и анализ неоднородностей посевов пшеницы на данном поле в предыдущий вегетационный сезон <…>. Неоднородности, которые детектируются для посевов кукурузы, для пшеницы не выявляются в течение всего сезона вегетации. Это связано с тем, что корневая система пшеницы преимущественно расположена в слое почвы 0–40 см и состояние нижележащих горизонтов на нее не оказывает столь значительного воздействия, как на кукурузу”.
“Состояние посевов может быть никак не связано с положением почв в классификации и с почвенной картой. Так, в нашем случае все тестовое поле попадает в один выдел почвенной карты, но пространственное варьирование агрономически значимых свойств почв (которые никак не связаны с классификационным положением почв) предопределяет пространственные неоднородности урожайности культуры. <…> Состояние посевов, а не классификационное положение почв <…> должно являться основным индикатором качества пахотных почв”.
Цитаты из выводов работы:
• Для получения надежной информации необходим точный выбор времени получения значений NDVI и культуры, возделываемой на поле.
• Индикационная способность разных культур предопределяется их фенологией и мощностью потенциального корнеобитаемого слоя.
• География агрономически важных свойств почв на тестовом поле не коррелирует с выделами традиционно составленной почвенной карты.
• Пространственное варьирование урожайности кукурузы на тестовом поле (размах 23%) коррелирует с варьированием по профилю скелетности почв.
• Для использования значений NDVI в качестве индикатора пространственного варьирования агрономически важных свойств почв необходим учет типа возделываемой культуры, тщательный выбор даты получения NDVI, а также наличие априорных экспертных знаний о лимитирующих почвенных факторах на поле, специфики фенологии и агротехнологии возделывания культуры.
📖 Хутуев А.М., Занилов А.Х., Тутукова Д.А., Савин И.Ю. NDVI посевов как дистанционный индикатор качества пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2024. Вып. 121. С. 70-85. DOI: 10.19047/0136-1694-2024-121-70-85
#сельхоз #индексы #почвы
Казалось бы, какую новую информацию можно извлечь из вегетационного индекса NDVI? Авторы исследования 📖 утверждают, что значение NDVI посевов может служить основой для косвенного детектирования вертикальной неоднородности агрономически важных свойств почв.
Предоставим слово авторам (сокращения и жирный шрифт — наши):
“Согласно почвенной карте поля, на нем преобладают черноземы обыкновенные в различной степени щебнистые и каменистые. Изображение открытой поверхности почв поля на спутниковых данных <…> свидетельствует о значительной однородности их пахотного горизонта по цвету, который в основном определяется на уровне поля варьированием содержания и типа гумуса. Удобрения на все поле также вносятся однородно. Это позволяет предположить, что по уровню плодородия пахотный горизонт почв поля достаточно хорошо выровнен. Однако корневая система кукурузы проникает глубже пахотного горизонта, следовательно, можно предположить, что влияние на развитие растений оказывают свойства подпахотных слоев почвы”.
“Скорее всего, подобная разница связана с пространственной неоднородностью почвообразующих пород. Но также можно предположить и возможность вертикального перераспределения фракций скелета в результате специфики агротехники возделывания культур.
Существенная разница в скелетности слоя почвы 40–60 см могла отразиться как на влажности почв, так и на общем развитии корневой системы растений в данном слое почв, что и привело к разному состоянию посевов в разных частях поля. Об этом свидетельствует также и то, что пространственные неоднородности посевов не проявлялись на ранних фенофазах развития растений, когда их корневая система еще не достигает глубины 40–60 см, а проявились на пике их вегетационного развития при максимальном проникновении корней в более глубокие слои почвы.
Дополнительным аргументом служит и анализ неоднородностей посевов пшеницы на данном поле в предыдущий вегетационный сезон <…>. Неоднородности, которые детектируются для посевов кукурузы, для пшеницы не выявляются в течение всего сезона вегетации. Это связано с тем, что корневая система пшеницы преимущественно расположена в слое почвы 0–40 см и состояние нижележащих горизонтов на нее не оказывает столь значительного воздействия, как на кукурузу”.
“Состояние посевов может быть никак не связано с положением почв в классификации и с почвенной картой. Так, в нашем случае все тестовое поле попадает в один выдел почвенной карты, но пространственное варьирование агрономически значимых свойств почв (которые никак не связаны с классификационным положением почв) предопределяет пространственные неоднородности урожайности культуры. <…> Состояние посевов, а не классификационное положение почв <…> должно являться основным индикатором качества пахотных почв”.
Цитаты из выводов работы:
• Для получения надежной информации необходим точный выбор времени получения значений NDVI и культуры, возделываемой на поле.
• Индикационная способность разных культур предопределяется их фенологией и мощностью потенциального корнеобитаемого слоя.
• География агрономически важных свойств почв на тестовом поле не коррелирует с выделами традиционно составленной почвенной карты.
• Пространственное варьирование урожайности кукурузы на тестовом поле (размах 23%) коррелирует с варьированием по профилю скелетности почв.
• Для использования значений NDVI в качестве индикатора пространственного варьирования агрономически важных свойств почв необходим учет типа возделываемой культуры, тщательный выбор даты получения NDVI, а также наличие априорных экспертных знаний о лимитирующих почвенных факторах на поле, специфики фенологии и агротехнологии возделывания культуры.
📖 Хутуев А.М., Занилов А.Х., Тутукова Д.А., Савин И.Ю. NDVI посевов как дистанционный индикатор качества пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2024. Вып. 121. С. 70-85. DOI: 10.19047/0136-1694-2024-121-70-85
#сельхоз #индексы #почвы
February 22
ESA WorldCereal
ESA WorldCereal (https://esa-worldcereal.org/en) — проект по созданию глобальной системы картографирования сельскохозяйственных культур и орошаемых земель. Система должна предоставлять глобальные сезонно обновляемые карты пахотных земель и типов сельскохозяйственных культур с пространственным разрешением 10 м.
В частности, WorldCereal может генерировать глобальные карты временных площадей посевов, сезонные карты кукурузы и зерновых, сезонные карты ирригации и сезонные карты активных пахотных земель. Соответствующие карты будут находиться в свободном доступе.
🗺 В настоящее время доступны карты ESA WorldCereal 10m 2021.
На сайте WorldCereal есть интересные справочные материалы (Reference Data, Crop Calendars, Papers, Reports …).
Проект проводит свободные онлайн-курсы по сбору и обработке наземных данных и данных дистанционного зондирования, а также по созданию тематических карт.
#сельхоз #ESA
ESA WorldCereal (https://esa-worldcereal.org/en) — проект по созданию глобальной системы картографирования сельскохозяйственных культур и орошаемых земель. Система должна предоставлять глобальные сезонно обновляемые карты пахотных земель и типов сельскохозяйственных культур с пространственным разрешением 10 м.
В частности, WorldCereal может генерировать глобальные карты временных площадей посевов, сезонные карты кукурузы и зерновых, сезонные карты ирригации и сезонные карты активных пахотных земель. Соответствующие карты будут находиться в свободном доступе.
🗺 В настоящее время доступны карты ESA WorldCereal 10m 2021.
На сайте WorldCereal есть интересные справочные материалы (Reference Data, Crop Calendars, Papers, Reports …).
Проект проводит свободные онлайн-курсы по сбору и обработке наземных данных и данных дистанционного зондирования, а также по созданию тематических карт.
#сельхоз #ESA
March 11
Новый индекс открытой поверхности почвы
Группа ученых из Таиланда, Вьетнама и Китая предложила модифицированный индекс открытой поверхности почвы (modified bare soil index, MBI), опирающийся на данные спутников Landsat:
MBI = (SWIR1 - SWIR2 - NIR) / (SWIR1 + SWIR2 + NIR) + f
SWIR1 и SWIR2 — каналы коротковолнового инфракрасного (ИК) диапазона. В Landsat 8 OLI — канал 6 (1.57–1.65 мкм) и канал 7 (2.11–2.29 мкм);
NIR — канал ближнего ИК диапазона: канал 5 (0.85–0.88 мкм);
f = 0.5
Предложенный индекс в условиях Таиланда и Вьетнама показал лучшие результаты по выделению открытой поверхности почвы в сравнении с несколькими известными индексами.
А вот свежий обзор по методам выделения открытой поверхности почвы:
📖 Delaney, B., Tansey, K., Whelan, M. (2025). Satellite Remote Sensing Techniques and Limitations for Identifying Bare Soil. Remote Sensing, 17(4), 630. https://doi.org/10.3390/rs17040630
#baresoil #индексы #сельхоз
Группа ученых из Таиланда, Вьетнама и Китая предложила модифицированный индекс открытой поверхности почвы (modified bare soil index, MBI), опирающийся на данные спутников Landsat:
MBI = (SWIR1 - SWIR2 - NIR) / (SWIR1 + SWIR2 + NIR) + f
SWIR1 и SWIR2 — каналы коротковолнового инфракрасного (ИК) диапазона. В Landsat 8 OLI — канал 6 (1.57–1.65 мкм) и канал 7 (2.11–2.29 мкм);
NIR — канал ближнего ИК диапазона: канал 5 (0.85–0.88 мкм);
f = 0.5
Предложенный индекс в условиях Таиланда и Вьетнама показал лучшие результаты по выделению открытой поверхности почвы в сравнении с несколькими известными индексами.
А вот свежий обзор по методам выделения открытой поверхности почвы:
📖 Delaney, B., Tansey, K., Whelan, M. (2025). Satellite Remote Sensing Techniques and Limitations for Identifying Bare Soil. Remote Sensing, 17(4), 630. https://doi.org/10.3390/rs17040630
#baresoil #индексы #сельхоз
March 18