Normaliseeritud erinevusniiskusindeks

Nende arv GeoPardi toetatud taimestiku indeksid pidevalt kasvamas. GeoPardi meeskond tutvustab normaliseeritud niiskuse erinevuse indeksit (NDMI). Indeks määrab taimestiku veesisalduse ja normaliseeritud niiskuse erinevuse indeksi (NDWI). See on kasulik olemasolevate kohtade leidmiseks. veestress taimedes.

Madalamad NDMI väärtused tähistavad kohti, kus taimed on ebapiisava niiskuse tõttu stressi all.
Teisel pool toovad vegetatsiooni haripunkti järgnenud madalamad normaliseeritud erinevusveeindeksi väärtused esile laigud, mis muutuvad koristusvalmis esimene.

Taimestiku suhtelise veesisalduse erinevus kahe satelliidipildi vahel (antud juhul Sentinel-2 tähtkuju)

Taimestiku suhtelise veesisalduse erinevus kahe satelliidipildi vahel (antud juhul Sentinel-2 tähtkuju)

Järgmistel ekraanipiltidel näete 19. juuni (taimestiku haripunkt) ja 6. juuli satelliidipiltide põhjal genereeritud NDMI tsoonid ning NDMI erinevust kujutava võrrandikaardi.

Planeedi / Sentinel-2 / Landsati pildi põhjal arvutatud normaliseeritud niiskuse erinevuse indeksPlaneedi peal arvutatud NDMI / Sentinel-2 / Landsati pilt

Mis on niiskusindeks?

See on mõõt või arvutus, mida kasutatakse niiskusesisalduse või kättesaadavuse hindamiseks konkreetses piirkonnas või piirkonnas. Tavaliselt tuletatakse see erinevatest keskkonnateguritest, nagu sademed, aurumine, mulla omadused ja taimkate.

See annab suhtelise ülevaate piirkonna niiskusest või kuivusest, aidates tuvastada võimalikku veestressi või põuaolusid.

See on väärtuslik tööriist veevarude jälgimiseks ja haldamiseks, põllumajanduse planeerimiseks ja konkreetse piirkonna ökoloogiliste tingimuste mõistmiseks.

Mis on normaliseeritud niiskuse erinevuse indeks?

Normaliseeritud niiskuse erinevuse indeks (NDMI) on taimestiku indeks, mis saadakse kaugseireandmete põhjal taimestiku niiskusesisalduse hindamiseks ja jälgimiseks. Nagu teisedki taimestiku indeksid, arvutatakse see satelliidi- või õhupiltide spektraalse peegelduse väärtuste abil.

See on eriti kasulik taimede veestressi jälgimisel, põuaolude hindamisel, tuleohu hindamisel ja kliimamuutuste mõju uurimisel taimestikule.

See arvutatakse lähiinfrapuna (NIR) ja lühilainelise infrapuna (SWIR) sagedusalade abil, mis on tundlikud taimestiku niiskusesisalduse suhtes. NDMI valem on:

NDMI = (lähi-infrapuna – õhuvoolukiirgus) / (lähi-infrapuna + õhuvoolukiirgus)

NDWI väärtused jäävad tavaliselt vahemikku -1 kuni 1, kusjuures kõrgemad väärtused näitavad taimestiku kõrgemat niiskusesisaldust ja madalamad väärtused madalamat niiskusesisaldust või veestressi taimestikus. Negatiivsed NDMI väärtused võivad olla seotud taimestikuta aladega või väga madala niiskusesisaldusega aladega.

Mis on NDWI?

NDWI ehk normaliseeritud erinevusveeindeks on kaugseireindeks, mida kasutatakse taimestiku või maastike veesisalduse või veega seotud omaduste kvantifitseerimiseks ja hindamiseks.

See arvutatakse satelliidi- või õhupiltidelt saadud lähiinfrapuna- ja rohelise valguse ribade peegeldusvõime analüüsimise teel. See on eriti kasulik veekogude tuvastamiseks, vee kättesaadavuse muutuste jälgimiseks ja taimestiku tervise hindamiseks.

Erinevate lainepikkuste neeldumise ja peegeldumise võrdlemise abil annab see väärtuslikku teavet selliste rakenduste jaoks nagu põua jälgimine, hüdroloogiline analüüs ja ökosüsteemi haldamine.

NDMI visualiseerimine normaliseeritud erinevusveeindeksi määramiseks

NDMI visualiseerimine hõlmab satelliidi- või õhupiltide töötlemist, NDMI väärtuste arvutamist ja seejärel tulemuste kuvamist värvikoodiga kaardi või pildina. NDMI visualiseerimise üldised sammud on järgmised:

  • Hankige satelliidi- või õhupilte: Hankige satelliidilt või õhuplatvormilt, näiteks Landsat, Sentinel või MODIS, multispektraalseid kujutisi. Veenduge, et pildid sisaldavad vajalikke sagedusribasid: lähiinfrapuna (NIR) ja lühilaineinfrapuna (SWIR).
  • Kujutise eeltöötlus: Sõltuvalt andmeallikast peate võib-olla pilte eeltöödelma, et korrigeerida atmosfääri-, geomeetrilisi ja radiomeetrilisi moonutusi. Teisendage pildil olevad digitaalsed numbrid (DN) spektraalse peegelduse väärtusteks.
  • Arvutage NDMI: Iga pildi piksli kohta kasutage NIR- ja SWIR-peegelduste väärtusi NDMI arvutamiseks järgmise valemi abil: NDMI = (NIR – SWIR) / (NIR + SWIR).
  • Värvide kaardistamine: Määrake NDMI väärtustele värvipalett. Tavaliselt kasutatakse pidevat värviskaalat, mis ulatub ühest värvist (nt punane) madalate NDMI väärtuste (mis näitab madalat niiskusesisaldust) ja teise värvini (nt roheline) kõrgete NDMI väärtuste (mis näitab kõrget niiskusesisaldust) jaoks. Värvikaardi loomiseks võite kasutada tarkvara nagu QGIS, ArcGIS või programmeerimisteegid nagu Pythoni Rasterio ja Matplotlib.
  • Visualiseeri NDMI kaarti: Kuva NDMI kaart või pilt GIS-tarkvara, programmeerimisteegi või veebiplatvormi abil. See võimaldab sul analüüsida taimestiku niiskusesisalduse ruumilist jaotust ja tuvastada veestressi või kõrge niiskusesisaldusega alasid.
  • Tõlgendamine ja analüüs: Kasutage NDWI visualiseeringut taimestiku tervise hindamiseks, põuaolude jälgimiseks või tuleohu hindamiseks. Samuti saate võrrelda erinevate ajaperioodide normaliseeritud erinevusveeindeksi kaarte, et analüüsida taimestiku niiskusesisalduse muutusi ajas.

Pidage meeles, et erinevatel tarkvaratööriistadel või programmeerimisraamatukogudel võivad olla veidi erinevad töövood, kuid üldine protsess on sarnane. Lisaks saate analüüsi täiustamiseks ja taimestiku niiskusesisalduse ja muude tegurite vaheliste seoste paremaks mõistmiseks lisada ka teisi andmekihte, näiteks maakasutus, kõrgus või halduspiirid. 

Täppispõllumajanduse haldustsoonide täiustatud statistika

See statistika täpne arvutamine on täppispõllumajanduse andmeanalüüsi nurgakivi. GeoPard on platvormil loodud põllumajandusvöönditele lisanud detailsemad statistilised täpsusarvutused, et tagada teie kaartide ja nende põhjal tehtud analüütiliste järelduste täpsus ja usaldusväärsus. 

Täpsem statistika arvutatakse tsooni kohta, mis sisaldab järgmisi atribuute: miinimum ja maksimaalne taimestiku indeksi (või muude atribuutide) väärtused, mediaankeskminestandardhälve, ja summa kõigist tsooni väärtustest.

Mediaan on numbriliselt järjestatud andmestiku keskmine väärtus, vastandina keskmisele. See on seotud standardhälbega, mis peegeldab, kuidas andmed on keskmise väärtuse ümber paigutunud.

Madal standardhälve viitab sellele, et antud tsooni andmed on rühmitatud keskmise ümber tihedalt, samas kui kõrge standardhälve näitab, et tsooni andmed on keskmise ümber laiemalt jaotunud.

Atribuut „sum” on lihtsalt selle tsooni kõigi piksliväärtuste kogusumma. Enne tsoonide statistika arvutamist eemaldatakse kõik kõrvalekalded või anomaalsed andmepunktid, et vältida eksitava statistika loomist, mis ei kajasta teie tsooni andmeid täpselt. 

Pärast põllumajandusvööndite käsitsi muutmist ühendamise/jagamise tööriista abil, tsooni statistika arvutatakse ümber uute tsooni geomeetriate põhjal. See võimaldab täpsemat ja detailsemat arusaama andmete jaotusest tsoonide sees ja nende vahel.

GeoPardi haldusvööndite statistika
GeoPardi haldusvööndite statistika

Nagu ikka, GeoPard väärtustab läbipaistvust platvormi kõigis aspektides. Salastatud andmete põllumajandusvöönditesse koondamise ajal silutakse ja peidetakse kõik detailid ilma mõõdikuteta, et näidata, mis juhtus, seega esitatakse andmete koondamise tulemused täppisstatistika kaudu.

Samuti on alati võimalik tagasi minna ja tsoonidest algsed väärtused välja võtta, et neid uuesti kontrollida või oma mudelites kasutada. Te ei pea kunagi muretsema GeoPardis algsete andmete kaotamise pärast.

Statistika on kaardi täpsuse määramisel väga väärtuslik ja arvutatakse põllumajandusvööndite jaoks teie valitud andmekihi põhjal, sealhulgas saagikus, maapinnaandurid, satelliidid, topograafia ja mitmekihilised andmed. 

GeoPard esitab tsoonide statistikat väga loetaval ja lihtsal viisil, mida on näha allolevatel näidispiltidel.

GeoPardis soovime, et teie põldudega seotud otsuste langetamine oleks lihtne, pakkudes teile järgmist: parim ja põhjalikum juurdepääs statistilise täpsusega arvutustele me saame.

Mis on eelstatistika?

Täiustatud statistika on statistilise analüüsi haru, mis hõlmab keerukamaid ja keerukamaid tehnikaid peale põhiliste statistiliste meetodite. See hõlmab mitmesuguseid statistilisi mudeleid ja tehnikaid, mida kasutatakse keerukate andmekogumite analüüsimiseks ja tõlgendamiseks.

Täiustatud statistiliste meetodite hulka kuuluvad muu hulgas regressioonanalüüs, mitmemõõtmeline analüüs, aegridade analüüs ja eksperimentaalne disain. Need meetodid võimaldavad teadlastel ja analüütikutel avastada sügavamaid teadmisi, tuvastada mustreid ja seoseid ning teha andmete põhjal täpsemaid ennustusi või teadlikumaid otsuseid.

Analüüsige geoprospektorite / pinnasekaardistaja andmeid

GeoPard on võimeline töötlema ja analüüsima erinevat tüüpi põllumajanduslikke ruumiandmeid. See on näide töötamisest suure tihedusega andurite andmekogumitega, millel on suur ruumiline varieeruvus, mida pakub Geoprospectors GmbH

Pärast jäädvustatud andmete importimist Pindmise pinnase kaardistaja, näete 

  • suhteline veesisaldus
  • sügavus, mis liidestab teavet tihendamise kohta
  • elektrijuhtivus 4 kumulatiivsel sügavusel
Suhteline veesisaldus, toorpunktid
Suhteline veesisaldus, toorpunktid

Geopard võimaldab teil näha punkte toorväärtuste ja pideva pinnaga; võrrelda erinevaid andmekihte; piiritleda mullavööndeid tsoonide kaupa mullaproovide võtmiseks ja VRA-ks; ühendada TopsoilMapperi andmed GeoPardis saadaolevate andmetega, näiteks ajaloolise ja praeguse taimestiku ning kõrgusega, üheks tsoonikaardiks. 

Kihtide võrdlus: taimestik (WDRVI), tsoonide kaart (EC+kõrgus), EC, tihendamine
Kihtide võrdlus: taimestik (WDRVI), tsoonide kaart (EC+kõrgus), EC, tihendamine


Huvitav, mida madalad EC väärtused kaardil kõverana esindavad? See on iidne jõesäng, mis on maetud maa alla.

Andmekihide võrdlus, et teha otsuseid põllukultuuride kohta

Väliandmete visualiseerimiseks ja teadlike otsuste tegemiseks on sageli vaja võrrelda kihte mitmel sünkroniseeritud vaatel.

GeoPardis saate ühel ekraanil visuaalselt võrrelda kuni nelja andmekihti. Kõik kihid töötavad sünkroonselt, kui suumite sisse/välja või liigutate kaarti oma mugavuse huvides.

Kuidas siseneda jagatud ekraani režiimi? Valige väli ja klõpsake ekraani paremas ülanurgas kihtide võrdluse ikooni. Seejärel valige kõik hetktõmmised, väljade juhtimisalad või muud kihid, mida soovite samal ekraanil korraga näha. Klõpsake nuppu „Võrdle kihte“. 

Kihtide võrdlemise funktsioon sünkroniseerib kaarte, kursoreid ja suumitasemeid. Samuti on teil võimalus kihte lisada/eemaldada. Praegu toetame kuni nelja andmekihti.

Mis on täppispõllumajanduses andmekihid?

Täppispõllumajanduses viitavad andmekihid erinevat tüüpi andmetele, mida kogutakse ja analüüsitakse, et teha teadlikke otsuseid põllukultuuride majandamise kohta. Need kihid võivad hõlmata järgmist:

  • MullaandmedTeave mulla omaduste, näiteks toitainete taseme, pH ja tekstuuri kohta, mis aitab langetada otsuseid väetamise ja muude mullaharimise tavade kohta.
  • Ilmaandmed: Andmed praeguste ja ajalooliste ilmastikumustrite, sealhulgas temperatuuri, sademete ja tuule kohta aitavad põllumeestel teha otsuseid istutamise, niisutamise ja muude tavade kohta.
  • Saagi andmedAndmed põllukultuuride kasvu ja tervise kohta, sealhulgas taime kõrgus, lehtede pindala ja klorofülli tase, võivad anda teavet väetamise, niisutamise ja kahjuritõrje kohta käivate otsuste tegemisel.
  • Andmed tootluse kohtaTeave saagikuse ja kvaliteedi kohta aitab põllumeestel teha otsuseid oma saagi koristamise ja turustamise kohta.
  • Topograafilised andmedTeave maa kuju ja kõrguse kohta aitab teha otsuseid istutamise ja niisutamise kohta ning tuvastada alasid, mis võivad olla altid erosioonile või muudele keskkonnaprobleemidele.
  • Kaugseireandmed: Satelliitidelt, droonidelt või muudelt kauganduritelt kogutud andmed võivad anda teavet põllukultuuride tervise, mulla niiskuse ja muude tegurite kohta, mis aitavad langetada otsuseid põllukultuuride majandamise kohta.

Nende erinevate andmekihtide analüüsimise ja integreerimise abil saavad põllumehed teha teadlikumaid otsuseid põllukultuuride majandamise kohta, mis viib tõhusamate ja säästvamate põllumajandustavadeni.

Põllumajandusvööndite toimingud andmepõhiseks otsuste tegemiseks

TSOONIDE TOIMINGUD ERINEVATEL KIHTIDEL

Täppispõllumajanduses on põlluandmete kogumine ja andmepõhine otsuste langetamine üliolulised. Mitmekihilise analüütika arendamise ja kihtidevaheliste sõltuvuste leidmise järgmise etapina tutvustame uut moodulit „Tsoonide toimingud“. 

Seal saate otsida sõltuvusi erinevate põllumajandusvööndite kaartide vahel, näiteks ajalooline taimestik, topograafia koos selle tuletistega, saagikuse monitoride andmed, mullaandmed, skannerid, stabiilsuskaardid jne. See on samm edasi enim mõjutatud alade määratlemisel ja põldude heterogeensuse põhjuste mõistmisel. 

Kuidas saab piirkondi tuvastada? 

Kõigepealt vali põllukaardid, mida soovid ristanalüüsida. Kihtide võrdlusvaade on hea lähenemisviis konkreetsete põllumajandusvööndite määratlemiseks analüüsimiseks.

Võib-olla soovite võrrelda madala saagipotentsiaaliga ja lohakaid alasid, kõige ebastabiilsemaid tsoone ja madala taimestikuga, madalat elektrijuhtivust ja saagikust, nagu ka kasutatud väetamiskaarti ja praegust taimestikku ning teisi.

Teiseks märkige tsoonide toimingute moodulis igal kaardil, mida soovite võrrelda, konkreetsed põllumajandustsoonid. Ja lõpuks leidke huvipakkuv tsoon. Pange tähele, et analüüsides on võimalik kasutada rohkem kui kahte kaarti. 

Kuidas saate neid teadmisi rakendada? 

Lisaks saagikust selgitavate seoste leidmisele on võimalik seada saagikuse eesmärke määratletud põllumajandusvöönditele; uurida huvitavaid alasid; vähendada investeeringuid sellistesse lokaliseeritud tsoonidesse või koostada piiravate tegurite leevendamise plaan ja tuvastada ebaefektiivsed alad, teades algpõhjuseid; koostada agronoomiaplaan, kasutades VRA tavasid. 

Ekraanipiltidel on mitu näidet väljade analüüsist. Pane tähele, et iga väli on unikaalne ja allpool mainitud juhtumid ei garanteeri sama tulemust sinu välja jaoks, aga see on hea viis uurimise alustamiseks. 

Olete väga teretulnud jagama oma agronoomilisi tavasid selle postituse kommentaarides või võtke otse ühendust GeoPard Agriculture'i meeskonnaga. Oleme tagasisidele avatud, sest loome teie jaoks lahenduse, et paremini mõista põldude varieeruvust ja seda hallata.

Tsoonide kvaliteet

Peaaegu kõik haldustsoone kohandatakse enne muutuva külvinormiga kaardile üleminekut. See võib hõlmata mõne tsooni ühendamist, käsitsi parandusi tuntud kohtades, täiendavate puhveralade lisamist, põllumajandustehnika ühilduvust jne.

Meie, GeoPardi meeskonnas, mõistame, et täpsed looduslikud haldusvööndid koos kehtivate polügoonidega säästavad tsoonide kontrollimise ja parandamise protsesside ajal palju aega.

GeoPardi mootor teeb järgmist:

  • eemaldab automaatselt müra,
  • liidab automaatselt väikesed polügoonid lähimasse suuremasse tsooni,
  • säilitab igas tsooni polügoonis ainult vajaliku minimaalse arvu punkte,
  • muudab VRA kaardid ühilduvaks mis tahes põllumajandusseadmete ja -masinatega.

Lisaks automaatsele korrektsioonile, tööriist tsoonide ühendamiseks ja jagamiseks on saadaval kaardi kohandamiseks vastavalt oma põlluteadmistele ja agronoomilisele praktikale. 

Turul on palju erinevaid kaarte erinevatelt pakkujatelt, kuid GeoPardi kaardid on kindlasti tuttavad.

Tsoonide ühendamine ja jagamine põllumajanduses haldamiseks

Keegi ei tunne oma põldu paremini kui põllumees või agronoom, kes on selle põlluga aastaid töötanud. Seetõttu vajab iga algoritmipõhine analüüs sageli professionaali poolt oma sügavate valdkonnaalaste teadmiste abil valideerimist ja kohandamist.

Tsoonide ühendamise ja jagamise funktsioon võimaldab professionaalil teha mõned olulised asjad: 

  • Jagatud hulknurgad
  • Polügoonide ühendamine
  • Määrata polügoon või täielik tsoon teisele klassile

Neid kohandusi saab rakendada mis tahes andmekihi jaoks ja see on väga kasulik funktsioon, et valmistada ette OMA ideaalsed tsoonid täppispõllundustöödeks, nagu VR-külv, väetamine või pritsimine.

Mis on lõhed põllumajanduses?

Põllumajanduses viitab jagamine põllu jagamisele või tükeldamisele erinevateks osadeks erinevate majandamistavade jaoks.

See jaotus võimaldab põllumeestel rakendada igas osas erinevaid töötlusviise või tehnikaid vastavalt konkreetsetele vajadustele.

Näiteks võivad põllumehed põllu jagada, et kasutada erinevaid väetisi, herbitsiide või niisutusmeetodeid, mis põhinevad mullatingimustel või saagi nõuetel.

Jaotused võimaldavad ressursside sihipärast ja tõhusat rakendamist, optimeerides saagi kasvu ja minimeerides kulusid, lahendades samal ajal põllu eri piirkondade spetsiifilisi probleeme.

Saagi kontroll stabiilsuse ja jõudluse analüüsi abil

 

Viimase 1-2 nädala või 1-2 kuu või isegi paari aasta jooksul põllul toimunud muutuste tuvastamine aitab saada ülevaate saagi arengust.

Seda saab kasutada järgmiselt:

  • Leidke 5-10-20 aasta jooksul sarnase tulemuslikkusega kohti ja paigutage katsed sarnaste tingimustega piirkondadesse, et vähendada vigade tõenäosust,
  • jälgida muutusi hooaja jooksul ja hinnata saagi tootlikkust kasvuperioodil,
  • tuvastada kahjustatud alasid pärast ilmastikukatastroofi, haigust või kahjurirünnakut ja arvutada kahjustatud alasid,
  • tuvastage kahe viimase pildi erinevus ja kontrollige kärpimise toimivust.
Välja stabiilsustsoonid

Ja kõik see ja veelgi rohkem juhtumeid on kaetud GeoPardi põllu stabiilsusvöönditega. Eelkõige annab see rohkem teavet koos hooajaliste ja ajalooliste majandamistsoonidega.

Valige lihtsalt oma põld ja satelliidipildid, et jälgida nende muutusi, kontrollida põllukultuure ja saada ülevaadet iga koha kohta oma põllul.

välja stabiilsustsoonide valik

Kihtide võrdlus

Pole saladus, et me pidevalt rikastame GeoPard Agriculture'i lahendust ja suurendame selle väärtust kasutajatele. Vaadake lihtsalt meie veebisaidi jaotist “Varsti saadaval”. https://geopard.tech et saada teel olles aimu mõnest funktsioonist.

Nende prioriseerimine võib olla keeruline. Siin tulevad appi tagasiside ja tootedemonstratsioonid. Seega, meie lahenduse tutvustamine paljudele osalejatele... Maailma põllumajandustehnoloogia Londoni tippkohtumisel saime tarneplaani kohandada ja uue kihtide võrdluse funktsiooni vaid mõne päevaga välja anda.

Millest see räägib? Jagatud vaates saate visuaalselt kõrvuti võrrelda põlluanalüüsi andmeid. Võrdlemiseks on võimalik valida mis tahes tüüpi kihte: looduslike või infrapunavärvidega pildid, taimestikuvaatega pildid, hooajalised või ajaloolised majandamistsoonid. Kaks kihti käituvad sünkroonselt, kui suumite sisse/välja või liigutate kaarti oma mugavuse huvides.

Kuidas siseneda jagatud vaate režiimi? Valige oma väli ja klõpsake ülemises menüüs kihtide võrdlemise ikooni. Jagatud vaate ekraanil valige ülemises otsas oleva otsitava rippmenüü abil analüüsikiht.

sisene jagatud vaate režiimi
valdkonna analüütikute valik
välianalüütikute võrdlus

Mitmeaastased tsoonid

Mida see tähendab? Ajaloolised (mitmeaastased) haldustsoonid on loodud enam kui 30 aasta pikkuse satelliidipiltide arhiivi põhjal.

Analüütika sisenditeks valitakse automaatselt pildid, millel on igal hooajal taimestiku tipptase. Vastasel juhul esindab iga selline pilt potentsiaalset saagikust vastava aasta kohta.

 

Ajaloolised (mitmeaastased) majandamistsoonid annavad ülevaate iga koha kohta põllul.

Kuidas seda kasutada saab? Põllukultuuride arengumuster aitab põllumajandusmaad paremini tundma õppida ja teha õigeid otsuseid õigete sisendkogustega õigetes kohtades.

Ajaloolisi majandamistsoone saaks kasutada külvi-, väetamis- ja tsoonipõhise mullaproovide võtmise retseptifailide kavandiks.

Toetame kõiki piirkondi vastavalt soovile.

Mis on mitmeaastased tsoonid?

Täppispõllumajanduses viitavad mitmeaastased tsoonid põllul asuvatele konkreetsetele aladele, kus põllukultuuride kasvu ja saagikuse mustrid on mitme kasvuperioodi jooksul järjepidevad ja eristatavad.

Need tsoonid tuvastatakse mitmesuguste tehnoloogiate abil, näiteks kaugseire, GPS-kaardistamise ja mullaproovide võtmise abil.

Nende tehnoloogiate abil kogutud andmete analüüsimise abil saavad põllumehed ja agronoomid tuvastada põllul esinevaid varieeruvuse mustreid ja luua kaarte, mis eristavad kõrge tootlikkusega alasid madalama saagikusega aladest.

Seda teavet saab seejärel kasutada põllukultuuride majandamise tavade optimeerimiseks, näiteks istutustiheduse muutmiseks, niisutus- ja väetamismäärade reguleerimiseks ning isegi täppiskoristustehnikate rakendamiseks.

Need pakuvad väärtuslikku tööriista täppispõllumajanduses, kuna võimaldavad põllumeestel teha teadlikke otsuseid ressursside jaotamise ja põllukultuuride majandamise kohta, mille tulemuseks on parem tõhusus, väiksemad kulud ja suurem saagikus.

Mõistes põllu piires esinevat varieeruvust ja kohandades majandamistavasid igale konkreetsele tsoonile, saavad põllumehed oma maa ja ressursside potentsiaali maksimeerida.

 

wpChatIcon
wpChatIcon

    Taotlege tasuta GeoPardi demo / konsultatsiooni








    Nupule klõpsates nõustute meie Privaatsuspoliitika. Me vajame seda, et vastata teie taotlusele.

      Telli


      Nupule klõpsates nõustute meie Privaatsuspoliitika

        Saada meile teavet


        Nupule klõpsates nõustute meie Privaatsuspoliitika