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
👍9
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
❤6👍3
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
👍8
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
👍6❤1
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
👍6
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
👍12🔥3🤝1
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
👍4🔥4😁1🤣1
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
👍6
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
🔥9👍4🆒1
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
👍4❤3
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
👍9🔥5❤1
Компания Hydrosat опубликовала первые снимки, сделанные тепловым сенсором VanZyl-1
Компания Hydrosat опубликовала первые снимки, сделанные из космоса тепловым сенсором VanZyl-1.
VanZyl-1 находится на борту 90-килограммового спутника YAM-7 компании Loft Orbital, который был запущен в августе 2024 года миссией Transporter-11.
Тепловые снимки высокого разрешения позволяют оптимизировать использование воды и повысить урожайность на уровне полей. Hydrosat заключила партнерские соглашения с компаниями EE PrintPack, Rex Irrigación Huasteca и Grupo INDERS из Латинской Америке. Эти партнерства помогут оптимизировать использование воды на 1,6 миллионах гектаров сельскохозяйственных угодий. Кроме того, Hydrosat имеет контракт с ВВС США контракт на сумму 1,9 миллионов долларов.
Опираясь на успех VanZyl-1, Hydrosat планирует запустить VanZyl-2 этим летом, что позволит увеличить частоту получения тепловых данных высокого пространственного разрешения.
📸 Примеры видимого, теплового и эвапотранспирационного слоев на сельскохозяйственных полях в долине Лахлан (Lachlan), Австралия [ссылка].
#LST #сельхоз #война
Компания Hydrosat опубликовала первые снимки, сделанные из космоса тепловым сенсором VanZyl-1.
VanZyl-1 находится на борту 90-килограммового спутника YAM-7 компании Loft Orbital, который был запущен в августе 2024 года миссией Transporter-11.
Тепловые снимки высокого разрешения позволяют оптимизировать использование воды и повысить урожайность на уровне полей. Hydrosat заключила партнерские соглашения с компаниями EE PrintPack, Rex Irrigación Huasteca и Grupo INDERS из Латинской Америке. Эти партнерства помогут оптимизировать использование воды на 1,6 миллионах гектаров сельскохозяйственных угодий. Кроме того, Hydrosat имеет контракт с ВВС США контракт на сумму 1,9 миллионов долларов.
Опираясь на успех VanZyl-1, Hydrosat планирует запустить VanZyl-2 этим летом, что позволит увеличить частоту получения тепловых данных высокого пространственного разрешения.
📸 Примеры видимого, теплового и эвапотранспирационного слоев на сельскохозяйственных полях в долине Лахлан (Lachlan), Австралия [ссылка].
#LST #сельхоз #война
👍6
Из прошлого в настоящее и будущее земледелия
Какова история земледелия? Какими орудиями пользовались древние люди и что выращивали? Какие новые технологии земледелия и растениеводства принесла эпоха индустриализации, и что в итоге приобрело человечество? Каким должно быть земледелие будущего и что мы должны делать, чтобы сохранить землю для потомков?
Об этом и многом другом рассказывает Николай Андреевич Зеленский, доктор сельскохозяйственных наук, профессор Донского государственного аграрного университета, член Совета сберегающего земледелия Министерства сельского хозяйства РФ, академик Международной академии аграрного образования.
📹 VK Video, YouTube
#сельхоз #почва
Какова история земледелия? Какими орудиями пользовались древние люди и что выращивали? Какие новые технологии земледелия и растениеводства принесла эпоха индустриализации, и что в итоге приобрело человечество? Каким должно быть земледелие будущего и что мы должны делать, чтобы сохранить землю для потомков?
Об этом и многом другом рассказывает Николай Андреевич Зеленский, доктор сельскохозяйственных наук, профессор Донского государственного аграрного университета, член Совета сберегающего земледелия Министерства сельского хозяйства РФ, академик Международной академии аграрного образования.
📹 VK Video, YouTube
#сельхоз #почва
VK Видео
Из прошлого в настоящее и будущее земледелия – Николай Зеленский | Лекции по агрономии
Какова история земледелия? Какими орудиями пользовались древние люди и что выращивали? Какие новые технологии земледелия и растениеводства принесла эпоха индустриализации, и что в итоге приобрело человечество? Каким должно быть земледелие будущего и что мы…
🔥4👍1🤝1
🌿NASA разрабатывает “цифрового двойника” сельскохозяйственных полей
Группа исследователей при поддержке Управления по наукам о Земле NASA (Earth Science Technology Office, ESTO) разрабатывает информационную систему для сельского хозяйства, которая позволит фермерам получать более точные прогнозы урожайности. Система “Agricultural Digital Twin“ объединяет данные дистанционного зондирования NASA с данными из таких источников, как Национальная служба сельскохозяйственной статистики Министерства сельского хозяйства США (National Agricultural Statistics Service, NASS), для создания пользовательских описаний урожайности, что открывает путь к точным прогнозам урожая, составленным с учетом конкретных потребностей фермера.
В частности, фермеры смогут использовать сельскохозяйственного цифрового двойника для моделирования того, как определенный сорт кукурузы будет расти в Айове в случае засухи, или лучше ли будет расти определенный сорт сои, посаженный в Канзасе, если его посадить раньше или позже в этом году.
🌿Компания Thales Alenia Space получила контракт от ESA на разработку сельскохозяйственного “цифрового двойника” для сельского хозяйства
Thales Alenia Space возглавит проект SaveCrops4EU в рамках программы ESA “Цифровой двойник Земли”.
Компонент цифрового двойника SaveCrops4EU будет строиться на трех основных направлениях:
• Расширенный мониторинг с использованием спутниковых данных и агрономических показателей для анализа состояния посевов в режиме реального времени.
• Прогнозирование урожайности на основе гибридного подхода к моделированию, сочетающего данные наблюдения Земли с моделями роста культур для оценки объемов производства на региональном уровне.
• Сценарное тестирование, включающее различные абиотические стрессы (такие как засуха и жара) и стратегии управления (включая орошение и удобрение) с помощью ряда симуляций.
#сельхоз
Группа исследователей при поддержке Управления по наукам о Земле NASA (Earth Science Technology Office, ESTO) разрабатывает информационную систему для сельского хозяйства, которая позволит фермерам получать более точные прогнозы урожайности. Система “Agricultural Digital Twin“ объединяет данные дистанционного зондирования NASA с данными из таких источников, как Национальная служба сельскохозяйственной статистики Министерства сельского хозяйства США (National Agricultural Statistics Service, NASS), для создания пользовательских описаний урожайности, что открывает путь к точным прогнозам урожая, составленным с учетом конкретных потребностей фермера.
В частности, фермеры смогут использовать сельскохозяйственного цифрового двойника для моделирования того, как определенный сорт кукурузы будет расти в Айове в случае засухи, или лучше ли будет расти определенный сорт сои, посаженный в Канзасе, если его посадить раньше или позже в этом году.
🌿Компания Thales Alenia Space получила контракт от ESA на разработку сельскохозяйственного “цифрового двойника” для сельского хозяйства
Thales Alenia Space возглавит проект SaveCrops4EU в рамках программы ESA “Цифровой двойник Земли”.
Компонент цифрового двойника SaveCrops4EU будет строиться на трех основных направлениях:
• Расширенный мониторинг с использованием спутниковых данных и агрономических показателей для анализа состояния посевов в режиме реального времени.
• Прогнозирование урожайности на основе гибридного подхода к моделированию, сочетающего данные наблюдения Земли с моделями роста культур для оценки объемов производства на региональном уровне.
• Сценарное тестирование, включающее различные абиотические стрессы (такие как засуха и жара) и стратегии управления (включая орошение и удобрение) с помощью ряда симуляций.
#сельхоз
🔥9✍2👍2❤1🤔1
Использование канала “красного края” в данных сверхвысокого разрешения для мониторинга состояния масличных пальм
Компания Airbus Space Solutions продемонстрировала использование канала “красного края” (red edge) фотосинтеза для мониторинга здоровья масличных пальм в Малайзии.
Спутники Airbus Pléiades Neo, помимо видимого диапазона, ближнего инфракрасного (ИК) диапазона, а также Deep Blue (400–450 нм), работают в спектральной полосе 1️⃣ Red Edge (696–749 нм), расположенной в области перехода между видимой и ближней инфракрасной областями электромагнитного спектра.
Полоса Red Edge находится на границе между высоким уровнем поглощения хлорофилла, характерным для видимого диапазона, и низким уровнем поглощения хлорофилла, свойственным ближнему ИК, что делает ее очень чувствительной к содержанию хлорофилла в листьях.
Таким образом, данные канала Red Edge могут служить отличным индикатором состояния растительности. В сочетании с 30-см пространственным разрешением Pléiades Neo это позволяет проводить анализ состояния плантации на уровне отдельных деревьев, используя калькулятор плотности деревьев.
2️⃣ Tree Density Calculator — это ГИС-инструмент с открытым исходным кодом, предназначенный для обнаружения верхушек деревьев и оценки их плотности.
При применении к плантации масличных пальм инструмент характеризует каждое отдельное дерево, очерчивая крону каждого дерева, и предоставляет данные о плотности деревьев для каждого участка на плантации.
Используя маску крон деревьев, для каждого отдельного дерева рассчитывается содержание хлорофилла в растительном пологе слое (Canopy Chlorophyll Content, CCC). Это позволяет детально оценить состояние деревьев.
3️⃣ Картирование состояния деревьев на плантации позволяет получить представление о зонах с высоким уровнем ССС (здоровые деревья) и зонах с низким уровнем ССС (больные или поврежденные деревья).
#сельхоз
Компания Airbus Space Solutions продемонстрировала использование канала “красного края” (red edge) фотосинтеза для мониторинга здоровья масличных пальм в Малайзии.
Спутники Airbus Pléiades Neo, помимо видимого диапазона, ближнего инфракрасного (ИК) диапазона, а также Deep Blue (400–450 нм), работают в спектральной полосе 1️⃣ Red Edge (696–749 нм), расположенной в области перехода между видимой и ближней инфракрасной областями электромагнитного спектра.
Полоса Red Edge находится на границе между высоким уровнем поглощения хлорофилла, характерным для видимого диапазона, и низким уровнем поглощения хлорофилла, свойственным ближнему ИК, что делает ее очень чувствительной к содержанию хлорофилла в листьях.
Таким образом, данные канала Red Edge могут служить отличным индикатором состояния растительности. В сочетании с 30-см пространственным разрешением Pléiades Neo это позволяет проводить анализ состояния плантации на уровне отдельных деревьев, используя калькулятор плотности деревьев.
2️⃣ Tree Density Calculator — это ГИС-инструмент с открытым исходным кодом, предназначенный для обнаружения верхушек деревьев и оценки их плотности.
При применении к плантации масличных пальм инструмент характеризует каждое отдельное дерево, очерчивая крону каждого дерева, и предоставляет данные о плотности деревьев для каждого участка на плантации.
Используя маску крон деревьев, для каждого отдельного дерева рассчитывается содержание хлорофилла в растительном пологе слое (Canopy Chlorophyll Content, CCC). Это позволяет детально оценить состояние деревьев.
3️⃣ Картирование состояния деревьев на плантации позволяет получить представление о зонах с высоким уровнем ССС (здоровые деревья) и зонах с низким уровнем ССС (больные или поврежденные деревья).
#сельхоз
👍12❤🔥3👏1
Типы неоднородностей на сельскохозяйственных угодьях по индексу NDVI
Доклад, сделанный во второй день работы секции “Дистанционное зондирование Земли“ XXII Конференции молодых учёных “Фундаментальные и прикладные космические исследования”.
Высокая степень неоднородности нормализованного разностного индекса растительности NDVI может указывать на проблемы на поле (повреждения посевов, нарушения при проведении агротехнических мероприятий и т. п.), которые так или иначе скажутся на будущем урожае.
Исследования, проведенные на основе снимков Sentinel-2 2021–2024 годов для сельскохозяйственных угодий Почепского района Брянской области, выявили два типа неоднородности растительного покрова.
Первый тип — природного происхождения — в свою очередь бывает устойчивым и неустойчивым. Устойчивая природная неоднородность ➊ связана с рельефом — это останцы, расположенные в понижениях рельефа. Неустойчивая природная неоднородность ➋ вызвана очагами сорняков.
Неоднородность природного происхождения идентифицируется по ярко выраженным пятнам на поле. Так, для сорной растительности в июле NDVI примерно в 1,5 раза выше, чем средний NDVI по полю.
Второй тип неоднородности связан с антропогенной деятельностью, и на картах NDVI выглядит как полосчатость на полях ➌. Процессы посева и вспашки создают эмерджентный микрорельеф, который влияет на распределение биомассы сельскохозяйственной культуры, поскольку в образующихся полосах (микропонижениях) скапливаются питательные вещества. Увеличение числа кластеров при кластеризации поля по NDVI позволяла более отчетливо выявить полосчатость.
Отметим, что сравнение направления полос на поле с рельефом позволит определить, ведется ли данном поле борьба с эрозией. Так что определение направления полос на полей можно считать самостоятельной задачей.
📹 Алимова С. Д. Типы неоднородностей на сельскохозяйственных угодьях Почепского района по индексу NDVI (тезисы)
#сельхоз
Доклад, сделанный во второй день работы секции “Дистанционное зондирование Земли“ XXII Конференции молодых учёных “Фундаментальные и прикладные космические исследования”.
Высокая степень неоднородности нормализованного разностного индекса растительности NDVI может указывать на проблемы на поле (повреждения посевов, нарушения при проведении агротехнических мероприятий и т. п.), которые так или иначе скажутся на будущем урожае.
Исследования, проведенные на основе снимков Sentinel-2 2021–2024 годов для сельскохозяйственных угодий Почепского района Брянской области, выявили два типа неоднородности растительного покрова.
Первый тип — природного происхождения — в свою очередь бывает устойчивым и неустойчивым. Устойчивая природная неоднородность ➊ связана с рельефом — это останцы, расположенные в понижениях рельефа. Неустойчивая природная неоднородность ➋ вызвана очагами сорняков.
Неоднородность природного происхождения идентифицируется по ярко выраженным пятнам на поле. Так, для сорной растительности в июле NDVI примерно в 1,5 раза выше, чем средний NDVI по полю.
Второй тип неоднородности связан с антропогенной деятельностью, и на картах NDVI выглядит как полосчатость на полях ➌. Процессы посева и вспашки создают эмерджентный микрорельеф, который влияет на распределение биомассы сельскохозяйственной культуры, поскольку в образующихся полосах (микропонижениях) скапливаются питательные вещества. Увеличение числа кластеров при кластеризации поля по NDVI позволяла более отчетливо выявить полосчатость.
Отметим, что сравнение направления полос на поле с рельефом позволит определить, ведется ли данном поле борьба с эрозией. Так что определение направления полос на полей можно считать самостоятельной задачей.
📹 Алимова С. Д. Типы неоднородностей на сельскохозяйственных угодьях Почепского района по индексу NDVI (тезисы)
#сельхоз
👍7
Пыльные бури в Центральной долине
Центральная долина (Central Valley) Калифорнии — гигант сельского хозяйства США. Здесь выращивается треть всех овощей и три четверти всех фруктов и орехов — 400 различных товарных культур, стоимость которых исчисляется десятками миллиардов долларов.
Фермы Центральной долины похожи на пиксели. На 📸 снимке Landsat 8, сделанном 14 августа 2021 года, зеленые “пиксели” — это орошаемые поля, тогда как незанятые поля или поля под паром выглядят серыми или коричневыми. Такие поля преобладают в левой части сцены.
В Центральной долине площадь земель под паром колеблется на тысячи гектаров в год, часто — в зависимости от наличия воды для орошения. Такие изменения имеют последствия не только для фермеров, но и для всех жителей региона.
В журнале 📖 Communications Earth & Environment ученые описали связь между неиспользуемыми сельскохозяйственными угодьями и пыльными бурями, показав, что неиспользуемые сельскохозяйственные угодья были основным источником антропогенных пыльных бурь в регионе Центральной долины Калифорнии в период с 2008 по 2022 год.
#сельхоз #США #снимки
Центральная долина (Central Valley) Калифорнии — гигант сельского хозяйства США. Здесь выращивается треть всех овощей и три четверти всех фруктов и орехов — 400 различных товарных культур, стоимость которых исчисляется десятками миллиардов долларов.
Фермы Центральной долины похожи на пиксели. На 📸 снимке Landsat 8, сделанном 14 августа 2021 года, зеленые “пиксели” — это орошаемые поля, тогда как незанятые поля или поля под паром выглядят серыми или коричневыми. Такие поля преобладают в левой части сцены.
В Центральной долине площадь земель под паром колеблется на тысячи гектаров в год, часто — в зависимости от наличия воды для орошения. Такие изменения имеют последствия не только для фермеров, но и для всех жителей региона.
В журнале 📖 Communications Earth & Environment ученые описали связь между неиспользуемыми сельскохозяйственными угодьями и пыльными бурями, показав, что неиспользуемые сельскохозяйственные угодья были основным источником антропогенных пыльных бурь в регионе Центральной долины Калифорнии в период с 2008 по 2022 год.
#сельхоз #США #снимки
🔥4❤1👍1💯1
Пространственная изменчивость потоков углекислого газа и закиси азота в сельскохозяйственных почвах: оценка и рекомендации на основе данных с высоким пространственным разрешением
Для оценки и прогнозирования пространственных закономерностей выбросов парниковых газов (ПГ) из почвы необходимы данные с высоким пространственным и временным разрешением, крупномасштабные и многолетние, чтобы разработать обоснованные стратегии смягчения последствий. Однако таких наборов данных в настоящее время недостаточно. Чтобы восполнить этот пробел, американские ученые из Иллинойского университета в Урбане-Шампейне собрали данные за два года о выбросах углекислого газа (CO2) и закиси азота (N2O) из почвы в период вегетации с высоким пространственным разрешением (7,4 точки отбора на гектар) на трех коммерческих участках в центральной части штата Иллинойс. Один участок находился под традиционным управлением с непрерывным выращиванием кукурузы (2,8 га в 2021 году; 5,4 га в 2022 году), а два других участка (один — 5,4 га в 2021 году и 2,0 га в 2022 году, другой — 2,7 га в оба года) использовали ресурсосберегающие практики в севооборотах кукурузы и сои.
На уровне поля пространственная изменчивость CO2 была сопоставима на всех участках, годах и методах управления, но для N2O пространственная изменчивость на традиционно управляемом участке была в среднем на 77% выше.
Анализ очагов выбросов N2O показал, что, хотя они составляют схожую долю площади отбора проб на всех участках (традиционный: 12%; ресурсосберегающий: 13%), их вклад в общие выбросы на поле был выше на традиционном участке, чем на ресурсосберегающем — 51% против 34%.
Пространственные закономерности, особенно расположение очагов выбросов, были непостоянными из года в год и очаги редко появлялись в одном и том же месте. В целом, результаты показали, что традиционный мониторинг на уровне поля с использованием газовых камер может быть неоптимальным для выявления очагов выбросов ПГ в системах выращивания пропашных культур из-за непредсказуемой пространственной неоднородности методов управления.
Анализ чувствительности показал, что надежные оценки потоков ПГ из почвы на уровне поля (с ошибкой менее 25%) достижимы при отборе проб с определенным пространственным разрешением (1,6 точки на гектар для CO2 и 5,6 точек на гектар для N2O в нашем наборе данных). Особенно для N2O более низкое пространственное разрешение склонно к недооценке общего потока на поле.
📖 Kim, N., Jang, C., Yang, W. H., Guan, K., DeLucia, E. H., & Lee, D. (2025). Spatial variability of agricultural soil carbon dioxide and nitrous oxide fluxes: Characterization and recommendations from spatially high-resolution, multi-year dataset. Agriculture, Ecosystems & Environment, 387, 109636. https://doi.org/10.1016/j.agee.2025.109636
#GHG #сельхоз #США
Для оценки и прогнозирования пространственных закономерностей выбросов парниковых газов (ПГ) из почвы необходимы данные с высоким пространственным и временным разрешением, крупномасштабные и многолетние, чтобы разработать обоснованные стратегии смягчения последствий. Однако таких наборов данных в настоящее время недостаточно. Чтобы восполнить этот пробел, американские ученые из Иллинойского университета в Урбане-Шампейне собрали данные за два года о выбросах углекислого газа (CO2) и закиси азота (N2O) из почвы в период вегетации с высоким пространственным разрешением (7,4 точки отбора на гектар) на трех коммерческих участках в центральной части штата Иллинойс. Один участок находился под традиционным управлением с непрерывным выращиванием кукурузы (2,8 га в 2021 году; 5,4 га в 2022 году), а два других участка (один — 5,4 га в 2021 году и 2,0 га в 2022 году, другой — 2,7 га в оба года) использовали ресурсосберегающие практики в севооборотах кукурузы и сои.
На уровне поля пространственная изменчивость CO2 была сопоставима на всех участках, годах и методах управления, но для N2O пространственная изменчивость на традиционно управляемом участке была в среднем на 77% выше.
Анализ очагов выбросов N2O показал, что, хотя они составляют схожую долю площади отбора проб на всех участках (традиционный: 12%; ресурсосберегающий: 13%), их вклад в общие выбросы на поле был выше на традиционном участке, чем на ресурсосберегающем — 51% против 34%.
Пространственные закономерности, особенно расположение очагов выбросов, были непостоянными из года в год и очаги редко появлялись в одном и том же месте. В целом, результаты показали, что традиционный мониторинг на уровне поля с использованием газовых камер может быть неоптимальным для выявления очагов выбросов ПГ в системах выращивания пропашных культур из-за непредсказуемой пространственной неоднородности методов управления.
Анализ чувствительности показал, что надежные оценки потоков ПГ из почвы на уровне поля (с ошибкой менее 25%) достижимы при отборе проб с определенным пространственным разрешением (1,6 точки на гектар для CO2 и 5,6 точек на гектар для N2O в нашем наборе данных). Особенно для N2O более низкое пространственное разрешение склонно к недооценке общего потока на поле.
📖 Kim, N., Jang, C., Yang, W. H., Guan, K., DeLucia, E. H., & Lee, D. (2025). Spatial variability of agricultural soil carbon dioxide and nitrous oxide fluxes: Characterization and recommendations from spatially high-resolution, multi-year dataset. Agriculture, Ecosystems & Environment, 387, 109636. https://doi.org/10.1016/j.agee.2025.109636
#GHG #сельхоз #США
👍5
R-пакет geodata
Пакет geodata языка R предоставляет функции для загрузки и использования множества географических данных, включая:
• климатические данные WorldClim (температура, осадки и пр.) и CMIP6
• административные границы (GADM)
• данные о рельефе (SRTM, 90 м)
• глобальная карта пахотных земель (по ESA Worldcover)
• календарь сельскохозяйственных культур (Sacks crop calendar, и отдельно — для риса)
• данные о распределении сельскохозяйственных культур и системах их производства (SPAM, 42 культуры)
• глобальные карты почвенного покрова (ISRIC)
• данные о биоразнообразии Global Biodiversity Information Facility
• данные OpenStreetMap
• морские данные Bio-Oracle
• плотность населения и другие демографические слои (GPW, WorldPop)
Загруженные данные возвращаются в виде объектов
🖥 Репозиторий пакета
#R #данные #сельхоз #погода #DEM
Пакет geodata языка R предоставляет функции для загрузки и использования множества географических данных, включая:
• климатические данные WorldClim (температура, осадки и пр.) и CMIP6
• административные границы (GADM)
• данные о рельефе (SRTM, 90 м)
• глобальная карта пахотных земель (по ESA Worldcover)
• календарь сельскохозяйственных культур (Sacks crop calendar, и отдельно — для риса)
• данные о распределении сельскохозяйственных культур и системах их производства (SPAM, 42 культуры)
• глобальные карты почвенного покрова (ISRIC)
• данные о биоразнообразии Global Biodiversity Information Facility
• данные OpenStreetMap
• морские данные Bio-Oracle
• плотность населения и другие демографические слои (GPW, WorldPop)
Загруженные данные возвращаются в виде объектов
SpatRaster или SpatVector пакета terra. Сам пакет geodata разработан Робертом Хиджмансом (Robert J. Hijmans), автором пакетов raster и terra.🖥 Репозиторий пакета
#R #данные #сельхоз #погода #DEM
🔥3❤2👍1
Применение данных дистанционного зондирования Земли с беспилотников для мониторинга почвенного покрова и сельскохозяйственных культур
Ученые из Астраханского государственного университета им. В. Н. Татищева опубликовали статью, посвященную практике использования данных дистанционного зондирования земель сельскохозяйственных угодий, полученных с беспилотного летательного аппарата «Геоскан 201».
📖 Столярова Е.М., Сорокин А.П., Бурукина Е.А., Занозин В.В. Применение данных дистанционного зондирования Земли для мониторинга почвенного покрова и сельскохозяйственных культур // Геология, география и глобальная энергия, № 1 (96), 2025, стр. 82-90. DOI 10.54398/2077-6322.2025.96.1.012.
#сельхоз #БПЛА
Ученые из Астраханского государственного университета им. В. Н. Татищева опубликовали статью, посвященную практике использования данных дистанционного зондирования земель сельскохозяйственных угодий, полученных с беспилотного летательного аппарата «Геоскан 201».
📖 Столярова Е.М., Сорокин А.П., Бурукина Е.А., Занозин В.В. Применение данных дистанционного зондирования Земли для мониторинга почвенного покрова и сельскохозяйственных культур // Геология, география и глобальная энергия, № 1 (96), 2025, стр. 82-90. DOI 10.54398/2077-6322.2025.96.1.012.
#сельхоз #БПЛА
ГК «Геоскан»
Применение данных дистанционного зондирования Земли для мониторинга почвенного покрова и сельскохозяйственных культур
Дистанционное зондирование (ДЗ) Земли является мощным инструментом для оценки состояния земель сельскохозяйственного назначения и проведения анализа их качества. Современные технологии и методы обработки данных, полученных при помощи спутников и других аэрокосмических…
❤8👍2🤨1