Rubriik: Kaugseire

Tere tulemast meie veebisaidi jaotisse “Kaugseire põllumajanduses”! Siin pakume põhjalikku juhendit selle kohta, kuidas see tehnoloogia põllumajandustööstust revolutsiooniliselt muudab.

See tehnoloogia hõlmab andurite ja kujutiste kasutamist andmete kogumiseks Maa pinna kohta ilma seda füüsiliselt puudutamata. Põllumajanduses on see tehnoloogia muutunud üha olulisemaks täpse ja õigeaegse teabe pakkumisel põllukultuuride tervise, mulla niiskuse ja saagikuse hinnangute kohta.

Meie jaotisest “Kaugseire põllumajanduses” leiate rohkelt teavet põllumajanduses kasutatavate eri tüüpi kaugseire kohta, näiteks satelliitide, droonide ja maapealsete andurite kohta. Samuti arutame selle erinevaid rakendusi, sealhulgas põllukultuuride kaardistamist, haiguste avastamist ja täppispõllundust.

Meie ekspertide meeskond on hoolikalt koostanud artiklite, juhtumianalüüside ja uurimistööde kogu, mis toob esile kaugseiretehnoloogia kasutamise eelised ja väljakutsed põllumajanduses. Samuti pakume ülevaadet valdkonna uusimatest suundumustest ja arengutest, sealhulgas uutest sensoritehnoloogiatest ja andmeanalüüsi tehnikatest.

Kaugseire juhend ja uuendused

Olenemata sellest, kas olete põllumees, teadlane või valdkonna professionaal, on see jaotis ideaalne koht, et selle põneva ja kiiresti areneva valdkonna kohta rohkem teada saada. Liituge meiega sellel teekonnal, kui uurime, kuidas kaugseiretehnoloogia muudab põllumajanduse tulevikku.

Kuidas mehitamata õhusõidukite põhine suure läbilaskevõimega fenotüüpimine muudab tänapäevast taimekasvatust

Postitatud -s dementievgeopard poolt

Prognooside kohaselt ulatub maailma rahvaarv 2050. aastaks 9,8 miljardi inimeseni, mis kahekordistab toidunõudluse. Põllumaa laiendamine selle vajaduse rahuldamiseks ei ole aga jätkusuutlik. Alates 2000. aastast on loodud üle 501 300 000 uue põllumaa, mis on asendanud metsi ja looduslikke ökosüsteeme, süvendades kliimamuutusi ja bioloogilise mitmekesisuse kadu.

Selle kriisi vältimiseks pöörduvad teadlased sordiaretuse poole – teaduse poole, mille eesmärk on arendada suurema saagikusega, haiguskindlaid ja kliimamuutustele vastupidavaid põllukultuure. Traditsioonilised aretusmeetodid on aga probleemi pakilisusega toimetulekuks liiga aeglased.

Siin tulevadki mängu droonid ja tehisintellekt (AI) kui mängumuutjad, pakkudes kiiremat ja nutikamat viisi paremate põllukultuuride aretamiseks.

Miks traditsiooniline taimekasvatus maha jääb

Taimearetus tugineb soovitavate omadustega (nt põuakindlus või kahjurikindlus) taimede valimisele ja nende ristamisele mitme põlvkonna jooksul. Selle protsessi suurim kitsaskoht on fenotüüpimine – taime omaduste, näiteks kõrguse, lehtede tervise või saagikuse käsitsi mõõtmine.

Näiteks taimede kõrguse mõõtmine 3000 katselapiga põllul võib võtta nädalaid ning inimlikud vead võivad põhjustada kuni 20% ulatuses vastuolusid. Lisaks paraneb saagikus vaid 0,5–1% aastas, mis on tunduvalt alla 2050. aasta nõudluse rahuldamiseks vajaliku 2,9% kasvumäära.

Mais, mis on miljardite inimeste jaoks peamine põllukultuur, illustreerib seda aeglustumist: selle aastane saagikuse kasv on langenud 2,21 TP3T-lt 1960. aastatel 1,331 TP3T-ni tänapäeval. Selle lõhe ületamiseks vajavad teadlased tööriistu, mis automatiseerivad andmete kogumist, vähendavad vigu ja kiirendavad otsuste tegemist.

Kuidas droonitehnoloogia muudab taimekasvatust

Droonid ehk mehitamata õhusõidukid (UAS), mis on varustatud täiustatud andurite ja tehisintellektiga, on põllumajanduses revolutsiooniliselt muutmas. Need seadmed suudavad lennata üle põldude ja koguda minutitega täpseid andmeid tuhandete taimede kohta – seda protsessi nimetatakse suure läbilaskevõimega fenotüüpimiseks (HTP).

Erinevalt traditsioonilistest meetoditest koguvad droonid andmeid tervetelt põldudelt, kõrvaldades valimi kallutatuse. Nad kasutavad spetsiaalseid andureid, et mõõta kõike alates taimede kõrgusest kuni veestressi tasemeni.

Näiteks multispektraalsed andurid tuvastavad tervetelt lehtedelt peegelduvat lähiinfrapunavalgust, samas kui termokaamerad tuvastavad põuastressi võra temperatuuri mõõtmise teel.

Andmete kogumise automatiseerimise abil vähendavad droonid tööjõukulusid ja kiirendavad aretustsüklit, võimaldades täiustatud põllukultuuride sorte arendada aastate, mitte aastakümnete jooksul.

Droonide andurite ja andmete kogumise taga peituv teadus

Droonid kasutavad oluliste taimeandmete kogumiseks mitmesuguseid andureid. RGB-kaamerad, mis on kõige soodsam variant, püüavad kinni nähtavat valgust, et mõõta võrade katvust ja taimede kõrgust. Suhkruroo põldudel on need kaamerad saavutanud varte loendamise täpsuse 64–69%, asendades veaaltid käsitsi loendamise meetodid.

Multispektraalsed andurid lähevad kaugemale, tuvastades nähtamatuid lainepikkusi, näiteks lähiinfrapunakiirgust, mis korreleeruvad klorofülli taseme ja taimede tervisega. Näiteks on nad ennustanud suhkruroo põuakindlust täpsusega üle 80%.

  • RGB-kaamerad: Jäädvustage punast, rohelist ja sinist valgust värviliste piltide loomiseks.
  • Multispektraalsed anduridTuvastage valgust, mis jääb nähtava spektri piiridest väljapoole (nt lähiinfrapuna).
  • TermoanduridMõõda taimede poolt eraldatavat soojust.
  • LiDARKasutab laserimpulsse taimede 3D-kaartide loomiseks.
  • Hüperspektraalsed andurid: Jäädvusta ülidetailseks analüüsiks üle 200 valguslainepikkuse.

Termosensorid tuvastavad soojussignaale, tuvastades veestressis taimed, mis tunduvad tervetest taimedest kuumemad. Puuvillapõldudel on termodroonid sobitanud maapinnal tehtud temperatuurimõõtmisi väiksema veaga kui 5%.

LiDAR-andurid kasutavad laserimpulsse põllukultuuride 3D-kaartide loomiseks, mõõtes energiasuhkru katsetes biomassi ja kõrgust täpsusega 95%. Kõige kaasaegsemad tööriistad, hüperspektraalandurid, analüüsivad sadu valguse lainepikkusi, et tuvastada palja silmaga nähtamatuid toitainete puudusi või haigusi.

Need sensorid aitasid teadlastel siduda 28 uut geeni nisu vananemise edasilükkamisega, mis suurendab saagikust.

Lennust arusaamiseni: kuidas droonid analüüsivad saagiandmeid

Droonide fenotüüpimise protsess algab hoolika lennuplaneerimisega. Droonid lendavad 30–100 meetri kõrgusel, jäädvustades kattuvaid pilte, et tagada täielik katvus. Näiteks 10-hektarise põllu skaneerimine võtab aega 15–30 minutit.

Pärast lendu õmbleb tarkvara, näiteks Agisoft Metashape, tuhandeid pilte detailseteks kaartideks, kasutades struktuuri liikumisest (SfM) – tehnikat, mis teisendab 2D-fotod 3D-mudeliteks. Need mudelid võimaldavad teadlastel nupuvajutusega mõõta selliseid omadusi nagu taimede kõrgus või võrade katvus.

Seejärel analüüsivad tehisintellekti algoritmid andmeid, ennustades saagikust või tuvastades haiguspuhanguid. Näiteks skaneerisid droonid 3132 suhkruroo põldu kõigest 7 tunniga – ülesanne, mille käsitsi tegemine võtaks kolm nädalat. See kiirus ja täpsus võimaldavad aretajatel teha kiiremaid otsuseid, näiteks visata madala saagikusega taimed hooaja alguses ära.

Droonide peamised rakendused tänapäeva põllumajanduses

Droone kasutatakse põllumajanduse suurimate väljakutsete lahendamiseks. Üks peamine rakendusala on otsene omaduste mõõtmine, kus droonid asendavad käsitsi tööd. Maisipõldudel mõõdavad droonid taimede kõrgust 90% täpsusega, niitmisvead 0,5 meetrist kuni 0,21 meetrini.

Samuti jälgivad nad võrade katvust, mis näitab, kui hästi taimed maapinda umbrohu tõrjumiseks varjutavad. Energiaroo kasvatajad kasutasid neid andmeid sortide tuvastamiseks, mis vähendavad umbrohu kasvu 40% võrra.

Teine läbimurre on ennustav aretus, kus tehisintellekti mudelid kasutavad droonide andmeid saagikuse prognoosimiseks. Näiteks on multispektraalsed pildid ennustanud maisi saagikust 80% täpsusega, ületades traditsioonilise genoomse testimise tulemusi.

Droonid aitavad kaasa ka geenide avastamisele, aidates teadlastel leida DNA segmente, mis vastutavad soovitavate omaduste eest. Nisu puhul seostasid droonid võra rohelust 22 uue geeniga, mis potentsiaalselt suurendas põuakindlust.

Lisaks tuvastavad hüperspektraalsed andurid haigusi, näiteks tsitruseliste rohelust, nädalaid enne sümptomite ilmnemist, andes põllumeestele aega tegutsemiseks.

Geneetilise kasu suurendamine täppistehnoloogia abil

Geneetiline juurdekasv – aretusprotsessist tulenev saagi omaduste aastane paranemine – arvutatakse lihtsa valemi abil:

(Valiku intensiivsus × Pärilikkus × Tunnuste varieeruvus) ÷ Aretustsükli aeg.

Geneetiline juurdekasv (ΔG) arvutatakse järgmiselt:
ΔG = (i × h² × σp) / L

Kus:

  • i = Valiku intensiivsus (kui ranged on aretajad).
  • h² = Pärilikkus (kui palju tunnusest kandub vanematelt järglastele).
  • σp = Tunnuste varieeruvus populatsioonis.
  • L = Aeg aretustsükli kohta.

Miks see on olulineDroonid parandavad kõiki muutujaid:

  1. iSkannimine 10 korda rohkem taimi, mis võimaldab rangemat valikut.
  2. h²Vähendada mõõtmisvigu, parandades pärilikkuse hinnanguid.
  3. σpJäädvusta peeneid tunnuste variatsioone tervetel põldudel.
  4. LLühendada tsükliaega 5 aastat kuni 2–3 aastat varajaste ennustuste kaudu.

Droonid täiustavad selle võrrandi iga osa. Tervete põldude skaneerimise abil saavad aretajad valida parimad 1% taimed parimate 10% asemel, suurendades valiku intensiivsust. Samuti parandavad nad pärilikkuse hinnanguid, vähendades mõõtmisvigu.

Näiteks taimede kõrguse käsitsi hindamine toob kaasa 20% varieeruvuse, samas kui droonid vähendavad seda 5%-ni. Lisaks sellele jäädvustavad droonid tuhandete taimede peeneid tunnuste varieeruvust, maksimeerides tunnuste varieeruvust.

Mis kõige tähtsam, need lühendavad aretustsüklit, võimaldades varajasi ennustusi. Droonide abil tegutsevad suhkruroo kasvatajad on oma geneetilist kasu traditsiooniliste meetoditega võrreldes kolmekordistanud, mis tõestab tehnoloogia transformatiivset potentsiaali.

Väljakutsetest ülesaamine ja tuleviku omaksvõtmine

Vaatamata paljulubavatele võimalustele seisab droonidel põhinev fenotüüpimine endiselt silmitsi oluliste väljakutsetega. Täiustatud andurite kõrge hind on endiselt peamine takistus – näiteks hüperspektraalkaamerad võivad maksta üle $50 000, mistõttu on need enamiku väikepõllumeeste jaoks kättesaamatud.

Kogutud tohutu hulga andmete töötlemine nõuab ka märkimisväärseid pilvandmetöötluse ressursse, mis lisab kulusid. Tehisintellekti platvormid, nagu AutoGIS, automatiseerivad andmete analüüsi, välistades käsitsi sisestamise vajaduse.

Teadlased integreerivad droone ka mullasensorite ja ilmajaamadega, luues reaalajas jälgimissüsteemi, mis hoiatab põllumehi kahjurite või põua eest. Need uuendused sillutavad teed täppispõllumajanduse uuele ajastule, kus andmepõhised otsused asendavad oletusi.

Kokkuvõte

Droonid ja tehisintellekt ei muuda mitte ainult taimekasvatust – nad määratlevad uuesti ka säästva põllumajanduse. Võimaldades põuakindlate ja suure saagikusega põllukultuuride kiiremat arendamist, võiksid need tehnoloogiad toidutootmise 2050. aastaks kahekordistada ilma põllumaad laiendamata.

See säästaks üle 100 miljoni hektari metsa, mis on võrdne Egiptuse suurusega, ja vähendaks põllumajanduse süsiniku jalajälge. Drooniandmeid kasutavad põllumehed on juba vähendanud vee ja pestitsiidide kasutamist kuni 30% võrra, kaitstes ökosüsteeme ja vähendades kulusid.

Nagu üks teadlane märkis: “Me ei tegele enam aimamisega, millised taimed on parimad. Droonid ütlevad meile.” Jätkuva innovatsiooni abil võiks see bioloogia ja tehnoloogia ühendamine tagada toiduga kindlustatuse miljarditele inimestele, kaitstes samal ajal meie planeeti.

ViideKhuimphukhieo, I. ja da Silva, JA (2025). Mehitamata õhusõidukitel (UAS) põhinev suure läbilaskevõimega fenotüüpimine (HTP) kui taimekasvatajate tööriistakast: põhjalik ülevaade. Smart Agricultural Technology, 100888.

Lämmastiku kasutamise optimeerimine kõvas nisus NNI ja NDVI kaardipõhiste strateegiate abil

Postitatud -s dementievgeopard poolt

Durumnisu, Vahemere põllumajanduse nurgakivi ja ülemaailmselt kriitilise tähtsusega pasta tootmiseks mõeldud põllukultuur, seisab silmitsi kiireloomulise väljakutsega: lämmastikväetiste (N) mittesäästev kasutamine.

Kuigi lämmastik on saagikuse maksimeerimiseks hädavajalik, on selle liigsel kasutamisel tõsised keskkonnamõjud, sealhulgas põhjavee saastumine, kasvuhoonegaaside heitkogused ja mulla degradeerumine.

Itaalias Ascianos läbi viidud ja ajakirjas European Journal of Agronomy avaldatud murranguline nelja-aastane uuring (2018–2022) püüdis seda kriisi lahendada, võrreldes rangelt tavapärast lämmastikväetiste käitlemist täiustatud täppispõllumajanduse tehnikatega.

Uuring keskendus kolmele satelliidipõhisele strateegiale – lämmastiku toitumise indeksile (NNI), proportsionaalsele NDVI-le (NDVIH) ja kompenseerivale NDVI-le (NDVIL) – võrreldes traditsioonilise ühtlase lämmastiku lisamisega. Tulemused mitte ainult ei näita teed säästva durum-nisu kasvatamise suunas, vaid kvantifitseerivad ka iga meetodi majanduslikke ja ökoloogilisi kompromisse märkimisväärse täpsusega.

Metoodika: täppispõllumajandus kohtub satelliittehnoloogiaga

Katse viidi läbi nelja järjestikuse kasvuperioodi vältel Toscana künklikul alal, mis on Vahemere nisukasvatuse sümboliks. Teadlased jagasid katsepõllud lappideks, kus rakendati nelja erinevat lämmastikväetise haldamise strateegiat.

Tavapärane “fikseeritud määra” meetod järgis piirkondlikke agronoomilisi suuniseid, andes aastas 150 kg lämmastikku hektari kohta. Seevastu täppismeetodid kasutasid Sentinel-2 satelliidipilte – Euroopa Kosmoseagentuuri missioon, mis pakub kõrgresolutsiooniga (10-meetriseid) multispektraalseid andmeid –, et kohandada lämmastikväetise kasutamist ruumiliselt ja ajaliselt.

NNI strateegia eristus teistest selle poolest, et arvutas reaalajas põllukultuuride lämmastikusisaldust valideeritud algoritmi abil, mis integreerib lehtede pindala indeksi ja biomassi hinnangud. NDVIH jaotas lämmastikku proportsionaalselt taimestiku tiheduse (normaliseeritud taimestiku erinevuse indeksi) alusel, samas kui NDVIL kasutas kompenseerivat lähenemisviisi, suunates lisalämmastikku madala taimestikuga tsoonidesse.

NNI edestab tavapäraseid ja NDVI-põhiseid strateegiaid

Uuringuperioodil näitas NNI meetod enneolematut efektiivsust. See vähendas lämmastiku kasutamist 20% võrra, kasutades vaid 120 kg hektari kohta võrreldes tavapärase 150 kg-ga, säilitades samal ajal statistiliselt samaväärse teraviljasaagi 4,8 tonni hektari kohta võrreldes 4,7 tonniga ühtse määraga põllumajanduse puhul.

Valgusisaldus – durum-nisu lõppkasutuse seisukohalt pastas kriitilise tähtsusega kvaliteedinäitaja – ulatus NNI-ga 13,2%-ni, ületades veidi tavapärase meetodi 12,5%-d.

See valgu marginaalne suurenemine tõi kaasa olulisi tööstuslikke eeliseid: NNI-optimeeritud nisust toodetud taigna W-indeks (gluteeni tugevuse mõõt) oli 280, mis ületas oluliselt tavapärase nisu puhul täheldatud 240.

Sellised täiustused tulenesid NNI võimest sünkroniseerida lämmastiku kättesaadavust põllukultuuride arenguetappidega, tagades optimaalse toitainete jaotumise terade täitumise ajal.

NDVI-põhiste lähenemisviiside varjatud kulud

Kuigi NDVI-põhised strateegiad olid uuenduslikud, ilmnesid neil kriitilised piirangud. Proportsionaalne NDVIH-lähenemisviis, mis jaotas lämmastikku võrade roheluse põhjal, suurendas valgusisaldust 13,8%-ni, kuid vähendas saagikust 4,5 tonnini hektari kohta – 6% langus võrreldes NNI-ga.

See paradoks tekkis üleväetamisest niigi lämmastikurikastes tsoonides, kus liigne vegetatiivne kasv suunas energia teravilja tootmiselt kõrvale.

Kompenseeriv NDVIL-meetod, mis oli loodud raskustes olevate põllukultuuride pindala suurendamiseks, saavutas suurima saagikuse (5,1 tonni/ha), kuid suure keskkonnakuluga: see nõudis 160 kg lämmastikku hektari kohta, mis viis dilämmastikoksiidi heitkoguste 33% suurenemiseni (1,4 kg CO2-ekvivalenti teravilja kilogrammi kohta) võrreldes NNI 0,8 kg-ga.

Need heitkogused on sügavalt olulised – dilämmastikoksiidi globaalse soojenemise potentsiaal on sajandi jooksul 265 korda suurem kui süsinikdioksiidil.

Majanduslikult oli NNI selge võitja. Selle strateegia valinud põllumehed saavutasid 220 euro suuruse puhaskasumi hektari kohta, mis on 12% rohkem kui tavapärase meetodi 196 eurot. See eelis tulenes kahest tegurist: väiksemad väetisekulud (98 eurot/ha vs 123 eurot/ha) ja kõrge valgusisaldusega teravilja kõrgem hind.

Uuringus tutvustati uudset “sotsiaalse kulu” mõõdikut – keskkonnakahju, veereostusest tuleneva rahvatervise mõju ja pikaajalise mulla degradeerumise terviklikku mõõdikut. NNI sotsiaalne kulu oli kokku 42 eurot hektari kohta, mis on tavapärase põllumajanduse 60 euro kõrval veelgi väiksem. NDVIH ja NDVIL teatasid vahekuludest vastavalt 58 ja 55 eurot, mis peegeldab nende tasakaalustamata lämmastikujaotust.

Keskkonnanäitajaid põhjalikumalt uurides selgus, et lämmastikväetiste kasutamise efektiivsus (NfUE) – kasutatud lämmastiku protsent, mis muundati koristatavaks teraviljaks – ulatus NNI puhul 65%-ni, mis on märkimisväärne paranemine võrreldes tavapäraste meetodite 52% efektiivsusega. See hüpe tähendas nitraatide leostumise vähenemist 18% võrra, kaitstes kohalikke põhjaveekihte saastumise eest.

Nelja-aastase uuringu jooksul kaotasid NNI all olevad põllud leostumise tõttu vaid 12 kg lämmastikku hektari kohta aastas, võrreldes tavapäraste proovitükkidega, mis on 22 kg. Kontekstiks olgu öeldud, et ELi nitraadidirektiiv nõuab põhjavee nitraadikontsentratsiooni alla 50 mg/l – see läviväärtus ületati tavapäraste proovitükkide 30% puhul, kuid NNI hallatavate alade puhul ainult 8% puhul.

NNI skaleerimine: väljakutsed ja poliitilised sekkumised

Uuring tõi esile ka varjatud kliimaga seotud eelised. Kasutades elutsükli hindamise (LCA) metoodikat, arvutas meeskond, et NNI süsiniku jalajälg oli kokku 0,8 kg CO2-ekvivalenti teravilja kilogrammi kohta, mis on 33% madalam kui tavapärase põllumajanduse 1,2 kg.

See vähenemine tulenes peamiselt väetiste tootmisel tekkivate heitkoguste vähenemisest (vältitud 1,2 kg CO2-ekvivalendi/kg N) ja dilämmastikoksiidi väiksemast heitkogusest mullast. Kui seda laiendada ELi 2,4 miljonile hektarile durum-nisu põllumaale, võiks dilämmastikoksiidi laialdane kasutuselevõtt vähendada aastaseid heitkoguseid 960 000 tonni CO2-ekvivalendi võrra, mis on samaväärne 208 000 auto eemaldamisega teedelt.

Uuring hoiatab siiski täppispõllumajanduse kui imerohu nägemise eest. Täppispõllunduse meetodi edu sõltub pidevast juurdepääsust kvaliteetsetele satelliidiandmetele ja täiustatud masinatele, mis on võimelised muutuva kogusega laotama – see on infrastruktuuri lüngad arengumaades.

Näiteks Sentinel-2 satelliidid külastavad iga asukohta iga viie päeva tagant, kuid pilvkate võib kriitiliste kasvufaaside ajal andmete kogumist häirida. Lisaks vajavad algoritmid kalibreerimist kohalike oludega; selles uuringus täpsustati NNI läviväärtusi Vahemere kliimale, saavutades lämmastiku staatuse ennustamisel täpsuse 92%.

Mudeli rakendamine kuivadele piirkondadele või rasketele savimulladele ilma uuesti kalibreerimiseta võib täpsust vähendada 70–75%-ni.

Inimtegur osutub samavõrd kriitiliseks. NNI-le üleminevad põllumehed vajavad spektraalindeksite tõlgendamiseks koolitust – näiteks mõistmist, et NDVI väärtused üle 0,7 viitavad sageli ülevegetatsioonile ja õigustavad lämmastiku vähendamist.

Uurimisrühm hindab, et 10% põllumajandustootjate kirjaoskuse suurenemine täppistööriistade osas võiks suurendada NfUE-d 4–6 protsendipunkti võrra. Poliitilised sekkumised osutuvad tõenäoliselt hädavajalikuks: mullaandurite subsideerimine, agronoomide juhitud töötubade rahastamine ja ühistute ergutamine masinate jagamiseks võiksid demokratiseerida juurdepääsu.

Tulevikku vaadates ulatuvad uuringu tagajärjed palju kaugemale durum-nisust. NNI raamistik, kohandatuna sellistele põllukultuuridele nagu mais või riis, võiks tegeleda 60 miljoni tonni liigse lämmastiku kasutamisega igal aastal kogu maailmas – ÜRO säästva arengu eesmärkide peamine eesmärk.

Hispaania odrapõldudel tehtud eelkatsed näitavad sarnast saagikuse stabiilsust 18% väiksema lämmastikusisaldusega, mis viitab erinevate põllukultuuride vahelisele kasutatavusele. Teadlaste jaoks pakub masinõppe ja satelliidiandmete integreerimine paljulubavat võimalust: varased mudelid suudavad nüüd ennustada lämmastikuvajadust 95% täpsusega 30 päeva enne pealekandmist, võimaldades ennetavat, mitte reaktiivset majandamist.

Kokkuvõte

Kokkuvõtteks võib öelda, et see uurimus ületab akadeemilised ringkonnad, pakkudes välja tegevuskava põllumajandusliku tootlikkuse ja planeedi tervise ühitamiseks.

Vähendades lämmastiku kasutamist 20% võrra, suurendades põllumajandustootjate kasumit 12% võrra ja vähendades kasvuhoonegaaside heitkoguseid kolmandiku võrra, näitab NNI meetod, et jätkusuutlikkus ja kasumlikkus ei ole teineteist välistavad. Kuna kliimamuutused süvendavad põudasid ja destabiliseerivad kasvuperioode, osutuvad sellised täppisstrateegiad hädavajalikuks.

Nüüd seisneb väljakutse selles, kuidas see teaduslik kinnitus kohapealseks tegevuseks muuta – poliitilise reformi, tehnoloogilise demokratiseerimise ja väetiste käsitlemise paradigma muutuse kaudu: mitte nüride tööriistadena, vaid täppisinstrumentidena toiduga kindlustatuse saavutamisel.

ViideFabbri, C., Delgado, A., Guerrini, L. ja Napoli, M. (2025). Lämmastikväetise täppiskasutuse strateegiad kõva nisu puhul: NNI ja NDVI kaardil põhinevate lähenemisviiside jätkusuutlikkuse hindamine. European Journal of Agronomy, 164, 127502.

Kaugseire muudab nikotiini jälgimist sigarilehtedes revolutsiooniliselt

Postitatud -s dementievgeopard poolt

Murranguline uuring kasutab mehitamata õhusõidukite hüperspektraalset pildistamist ja masinõpet, et täpselt hinnata nikotiini taset sigarilehtedes.

Hiljutised edusammud õhust hüperspektraalse pildistamise valdkonnas koos masinõppega on muutnud nikotiinisisalduse jälgimist sigarilehtedes revolutsiooniliselt. See tipptasemel lähenemisviis suurendab hindamise täpsust, pakkudes samal ajal väärtuslikku teavet tubakatööstusele, kus keemiline koostis on kvaliteedi seisukohalt kriitilise tähtsusega.

Sichuani Põllumajandusülikooli Tiani jt juhtimisel püüdsid teadlased ületada traditsiooniliste käsitsi tehtavate kvaliteedikontrollide piiranguid, millel sageli puudub täpsus ja tõhusus. Nende 2. veebruaril 2025 avaldatud uuring tuvastab tugevad seosed lämmastikväetiste kasutamise, niiskustaseme ja nikotiini kontsentratsiooni vahel, rõhutades õigeaegsete ja täpsete jälgimistehnikate olulisust.

Uuring viidi läbi maist septembrini 2022 ülikooli moodsa põllumajanduse uurimisbaasis, kus teadlased kasutasid hüperspektraalkaameratega varustatud mehitamata õhusõidukeid (UAV-sid), et jäädvustada 15 erineva sigarilehe sordi lehtede peegeldusspektreid erinevate lämmastikutöötluste all.

Nende tulemused näitasid otsest seost lämmastikväetise kasutamise ja sigarlehtede nikotiinisisalduse vahel. “Lämmastikväetise kasutamise määra suurenemisega suurenes sigarilehtede nikotiinisisaldus,” väitsid autorid, rõhutades põllumajandustavade mõju toote kvaliteedile.

Mehitamata õhusõidukite kogutud hüperspektraalsete kujutiste andmete kvaliteedi parandamiseks kasutati uuringus eeltöötlustehnikaid, nagu mitmemõõtmeline hajumise korrektsioon, standardne normaalteisendus ja Savitzky-Golay konvolutsiooniline silumine. Seejärel rakendati täiustatud masinõppe algoritme, sealhulgas osalise vähimruutude regressiooni (PLSR) ja tagasilevimise närvivõrke, et töötada välja nikotiinisisaldust täpselt hindavad ennustusmudelid.

Kõige efektiivsemaks tuvastatud mudeliks osutus MSC-SNV-SG-CARS-BP mudel, mille testimistäpsus R² väärtustega oli ligikaudu 0,797 ja RMSE 0,078. Autorid märkisid, et “MSC-SNV-SG-CARS-BP mudelil on nikotiinisisalduse osas parim ennustustäpsus,” positsioneerides seda paljulubava vahendina tulevaste uuringute ja täppispõllumajanduse rakenduste jaoks.

Kasutades sigarilehtede spektraalsete omaduste analüüsimiseks kaugseiret, saavad põllumehed ja tootjad saagi kvaliteeti kiiresti ja mittepurustavalt hinnata, mis võimaldab teha teadlikumaid otsuseid tootmise ja tarneahela kohta. See lähenemisviis pakub ulatuslikku katvust madalate tegevuskuludega, tagades samal ajal andmete järjepidevuse, vähendades sõltuvust inimteguritest.

Hüperspektraalse pildistamise ja masinõppe integreerimisel on potentsiaal muuta traditsioonilist tubakakasvatust, parandades mitte ainult nikotiini kvaliteeti, vaid edendades ka säästvaid ja tõhusaid põllumajandustavasid. Teadlased rõhutavad vajadust pideva arengu järele, et neid tehnoloogiaid täiustada ja kohandada erinevate tubakasortide ja muude põllukultuuride jaoks.

Edasised uuringud keskenduvad mehitamata õhusõidukite töötingimuste optimeerimisele, et jäädvustada kõrgeima kvaliteediga spektraalandmeid, võttes arvesse selliseid muutujaid nagu lennukõrgus, valgustustingimused ja müra vähendamine. Nende teguritega tegelemine on ülioluline, kuna põllumajandustavad arenevad turu nõudluse rahuldamiseks, seades samal ajal esikohale keskkonnasäästlikkuse.

See uuring toob esile tehnoloogia ja põllumajandusteaduse sünergia, rõhutades uuenduslike meetodite üha suurenevat kasutuselevõttu tootekvaliteedi parandamiseks. Teadlased propageerivad hüperspektraalse sensori laiemat rakendamist kogu põllumajanduses, tugevdades tehnoloogia rolli saagikuse, efektiivsuse ja keskkonnavastutuse suurendamisel.

Allikad: https://www.nature.com/articles/s41598-025-88091-4

Kaugseireandmete fusiooni lähenemisviis metsade seisundi halvenemise jälgimiseks: uus uuring

Postitatud -s dementievgeopard poolt

Globaalsete kliimamuutuste ja inimtegevuse sagenemise tõttu on metsad kogu maailmas ohustatud mitmesuguste kahjurite, patogeenide ja haiguste tõttu. Need ohud kahjustavad nii looduslike metsade kui ka metsaistanduste tervist, vastupidavust ja tootlikkust.

Nende probleemide tõhus lahendamine nõuab varajast avastamist ja tegutsemist, mis on suurtel aladel keeruline. Selle olulisust teadvustades on teadlased välja töötanud uued Maa vaatlusandmetel põhinevad tehnoloogiad metsade seisundi halvenemise jälgimiseks ja ohjamiseks.

Hiljutine uuring tutvustab masinõppel põhinevat lähenemisviisi kahjustatud metsade tuvastamiseks, kasutades Sentinel-2 avatud lähtekoodiga kaugseire pilte, mida toetavad Google Earthi andmed. See lähenemisviis keskendub spetsiaalselt boreaalsetele metsadele, mida on mõjutanud kooreürask Polygraphus proximus Blandford.

Uuringus kasutati metsakahjustuste tuvastamiseks ja hindamiseks kaugseire pilte ja masinõppe algoritme. Siin on lühike kokkuvõte nende metoodikast ja tulemustest:

  • Pildimärkuste ja algoritmi väljatöötamine: Teadlased alustasid piltide märkimisega kanalites, mis vastavad Google Earthis saadaolevale loomulikule värvitajule (punane, roheline ja sinine). Seejärel rakendasid nad süvaneuraalvõrke kahes probleemi formuleeringus: semantiline segmenteerimine ja tuvastamine.
  • Eksperimentaalsed tulemused: Oma katsete käigus töötasid teadlased välja mudeli, mis hindab kvantitatiivselt ja suure täpsusega sihtobjektide muutusi. Mudel saavutas 84,56% F1-skoori, määrates tõhusalt kahjustatud puude arvu ja hinnates närbunud puistute poolt hõivatud alasid.
  • Integratsioon Sentinel-2 piltidega: Kõrgresolutsiooniga piltidelt saadud kahjustusmaskid integreeriti keskmise resolutsiooniga Sentinel-2 piltidega. Selle integratsiooni tulemusel saavutati täpsus 81.26%, mis muudab lahenduse sobivaks operatiivsete seiresüsteemide jaoks. See edasiminek pakub kiiret ja kulutõhusat meetodit kahjustatud metsade tuvastamiseks piirkonnas.
  • Unikaalne annoteeritud andmestik: Lisaks koostasid teadlased ainulaadse annoteeritud andmestiku, et tuvastada uuringupiirkonnas polügraafimardika poolt kahjustatud metsaalasid. See andmestik on hindamatu väärtusega edasiste uuringute ja seiretööde jaoks.

Metsade seisundi halvenemise varajane avastamine ja kvantifitseerimine selle kaugseireandmete fusioonmeetodi abil on metsamajandamise ja -kaitse strateegiate jaoks väga paljulubav. Õigeaegse tegutsemise võimaldamisega aitavad sellised tehnoloogiad piirata kahjude levikut ja toetada säästva metsamajandamise tavasid.

Kuigi selle uuringu üksikasjalikku kirjeldust pole veel avaldatud, rõhutab see varajane kokkuvõte kaugseireandmete ja täiustatud masinõppe tehnikate integreerimise potentsiaali metsade seisundi halvenemise pakilise probleemi lahendamiseks. Nende tehnoloogiate arenedes mängivad nad olulist rolli meie metsade kaitsmisel kliimamuutuste ja inimtegevuse kasvavate ohtude eest.

Jääge ootele selle murrangulise uurimistöö täieliku avaldamise osas, mis pakub kahtlemata uusi teadmisi ja rakendusi metsamajandamise valdkonnas.

Allikas: https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2024.1412870/abstract

Maailma soolatud muldade kaardistamine kaugseiretehnoloogiate abil

Postitatud -s dementievgeopard poolt

Teadlaste meeskond on loonud tehnika, mis mõõdab mulla soolasisaldust kogu maailmas muljetavaldava täpsusega, kuni 10 meetri täpsusega. See täiustus vastab kriitilisele vajadusele täpse mulla soolsuse hindamise järele, mis on oluline probleem, mis mõjutab põllumajanduslikku tootlikkust ja mulla tervist kogu maailmas.

Mulla soolsus, mis on teatud tüüpi maa degradeerumine, mõjutab üle miljardi hektari kogu maailmas, kahjustades põllumajanduslikku tootlikkust ja keskkonna tervist. Varasemad mulla soolsuse kaardistamise katsed seisid silmitsi väljakutsetega olemasolevate andmestike madala detailsuse ja mulla soolsuse taseme pidevate muutuste näitamise raskuste tõttu.

Neid väljakutseid teadvustades asus uurimisrühm looma mudeli, mis kasutab Sentinel-1/2 pilte, kliimaandmeid, maastikuinfot ja täiustatud masinõppe algoritme. Nende eesmärk oli hinnata mulla soolasisaldust viies kliimapiirkonnas.

Tulemused avaldati 28. märtsil 2024 ajakirjas Journal of Remote Sensing avaldatud artiklis. See uuring tutvustab innovatsiooni, mis ühendab tõhusalt nurga all olevad spiraalkanalid perioodiliste kokkutõmbumis-paisumissüsteemidega.

Globaalne pinnase soolsuse hindamine 10 meetri kaugusel mitmeallika kaugseire abil

Selle pingutuse keskmes on erinevate kaugseiretehnoloogiate, eelkõige keerukate Sentinel-1/2 satelliitide andmete integreerimine koos masinõppe algoritmide strateegilise kasutamisega. See lähenemisviis on viinud täiustatud mudeli väljatöötamiseni, mis suudab kaardistada mulla soolsust märkimisväärselt täpselt – 10-meetrise lahutusvõimega isegi erinevates kliimatingimustes.

See murranguline meetod viib meid kaugemale varasemate pingutuste piirangutest, mida piiras madalam lahutusvõime ja kitsam fookus mulla soolsuse analüüsimisel. Meie pühendunud uurimisrühm on koostanud ulatusliku andmestiku, mis hõlmab globaalseid kliimamustreid, mulla soolsuse täpseid mõõtmisi maapinnal ja laia valikut georuumilisi muutujaid.

Kasutades Random Forest algoritmi, paistab mudel silma mitte ainult mulla soolsuse märkimisväärselt täpse ennustamisega, vaid heidab valgust ka kliima, põhjavee taseme ja soolsuse indeksite kesksele rollile mulla soolsusmaastike kujunemisel. See edasiminek tähistab sammu edasi meie võimes jälgida ja hallata mulla tervist globaalsel tasandil.

Uurimisjuht professor Zhou Shi ütles: “See uuring kujutab endast märkimisväärset edasiminekut meie võimes hinnata ja käsitleda mulla soolsust globaalsel tasandil. Satelliidipiltide ja masinõppe integreerimise abil saame nüüd soolaseid muldasid täpselt ja detailselt tuvastada, pakkudes hindamatut teavet säästva maa ja põllumajandustavade kohta.”

Uusim uuring on loonud kõrge eraldusvõimega globaalse mulla soolsuse kaardi. See kaart on väärtuslik tööriist nii teadlastele, poliitikakujundajatele kui ka põllumajandustootjatele. See aitab neil tõhusalt lahendada mulla soolsuse probleeme. Kõrge soolsusega alade täpseks määramiseks saavad nad võtta sihipäraseid meetmeid mulla tervise taastamiseks.

Lisaks toetab see säästva põllumajandustava rakendamist ja aitab planeerida ressursihalduse strateegiaid. Lisaks seab käesolevas uuringus kasutatud metoodika keskkonnaseirele uue standardi, millel on potentsiaalsed rakendused ka muudes maa degradeerumise hindamistes.

LisateaveNan Wang jt, Globaalne pinnase soolsuse hindamine 10 m sügavusel mitmeallikalise kaugseire abil, Journal of Remote Sensing (2024). DOI: 10.34133/remotesensing.0130

Automatiseeritud saagikuse andmete puhastamine ja kalibreerimine

Postitatud -s dementievgeopard poolt

Automatiseeritud saagiandmete puhastamine ja kalibreerimine (AYDCC) on protsess, mis kasutab algoritme ja mudeleid saagiandmete vigade, näiteks kõrvalekallete, lünkade või eelarvamuste tuvastamiseks ja parandamiseks. AYDCC saab parandada saagiandmete kvaliteeti ja usaldusväärsust, mis omakorda võib viia põllumeestele paremate teadmiste ja soovitusteni.

Sissejuhatus saagikuse andmetesse

Saagikusandmed on 21. sajandi põllumeeste jaoks üks olulisemaid teabeallikaid. Need viitavad erinevatelt põllumajandusmasinatelt, näiteks kombainidelt, külvikutelt ja saagikoristusmasinatelt kogutud andmetele, mis mõõdavad antud põllul või piirkonnas toodetud saagi kogust ja kvaliteeti.

See on mitmel põhjusel äärmiselt oluline. Esiteks aitab see põllumeestel teha teadlikke otsuseid. Üksikasjalike saagiandmete abil saavad põllumehed oma tavasid täpsustada, et tootlikkust maksimeerida.

Näiteks kui konkreetne põld annab pidevalt madalamat saaki, saavad põllumehed uurida algpõhjuseid, nagu mulla tervis või niisutusprobleemid, ja võtta parandusmeetmeid.

Lisaks võimaldab see täppispõllumajandust. Põllukultuuride tootlikkuse erinevuste kaardistamise abil saavad põllumehed kohandada oma sisendite, näiteks väetiste ja pestitsiidide, kasutamist konkreetsetele aladele. See sihipärane lähenemisviis mitte ainult ei optimeeri ressursside kasutamist, vaid vähendab ka keskkonnamõju.

Toidu- ja Põllumajandusorganisatsiooni (FAO) andmetel peab ülemaailmne põllumajandustoodang 2050. aastaks suurenema 60% võrra, et rahuldada kasvavat toidunõudlust. Saagikuse andmed on selle eesmärgi saavutamisel üliolulised, kuna need aitavad suurendada põllukultuuride tootlikkust.

Lisaks kasutas Brasiilias sojaoa kasvataja saagiandmeid koos mullaproovivõtu andmetega, et luua oma põldude jaoks muutuva normiga väetisekaarte. Ta kasutas erinevaid väetisenorme vastavalt iga tsooni mullaviljakusele ja saagipotentsiaalile.

Samuti kasutas ta saagiandmeid erinevate sojaoa sortide võrdlemiseks ja oma tingimustele parimate valimiseks. Selle tulemusena suurendas ta oma keskmist saagikust 12% võrra ja vähendas väetisekulusid 15% võrra.

Samamoodi kasutas Indias üks riisikasvataja saagikuse andmekogumeid koos ilmastikuandmetega oma põldude niisutusgraafiku kohandamiseks. Ta jälgis mulla niiskustaset ja sademete mustrit andurite ja satelliidipiltide abil.

saagikuse andmete mõistmine ja kasutamine

Samuti kasutas ta seda erinevate riisisortide võrdlemiseks ja oma oludele parimate valimiseks. Selle tulemusel suurendas ta oma keskmist saagikust 10% võrra ja vähendas veekasutust 20% võrra.

Vaatamata eelistele on saagikuse andmete arendamisel ja kasutuselevõtul siiski mõningaid väljakutseid. Mõned neist väljakutsetest on järgmised:

  • Andmete kvaliteet: Selle täpsus ja usaldusväärsus sõltuvad andurite kvaliteedist, masinate kalibreerimisest, andmekogumismeetoditest ning andmetöötlus- ja analüüsitehnikatest. Halb andmete kvaliteet võib põhjustada vigu, eelarvamusi või vastuolusid, mis võivad mõjutada andmete kehtivust ja kasulikkust.
  • Andmetele juurdepääs: Saagikuse andmete kättesaadavus ja taskukohasus sõltuvad põllumajandusmasinate, andurite, andmesalvestusseadmete ja andmeplatvormide kättesaadavusest ja omandiõigusest. Juurdepääsu või omandiõiguse puudumine võib piirata põllumajandustootjate võimet oma andmeid koguda, salvestada, jagada või kasutada.
  • Andmete privaatsus: Selle turvalisus ja konfidentsiaalsus sõltuvad andmete kaitsmisest ja reguleerimisest põllumeeste, masinatootjate, andmepakkujate ja andmete kasutajate poolt. Kaitse või reguleerimise puudumine võib andmeid volitamata või ebaeetiliselt kasutada, näiteks varguse, manipuleerimise või ärakasutamise eesmärgil.
  • Andmepädevus: Saagikuse andmete mõistmine ja kasutamine sõltub põllumeeste, nõustajate, nõustajate ja teadlaste oskustest ja teadmistest. Oskuste või teadmiste puudumine võib takistada nende osalejate võimet andmeid tõhusalt tõlgendada, edastada või rakendada.
andmekogumite kogumine põllumajandusmasinate, näiteks kombainide abil

Seetõttu on nende väljakutsete ületamiseks ja saagiandmete täieliku potentsiaali realiseerimiseks oluline saagiandmed puhastada ja kalibreerida.

Sissejuhatus saagikuse andmete puhastamisse ja kalibreerimisse

Saagiandmed on väärtuslikud teabeallikad põllumeestele ja teadlastele, kes soovivad analüüsida saagi tootlikkust, tuvastada haldustsoone ja optimeerida otsuste langetamist. Siiski vajavad need sageli andmete usaldusväärsuse ja täpsuse tagamiseks puhastamist ja kalibreerimist.

“YieldDataseti” kalibreerimine on funktsioon, mis korrigeerib väärtuste jaotust kooskõlas matemaatiliste põhimõtetega, suurendades andmete üldist terviklikkust. See tugevdab otsuste tegemise kvaliteeti ja muudab andmestiku väärtuslikuks edasiseks põhjalikuks analüüsiks.

GeoPard Yield puhastuskalibreerimismoodul

GeoPard võimaldas saagikuse andmekogumeid puhastada ja parandada oma Yield Clean-Calibration mooduli abil.

Oleme teie saagikuse andmekogumite kvaliteedi parandamise lihtsamaks teinud, andes põllumeestele võimaluse teha andmepõhiseid otsuseid, millele saate kindel olla.

GeoPard - saagikuse puhastamine ja kalibreerimine, sarnane põllupotentsiaali tsoonidega

Pärast kalibreerimist ja puhastamist muutub saadud saagikuse andmestik homogeenseks, ilma kõrvalekallete või järskude muutusteta naabergeomeetriate vahel.

Meie uue mooduliga saate:

Jätkamiseks valige suvand
Jätkamiseks valige suvand
  • Eemaldage rikutud, kattuvad ja ebanormaalsed andmepunktid
  • Saagikuse väärtuste kalibreerimine mitme masina vahel
  • Alusta kalibreerimist vaid mõne klõpsuga (lihtsustades kasutajakogemust) või käivita seotud GeoPad API lõpp-punkt
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (1)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (2)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (3)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (4)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (5)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (6)
Automatiseeritud_saagikuse_andmete_puhastamine_kalibreerimine_GeoPardiga (7)

Mõned automatiseeritud saagiandmete puhastamise ja kalibreerimise kõige levinumad kasutusjuhud on järgmised:

  • Andmete sünkroonimine, kui mitu kombaini on töötanud kas samaaegselt või mitme päeva jooksul, tagades järjepidevuse.
  • Andmestiku homogeensemaks ja täpsemaks muutmine variatsioonide silumise abil.
  • Andmemüra ja kõrvalise teabe eemaldamine, mis võib teadmisi hägustada.
  • Pöörete või ebanormaalsete geomeetriate kõrvaldamine, mis võivad moonutada tegelikke mustreid ja suundumusi põllul.

Alloleval pildil on näha põld, kus töötas korraga 15 kombaini. See näitab, kuidas algne saagikuse andmestik ja täiustatud andmestik pärast GeoPardi saagikuse puhaskalibreerimismooduliga kalibreerimist näevad välja üsna erinevad ja kergesti mõistetavad.

Erinevus algse ja täiustatud saagikuse andmekogumi vahel GeoPardi kalibreerimismooduli abil

Miks on oluline puhastada ja kalibreerida?

Saagiandmeid kogutakse kombainide külge kinnitatud saagimonitoride ja andurite abil. Need seadmed mõõdavad koristatud saagi massivoolukiirust ja niiskusesisaldust ning kasutavad andmete georeferentsimiseks GPS-koordinaate.

Siiski ei ole need mõõtmised alati täpsed ega järjepidevad mitmesuguste tegurite tõttu, mis võivad mõjutada seadmete jõudlust või saagi tingimusi. Mõned neist teguritest on:

1. Varustuse variatsioonid: Põllumajandusmasinatel, näiteks kombainidel ja saagikoristusmasinatel, on sageli loomupäraseid erinevusi, mis võivad põhjustada andmete kogumisel lahknevusi. Need erinevused võivad hõlmata andurite tundlikkuse või masinate kalibreerimise erinevusi.

Näiteks võivad mõned saagikuse monitorid kasutada lineaarset seost pinge ja massivoolukiiruse vahel, teised aga mittelineaarset. Mõned andurid võivad olla tolmu või mustuse suhtes tundlikumad kui teised. Need erinevused võivad põhjustada saagikuse andmete lahknevusi erinevate masinate või põldude vahel.

Näide 1 U-pöörded, peatused, kasutatud pool varustuse laiust
Näide 1 U-pöörded, peatused, kasutatud pool varustuse laiust
Näide 2 U-pöörded, peatused, kasutatud pool varustuse laiust
Näide 2 U-pöörded, peatused, kasutatud pool varustuse laiust

2. Keskkonnategurid: Ilmastikutingimused, mullatüübid ja topograafia mängivad saagikuses olulist rolli. Kui neid keskkonnategureid ei arvestata, võivad need saagiandmetesse müra ja ebatäpsusi tekitada.

Näiteks võivad liivased pinnased või järsud nõlvad anda madalama saagikuse kui savised pinnased või tasane maastik. Samamoodi võib suurema istutustihedusega aladel olla suurem saagikus kui väiksema istutustihedusega aladel.

3. Anduri ebatäpsused: Andurid, hoolimata oma täpsusest, ei ole eksimatud. Need võivad aja jooksul triivida, andes ebatäpseid näitu, kui neid regulaarselt ei kalibreerita.

Näiteks võib vigane koormusandur või lahtine juhtmestik põhjustada ebatäpseid massivoolukiiruse näite. Määrdunud või kahjustatud niiskuseandur võib anda valesid niiskusesisalduse väärtusi. Operaatori sisestatud vale põllu nimi või ID võib saagikuse andmed määrata valele põllufailile.

Need tegurid võivad põhjustada mürarikkaid, vigaseid või vastuolulisi saagikuse andmestikke. Kui neid andmeid korralikult ei puhastata ja kalibreerita, võivad need viia eksitavate järelduste või otsusteni.

Näiteks võib saagikaartide koostamine puhastamata saagiandmete põhjal põhjustada põllu kõrge või madala saagikusega alade vale tuvastamise.

Miks on oluline saagikuse andmestikku puhastada ja kalibreerida?

Kalibreerimata saagiandmete kasutamine saagikuse võrdlemiseks põldude või aastate lõikes võib kaasa tuua ebaõiglasi või ebatäpseid võrdlusi. Puhastamata või kalibreerimata saagiandmete kasutamine toitainete bilansi või põllukultuuride sisendite arvutamiseks võib kaasa tuua väetiste või pestitsiidide üle- või alalaotamise.

Seetõttu on enne saagiandmete kasutamist mis tahes analüüsi või otsuste tegemise eesmärgil oluline need puhastada ja kalibreerida. Saagiandmete kogumite puhastamine on protsess, mille käigus eemaldatakse või parandatakse saagimonitoride ja andurite kogutud toorandmetes olevad vead või müra.

Saagikuse andmete puhastamise ja kalibreerimise automatiseeritud meetodid

Siin tulevadki kasuks automatiseeritud andmete puhastamise tehnikad. Automatiseeritud andmete puhastamise tehnikad on meetodid, mis suudavad andmete puhastamise ülesandeid täita ilma inimese sekkumiseta või minimaalse inimese sekkumisega.

Kalibreerimise etapi seadistamine
Automatiseeritud puhastus- ja kalibreerimismeetodid

Automatiseeritud andmete puhastamise tehnikad aitavad säästa aega ja ressursse, vähendada inimlikke vigu ning parandada andmete puhastamise skaleeritavust ja tõhusust. Mõned levinumad automatiseeritud andmete puhastamise tehnikad saagikuse andmete jaoks on:

1. Kõrvalväärtuste tuvastamine: Erandväärtused on andmepunktid, mis kalduvad normist oluliselt kõrvale. Automatiseeritud algoritmid suudavad neid anomaaliaid tuvastada, võrreldes andmepunkte statistiliste näitajatega, nagu keskmine, mediaan ja standardhälve.

Näiteks kui saagikuse andmestik näitab konkreetse põllu erakordselt suurt saagikust, saab kõrvalekallete tuvastamise algoritm selle edasiseks uurimiseks märgistada.

2. Müra vähendamine: Saagikuse andmete müra võib tuleneda erinevatest allikatest, sealhulgas keskkonnateguritest ja andurite ebatäpsustest.

Automatiseeritud müra vähendamise tehnikad, näiteks silumisalgoritmid, filtreerivad välja ebaregulaarsed kõikumised, muutes andmed stabiilsemaks ja usaldusväärsemaks. See aitab tuvastada andmetes tegelikke trende ja mustreid.

3. Andmete imputeeriminePuuduvad andmed on saagikuse andmekogumites levinud probleem. Andmete imputeerimise tehnikad hindavad ja täidavad puuduvad väärtused automaatselt andmetes olevate mustrite ja seoste põhjal.

Näiteks kui andur ei suuda teatud ajaperioodi andmeid salvestada, saavad imputeerimismeetodid puuduvaid väärtusi hinnata külgnevate andmepunktide põhjal.

Seega toimivad automatiseeritud andmete puhastamise tehnikad andmekvaliteedi väravavahtidena, tagades, et saagikuse andmekogumid jäävad usaldusväärseks ja väärtuslikuks varaks põllumeestele kogu maailmas.

Lisaks on palju käepäraseid tööriistu ja arvutiprogramme, mis saavad saagiandmeid automaatselt puhastada ja korrigeerida, ja GeoPard on üks neist. GeoPard Yield Clean-Calibration Module koos sarnaste lahendustega on andmete täpsuse ja usaldusväärsuse tagamiseks ülioluline.

GeoPard - Saagikuse puhastamine ja kalibreerimine - 3 kombaini

Kokkuvõte

Automatiseeritud saagikuse andmete puhastamine ja kalibreerimine (AYDCC) on täppispõllumajanduses oluline. See tagab saagiandmete täpsuse, eemaldades vead ja parandades kvaliteeti, võimaldades põllumeestel teha teadlikke otsuseid. AYDCC tegeleb andmetega seotud väljakutsetega ja kasutab usaldusväärsete tulemuste saamiseks automatiseeritud tehnikaid. Tööriistad, nagu GeoPardi saagikuse puhastamise ja kalibreerimise moodul, lihtsustavad seda protsessi põllumeeste jaoks, aidates kaasa tõhusatele ja produktiivsetele põllumajandustavadele.

(GIS) geoinformaatika rakendused põllumajanduses

Postitatud -s dementievgeopard poolt

Geoinformaatika (GIS) ühendab ruumiandmeid ja põllumajanduslikke otsuseid, võimaldades põllumeestel optimeerida ressursside kasutamist ja minimeerida keskkonnamõju. See tehnoloogiapõhine lähenemisviis aitab kohandada täppispõllumajanduse tavasid konkreetsetele põllutingimustele, suurendades seeläbi tootlikkust ja tõhusust.

Geoinformaatika põllumajanduses

Täpse ruumilise informatsiooni, näiteks mulla varieeruvuse, niiskusesisalduse ja kahjurite leviku analüüsimise abil saavad põllumehed teha teadlikke valikuid, tagades, et iga nende maa-ala saab täpselt vajaliku töötluse.

Hiljutised andmed näitavad, et seda tehnoloogiat kasutatakse laialdaselt, kusjuures üle 701 000 talu kasutab seda mingil moel. Georuumiliste andmete integreerimine on muutumas standardseks praktikaks otsustusprotsessides paljudes tööstusharudes, alates väikesemahulisest elatuspõllumajandusest kuni suurte äritegevusteni.

Põllumehed saavad satelliitfotograafia ja maapealsete andurite abil oma saaki reaalajas jälgida. Väiksema jäätmete ja keskkonnale avaldatava negatiivse mõju tõttu saavad nad seda kasutada vee, väetise ja pestitsiidide täpseks kasutamiseks seal ja siis, kui neid vaja on.

Austraalias teostatav CottonMap projekt kasutab veekasutuse jälgimiseks geoinformaatikat, mille tulemuseks on veetarbimise vähenemine 40% võrra. Tõhustatud ressursihaldus minimeerib keskkonnamõju, vähendades keemilist äravoolu ja üleniisutamist.

geoinformaatika põllumajanduses

Suurem tootlikkus aitab kaasa ülemaailmsele toiduga kindlustatusele. Ruumiandmete abil istutusmustrite optimeerimise abil saavad põllumehed saavutada suuremat saagikust ilma põllumajandusmaad laiendamata.

Mis on geoinformaatika?

Geoinformaatika, tuntud ka kui geograafiline infoteadus (GIScience), on multidistsiplinaarne valdkond, mis ühendab geograafia, kartograafia, kaugseire, arvutiteaduse ja infotehnoloogia elemente geograafiliste ja ruumiliste andmete kogumiseks, analüüsimiseks, tõlgendamiseks ja visualiseerimiseks.

See keskendub ruumilise teabe jäädvustamisele, salvestamisele, haldamisele, analüüsimisele ja esitamisele digitaalsel kujul, aidates kaasa Maa pinna ja erinevate geograafiliste tunnuste vaheliste seoste paremale mõistmisele. See on võimas tööriist, mida saab kasutada mitmesugustel eesmärkidel, sealhulgas:

1. Täppispõllumajandus: Seda saab kasutada andmete kogumiseks mitmesuguste tegurite kohta, näiteks mullatüüp, saagikus ja kahjurite nakatumine. Seejärel saab neid andmeid analüüsida, et tuvastada põllul varieeruvusega alasid. Kui need alad on kindlaks tehtud, saavad põllumehed GIS-i abil iga ala jaoks kohandatud majandamiskavasid välja töötada.

2. Keskkonnaseire: Seda saab kasutada keskkonnamuutuste, näiteks metsade hävitamise, maakasutuse muutuste ja vee kvaliteedi jälgimiseks. Seejärel saab neid andmeid kasutada keskkonnapoliitika edenemise jälgimiseks ja täiendavat kaitset vajavate alade kindlakstegemiseks.

3. Linnaplaneerimine: Geoinformaatikat saab kasutada linnapiirkondade planeerimiseks ja haldamiseks. Neid andmeid saab kasutada arendamist vajavate piirkondade tuvastamiseks, transpordivõrkude planeerimiseks ja infrastruktuuri haldamiseks.

4. Katastroofide ohjamine: Seda saab kasutada katastroofide, näiteks üleujutuste, maavärinate ja metsatulekahjude ohjamiseks. Neid andmeid saab kasutada katastroofi edenemise jälgimiseks, mõjutatud piirkondade tuvastamiseks ja abitööde koordineerimiseks.

Mis on geoinformaatika? Geoinformaatika komponendid

Geoinformaatika komponendid

Need komponendid töötavad koos, et anda ülevaade Maa pinna erinevatest aspektidest ja selle seostest. Siin on geoinformaatika peamised komponendid:

  • Geograafilised infosüsteemid (GIS): GIS hõlmab tarkvara ja riistvara kasutamist geograafiliste andmete kogumiseks, salvestamiseks, töötlemiseks, analüüsimiseks ja visualiseerimiseks. Need andmed on korraldatud kihtidesse, mis võimaldab kasutajatel luua kaarte, teha ruumianalüüse ja teha ruumiliste suhete põhjal teadlikke otsuseid.
  • Kaugseire: Kaugseire hõlmab Maa pinna kohta teabe kogumist kaugelt, tavaliselt satelliitide, õhusõidukite või droonide abil. Kaugseireandmed, sageli piltide kujul, võivad anda ülevaate maakattest, taimestiku tervisest, kliimamustritest ja muust.
  • Globaalsed positsioneerimissüsteemid (GPS)GPS-tehnoloogia võimaldab täpset positsioneerimist ja navigeerimist satelliitide võrgustiku kaudu. GIS-is kasutatakse GPS-i täpsete asukohaandmete kogumiseks, mis on kaardistamise, navigeerimise ja ruumilise analüüsi jaoks ülioluline.
  • Ruumianalüüs: See võimaldab rakendada mitmesuguseid ruumianalüüsi tehnikaid, et mõista geograafiliste andmete mustreid, seoseid ja trende. Nende tehnikate hulka kuuluvad lähedusanalüüs, interpoleerimine, kihistusanalüüs ja võrguanalüüs.
  • KartograafiaKartograafia hõlmab kaartide ja geograafiliste andmete visuaalsete esituste loomist. See pakub tööriistu ja meetodeid informatiivsete ja visuaalselt atraktiivsete kaartide kujundamiseks, mis edastavad tõhusalt ruumilist teavet.
  • GeoandmebaasidGeoandmebaasid on struktureeritud andmebaasid, mis on loodud geograafiliste andmete salvestamiseks ja haldamiseks. Need pakuvad raamistikku ruumiandmete korraldamiseks, võimaldades tõhusat salvestamist, otsimist ja analüüsi.
  • Veebikaardistamine ja georuumilised rakendusedGeoinformaatika on laienenud veebipõhiseks kaardistamiseks ja rakendusteks, võimaldades kasutajatel geograafilistele andmetele juurde pääseda ja nendega suhelda veebiplatvormide kaudu. See on viinud mitmesuguste asukohapõhiste teenuste ja tööriistade arendamiseni.
  • Georuumiline modelleerimineGeograafiline modelleerimine hõlmab arvutuslike mudelite loomist reaalsete geograafiliste protsesside simuleerimiseks. Need mudelid aitavad ennustada tulemusi, simuleerida stsenaariume ja toetada otsuste langetamist erinevates valdkondades.

8 Geoinformaatika rakendust ja kasutusala põllumajanduses

Siin on mõned GIS-i peamised rakendused ja kasutusalad põllumajanduses:

1. Täppispõllumajandus

Täppispõllumajandus rakendab geograafiliste infosüsteemide (GIS) võimalusi, et anda põllumeestele põhjalikku teavet oma põldude kohta. See teave ulatub detailsetest taimestiku- ja tootlikkuse kaartidest kuni põllukultuuripõhise teabeni.

Selle lähenemisviisi tuum peitub andmepõhises otsustusprotsessis, mis annab põllumeestele võimaluse oma tavasid maksimaalse saagikuse ja efektiivsuse saavutamiseks optimeerida.

Geoinformaatika kasutusalad põllumajanduses

GeoPard Crop Monitoring pakub tootlikkuse kaartide genereerimise kaudu üliolulist lahendust täppispõllumajandusele. Need kaardid kasutavad varasemate aastate ajaloolist teavet, võimaldades põllumeestel tuvastada tootlikkuse mustreid kogu oma talus. Põllumehed saavad selle teabe abil tuvastada viljakaid ja mitteproduktiivseid kohti.

2. Saagi tervise jälgimine

Põllukultuuride tervise jälgimise olulisust ei saa üle hinnata. Põllukultuuride heaolu mõjutab otseselt saagikust, ressursside majandamist ja põllumajandusliku ökosüsteemi üldist tervist.

Traditsiooniliselt oli ulatuslike põldude käsitsi kontrollimine vaevaline ja aeganõudev. Kuid selliste täiustatud tehnoloogiate nagu GIS ja kaugseire tulekuga on toimunud murranguline muutus, mis võimaldab enneolematu ulatusega täppisseiret.

Geoinformaatika aitab varakult avastada võimalikke probleeme, mis mõjutavad põllukultuuride tervist. Kaugseireandmete ja satelliidipiltide analüüsimise abil saavad põllumehed tuvastada stressitekitajaid, nagu toitainete puudus või haiguspuhangud, mis võimaldab sihipäraseid sekkumisi.

3. Saagikuse ennustamine

Ajalooliste andmete, mulla koostise, ilmastikumustrite ja muude muutujate integreerimise abil võimaldab see põllumeestel ennustada saagikust märkimisväärselt täpselt. See teave annab neile võimaluse teha teadlikke otsuseid istutamise, ressursside jaotamise ja turundusstrateegiate kohta.

tsoonide 2019. aasta saagikuse andmekaart

Saagikuse ennustamise valdkonnas on GeoPardist saanud juhtiv innovaator. GeoPard on välja töötanud usaldusväärse meetodi, mille väidetav täpsus on üle 90%, kombineerides satelliitidelt saadud ajaloolisi ja praeguseid saagiandmeid. See uuenduslik lähenemisviis on tõestus sellest, kuidas tehnoloogia võib tänapäeva põllumajandust revolutsiooniliselt muuta.

4. Kariloomade jälgimine geoinformaatika abil

GPS-jälgijate ruumiandmed kariloomade kohta pakuvad ülevaadet loomade liikumisest ja käitumisest. Need tööriistad võimaldavad põllumeestel täpselt kindlaks määrata kariloomade asukoha farmis, tagades tõhusa haldamise ja hoolduse.

Lisaks asukoha jälgimisele pakuvad GIS-põllumajandustööriistad terviklikku ülevaadet kariloomade tervisest, kasvumustrite, viljakustsüklite ja toitumisvajaduste kohta.

Täppispõllumajanduse, sealhulgas kariloomade seiret hõlmava globaalse turu väärtus peaks lähiaastatel märkimisväärselt tõusma. See trend rõhutab GIS-i transformatiivset potentsiaali kariloomade majandamise optimeerimisel.

5. Putukate ja kahjurite tõrje

Traditsioonilised meetodid, näiteks suurte põldude käsitsi luure, on osutunud nii aeganõudvaks kui ka ebaefektiivseks. Tehnoloogia, eriti süvaõppe algoritmide ja satelliidiandmete ühinemine on aga toonud kaasa revolutsiooni kahjurite avastamisel ja tõrjel.

Geoinformaatika aitab luua kahjurite levikukaarte, mis võimaldavad pestitsiide täpselt kasutada. Konkreetsetele aladele keskendudes saavad põllumehed minimeerida kemikaalide kasutamist, vähendada keskkonnamõju ja kaitsta kasulikke putukaid.

GeoPardi põllukultuuride monitooring on tõhus meetod mitmesuguste ohtude, näiteks umbrohu ja põllukultuuride haiguste avastamiseks. Potentsiaalselt probleemsed piirkonnad avastatakse põllult kogutud taimkatteindeksite uurimise teel.

Näiteks võib madal taimestikuindeksi väärtus konkreetses asukohas viidata potentsiaalsetele kahjuritele või haigustele. See lihtsustab protseduuri ja välistab vajaduse aeganõudva suurte põldude käsitsi uurimise järele.

6. Niisutuse kontroll

GIS-põhised andmed annavad väärtuslikku teavet mulla niiskustaseme kohta, aidates põllumeestel teha teadlikke otsuseid niisutusgraafiku osas. See tagab veetõhususe ja hoiab ära ülekastmise või põuastressi.

Muutuva kiirusega niisutamise olulisus

Põllumajanduse GIS-tehnoloogia pakub võimsaid tööriistu veestressi all kannatavate põllukultuuride tuvastamiseks. Põllumehed saavad oma põllukultuuride veesisalduse kohta rohkem teada selliste indeksite abil nagu normaliseeritud veesisalduse erinevuse indeks (NDWI) või normaliseeritud niiskusesisalduse erinevuse indeks (NDMI).

GeoPardi saagimonitooringu vaikekomponent, NDMI indeks, pakub skaalat -1 kuni 1. Veepuudust näitavad negatiivsed väärtused umbes -1 lähedal, kuid vettimist võivad näidata positiivsed väärtused ühe lähedal.

7. Üleujutuste, erosiooni ja põua tõrje

Üleujutused, erosioon ja põud on tugevad vastased, mis võivad põllumajandusmaastikele märkimisväärset kahju tekitada. Lisaks füüsilisele hävingule häirivad need probleemid vee kättesaadavust, mulla tervist ja üldist saagikust. Nende ohtude tõhus ohjamine on toiduga kindlustatuse tagamise, loodusvarade säilitamise ja säästva põllumajandustava edendamise seisukohast ülioluline.

Geoinformaatika aitab hinnata maastiku haavatavust üleujutuste, erosiooni ja põua suhtes. Topograafiliste andmete, sademete mustrite ja mulla omaduste analüüsimise abil saavad põllumehed rakendada strateegiaid nende riskide maandamiseks.

8. GIS põllumajandusautomaatikas

Geograafilised infosüsteemid (GIS) on oma traditsioonilisest kaardistamisvahendi rollist kaugemale jõudnud ja muutunud automatiseeritud masinate juhtimise oluliseks vahendajaks. See tehnoloogia annab mitmesugustele põllumajandusseadmetele, näiteks traktoritele ja droonidele, ruumiandmed ja täppisnavigatsioonisüsteemid.

Selle tulemusena saab ülesandeid alates külvamisest kuni pritsimise ja koristamiseni täita enneolematu täpsusega ja minimaalse inimese sekkumisega.

GIS põllumajandusautomaatikas

Kujutage ette stsenaariumi, kus traktorile antakse ülesandeks külvata saaki suurele põllule. GPS-süsteemi ja GIS-tehnoloogiaga varustatud traktor kasutab ruumiandmeid etteantud marsruutidel navigeerimiseks, tagades ühtlase seemnepaigutuse ja optimaalse vahe. See täpsus mitte ainult ei suurenda saagikust, vaid minimeerib ka ressursside raiskamist.

Geoinformaatika roll täppispõllumajanduses

See mängib täppispõllumajanduses kriitilist rolli, pakkudes põllumeestele andmeid ja tööriistu, mida nad vajavad teadlike otsuste tegemiseks põllukultuuride majandamise kohta. Seda saab kasutada andmete kogumiseks mitmesuguste tegurite kohta, näiteks mullatüübi, saagikuse ja kahjurite nakatumise kohta.

Seejärel saab neid andmeid analüüsida, et tuvastada põllul varieeruvusega alasid. Kui need alad on kindlaks tehtud, saavad põllumehed GIS-i abil iga ala jaoks kohandatud majandamiskavasid välja töötada.

Geoinformaatika kasutamine täppispõllumajanduses kasvab kiiresti kogu maailmas. Näiteks Ameerika Ühendriikides on täppispõllumajanduse kasutamine viimase viie aasta jooksul suurenenud enam kui 501 TP3 t võrra. Ja Hiinas eeldatakse, et täppispõllumajanduse kasutamine kasvab lähiaastatel enam kui 201 TP3 t aastas.

Uuringud on näidanud, et sisendite täpne rakendamine geoinformaatika meetodite abil võib suurendada saagikust kuni 15%, vähendades samal ajal sisendkulusid 10–30% võrra.

Lisaks leiti 2020. aastal ajakirjas Nature avaldatud uuringust, et GIS-i kasutamine nisupõllu niisutamiseks suurendas saagikust 20% võrra. Teine uuring, mis avaldati 2021. aastal ajakirjas Science, leidis, et GIS-i kasutamine väetise täpsemaks pealekandmiseks maisipõllul suurendas saagikust 15% võrra.

Seda saab kasutada ka saagikuse kaartide loomiseks. Neid kaarte saab kasutada madala saagikusega piirkondade tuvastamiseks, mida saab seejärel uurida probleemi põhjuse väljaselgitamiseks. Kui probleemi põhjus on kindlaks tehtud, saavad põllumehed võtta parandusmeetmeid saagikuse parandamiseks nendes piirkondades.

Geoinformaatika roll täppispõllumajanduses

Näiteks saavad põllumehed seda kasutada mullatüübi ja viljakuse kaartide loomiseks. Neid kaarte saab seejärel kasutada väetiste täpsemaks suunamiseks, mis aitab parandada saagikust ja vähendada tarbetult kasutatava väetise hulka.

Lisaks andmete kogumisele ja analüüsimisele saab seda kasutada ka ruumiandmete visualiseerimiseks. See võib olla kasulik põllumeestele, et näha, kuidas erinevad tegurid, näiteks mullatüüp ja saagikus, põllul jaotuvad. Visualiseerimisvahendeid saab kasutada ka selleks, et aidata põllumeestel oma leide teistele, näiteks põllukultuuride konsultantidele või valitsusametnikele, edastada.

Geoinformaatika reaalseid rakendusi täppispõllumajanduses on küllaga. Näiteks muutuva määraga tehnoloogia (VRT) kasutab ruumiandmeid, et põllule erineva koguse sisendeid, näiteks vett, väetisi ja pestitsiide, laotada.

See lähenemisviis tagab, et põllukultuurid saavad täpselt vajalikke toitaineid, optimeerides kasvu ja saagikust. Teisel juhul pakuvad satelliidipildid ja droonid väärtuslikku teavet põllukultuuride tervise ja haiguste avastamise kohta, võimaldades kiiret sekkumist.

GeoPardi põllukultuuride jälgimine põllumajandusliku GIS-tarkvara näitena

Oluline on meeles pidada, et põllumajanduses kasutatav GIS-tarkvara võib olenevalt selle otstarbest erineda. Samal ajal kui mõned tööriistad näitavad mulla niiskustaset, et aidata istutusvalikuid teha, kuvavad teised põllukultuuride sorte, saagikust ja jaotust.

Isegi metsaraie ja metsanduse majanduslike eeliste võrdlemine on võimalik erinevate rakenduste abil. Seega peab iga põllumees või põllumajandusjuht leidma ideaalse GIS-lahenduse, mis annab talle vajaliku teabe oma maa kohta tarkade otsuste langetamiseks.

Põlluandmete osas on GeoPardi põllukultuuride jälgimise platvormil mitmeid eeliseid. See pakub taimestiku ja mulla niiskuse dünaamika kokkuvõtteid, ajaloolisi taimestiku ja ilmastiku andmeid ning täpseid 14-päevaseid ilmaprognoose.

GeoPard pakub põllukultuuride jälgimise automatiseeritud sünkroniseerimist

See platvorm pakub selliseid võimalusi nagu luuretegevus tegevuste korraldamiseks ja reaalajas teabe vahetamiseks, aga ka välitegevuste logi tegevuste planeerimiseks ja jälgimiseks, pakkudes seega enamat kui lihtsalt GIS-põhiseid andmeid.

GeoPardi saagi jälgimisse on kaasatud ka andmeid täiendavatest allikatest. Näiteks andmehalduri tööriist integreerib platvormi masinaandmed. See toetab populaarseid failivorminguid nagu SHP ja ISO-XML.

Saate mõõta saagikust põllumasinate andmete abil, võrrelda seda väetisekaartidega, uurida väetamistaktikat ja luua plaane saagikuse suurendamiseks. Organisatsioonid, kellega põllumajandusettevõtted koostööd teevad, ja ka ise saavad sellest kõikehõlmavast platvormist suurt kasu.

Täppispõllumajanduse ja geoinformaatika väljakutsed

Täppispõllumajanduse ja geoinformaatika integreerimine toob kaasa hulga poliitilisi tagajärgi ja regulatiivseid kaalutlusi. Valitsused üle maailma näevad vaeva raamistike väljatöötamisega, mis edendavad innovatsiooni, kaitstes samal ajal andmete privaatsust, maakasutust ja keskkonnasäästlikkust.

Näiteks võivad määrused reguleerida ruumiandmete kogumist ja jagamist, täppispõllumajanduse tehnoloogiate intellektuaalomandi õigusi ja tehisintellekti eetilist kasutamist põllumajanduses.

Euroopa Liidus tunnustab ühine põllumajanduspoliitika (ÜPP) digitehnoloogiate, sealhulgas geoinformaatika rolli põllumajandusliku tootlikkuse suurendamisel.

Põllumajandustootjaid julgustatakse keskkonna- ja jätkusuutlikkuse eesmärkidega kooskõlas olevate täppispõllumajanduse tavade kasutuselevõtul rahaliste stiimulitega. See näide illustreerib, kuidas poliitika saab edendada tehnoloogia kasutuselevõttu ühise hüvangu nimel.

Geoinformaatika tehnoloogiate kasutuselevõtt põllumajanduses pakub küll märkimisväärset kasu, kuid sellega kaasnevad ka väljakutsed, eriti erineva suurusega põllumajandustootjate jaoks. Väikepõllumehed seisavad sageli silmitsi rahaliste piirangutega, kuna neil puuduvad ressursid tehnoloogia soetamiseks ja koolitamiseks.

Suuremad ettevõtted seisavad oma tegevuse ulatuse tõttu silmitsi andmehalduse keerukusega. Tehniliste teadmiste lüngad on levinud ning nii väikesed kui ka suured põllumehed vajavad koolitust geoinformaatika tööriistade tõhusaks kasutamiseks.

Piiratud infrastruktuur ja ühenduvus takistavad juurdepääsu, eriti äärealadel. Kohandamisraskused tekivad, kuna lahendused ei pruugi sobida väikestele taludele või integreeruda sujuvalt suurematesse ettevõtetesse.

Kultuuriline vastuseis muutustele ja mure andmekaitse pärast mõjutavad omaksvõttu kõikjal maailmas. Valitsuse poliitika, investeeringutasuvuse ebakindlus ja koostalitlusvõime probleemid takistavad edusamme veelgi.

Nende probleemide lahendamine nõuab kohandatud strateegiaid, et tagada geoinformaatika kasu kõigile põllumajandustootjatele, olenemata nende ulatusest.

Kokkuvõte

Geoinformaatika sujuv integreerimine tänapäeva põllumajandusse pakub transformatiivset potentsiaali. Ruumiandmete potentsiaali rakendamise abil saavad põllumehed ja põllumajanduse sidusrühmad teha teadlikke otsuseid, optimeerida ressursside kasutamist ja edendada säästvaid tavasid. Olgu selleks siis saagikuse prognoosimine, veevarude majandamine või täppispõllumajanduse edendamine, GIS on teejuhiks, kujundades põllumajandusmaailma tõhusamat, vastupidavamat ja produktiivsemat tulevikku.

LfL kasutab oma tulevase põllukultuuride kasvatamise projekti jaoks GeoPardi platvormi

Postitatud -s dementievgeopard poolt

Põllumajandus seisab tänapäeval silmitsi suurte väljakutsetega. See peab tootma kvaliteetset toitu ja toorainet, kuid üha enam tuleb arvestada ka pinnase, vee, kliima ja bioloogilise mitmekesisuse kaitse nõuetega.

Baieri Liidumaa Põllumajandusuuringute Keskus (LfL) on neid väljakutseid pikka aega uurinud ja testib nüüd oma Future Crop Farming projekti jaoks GeoPard täppispõllumajanduse platvormi.

Dmitri Dementiev, GeoPardi tegevjuht ja kaasasutaja: “Traditsioonilised põllukultuuride kasvatamise meetodid seisavad sageli silmitsi selliste väljakutsetega nagu ebaefektiivne ressursihaldus ja piiratud juurdepääs reaalajas andmetele. Need tegurid võivad kaasa tuua optimaalsest väiksema saagikuse, suurenenud kulud ja keskkonnakoormuse.”

GeoPardi platvorm pakub LfL-ile tsentraliseeritud platvormi oluliste põllumajandusandmete visualiseerimiseks ja analüüsimiseks. Platvormi kasutajasõbralik liides võimaldab kombineerida satelliidiandmeid ja välikatsete eksperimentaalseid andmeid, lihtsustades keeruliste andmete tõlgendamist ja andes kasutajatele võimaluse teha teadlikke valikuid, mis optimeerivad tootlikkust ja jätkusuutlikkust.

Katse spetsiifilise seadistuse demonstreerimiseks jagati põld osadeks: LfL on rakendanud ribapõllukultuuride vaheltkülvi süsteemi, st mitme põllukultuuri samaaegset kasvatamist paralleelsetes ribades samal põllul.

Neid ribasid saab seejärel eraldi kasutada sisendite (nt väetis ja taimekaitse) ja saagikuse tulemuste võrrandites, mis võimaldab arvutada kogu põllumahtu.

kasum. Lisaks saab hinnata üksikute põllukultuuride genereeritud kasumit ja võimalikku mõju ribade vahelistes servades.

LfL-i ja GeoPardi koostöö tulevikukultuuride põllumajanduse projekti raames aitab edasi arendada analüüsivahendeid ebatavaliste põllustruktuuride jaoks.

GeoPardi täiustatud platvormi ära kasutades saab see täiendada oma uurimistulemusi ja luua väärtuslikke visualiseeringuid projektist saadud teadmiste avalikkusele edastamiseks.

Täppispõllumajandusele, tootlikkusele ja keskkonnahoidlikkusele keskenduv uuenduslik LfL-projekt näitab potentsiaali jätkusuutlikumaks tulevikuks põllukultuuride kasvatamisel.

LfL-i digitaliseerimise juht ja projektijuht, PD dr Markus Gandorfer: “Meil on hea meel koostööd teha entusiastliku GeoPardi meeskonnaga. GeoPardi tööriista abil saadav sügavam ülevaade meie ribapõllukultuuride vaheltlõikamise andmetest on meile väga väärtuslik.”

Teave

Baieri Liidumaa Põllumajandusuuringute Keskus (LfL) Baieri Liidumaa Põllumajandusuuringute Keskus (LfL) on Baierimaa põllumajanduse teadmiste- ja teeninduskeskus. LfL-i rakendusuuringud käsitlevad põllumajanduspraktika küsimusi ja pakuvad põllumajandusettevõtetele mitmel viisil rakendatavaid lahendusi.

Interdistsiplinaarne tulevikukultuuride põllumajanduse projekt asub Ruhstorf ad Rottis Kagu-Baierimaal. Lisateavet projekti kohta leiate projekti veebisaidilt: http://www.future-crop-farming.de

GeoPard Põllumajandus on juhtiv täppispõllumajanduse tarkvara pakkuja. Ettevõte asutati 2019. aastal Kölnis Saksamaal ja on esindatud kogu maailmas. Ettevõte pakub mitmesuguseid lahendusi, mis aitavad põllumeestel oma tegevust optimeerida ja saagikust suurendada.

Keskendudes jätkusuutlikkusele ja regeneratiivsele majandusele, on GeoPard Agriculture'i eesmärk edendada täppispõllumajanduse tavasid kogu maailmas.

Ettevõtte partnerite hulka kuuluvad sellised tuntud kaubamärgid nagu John Deere, Corteva Agriscience, ICL, Pfeifer & Langen, IOWA Soybean Association, Kernel, MHP, SureGrowth ja paljud teised.

GPS-tehnoloogia kasutamine kattekultuuride kasvatamise optimeerimiseks

Postitatud -s dementievgeopard poolt

Põllumajandussektor kogeb suuri muutusi, kuna üha sagedamini võetakse kasutusele selliseid kaasaegseid tehnoloogiaid nagu GPS-süsteemid.

See on eriti märgatav põllumeeste kattekultuuride kasvatamises. GPS-tehnoloogia muudab revolutsiooniliselt põldude majandamise viisi, aidates neil oma põllumajandustavasid tõhusamaks ja jätkusuutlikumaks muuta.

Kattekultuurid, mida mõnikord nimetatakse ka haljasväetiseks, on taimed, mida kasvatatakse peamiselt mulla tervise parandamiseks, mitte saagi saamiseks. Neid kasvatatakse tavaliselt hooajavälisel ajal ja need pakuvad selliseid eeliseid nagu umbrohu tõrje, bioloogilise mitmekesisuse suurendamine ja mulla viljakuse parandamine.

Kattekultuuride kasvatamine võib aga olla töömahukas ja aeganõudev. Siin tulebki kasuks GPS-tehnoloogia.

GPS-tehnoloogia kaasamine põllumajandusse toob kaasa arvukalt eeliseid. Esiteks võimaldab see täppispõllumajandust, kus põllumehed saavad GPS-koordinaate kasutada oma põldude täpsete kaartide loomiseks.

See aitab neil tähelepanelikult jälgida põllukultuuride kasvu ja mullatingimusi. Andmetele tuginedes saavad nad väetisi ja pestitsiide täpsemalt kasutada, vähendades jäätmeid ja minimeerides keskkonnakahju.

Lisaks suurendab GPS-tehnoloogia oluliselt kattekultuuride istutamise efektiivsust. Tavapärased meetodid võivad põhjustada seemnete ebaühtlast jaotumist, jättes mõned alad halvasti kaetud.

GPS-juhitavate masinatega saavad põllumehed tagada ühtlase jaotamise kogu põllul, soodustades paremat kasvu ja mulla katvust. See mitte ainult ei suurenda kattekultuuride tõhusust, vaid vähendab ka tööjõu ja ressursside vajadust.

Lisaks võimaldab GPS-tehnoloogia põllumeestel rakendada tõhusamaid külvikordade strateegiaid. Täpse põldude kaardistamise ja põllukultuuride kasvu jälgimise abil saavad nad hästi planeeritud külvikordade abil optimeerida mulla tervist ja tootlikkust. See võib aja jooksul kaasa tuua suurema saagikuse, parandades veelgi põllumajanduse efektiivsust.

Lisaks mängib GPS-tehnoloogia olulist rolli kahjurite ja haiguste jälgimisel ja tõrjel. See võimaldab põllumeestel jälgida nende probleemide asukohta ja levikut, mis võimaldab neil võtta sihipäraseid tõrjemeetmeid. Selle tulemusel saab vähendada laia toimespektriga pestitsiidide kasutamist, edendades tervislikumat ja jätkusuutlikumat põllumajandussüsteemi.

GPS-tehnoloogia pakub kattekultuuride kasvatamisel eeliseid lisaks üksikutele põllumeestele. Sellel on potentsiaal edendada säästvaid ja tõhusaid põllumajandustavasid kogu maailmas.

Jäätmete vähendamise ja ressursside parima kasutamise abil saab GPS-tehnoloogia mängida olulist rolli kasvava ülemaailmse toidunõudluse rahuldamisel keskkonnasõbralikul viisil.

GPS-tehnoloogia kasutamine põllumajanduses tekitab aga paljudele põllumeestele väljakutseid, näiteks suured algkulud ja tehnilise oskusteabe puudumine. Nende takistuste ületamiseks on ülioluline pakkuda põllumeestele tuge.

Seda saab saavutada rahaliste stiimulite, koolitusprogrammide ning kasutajasõbraliku tarkvara ja seadmete arendamise abil, mis võimaldab neil seda tehnoloogiat maksimaalselt ära kasutada.

Kokkuvõtteks võib öelda, et GPS-tehnoloogia kasutamine kattekultuuride kasvatamisel võib oluliselt parandada põllumajanduse efektiivsust. See võimaldab täpset põllumajandust, paremaid külvitavasid, tõhusat külvikorda ning tõhusamat kahjurite ja haiguste tõrjet. Pakkudes õiget tuge ja ressursse, saavad põllumehed GPS-tehnoloogiat ära kasutada, et luua jätkusuutlikum ja produktiivsem põllumajandussektor.

GeoPardi automatiseeritud põllupiiride tuvastamise mudel täppispõllumajanduse jaoks

Postitatud -s dementievgeopard poolt

GeoPard on edukalt lõpetanud automatiseeritud põllupiiride tuvastamise mudeli väljatöötamise, mis kasutab mitmeaastaseid satelliidipilte, täpset pilvede ja varjude tuvastamist ning täiustatud patenteeritud algoritme, sealhulgas süvaneuraalvõrke.

GeoPardi välituvastusmudel on saavutanud tipptasemel täpsuse 0,975 liidu kohal ristumise (IoU) meetrikal, valideeritud erinevates piirkondades ja põllukultuuride tüüpides üle maailma.

Vaadake neid pilte, et näha tulemusi Saksamaal (keskmine põllu suurus on 7 hektarit):

1 - Sentinel-2 toorpilt

1 – Sentinel-2 toorpilt

3 - Segmenteeritud põllupiirid

2 – GeoPardi ülieraldusvõimega Sentinel-2 pilt (eraldusvõime 1 meeter)

2 - GeoPardi üliresolutsiooniline Sentinel-2 pilt

3 – Segmenteeritud põllupiirid, 0.975 Ristumiskoha üle liidu (IoU) täpsusmõõdik, mitmes rahvusvahelises piirkonnas ja põllukultuuride tüübis.

Integratsioon meie API-sse ja GeoPardi rakendusse on peagi tulekul. See automatiseeritud ja kulutõhus meetod aitab ennustada saagikust, on kasulik valitsusasutustele ja abistab suuri maaomanikke, kes peavad sageli hooaegade vahel põllupiire uuendama.

GeoPardi lähenemisviis kasutab mitmeaastaste põllukultuuride vegetatsioonitrendid kasutades mitmefaktorilist analüüsi ja külvikorda.

 

Mudel on ligipääsetav läbi GeoPardi API tasu-vastavalt-kasutamisele põhimõttel, pakkudes paindlikkust ilma kallite tellimusteta.

 

Mis on põllupiiride määramine?

Põllupiiride määramine viitab põllumajanduspõldude või maatükkide piiride tuvastamise ja kaardistamise protsessile. See hõlmab erinevate tehnikate ja andmeallikate kasutamist üksikute põldude või põllumajandusmaatükkide piiride määramiseks.

Traditsiooniliselt määrasid põllupiirid põllumehed või maaomanikud käsitsi oma teadmiste ja tähelepanekute põhjal.

Tehnoloogia arenguga, eriti kaugseire ja geograafiliste infosüsteemide (GIS) valdkonnas, on automatiseeritud ja poolautomatiseeritud meetodid muutunud üha levinumaks.

Üks levinud lähenemisviis on satelliidi- või õhupiltide analüüs. Satelliitide või õhusõidukite abil jäädvustatud kõrglahutusega pildid võivad anda maastiku kohta üksikasjalikku teavet, sealhulgas erinevate maatükkide vaheliste piiride kohta.

Nendele piltidele saab rakendada pilditöötlusalgoritme, et tuvastada erinevaid tunnuseid, näiteks taimestiku tüübi, värvi, tekstuuri või mustrite muutusi, mis viitavad põllupiiride olemasolule.

Teine meetod hõlmab LiDAR-i (valguse tuvastamise ja kauguse määramise) andmete kasutamist, mis kasutab laserkiiri anduri ja Maa pinna vahelise kauguse mõõtmiseks.

LiDAR-andmed pakuvad detailset kõrgus- ja topograafilist teavet, mis võimaldab tuvastada maastiku peeneid erinevusi, mis võivad vastata põllupiiridele.

Lisaks mängivad geograafilised infosüsteemid (GIS) põllupiiride määramisel olulist rolli.

GIS-tarkvara võimaldab integreerida ja analüüsida erinevaid andmekihte, sealhulgas satelliidipilte, topograafilisi kaarte, maaomandi andmeid ja muud asjakohast teavet. Neid andmeallikaid kombineerides aitab GIS põllupiiride tõlgendamisel ja tuvastamisel.

Põllu täpne piiritlemine on oluline mitmel põhjusel. See hõlbustab põllumajandusressursside paremat haldamist, võimaldab täppispõllumajanduse tehnikaid ning toetab selliste põllumajandustavade nagu niisutamine, väetamine ja kahjuritõrje planeerimist ja rakendamist.

Täpsed põllupiiride andmed aitavad kaasa ka maa haldamisel, maakasutuse planeerimisel ja põllumajandusmääruste järgimisel.

Kuidas see kasulik on?

Sellel on põllumajanduses ja maakorralduses oluline roll, pakkudes mitmeid eeliseid ja olulisust, mida toetavad tõendid ja ülemaailmsed arvud. Siin on mõned põhipunktid:

1. Täppispõllumajandus: Täpsed põllupiirid aitavad rakendada täppispõllumajanduse tehnikaid, kus ressursid, nagu vesi, väetised ja pestitsiidid, on suunatud täpselt kindlatele aladele põldude sees.

Maailmapanga aruande kohaselt on täppispõllumajanduse tehnoloogiatel potentsiaal suurendada saagikust 20% võrra ja vähendada sisendkulusid 10–20% võrra.

2. Tõhus ressursside haldamine: See võimaldab põllumeestel ressursse paremini hallata, optimeerides niisutussüsteeme, kohandades väetamistavasid ja jälgides põllukultuuride tervist. See täpsus vähendab ressursside raiskamist ja keskkonnamõju.

Toidu- ja Põllumajandusorganisatsiooni (FAO) hinnangul võivad täppispõllumajanduse tavad vähendada veekasutust 20–501 TP3 T, väetisetarbimist 10–201 TP3 T ja pestitsiidide kasutamist 20–301 TP3 T võrra.

3. Maakasutuse planeerimine: Täpsed põllupiiride andmed on maakasutuse planeerimisel hädavajalikud, tagades olemasoleva põllumajandusmaa tõhusa kasutamise. See võimaldab poliitikakujundajatel ja maahaldajatel teha teadlikke otsuseid maa jaotamise, külvikorra ja tsoneerimise kohta.

See võib suurendada põllumajanduslikku tootlikkust ja parandada toiduga kindlustatust. Ajakirjas Journal of Soil and Water Conservation avaldatud uuring näitas, et tõhus maakasutuse planeerimine võib suurendada ülemaailmset toidutootmist 20-67% võrra.

4. Põllumajandustoetused ja kindlustus: Paljud riigid pakuvad põllupiiridel põhinevaid põllumajandustoetusi ja kindlustusprogramme. Täpne piiritlemine aitab määrata abikõlblikke maa-alasid, tagada toetuste õiglane jaotamine ja kindlustusmaksete täpne arvutamine.

Näiteks Euroopa Liidu ühine põllumajanduspoliitika (ÜPP) tugineb toetuste arvutamisel ja vastavuse jälgimisel täpsetele põllupiiridele.

5. Maahaldus ja õiguslikud piirid: Põllupiiride määratlemine põllumajanduses on ülioluline maa haldamise, omandiõiguste ja maavaidluste lahendamise seisukohast. Täpsed põllupiiride kaardid aitavad kindlaks teha seaduslikku omandiõigust, toetavad maa registreerimise süsteeme ja hõlbustavad läbipaistvaid maatehinguid.

Maailmapanga hinnangul on vaid 30%-l maailma elanikkonnast seaduslikult dokumenteeritud õigused oma maale, mis rõhutab usaldusväärsete põllupiiride andmete olulisust turvalise maaomandi jaoks.

6. Nõuetele vastavus ja keskkonnasäästlikkus: Täpsed põllupiirid aitavad jälgida nõuetele vastavust, tagades keskkonnaalaste eeskirjade ja säästvate põllumajandustavade järgimise.

See aitab tuvastada puhvervööndeid, kaitsealasid ja erosioonile või veereostusele kalduvaid alasid, võimaldades põllumajandustootjatel võtta asjakohaseid meetmeid. Keskkonnastandardite järgimine suurendab jätkusuutlikkust ja vähendab negatiivset mõju ökosüsteemidele.

FAO andmetel võivad säästvad põllumajandustavad vähendada kasvuhoonegaaside heitkoguseid kuni 6 miljardit tonni aastas.

Need punktid illustreerivad selle kasulikkust ja olulisust põllumajanduses ja maakorralduses. Esitatud tõendid ja ülemaailmsed arvud toetavad selle positiivset mõju ressursitõhususele, maakasutuse planeerimisele, õigusraamistikele, keskkonnasäästlikkusele ja põllumajanduse üldisele tootlikkusele.

Kokkuvõttes on põllupiiride määramine põllumajanduses põllumajanduspõldude või maatükkide piiride tuvastamise ja kaardistamise protsess. See tugineb erinevatele tehnikatele, nagu satelliidipiltide analüüs, LiDAR-andmed ja GIS, et neid piire täpselt määratleda ja piiritleda, võimaldades tõhusat maakorraldust ja põllumajandustavasid.

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

        Me kasutame küpsiseid, et pakkuda teile parimat sirvimiskogemust, personaliseerida meie saidi sisu, analüüsida selle liiklust ja näidata teile asjakohaseid reklaame.
        Vt meie privaatsuspoliitika lisateabe saamiseks.

        Võtke kõik vastu