Моніторинг стану біоенергетичних культур з використанням супутникових знімків Sentinel-2 та БПЛА
DOI:
https://doi.org/10.47414/na.11.3.2023.288681Ключові слова:
верба, тополя, міскантус гігантський, NDVIАнотація
Мета. Виявити закономірності для моніторингу стану біоенергетичних культур з використанням даних супутникових знімків Sentinel-2 та БПЛА.
Методи. Польові дослідження проводили в умовах нестійкого зволоження Правобережного Лісостепу України на дослідному полі Інституту біоенергетичних культур і цукрових буряків НААН України (50.023194, 30.173895) упродовж 2022−2023 рр.
Результати. Серед розглядуваних традиційних культур, цікавими з точки зору отримання біомаси на енергію є сорго цукрове, буряки цукрові та кормові, оскільки, за оптимальних умов вирощування, вони забезпечують урожайність біомаси 110, 120 та 135 т/га, або 20, 26 та 24 т/га сухої речовини, відповідно. Урожайність біоенергетичних культур можна прогнозувати з прийнятним рівнем точності, використовуючи багато відомих вегетаційних індексів. Однак, взаємозв’язок між вегетаційними індексами та врожайністю культур не є сталим у різних стадіях росту й розвитку культур. Поєднання вегетаційних індексів, пов’язаних зі структурними характеристиками рослинного покриву та вмістом хлорофілу в надземній біомасі, може дещо підвищити точність прогнозування врожайності, порівняно з використанням лише структурних вегетаційних індексів. Щобільше, поєднання структурних, хлорофілових та стресових індексів як вхідних даних для моделей врожайності може забезпечити ще значнішу кореляцію для прогнозування врожайності.
Висновки. Вищі показники індексу NDVI на посівах біоенергетичних культур були отримані за вищого вмісту загального азоту в ґрунті. Удобрення багаторічних біоенергетичних плантацій проводиться щорічно для міскантусу й проса прутоподібного, для верби й тополі – раз на 3–4 роки, що часто може не покривати потреби рослин. Для застосування отриманих даних NDVI у передбаченні продуктивності біоенергетичних культур слід напрацювати алгоритм визначення рівня забезпеченості рослин елементами живлення. Також установлено, що визначення вегетаційних індексів у пізній період вегетації (вересень або початок жовтня) дає змогу чітко визначити розміри й стан плантацій біоенергетичних культур, оскільки традиційні культури в цей період уже зібрані. Для аналізування стану біоенергетичних культур в умовах виробництва цілком підходять супутникові знімки Sentinel-2, адже вони мають роздільну здатність 10 м та періодичність 3–5 діб. Нами були визначені показники NDVI на ділянці міскантусу гігантського загальною площею 2,9 га. Дані, накопичені та агрегатовані за допомогою програми OneSoil станом на 20 серпня та 19 вересня, показали індекс NDVI на рівні 0,80 та 0,70, тоді як визначений за допомогою квадрокоптера індекс становив 0,82 та 0,77. Отже, супутник може забезпечити зіставні дані індексу NDVI за необхідності моніторингу плантацій у масштабах країни.
Посилання
Hatfield, J. L., Gitelson, A. A., Schepers, J. S., & Walthall, C. L. (2008). Application of spectral remote sensing for agronomic decisions. Agronomy Journal, 100. doi: 10.2134/agronj2006.0370c
McCabe, M. F., Houborg, R., & Lucieer, A. (2016). High-resolution sensing for precision agriculture: From Earth-observing satellites to unmanned aerial vehicles. Remote Sensing for Agriculture, Ecosystems, and Hydrology, 18, Article 9998. doi: 10.1117/12.2241289
Messina, G., Peña, J. M., Vizzari, M., & Modica, G. A. (2020). Comparison of UAV and satellites multispectral imagery in monitoring onion crop. an application in the ‘Cipolla Rossa di Tropea’ (Italy). Remote Sensing, 12, Article 3424. doi: 10.3390/rs12203424
ESA. Sentinel-2. Retrieved from https://sentinels. copernicus.eu/web/sentinel/missions/sentinel-2
Segarra, J., Buchaillot, M. L., Araus, J. L., & Kefauver, S. C. (2020). Remote sensing for precision agriculture: Sentinel-2 improved features and applications. Agronomy, 10, Article 641. doi: 10.3390/agronomy10050641
Sagan, V., Maimaitijiang, M., Sidike, P., Maimaitiyiming, M., Erkbol, H., Hartling, S., … Fritschi, F. (2019). UAV/satellite multiscale data fusion for crop monitoring and early stress detection. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLII-2/W13, 715–722. doi: 10.5194/isprs-archives-XLII-2-W13-715-2019
Kasampalis, D., Alexandridis, T., Deva, C., Challinor, A., Moshou, D., & Zalidis, G. (2018). Contribution of remote sensing on crop models: a review. Journal of Imaging, 4, Article 52. doi: 10.3390/jimaging4040052
Rijal, A., Cristan, R., Gallagher, T., Narine, L. L., & Parajuli, M. (2023). Evaluating the feasibility and potential of unmanned aerial vehicles to monitor implementation of forestry best management practices in the coastal plain of the southeastern United States. Forest Ecology and Management, 545, Article 121280. doi: 10.1016/j.foreco.2023.121280
Cao, Y., Li, G. L., Luo, Y. K., Pan, Q., & Zhang, S. Y. (2020). Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images. Computers and Electronics in Agriculture, 171, Article 105331. doi: 10.1016/j.compag.2020.105331
Song, Z., Wang, P., Zhang, Z., Yang, S., & Ning, J. (2023). Recognition of sunflower growth period based on deep learning from UAV remote sensing images. Precision Agriculture, 24, 1417–1438. doi: 10.1007/s11119-023-09996-6
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., & Zhao, W. (2016). Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system. Ecological Indicators, 67, 637–648. doi: 10.1016/j.ecolind.2016.03.036
Sagan, V., Maimaitijiang, M., Sidike, P., Eblimit, K., Peterson, K., Hartling, S., … Mockler, T. (2019). UAV-based high resolution thermal imaging for vegetation monitoring, and plant phenotyping using ICI 8640 P, FLIR Vue Pro R 640, and thermoMap cameras. Remote Sensing, 11, Article 330. doi: 10.3390/rs11030330
Xu, K., Wan, Y., Xie, T., & Jiang, X. (2023). Retrieval technology of soil moisture content in crops cotton field based on UAV hyperspectral data. Fourth International Conference on Geoscience and Remote Sensing Mapping, 12551. doi: 10.1117/12.2668158
Almeida-Ñauñay, A. F., Tarquis, A. M., López-Herrera, J., Pérez-Martín, E., Pancorbo, J. L., Raya-Sereno, M. D., & Quemada, M. (2023). Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery. Computers and Electronics in Agriculture, 205, Article 107559. doi: 10.1016/j.compag.2022.107559
Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, A. M., Erkbol, H., & Fritschi, F. B. (2020). Crop monitoring using satellite/UAV data fusion and machine learning. Remote Sensing, 12, Article 1357. doi: 10.3390/rs12091357
Zhe, L., Die, H., Deng-zhong, Z., & Da-xiang, X. (2015). Research advance of broadband vegetation index using remotely sensed images. J. Yangtze River Sci. Res. Inst., 32, Article 125.
Sadeh, Y., Zhu, X., Dunkerley, D., Walker, J. P., Zhang, Y., Rozenstein, O., Manivasagam, V. S., & Chenu, K. (2021). Fusion of Sentinel-2 and PlanetScope time-series data into daily 3 m surface reflectance and wheat LAI monitoring. International Journal of Applied Earth Observation and Geoinformation, 96, Article 102260. doi: 10.1016/j.jag.2020.102260
Zhao, Y., Potgieter, A. B., Zhang, M., Wu, B., & Hammer, G. L. (2020). Predicting wheat yield at the field scale by combining high-resolution Sentinel-2 Satellite imagery and crop modelling. Remote Sensing, 12, Article 1024. doi: 10.3390/rs12061024
Prabhakara, K., Hively, W. D., & McCarty, G. W. (2015). Evaluating the relationship between biomass, percent groundcover and remote sensing indices across six winter cover crop fields in Maryland, United States. International Journal of Applied Earth Observation and Geoinformation, 39, 88–102. doi: 10.1016/j.jag.2015.03.002
Chen, J., Gu, S., Shen, M., Tang, Y., & Matsushita, B. (2009). Estimating aboveground biomass of grassland having a high canopy cover: An exploratory analysis of in situ hyperspectral data. International Journal of Remote Sensing, 30, 6497–6517. doi: 10.1080/01431160902882496
Sharma, P., Leigh, L., Chang, J., Maimaitijiang, M., & Caffé, M. (2022). Above-ground biomass estimation in oats using UAV remote sensing and machine learning. Sensors, 22, Article 601. doi: 10.3390/s22020601
Guan, K., Berry, J. A., Zhang, Y., Joiner, J., Guanter, L., Badgley, G., & Lobell, D. B. (2015). Improving the monitoring of crop productivity using spaceborne solar-induced fluorescence. Global Change Biology, 22, 716–726. doi: 10.1111/gcb.13136
Muruganantham, P., Wibowo, S., Grandhi, S., Samrat, N. H., & Islam, N. (2022). A systematic literature review on crop yield prediction with deep learning and remote sensing. Remote Sensing, 14, Article 1990. doi: 10.3390/rs14091990
Marshall, M., Belgiu, M., Boschetti, M., Pepe, M., Stein, A., & Nelson, A. (2022). Field-level crop yield estimation with PRISMA and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing, 187, 191–210. doi: 10.1016/j.isprsjprs.2022.03.008
Fernandes, J. L., Ebecken, N. F. F., & Esquerdo, J. C. D. M. (2017). Sugarcane yield prediction in Brazil using NDVI time series and neural networks ensemble. International Journal of Remote Sensing, 38, 4631–4644. doi: 10.1080/01431161.2017.1325531
Ehrmantraut, E. R., Prysiazhniuk, O. I., & Shevchenko, I. L. (2007). Statistical analysis of agronomic experimental data in the Statistica 6.0 package. Kyiv: PolighrafConsaltyn. [In Ukrainian]
Prysiazhniuk, O. I., Klymovych, N. M., Polunina, O. V., Yevchuk, Ya. V., Tretiakova, S. O., Kononenko, L. M., Voitovska, V. I., & Mykhailovyn, Yu. M. (2021). Methodology and organization of scientific research in agriculture and food technologies. Vinnytsia: Nilan-LTD. [In Ukrainian]
