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
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
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
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
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
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
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
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