Rubriik: Saagi jälgimine

Meie veebisaidi põllukultuuride jälgimise osa on pühendatud põllumeestele ja põllumajandusspetsialistidele uusima teabe ja tööriistade pakkumisele, mis aitavad neil oma põllukultuure jälgida ja optimeerida. Täiustatud tehnoloogia ja andmeanalüüsi abil on sellest saanud tänapäeva põllumajanduses oluline tava, mis võimaldab põllumeestel tuvastada võimalikke probleeme ja nendega tegeleda enne, kui need suureks muutuvad.

See jaotis pakub mitmesuguseid ressursse ja teavet, mis aitab põllumeestel teha teadlikke otsuseid oma põllukultuuride kohta. Alates parimate tavade ja uute tehnoloogiate artiklitest kuni tipptasemel seirevahendite ja -tarkvara ülevaadeteni – meie eesmärk on pakkuda põhjalikku ja ajakohast ülevaadet põllukultuuride seiremaastiku kohta.

Olenemata sellest, kas olete väikepõllumees või suur põllumajandusettevõte, on sellel jaotisel midagi pakkuda. Me käsitleme laia valikut põllukultuure, sealhulgas puuvilju, köögivilju, teravilja ja palju muud, ning meie sisu on kohandatud vastama igale asjatundlikkuse tasemele kuuluvate põllumeeste vajadustele.

Meie põllukultuuride jälgimise osa keskmes on pühendumus aidata põllumeestel saavutada oma tegevuses suuremat tõhusust ja jätkusuutlikkust. Pakkudes uusimat teavet ja tööriistu, on meie eesmärk aidata põllumeestel parandada saagikust, vähendada jäätmeid ja suurendada kasumlikkust, minimeerides samal ajal nende keskkonnamõju.

Saagi jälgimise juhend ja uuendused

Seega, olenemata sellest, kas oled alles alustamas või oled kogenud professionaal, kes soovib olla kursis uusimate trendide ja tehnoloogiatega, on selles jaotises kõik, mida edu saavutamiseks vajad.

Taimestiku indeksid ja klorofülli sisaldus

Postitatud -s dementievgeopard poolt

GeoPard laiendab toetatud klorofülliga seotud taimestiku indeksite perekonda järgmisega:

  • Võsa klorofülli sisalduse indeks (CCCI)
  • Modifitseeritud klorofülli neeldumissuhte indeks (MCARI)
  • Transformeeritud klorofülli neeldumise peegeldusindeks (TCARI)
  • MCARI/OSAVI suhe
  • TCARI/OSAVI suhe

Need aitavad mõista praegust põllukultuuri arenguetappi, sealhulgas

  • toitainete nõudlusega piirkondade kindlakstegemine,
  • lämmastiku eemaldamise hindamine,
  • potentsiaalse saagikuse hindamine,

Ja neid teadmisi kasutatakse täpsete lämmastiku muutuva normiga pealekandmiskaartide loomiseks.

Loe edasiMilline indeks on parim kasutada täppismaal

Loe edasi: GeoPardi taimestiku indeksid

Taimestiku indeksid ja klorofülli sisaldusVõsa klorofülli sisalduse indeks (CCCI) vs modifitseeritud klorofülli neeldumise suhte indeks (MCARI) vs transformeeritud klorofülli neeldumise peegeldusindeks (TCARI) vs suhe MCARI/OSAVI

Mis on taimestiku indeksid?

Taimestiku indeksid on kaugseire abil saadud spektraalandmetest, näiteks satelliidi- või õhupiltidest, tuletatud numbrilised väärtused, et kvantifitseerida taimestiku tihedust, tervist ja jaotust Maa pinnal.

Neid kasutatakse tavaliselt kaugseire, põllumajanduse, keskkonnaseire ja maakorralduse rakendustes taimestiku kasvu, produktiivsuse ja tervise hindamiseks ja jälgimiseks.

Need indeksid arvutatakse valguse erinevate lainepikkuste peegeldusväärtuste abil, eriti punases, lähiinfrapuna (NIR) ja mõnikord ka muudes sagedusribades.

Taimestiku peegeldusomadused varieeruvad vastavalt valguse lainepikkustele, mis võimaldab eristada taimestikku ja teisi maakatte tüüpe.

Taimestikul on tavaliselt tugev neeldumine punases piirkonnas ja kõrge peegeldusvõime lähiinfrapunapiirkonnas klorofülli ja rakustruktuuri omaduste tõttu.

Mõned laialdaselt kasutatavad taimestikuindeksid on järgmised:

  • Normaliseeritud taimestiku erinevusindeks (NDVI)See on kõige populaarsem ja laialdasemalt kasutatav taimestikuindeks, mis arvutatakse järgmiselt: (NIR – punane) / (NIR + punane). NDVI väärtused jäävad vahemikku -1 kuni 1, kusjuures kõrgemad väärtused näitavad tervemat ja tihedamat taimestikku.
  • Täiustatud taimestiku indeks (EVI)See indeks parandab NDVI-d, vähendades atmosfääri- ja pinnasemüra ning korrigeerides võrade taustasignaale. See kasutab täiendavaid sagedusribasid, näiteks sinist, ja lisab koefitsiente nende mõjude minimeerimiseks.
  • Mulla järgi korrigeeritud taimestikuindeks (SAVI): SAVI on loodud selleks, et minimeerida mulla heleduse mõju taimestiku indeksile. See võtab kasutusele mulla heleduse parandusteguri, mis võimaldab täpsemalt hinnata taimestikku hõreda või madala taimkattega aladel.
  • Rohelise-punase taimestiku indeks (GRVI)GRVI on veel üks lihtne suhtarvuindeks, mis kasutab taimestiku tervise hindamiseks rohelist ja punast riba. See arvutatakse järgmiselt: (roheline – punane) / (roheline + punane).

Neid indekseid kasutavad muuhulgas teadlased, maakorraldajad ja poliitikakujundajad teadlike otsuste tegemiseks maakasutuse, põllumajanduse, metsanduse, loodusvarade majandamise ja keskkonnaseire osas.

Normaliseeritud erinevusniiskusindeks

Postitatud -s dementievgeopard poolt

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. 

Automatiseeritud saagi uurimine andmekihtide ristumiskohaga

Postitatud -s dementievgeopard poolt

GeoPardis on meil moodul, mis võimaldab Loo automaatselt saagiandmete luuretsoonid kasutades äri- ja agronoomilise loogika paindlikku konfiguratsiooni.

See võimaldab kontrollida suurt hulka põlde ja teha luuret ainult hädaolukorras.

Äriline/agronoomiline loogika võiks olla paindlik. Selles näites luuakse ülesanded piirkondades, kus uusimatel satelliidipiltidel on kõrge ajaloolise põllupotentsiaali tsoonid ja madal taimestik.

Näide teisest kasutusjuhust: madala saagikusega tsoon (saagikuse failist), mis ristub madala pH-ga tsoonidega – lubja viljakuse taseme reguleerimiseks.

 

Automatiseeritud põllukultuuride andmete luuretsoonid andmekihtide ristumiskohas
Kõrge ajaloolise põlluviljakuse tsoonid, mis on ristuvad uusima Planeti pildi madala taimestikuga tsoonidega -> GeoPardis luuakse luureülesanded automaatselt

Saagikaubandusettevõtete ja andmemodelleerijate jaoks võib ajalooliselt kõige stabiilsema ja kõrge saagikusega tsoonide kokkupuutepunkt olla hea indikaator saagikuse prognooside ekstrapoleerimiseks.

Kui oled põllumees, agronoom või täppispõllumajanduse spetsialist, siis tead põllukultuuride andmete uurimise olulisust. See on oluline põllukultuuride tervise jälgimiseks ja võimalike probleemide tuvastamiseks enne, kui need suureks muutuvad.

Traditsiooniline saagi skautimine võib aga olla aeganõudev ja töömahukas. Siin tulevadki mängu automatiseeritud skautimisülesanded.

GeoPard on revolutsiooniline automatiseeritud täppispõllumajanduse tarkvara, mis kasutab täiustatud algoritme ja satelliidipilte teie põllukultuuride automaatseks jälgimiseks. GeoPardi abil saate hõlpsalt seadistada automatiseeritud luureülesandeid, mis hoiatavad teid võimalike probleemide, näiteks kahjurite, haiguste või toitainete puuduse eest.

Üks automatiseeritud luureülesannete kasutamise peamisi eeliseid on võime kiiresti ja täpselt tuvastada teie põllukultuuride probleeme. GeoPard kasutab teie põldude satelliidipiltide analüüsimiseks täiustatud algoritme, tuvastades isegi kõige väiksemad muutused teie põllukultuurides.

See tähendab, et saate kiiresti tuvastada kõik võimalikud probleemid ja võtta meetmeid nende lahendamiseks enne, kui need tõsisemaks muutuvad.

Automatiseeritud luureülesannete teine eelis on võimalus oma põllukultuure regulaarselt jälgida. Traditsioonilise luure abil võib olla keeruline regulaarselt põlde külastada ja võimalikke probleeme kontrollida.

Kuid GeoPardi abil saate seadistada automatiseeritud ülesandeid, mis jälgivad teie põllukultuure iga päev või iganädalaselt, andes teile terviklikuma ülevaate nende tervisest.

GeoPardi automatiseeritud luureülesanded on samuti kohandatavad, mis võimaldab teil neid oma konkreetsetele vajadustele kohandada. Saate seadistada ülesandeid konkreetsete probleemide, näiteks kahjurite või haiguste jälgimiseks või seadistada ülesandeid põllu konkreetsete alade jälgimiseks. See tähendab, et saate teavet, mida vajate oma põllukultuuride kohta teadlike otsuste tegemiseks.

Lisaks automatiseeritud luureülesannetele pakub GeoPard ka mitmeid muid funktsioone, mis aitavad teil hallata täppispõllumajanduse toiminguid. GeoPardi abil saate planeerida külvi ja väetamist, jälgida mulla niiskustaset ja saagikust.

Üldiselt on GeoPardi automatiseeritud luureülesanded võimas tööriist põllumeestele, agronoomidele ja täppispõllumajanduse spetsialistidele. GeoPardi abil saate oma põllukultuure kiiresti ja lihtsalt jälgida ning tuvastada võimalikke probleeme, mis aitab teil oma tegevuse kohta paremaid otsuseid langetada.

Mis on saagi skautimine?

Saagi skautimine on põllumajanduses kasutatav praktika, mis hõlmab põllukultuuride süstemaatilist kontrollimist ja jälgimist, et hinnata nende tervist, kasvu ja võimalikke probleeme. Tavaliselt hõlmab see füüsilist põldude läbimist või tehnoloogia, näiteks droonide või andurite kasutamist andmete kogumiseks.

Põllukultuuride skaudid jälgivad ja koguvad teavet selliste tegurite kohta nagu kahjurite nakatumine, haiguspuhangud, toitainete puudus ja umbrohu surve.

Need andmed aitavad põllumeestel teha teadlikke otsuseid põllukultuuride majandamise kohta, näiteks rakendada sihipäraseid töötlusi, kohandada väetiste kasutamist või rakendada kahjuritõrje strateegiaid. Need mängivad olulist rolli saagikuse maksimeerimisel ja üldise saagi tervise tagamisel.

Mis on automatiseeritud saagiandmete uurimine?

Automatiseeritud põllukultuuride skautimine viitab tipptehnoloogiate, sealhulgas robootika, mehitamata õhusõidukite (UAV), erinevate andurite ja tehisintellekti (AI) rakendamisele põllukultuuride tervise ja arengu jälgimiseks ja hindamiseks põllumajanduskeskkonnas.

Eesmärk on suurendada tõhusust, vähendada kulusid ja sujuvamaks muuta saagikoristust, automatiseerides ülesandeid, mida traditsiooniliselt teevad inimestest saagiuurijad.

Automatiseeritud põllukultuuride andmete uurimise protsess hõlmab mitut etappi, näiteks:

  • Andmete kogumine: Mehitamata õhusõidukid või maapealsed robotid, mis on varustatud mitmesuguste anduritega (nt kaamerad, multispektraalsed andurid, LIDAR), koguvad teavet põllukultuuride seisundi kohta, sealhulgas taimede tervise, kahjurite ja haiguste esinemise, mulla omaduste ja toitainete kontsentratsiooni kohta.
  • Andmete analüüsimineKogutud andmeid töödeldakse ja uuritakse seejärel tehisintellekti ja masinõppe algoritmide abil, et tuvastada saagi tervise ja arenguga seotud mustreid, ebakorrapärasusi ja suundumusi.
  • Otsuste tegemine: Andmeanalüüsi tulemusi saab kasutada teadlike valikute tegemiseks põllukultuuride majandamise, sealhulgas kastmise, väetamise, kahjuritõrje ja muude sekkumiste optimeerimise osas.
  • Tegutsemine: Põllumajandustootjad saavad automatiseeritud põllukultuuride seirest saadud teadmiste põhjal rakendada sihipäraseid meetmeid, et lahendada põllul konkreetseid probleeme, näiteks pestitsiidide või toitainete kasutamine ainult vajaduse korral, minimeerides jäätmeid ja keskkonnamõju.

Pakkudes põllumeestele reaalajas täpseid andmeid, saab see oluliselt suurendada põllumajanduslikku tootlikkust ja jätkusuutlikkust, võimaldades paremaid otsuseid langetada ja rakendada täpsemaid juhtimistehnikaid.

Kuidas tuvastada skauditsooni?

Põllukultuuride andmete uurimistsoonide määramine hõlmab põllumajanduspõllu jagamist väiksemateks, hallatavamateks osadeks, mis põhinevad sellistel aspektidel nagu mulla koostis, maastik, ajaloolised saagitulemused või muud olulised tegurid.

Eesmärk on luua ühtsed alad, mis esindavad sarnaseid tingimusi, võimaldades sihipärasemat luuret, vaatlust ja majandamistavasid. Siin on samm-sammult meetod saagi luuretsooni täpseks määramiseks:

  • Koguge ajaloolist teavet: Koguge andmeid eelmiste põllukultuuride saagikuse, mullaanalüüsi tulemuste, kahjurite ja haiguste esinemise ning muu põllu kohta käiva olulise teabe kohta. Need andmed aitavad tuvastada võrreldavate tingimuste või tulemuslikkusega alasid.
  • Uurige mulla koostist ja maastikku: Uurige oma põllu mullatüüpe ja maastikku, et mõista looduslikke erinevusi. Erinev mulla koostis ja kõrgus võivad mõjutada põllukultuuride kasvu, toitainete imendumist ja vee kättesaadavust, mis omakorda mõjutab põllukultuuride tervist.
  • Kasutage kaugseire tehnoloogiat: Kasutage satelliidi- või droonipilte, et saada lisateavet põllutingimuste, näiteks taimestiku näitajate, mulla niiskustaseme ja temperatuurikõikumiste kohta. See teave aitab täpsustada luuretsoone, pakkudes põllust terviklikumat ülevaadet.
  • Rakenda täppispõllumajanduse tehnikaid: Kasutage kogutud andmete töötlemiseks ja analüüsimiseks täppispõllumajanduse tarkvara. Need tööriistad aitavad tuvastada mustreid ja luua andmepõhiseid uurimisalasid, võttes arvesse selliseid tegureid nagu saagi tervis, mulla varieeruvus ja maastik.
  • Luua luurealadAndmeanalüüsi põhjal jagage põld väiksemateks, ühtlasteks aladeks, millel on sarnased tunnused. Need alad peaksid olema suuruselt hallatavad ja kohandatud teie tegevuse erinõuetele.
  • Uuenda ja kohanda regulaarselt: Kui asjaolud muutuvad ja uued andmed muutuvad kättesaadavaks, hinnake ja muutke uurimisalasid, et tagada nende asjakohasus ja täpsus. See võib hõlmata alade ajakohastamist uute saagikuse andmete, kahjurite ja haiguste esinemise või muude saagi tootlikkust mõjutavate tegurite põhjal.

Seega saavad põllukultuuride jälgimistsooni täpse määramise ja loomise abil põllumehed oma seiretegevust tõhusamalt koondada ja rakendada sihipäraseid majandamispraktikaid, mille tulemuseks on parem ressursikasutus ja parem põllukultuuride tervis.

Normaliseeritud taimestiku erinevuse indeks (NDVI) muudab põllumehe elu lihtsamaks

Postitatud -s dementievgeopard poolt

Normaliseeritud taimestiku erinevusindeks (NDVI) on taimestiku tiheduse ja tervise kvantifitseerimiseks sageli kasutatav mõõdik. Selle väärtused jäävad vahemikku -1 kuni 1, kusjuures negatiivsed väärtused näitavad vett või paljast mulda, nullilähedased väärtused hõredat taimestikku ja kõrgemad väärtused tihedamat ja tervemat taimestikku.

Mis on normaliseeritud taimestiku erinevuse indeks (NDVI)?

See on meetod, mis arvutab taimestiku poolt vastuvõetava punase valguse hulga ja taimestiku poolt tugevalt peegeldatud lähiinfrapunavalguse hulga erinevust.

Selle meetodi eesmärk on pakkuda kvantitatiivset analüüsi taimestiku seisundi kohta. Pole ühtki olukorda, kus selle väärtus jääks väljapoole vahemikku -1 kuni +1. Siiski ei ole selget piiri paljude võimalike maakatte tüüpide vahel.

Kui numbrite summa on väiksem kui null, on üsna tõenäoline, et kõnealune aine on vesi. Kui NDVI tulemus on positiivsele üsna lähedal, on suur tõenäosus, et tegemist on lihtsalt hunniku tihedalt pakitud roheliste lehtedega. See kehtib eriti juhul, kui lehed on tihedalt koos.

Rohelistel lehtedel on suurem väärtus kui punastel lehtedel, mistõttu see nii ongi. Kujutage hetkeks ette, et see on väga lähedal nullile.

Sellises olukorras on vähe lootust, et mingeid lehti alles on, ja piirkond võib selleks ajaks olla isegi linnastunud. Normalized Difference Vegetation Indicator on indeks, mida analüütikud kasutavad järgmises valdkonnas: kaugseire enamiku ajast.

Miks on normaliseeritud taimestiku erinevuse indeks kasulik?

Taimestikuindekseid on palju ja valdav enamus neist on omavahel võrreldavad. Siiski on see kõige sagedamini ja laialdasemalt kasutatav ning sellel on ka oluline eelis, milleks on piltide kõrge resolutsioon, mis on saadud satelliidiandmed.

Sellistel asjaoludel võib NDVI määramiseks kasutada kümne meetri resolutsiooniga kanaleid. Pidage meeles, et üks piksel võrdub kümne korda kümne meetriga. Teisest küljest võib indeksi resolutsioon, mis kasutab täiendavaid valguskanaleid, nimelt punast vanust, olla kakskümmend meetrit, kus üks piksel võrdub kahekümne korda kahekümne meetriga.

Kuidas NDVI-d arvutatakse?

Selle saab kindlaks määrata järgmise lihtsa matemaatilise protseduuri abil, mis teisendab satelliidilt saadud töötlemata teabe taimestiku indeksiteks.

Normaliseeritud erinevuse taimestiku indeksi valem

See võrrand loob ühe representatiivse arvu, mis integreerib punases ja NIR (lähi-infrapuna) sagedusalas kättesaadava teabe.

Selleks lahutatakse punase spektraalriba peegeldusvõime lähiinfrapunariba peegeldusvõimest. Seejärel jagatakse tulemus lähiinfrapuna- ja punase lainepikkuse kogupeegeldusega.

NDVI hinnang ei ole kunagi rohkem kui positiivne ega vähem kui negatiivne. Lisaks tähistab arv vahemikus -1 kuni 0 surnud taime ja anorgaanilisi objekte, nagu kivid, teed ja hooned.

Samal ajal võivad selle väärtused elavate taimede puhul varieeruda vahemikus 0 kuni 1, kus 1 tähistab kõige tervemat taime ja 0 kõige ebatervislikumat taime. Pildi igale pikslile on võimalik määrata üks väärtus, olenemata sellest, kas see piksel tähistab ühte lehte või 500 aakri suurust nisupõldu.

Kuidas me kasutame normaliseeritud taimestiku erinevuse indeksit?

Õigustatult kasutatakse seda nüüd mitmetes erinevates uurimisvaldkondades. Näiteks põllumajanduses rakendatakse seda täppispõllumajanduse ja biomassi hindamise eesmärkide saavutamiseks. Metsnikud kasutavad seda ka metsaressursside ja lehtede pindala indeksi (LAI) hindamiseks.

Lisaks usub NASA, et see on usaldusväärne näitaja põuaolude olemasolust. Nii proportsionaalne NDVI kui ka taimestiku kontsentratsioon on madalamad piirkondades, kus vesi takistab taimestiku teket.

Seda seetõttu, et vesi takistab taimede juurte sügavamale pinnasesse kasvamist. See, sealhulgas muud liiki kaugseire, on võimeline olema reaalsuses väga mitmel erineval viisil kasutatav.

Mida saab NDVI meile taimede kohta öelda?

On oluline omada kindlat arusaama normaliseeritud erinevusest. Taimestiku indeks on ainult näitaja taime tervislikust seisundist ega anna teavet teatud seisundi põhjuste kohta.

Taimestikuindeks on pigem väljend kui otsene peegeldus põllul toimuvast. Vaatleme NDVI kolme rakendust põlluanalüüsis:

Kui uus hooaeg algab

See on kasulik taime talvekindluse ja selle ellujäämise mõistmiseks.

  • Kui selle väärtus on väiksem kui 0,15, on üsna tõenäoline, et kõik selle põllulõigu taimed on hukkunud. Tavaliselt kehtivad need arvud haritud mulla kohta, kus taimi pole.
  • Teine näide madalast arvust on 0,15–0,2. See võib viidata sellele, et taimed hakkasid talveks valmistuma varajasel fenoloogilisel perioodil, enne mullaharimise etappi.
  • Tulemus vahemikus 0,2–0,3 on rahuldav. Taimed on suure tõenäosusega jõudnud mullaharimisfaasi ja taastanud oma vegetatiivse seisundi. 0,3−
  • 0,5 on korralik väärtus. Siiski on oluline meeles pidada, et kõrgemad NDVI näidud viitavad sellele, et taimed talvitusid hilisemas fenoloogilises staadiumis. Oletame, et satelliidipilt jäädvustati enne taimestiku normaalse seisundi taastumist. Sellisel juhul on oluline analüüsida ala pärast seda, kui taimestik on oma normaalse vormi jätkanud.
  • Arv, mis on suurem kui 0,5, näitab anomaaliat talvitumisjärgses faasis. Soovitatav on seda põlluvööndit kontrollida.

Kokkuvõtteks, kui märkate, et saadud väärtused erinevad normist oluliselt, peate läbi viima vastava põlluosa kontrollimise. Selleks, et väärtusi saaks antud piirkonnas ebanormaalseks liigitada, on vaja normist suurt kõrvalekallet.

Kui hooaeg on keskel

Indeksi kasutamine võib olla abiks taimede arengu paremaks mõistmiseks. Kujutage ette, et näidud jäävad leebe ja kõrge vahele (0,5–0,85). On väga tõenäoline, et see konkreetne piirkonna osa ei seisa praegu silmitsi suuremate probleemidega.

Kui indeks jääb madalamaks kui peaks, võib esineda probleeme, näiteks mulla vee- või toitainete puudus. Siiski peate seda konkreetset valdkonda ise uurima.

Me genereerime Muutuva normiga pealekandmise (VRA) kaardid lämmastikku, kasutades normaliseeritud taimestiku erinevuse indeksit. Me tuvastame piirkonnad, mille taimestiku indeksid jäävad vahemikku madalast kõrgeni.

Pärast seda on iga põllumehe enda otsustada vajaliku väetise kogus. Järgnev on kõige tõhusam lämmastiku lisamise meetod:

  • Oletame, et piirkonna vegetatsiooniindeks on kõrge. Sellisel juhul tuleks soovitatavat väetisekogust vähendada 10 ja 30 protsendini tüüpilisest kogusest.
  • Kui taimestikuindeks on keskmise lähedal, tuleks soovitatavat väetisekogust suurendada 20–25 protsendini tüüpilisest kogusest.
  • Kui taimestiku indeks on madal, tuleb kõigepealt välja selgitada, miks see nii on.

Põllu rekonstrueerimiseks põllumajanduslik saagikus, kasutame ka meie seda indeksit. Nende andmete põhjal koostame kaarte, mida saab kasutada kaalium- ja fosfaatväetiste muutuva normiga lisamiseks.

Kui hooaeg on läbi

NDVI indeks on kasulik tööriist selle kindlakstegemiseks, kas põllud on koristusvalmis; mida madalam on indeks, seda lähemale läheneb osa alast koristusvalmiduse staadiumile. Sellisel juhul oleks ideaalne indeksi väärtus alla 0,25.

NDVI indeks on kasulik tööriist põldude koristusvalmiduse kindlakstegemiseks.

Alustuseks on see matemaatiline arvutus, mis tehakse pildil pikslihaaval, kasutades GIS-i (geograafilise infosüsteemi) tööriistu. See arvutatakse taime poolt neeldunud ja peegeldatud punase ja lähiinfrapunavalguse huldade võrdlemise teel ning mõõdab taime üldist tervislikku seisundit.

Normaliseeritud taimestiku erinevuse indeksit saab kasutada maismaa uurimiseks kogu maailmas, mistõttu on see ideaalne sihipärasteks väliuuringuteks ja riiklikuks või globaalseks taimestiku seireks.

NDVI abil saame koheselt analüüsida põlde, mis võimaldab põllumajandustootjatel optimeerida alade tootmispotentsiaali, piirata nende mõju keskkonnale ja muuta oma täppispõllumajanduslikke tegevusi.

Lisaks võib selle uurimine koos teiste andmevoogudega, näiteks ilmastikuandmetega, anda täiendavat teavet põua, külmumise või üleujutuste korduvate mustrite ja nende taimestiku mõju kohta.

Korduma kippuvad küsimused

1. Mille määramiseks NDVI-d peamiselt kasutatakse?

Seda kasutatakse peamiselt taimestiku tervise ja tiheduse määramiseks antud piirkonnas. Seda indeksit kasutatakse laialdaselt põllumajanduses, metsanduses ja ökoloogias taimestiku kasvu jälgimiseks, taimede stressitaseme hindamiseks, põua- või haiguspiirkondade tuvastamiseks ning põllukultuuride majandamisega seotud otsuste langetamise abistamiseks.

2. Kuidas lugeda NDVI kujutisi?

NDVI kujutiste lugemiseks saate tõlgendada indeksi väärtustega seotud värviskaalat. Tavaliselt paistab terve taimestik roheline, samas kui vähem terve või hõre taimestik on kollane või punane.

Tumedamad toonid võivad viidata suure biomassiga aladele, heledamad toonid aga väiksemale taimestiku tihedusele või palja mulla olemasolule.

Analüüsitava ala konteksti, näiteks konkreetse põllukultuuri tüübi või keskkonnatingimuste mõistmine aitab NDVI kujutisi tõlgendada ja teha teadlikke otsuseid põllumajandustavade kohta.

Põllumajandusettevõtte/kultuuride saagikuse andmete jälgimine ja arvutamine põllumajanduses

Postitatud -s dementievgeopard poolt

Põllumajanduses on saagikaardistamine meetod, mis kasutab GPS-andmeid tegurite hindamiseks, sealhulgas talu/põllukultuuri saagikuse ja niiskustaseme hindamiseks konkreetsel põllul. Seda võib nimetada ka saagikuse jälgimiseks.

See loodi 1990. aastatel ja kasutas GPS-i ja käegakatsutavate andurite, näiteks spidomeetrite, kombinatsiooni, et jälgida samaaegselt põllumajandussaagikust, viljaelevaatori jõudlust ja kombaini kiirust.

Samal ajal on saagikuse monitorid paljude erinevate kohapõhiste majandamisstrateegiate oluline komponent. Saagikuskaardid, tuntud ka kui saagikuse monitoride visuaalsed ja analüütilised tulemused, inspireerivad uuenduslikke uuringuid ja võivad pakkuda usaldusväärseid vastuseid korralikult läbi viidud talukatsete kohta.

Saagikuse monitorid (tuntud ka kui saagikuse mõõtjad) mõõdavad toodetud saagi hulka. Saagikaartide tagasiside võimaldab määrata kontrollitud sisendite, näiteks väetise ja lubja, seemnete ja pestitsiidide ning kunstiliste võtete, näiteks mullaharimise, niisutamise ja kuivendamise mõju.

Saagikuse monitor on kõige tõhusam, kui seda kasutatakse koos kombainiga, mis on varustatud ka diferentsiaalkorrektsiooniga globaalse positsioneerimissüsteemi (DGPS) vastuvõtjaga.

Saagikuse jälgimise andmesüsteem salvestab samaaegselt saagikuse, tera niiskuse ja asukoha andmeid. Need on saagikaartide koostamiseks vajalikud põhilised saagikuse andmed.

Saagikaart sisaldab mitmesuguseid värve ja toone ning igaüks neist peegeldab tootlikkuse või põllukultuuride tootmise mitmekesist ulatust. Saagikaardid aitavad saada parema ülevaate saagikuse varieeruvuse ulatusest ja asukohast põllul.

Mulla omaduste ja põllu muude aspektide uurimine tuleks ära teha, kuna esineb varieeruvuse mustreid. “Saagikuskaardid kinnitavad mälestusi, mis teil oleksid pidanud olema” on fraas, mida on mitu korda korratud.

Mis on saagikus põllumajanduses?

Konkreetselt maa-alalt koristatavate seemnete või terade hulka nimetatakse saagikuseks. Selle kõige levinumad mõõtühikud on kilod hektari kohta või buššelid aakri kohta.

Sellise näitaja nagu keskmine saagikus aakri kohta aitab uurida põllumajandustootja põllumajanduslikku tootmist konkreetsel põllul teatud aja jooksul.

Kuna see esindab kogu agraaride töö ja ressursside tulemust, mida nad oma põldudel taimede kasvatamisse panustavad, peetakse seda ehk iga põllumehe pädevuse kõige olulisemaks mõõdupuuks.

Saagikaartide abil saab püsiva ja nähtava ülevaate koristatud saagist. Teisest küljest ei anna ühe aasta saagikuse varieeruvus piisavalt teavet tootlikkuse pikaajaliste mustrite kindlakstegemiseks.

Analüüsi käigus on vaja arvestada selliste muutujatega nagu mullaviljakus, sademete hulk ja umbrohu koormus.

Veenduge, et salvestaksite kaartide loomiseks kasutatud toored saagikuse andmed vähemalt kahte erinevasse turvalisse kohta.

Kuigi olete kaardi varem loonud, võite algandmeid uuesti vajada kas uue haldus- ja otsustustarkvara juurutamisel või arvutisüsteemide uuendamisel.

Mida rohkem aastaid andmeid kättesaadavaks muutub, seda kindlam on mõista muutlikkust põhjustavaid tegureid ja ajalooliste andmete väärtus kasvab hüppeliselt.

Pikaajaliste tootmisandmete uurimine võib aidata hinnata mulla produktiivsust ja elujõulisust ning põllukultuuri kasvatamiseks kasutatavate meetodite sobivust.

Isegi kui mullatüübi või mulla omaduste erinevused on sageli põllu saagikuse varieeruvuse põhjuseks, mõjutavad ilmastikumustrid varieeruvust tavaliselt oluliselt.

Saagiandmete kogumise esimesi kolme kuni viit aastat tuleks pidada piiratud tähtsusega andmeteks, kuna siis ei ole kogutud piisavalt teavet, et arvestada ilmastikust tingitud saagikuse varieeruvusega.

Kuidas arvutatakse põllumajanduses talu/kultuuride saagikust?

Tavaliselt loevad põllumehed enne saagikuse hindamist kokku, kui palju konkreetsest saagist on konkreetselt alalt koristatud. Seejärel antakse koristatud saagile kaal ja kogu talu saagikus prognoositakse selle valimi põhjal.

Oletame, et nisukasvataja registreeris 30 nisupead ruutjala kohta ja igas peas oli 24 seemet. Kui nad nüüd eeldaksid, et 1000 tera kaaluvad 35 grammi, siis lihtsa meetodi abil ligikaudne saagikus oleks 30 korda 24 korda 35 korda 0,04356, mis võrdub 1097 kilogrammiga aakri kohta.

Jällegi pidage meeles, et see hinnang põhineb eeldusel, et 1000 tera kaal on 35 grammi. Lisaks, kuna üks buššel nisu kaalub 27,215 kilogrammi, arvutasime, et eeldatav saagikus oleks 40 buššeli aakri kohta (1097 jagatud 27,215-ga).

Mõiste “saagikus” võib viidata ka taime toodetud seemnete arvule. Näiteks kui ühest nisuterast saaks kolm teist nisutera, oleks saagikus 1:3. Mõistet “põllumajandustoodang” kasutatakse mõnikord ka sünonüümidena mõistega “talu/saagikus”.”

Märkus: Globaalses majanduses on need andmed olulised, et teha kindlaks, kas kasvatatavad põllukultuurid pakuvad piisavalt toitu riigi toiduga varustamiseks, loomasöödaks ja energiaallikateks.

Põllumajanduse/kultuuride saagikuse andmete funktsioonid

Siin arutame mõningaid olulisi põllumajandussaagikuse andmete omadusi.

Põhjalikumad analüüsid

Mitmekihilise analüüsi tegemiseks tuleb esmalt koondada arvukalt andmekihte üheks kaardiks ja seejärel otsida seoseid erinevate andmekihtide vahel.

Satelliidipiltidelt saadud taimestikuindekseid kasutades peaks olema võimalik luua kombineeritud produktiivsustsoone., topograafia, ja seadmetelt saadud andmed, sh saagikus, elektrilised omadused, niiskustase ja muud, samuti agrokeemilise analüüsi tulemused ja 3D kaardid.

Automaatne visualiseerimine

Et paremini mõista valdkonna varieeruvust ja arengut haldustsoonid, toores saagikuse andmed oleks pidanud muutuma ühtlaselt jaotatud gradiendiga pildiks.

Kõiki saagikuse faili omadusi, sealhulgas niiskust, saagikuse massi, saagikuse mahtu (märg ja kuiv), surujõudu, kütusekulu jne, saab vaadata graafilisel kujul.

Kuidas arvutatakse põllumajanduses talu ja saagikust?

Toorandmete parandamine

Põllul olev unikaalne punkt võib siluda (näiteks kombineeritud heedri osa, mis on väiksem kui selle kogu laius). Tsoonide põhjal saagikuse andmete loomisel peaksite saama reguleerida isoleeritud tsoone ja polügoone.

Retseptikaartide ehitus

Retseptikaardid annavad sisendkogused põllu konkreetsete tsoonide kohta. Need kaardid on tuletatud mitmesuguste ruumiandmete, näiteks mulla toitainete kontsentratsiooni ja varasema saagikuse põhjal.

Lõppsõnad

Saagikuse varieeruvust on võimalik illustreerida ainult saagikaartide abil. Nende täpsus on sama hea kui nende loomiseks kasutatud andmed. Usaldusväärsete andmete kogumiseks peavad monitoride sätted olema õigesti konfigureeritud ja neid tuleb sageli üle vaadata.

Muutlikkust mõjutavate tegurite mõistmiseks tuleks kaartidelt ja mullakatsetest saadud saagikuse andmeid kasutada., skautimine Kasutada tuleks märkmeid ja muid tähelepanekuid.

Põllumajandustootjad on varustatud vajaliku teabega, et teha paremaid majandamisvalikuid, millel on hea mõju keskkonnale ning mille tulemuseks on suurem tootmine ja kasumlikkus. Neid teadmisi võib omandada kohaspetsiifilise põllukultuuride majandamise kaudu.

Kaugpõllukultuuride jälgimissüsteem: kuidas see töötab?

Postitatud -s dementievgeopard poolt

Täppispõllumajanduses kasutatav kaugseiresüsteem viitab erinevate tehnoloogiate ja tööriistade kasutamisele põllukultuuride jälgimiseks ja haldamiseks eemalt. See lähenemisviis kasutab andmete kogumise, analüüsi ja kommunikatsioonitehnoloogiaid, et teha teadlikke otsuseid põllukultuuride tervise, niisutamise, väetamise ja üldise põllumajandusjuhtimise kohta.

Põllumajandus ei ole 21. sajandil, kus kõik digitaliseerub, maha jäänud. Selle artikli lugemise ajal kasutavad mitmed põllumehed üle maailma juba tehnoloogiat mitmesuguste ülesannete täitmiseks oma põldudel, näiteks taimede niiskuse, mulla seisundi, üldise tervise, temperatuuri ja paljude muude andurite jälgimiseks.

Tehnoloogia omaksvõtmisega saavad põllumehed nautida täpse statistika eeliseid, võrreldes vanade aegadega, mil valikute tegemiseks kasutati oletusi ja intuitsiooni. See aitab neil teha paremaid otsuseid, mis omakorda suurendavad saaki.

Mis on põllukultuuride seiresüsteem?

Põllukultuuride seire viitab protsessile, mille käigus süstemaatiliselt jälgitakse, hinnatakse ja kogutakse andmeid põllukultuuride kohta kogu nende kasvutsükli jooksul.

See hõlmab põllukultuuride regulaarset ja süstemaatilist jälgimist, et koguda teavet nende tervise, kasvu ja arengu kohta.

Selle eesmärk on teha teadlikke otsuseid põllukultuuride majandamise tavade kohta, optimeerida ressursside kasutamist ja maksimeerida saagikust. Tavaliselt hõlmab see järgmisi tegevusi:

  • Visuaalne kontroll
  • Fenoloogilised vaatlused
  • Pinnase seire
  • Ilma jälgimine
  • Anduripõhine jälgimine
  • Andmete analüüs

Põllukultuuride jälgimise abil saavad põllumehed ennetavalt probleeme lahendada, ressursside jaotust optimeerida ja teha teadlikke otsuseid, et parandada üldist põllukultuuride tervist, saagikust ja kasumlikkust. See on täppispõllumajanduse oluline komponent, mis võimaldab põllumeestel harrastada sihipärast ja säästvat põllukultuuride majandamist.

Nutikas saagi jälgimissüsteem: kuidas see töötab?

Selle peamine eesmärk on tagada, et põllumajandus muutuks traditsiooniliste meetoditega võrreldes lihtsamaks ja tulusamaks. Alates põldude andmete kuvamisest kuni ilmaennustusteni – allpool on kõik, mida võiksite teada põllukultuuride kaugseire ja sellega seotud teemade kohta.

Nutikas põllukultuuride jälgimissüsteem hõlmab mitmesuguseid tehnoloogiaid andmete kogumiseks, analüüsimiseks ja kasutamiseks tõhusa põllukultuuride majandamise eesmärgil. Siin on ülevaade selle tüüpilisest toimimisest:

1. Andurite paigaldamine

Süsteem alustab andurite paigutamisega põllule. Need andurid suudavad mõõta selliseid parameetreid nagu mulla niiskus, temperatuur, õhuniiskus, toitainete tase ja valguse intensiivsus.

Need võivad sisaldada ka ilmaandureid, mis koguvad andmeid sademete, tuule kiiruse ja päikesekiirguse kohta. Andurid on strateegiliselt paigutatud kogu põllule, et koguda representatiivseid andmeid.

2. Andmete kogumine

Paigaldatud andurid koguvad pidevalt andmeid väljalt. Seda saab teha juhtmega või juhtmevabade ühenduste abil.

Traadita andureid kasutatakse tavaliselt, kuna need pakuvad paindlikkust ja hõlpsat paigaldamist. Kogutud andmed saadetakse edasiseks töötlemiseks ja analüüsimiseks kesksüsteemi.

3. Andmeedastus

Juhtmevabad andurid edastavad kogutud andmed keskse jaoturi või lüüsi kaudu. Seda saab teha mitmesuguste traadita sidetehnoloogiate abil, näiteks mobiilsidevõrkude, WiFi või spetsiaalsete raadiosüsteemide abil. Andmeedastus võib toimuda reaalajas või regulaarsete intervallidega, olenevalt süsteemi konfiguratsioonist.

4. Andmete salvestamine ja töötlemine

Kogutud andmed salvestatakse edasiseks analüüsiks andmebaasi. Andmetele rakendatakse täiustatud andmetöötlustehnikaid, sealhulgas masinõppe algoritme ja statistilisi mudeleid, et saada olulisi teadmisi ja mustreid. See analüüs aitab tuvastada korrelatsioone, trende ja anomaaliaid põllukultuuride tingimustes.

5. Otsustustugi ja hoiatused

Analüüsitud andmete põhjal pakub süsteem põllumajandustootjatele või agronoomidele otsustustuge. See genereerib hoiatusi ja teateid kriitiliste sündmuste kohta, näiteks mulla niiskusetaseme langemine alla läviväärtust või kahjurite või haiguste esinemine.

Need teated edastatakse veebipõhiste armatuurlaudade, mobiilirakenduste või e-posti/SMS-teavituste kaudu, võimaldades õigeaegset sekkumist.

6. Visualiseerimine ja aruandlus

Süsteem esitab analüüsitud andmeid kasutajasõbralikul viisil visualiseeringute ja aruannete kaudu. Graafikuid, diagramme ja kaarte kasutatakse sageli teabe edastamiseks saagi tervise, kasvumustrite ja keskkonnatingimuste kohta. See aitab põllumeestel andmeid hõlpsalt tõlgendada ja teha teadlikke otsuseid.

7. Automaatika ja juhtimine

Mõnel juhul saab seda integreerida automatiseeritud niisutussüsteemide, väetamissüsteemide või masinatega.

Kogutud andmete ja analüüsi põhjal saab süsteem automaatselt juhtida niisutusgraafikuid, reguleerida toitainete lisamise määrasid või aktiveerida kahjuritõrjemeetmeid.

See integratsioon võimaldab reaalajas andmepõhist otsuste langetamist ja täpset kontrolli põllukultuuride majandamise tavade üle.

Nutika põllukultuuride jälgimissüsteemi lõppeesmärk on optimeerida ressursside kasutamist, parandada põllukultuuride tootlikkust ja vähendada kulusid, pakkudes põllumeestele otsuste tegemiseks täpset ja õigeaegset teavet. Tehnoloogiat ära kasutades võimaldavad sellised süsteemid tänapäeva põllumajanduses tõhusamaid ja säästvamaid põllukultuuride majandamise tavasid.

Kaugpõllukultuuride jälgimissüsteemi olulisus

Hea saagikuse saavutamiseks on üks olulisemaid ülesandeid põllukultuuride jälgimine. Kuna taimi jälgitakse pidevalt, tagab see, et need kasvavad parimates tingimustes ja kui esineb kõrvalekaldeid, parandatakse need õigeaegselt, vähendades seeläbi laastavat eelseisvat mõju.

Põllumehe või põllumajandushuvilise jaoks väärib märkimist, et praegu on paremate ja kvaliteetsemate saakide ootamine kohustuslik, kuna enamik puudusi kõrvaldatakse piisavalt varakult.

Alates põllukultuuride jälgimine on hea saagi üks alustalasid, mistõttu on vaja läbida erikoolitus. Erikoolitus ei tähenda magistri- või bakalaureusekraadi omamist, vaid ainult arusaamist sellest, kuidas saadud tulemusi koordineerida, jälgida ja isegi kaaluda. Selle abil saate teha paremaid otsuseid, mis põhinevad täpsel diagnoosil ja hiljem parima kvaliteediga saagil.

Oma põllukultuuride jälgimise valimisel peate teadma, et lisaks nakatumise ja kahjurite leviku ennetamisele on haigused ja isegi umbrohud alati kontrolli all, seega puuduvad laastavad mõjud, mis vähendaksid tootlikkust ja isegi lõpptoodete kvaliteeti.

Kas teate, et põllukultuurid puutuvad kahjurite bioloogiliste komponentide mutatsioonide ja muutuste tõttu igal aastal kokku kummaliste ohtudega, seega tähendab ühe sarnase tõrjemeetodi valimine eksimine ja taktika muutmist iga kord?

Sel põhjusel peetakse põllukultuuride seiret tõsiseks ülesandeks, mis nõuab suuremat vastutust ja mida ei tohiks alahinnata.

Puuviljakultuuride, näiteks pirnide ja isegi õunte jälgimisel integreeritud kahjuritõrje programmi kasutamisel on soovitatav jälgida mitte ainult puude muutusi, vaid ka kontrollida neid mõjutava piirkonna ilmastikku.

See võimaldab teil koostada nimekirja võimalikest kahjuritest, mis võivad puude kasvu ohustada. Viljapuuaia süstemaatiline visuaalne jälgimine toimib alati, kui soovite vähendada kulusid ja aega istutushooajast koristushooajani.

Kliima ja kahjurid

Kliima mõju analüüsimisel on küsitav see, et mõned kahjurid võivad sellest toituda ja hiljem kiiresti põllukultuuridele mürgised olla. Põhimõtteliselt puudub paljudel põllumeestel põllumajanduses teadlikkus ja nad märkavad, kui on juba liiga hilja, sest nende põllukultuurid on juba massiliselt kahjurite poolt nakatunud.

Selle juures on parem see, et kahjurid reageerivad kliimale alati etteaimatavalt, seega saab välja töötada ideaalse strateegia, et vältida uut kahjurirünnakut ja ka neid tulevikus ennetada.

Kuigi seiret tehakse sagedamini, saavad köögivilja- ja puuviljakasvatajad kahjurite või muude ohtude olemasolust alati teada veidi hilja. See näitab, kui oluline on jälgida kliimategureid, mis lõpuks osutuvad varasemateks märkideks tärkamisest ja kahjurite nakatumisest.

Põllukultuuride jälgimine

Põllukultuuride jälgimiseks on palju viise ja üks neist on visuaalne jälgimine plokkide abil, mis võimaldavad analüüsida sarnaseid omadusi omavate puid sordi, vanuse ja isegi füüsilise seisundi põhjal.

Visuaalse jälgimise idee seisneb selles, et plokke saaks kasutada märkidena ja neid saaks uurida tervikuna, mitte eraldi, kuna seda meetodit kasutavad paljud põllumehed üle maailma ja aiandusekspertidel on alati piiratud aeg iga põllule paigutatud ploki ülevaatamiseks.

kaugseiresüsteemi olulisus põllukultuuride puhul

Sobivaima klotsi valimisel tuleb pöörata teatud tähelepanu. Seda seetõttu, et valitud klotsil peab olema kogu kahjurite ajalugu, et saaks rakendada parimat ravi ja ennetust teiste puude kasvu kaitsmiseks.

Sa ei pea oma põllukultuuride jälgimiseks omama suuri seadmeid, tööriistu ega isegi keerulisi meetodeid. Üks parimaid viise on lihtsalt teha põhjalik ja ulatuslik visuaalne kontroll, mis võimaldab teil märgata erinevat tüüpi... kahjurid puudes esinevad.

Seda saab alati teha tavalise läätse abil, kuid eksperdid kasutavad alati keerukamaid seadmeid, näiteks binokulaarset mikroskoopi. See võimaldab neil lestasid ja tripse loendada ja isegi tuvastada.

Põllukultuuride temperatuur

Saagi jälgimisel temperatuuri täpseks mõõtmiseks saab pärast lihtsa teabega tutvumist valida lihtsa termomeetri. Lisaks võite valida ka maksimaalse ja minimaalse temperatuuri mõõtmise termomeetri, mis on maapiirkondade tarnijate seas väga levinud, ja salvestada lisateavet.

Samuti väärib märkimist, et termomeeter tuleb asetada viljapuuaiale ja veenduda, et see ei oleks otsese päikesevalguse käes. Täpsema ilmateabe salvestamiseks võite lisada ka andmelogeri.

Andmelogerite puhul võite valida ka need, millel on potentsiaal mõõta temperatuuri, vihma, niiskust ja isegi lehtede niiskust.

Selleks, et saaksite kõrvale panna puud, mida te ei uuri, koos plokkides olevate puudega, mis toimivad indikaatoritena, et saaksite neid eristada, peate need lihtsalt akrüülvärvi või isegi teibiga märgistama.

Integreeritud kahjuritõrje rakendamine tagab õite, pungade ja viljade juhusliku valimise ja märgistamise, et iga puud jälgida.

Umbes ühe kuni kahe nädala pärast, ajal, mil viljad arenevad, peavad põllumehed kulutama iga kahe ja poole aakri kohta kümme kuni kakskümmend minutit, et rangelt hallata märgistatud vilju, õisi ja pungi, otsides märke, mis võivad viidata ühe või isegi mitme kahjuri olemasolule saagis.

Alati, kui põllukultuurides leitakse kahjur, tuleb see kiiresti ja üksikasjalikult registreerida spetsiaalselt seda tüüpi andmete jaoks loodud logis.

Kokkuvõte

Kogu meie agronoomide ekspertide meeskond on erinevate põllumajandusharude spetsialistid ning on võimelised pakkuma ka seireteenuseid, ühendades põllukülastused kvantitatiivse ja kvalitatiivse hindamise ning põllumajanduslike põllukultuuride kaugseiresüsteemidega.

Kõik need uuenduslikud süsteemid on hinnangud, mis keskenduvad laiale tegevuste ringile, mille käigus jälgitakse hoolikalt põllukultuuride arengut, kogudes piirkonnaga seotud andmeid ja teavet.

Seejärel analüüsib meie professionaalne meeskond neid andmeid hoolikalt ja esitab need lõpparuandes, mis võimaldab neil mainida ja hinnata peamisi tegureid, mis võivad mõjutada põllukultuuride tootlikkust.

Nende tulemuste põhjal saab GeoPard teile anda hinnangulise koristusaja ja saagikuse. See võimaldab klientidel sujuvalt jälgida oma saaki värskete satelliidipiltide abil. Kaaluda andmekihte antud kohas ilma konkreetset rajatist kasutamata.

Andmekihide võrdlus, et teha otsuseid põllukultuuride kohta

Postitatud -s dementievgeopard poolt

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.

Kärbitud rasterandmete kasutamine põllumajanduses

Postitatud -s dementievgeopard poolt

Põllupiiridel põhinevad kärbitud rasterandmed kõlavad väga lihtsalt. Mõned andmeallikad on pikslitega rasterid resolutsiooniga 3m/10m/30m, teised aga hulknurkade või multihulknurkadega vektorid.

WDRVI kärbitud rasterandmed
Lähiinfrapuna kärbitud rastergeopard

Kärbitud rasterandmete täpse piiri leidmine on keeruline. Enamiku GIS- ja täppispõllumajanduse tarkvarade vaikeväljund on pikslitega raster. Põllupiiri lähedal asuv täpne andmete hindamine aitab paremini mõista näiteks võra tingimusi ja kallet. 

Pikseldatud rastri näited:

Lähiinfrapuna pikseldatud raster
Lähiinfrapuna pikseldatud raster
Pikseldatud kõrgusraster
Pikseldatud kõrgusraster

Kas seda on võimalik paremaks muuta ja täpsemaks muuta?

Jah, GeoPard teeb seda ja teeb andmed API kaudu isegi edasiseks integreerimiseks kättesaadavaks. Mõned näited:

  • Põllupiiril põhinevate satelliidipiltide (punane, roheline, sinine ja lähiinfrapunavaated) kärpimine:
RGB kärbitud raster
GeoPard Agriculture RGB kärbitud raster
Lähiinfrapuna kärbitud raster
GeoPard Agriculture Lähiinfrapuna kärbitud raster

 

  • Satelliidipiltide kärpimine koos taimestikuindeksiga, näiteks WDRVI-ga, mis põhineb põllu piiril:

 

WDRVI kärbitud raster
GeoPard Agriculture WDRVI kärbitud raster

 

  • Digitaalse topograafilise andmestiku kärpimine (kõrgus ja karedus) põllupiiri põhjal:

 

Kõrguse kärbitud raster
GeoPard Agriculture'i kärbitud raster kõrguste kohta
Karedusest kärbitud raster
GeoPard Agriculture'i karedus kärbitud raster

Kuidas see GeoPardi liideses välja näeb ja kuidas seda saab teie põllumajandustehnoloogia lahendusse integreerida:

GeoPard Agriculture'i NIR-kärbitud raster
GeoPard Agriculture'i NIR-kärbitud raster
GeoPardi põllumajanduse abipositsioon
GeoPardi põllumajanduse abipositsioon
GeoPard Agriculture WDRVI
GeoPard Agriculture WDRVI

Meie GeoPardis mõistame selliste detailide väärtust ja töötame pidevalt lahenduse täiustamise nimel.

Mis on rasterandmed?

Rasterandmed on digitaalsete piltide andmetüüp, mida esitatakse pikslite või lahtrite ruudustikuna, kus iga lahter vastab kindlale asukohale Maa pinnal. Igale rasterpildi pikslile on määratud väärtus, mis esindab selle asukoha konkreetset atribuuti või karakteristikut, näiteks kõrgust, temperatuuri või maakatet.

Seda kasutatakse tavaliselt geograafilistes infosüsteemides (GIS) ja kaugseire rakendustes erinevat tüüpi ruumiandmete esitamiseks ja analüüsimiseks. Seda saab koguda mitmesugustest allikatest, sealhulgas satelliidi- ja õhupiltidest, digikaameratest ja maapealsetest anduritest.

Seda salvestatakse sageli erinevates vormingutes, näiteks GeoTIFF, JPEG ja PNG, mis on loodud andmete tõhusaks tihendamiseks ja salvestamiseks. GIS-tarkvara ja pilditöötlustööriistu saab kasutada andmete manipuleerimiseks ja analüüsimiseks, näiteks piksliväärtuste arvutuste tegemiseks või filtrite rakendamiseks teatud funktsioonide täiustamiseks.

Rakenduste näideteks on maakasutuse ja maakatte kaardistamine, taimestiku muutuste analüüsimine aja jooksul ning saagikuse ennustamine keskkonnategurite põhjal.

Kuidas kasutatakse rasterandmeid täppispõllumajanduses?

See on täppispõllumajanduse oluline komponent, kuna see annab üksikasjalikku teavet põllukultuuride tervise, mulla omaduste ja keskkonnategurite kohta, mida saab kasutada teadlikumate otsuste tegemiseks põllukultuuride majandamise osas. Siin on mõned näited rasterandmete kasutamisest täppispõllumajanduses:

  • Saagi tervise analüüs: Satelliidipiltide või droonipiltide kujul olevaid kaugseireandmeid saab kasutada selliste andmekihtide genereerimiseks, mis näitavad taimestiku indekseid, näiteks NDVI (Normalized Difference Vegetation Index) või NDRE (Normalized Difference Red Edge). Need indeksid aitavad tuvastada põllu alasid, kus taimestik on terve, samuti alasid, kus põllukultuurid võivad olla haiguste, kahjurite või toitainete puuduse tõttu stressi all.
  • Pinnase analüüs: Mullaandmeid, näiteks mulla niiskusesisaldust või mulla tekstuuri, saab koguda andurite abil, mis genereerivad andmekihte. Need kihid aitavad tuvastada põllu alasid, millel on erinevad mullaomadused, mis aitab langetada otsuseid väetamise, niisutamise ja muude mullaharimise tavade kohta.
  • Keskkonnaanalüüs: Andmekihte, mis näitavad keskkonnategureid, nagu temperatuur, sademed ja tuule kiirus, saab kasutada põllukultuuride kasvu modelleerimiseks ja saagikuse ennustamiseks. Need kihid aitavad tuvastada ka põllu alasid, mis on altid erosioonile, üleujutustele või muudele keskkonnaprobleemidele.
  • Muutuva normiga pealekandmine: Seda saab kasutada ettekirjutuskaartide loomiseks sisendite, näiteks väetiste või pestitsiidide, muutuva koguse lisamiseks. Sisendite erineva koguse lisamisega vastavalt põllu eri piirkondade vajadustele saavad põllumehed vähendada jäätmeid ja optimeerida põllukultuuride kasvu.

Üldiselt on rasterandmed täppispõllumajanduses ülioluline tööriist, kuna need annavad üksikasjalikku teavet põllukultuuride ja mulla seisundi kohta, mida saab kasutada teadlikumate otsuste tegemiseks põllukultuuride majandamise osas.

Millist taimestikuindeksit on täppispõllumajanduses parem kasutada?

Postitatud -s dementievgeopard poolt

Tavaliselt kasutatakse mitmeid taimkatte indekseid, sealhulgas normaliseeritud diferentsiaalse taimkatte indeksit (NDVI), laia dünaamilise ulatusega taimkatte indeksit (WDRVI) ja rohelise klorofülli indeksit (GCI).

  • Milline taimestikuindeks kajastab rohkem detaile?
  • Milline taimestikuindeks näitab varieeruvust paremini?
  • Kas NDVI on multispektraalse taimestiku indeksi perekonnas parim?

Küsimused on teada ja kerkivad väga sageli. Uurime asja.

NDVI põllumajandusvööndite kaart
WDRVI põllumajandusvööndite kaart
GCI põllumajandusvööndite kaart
RCI põllumajandusvööndite kaart

Mis on taimestikuindeks?

Taimestikuindeks on numbriline mõõt, mis kvantifitseerib taimestiku hulka ja seisukorda konkreetsel alal kaugseireandmete põhjal.

Taimestiku indeksid arvutatakse satelliidipiltidelt või aerofotograafialt saadud erinevate spektraalribade kombineerimise teel, mis kajastavad taimede poolt elektromagnetilise spektri nähtava ja lähiinfrapuna piirkonnas neeldunud ja peegeldatud energia hulka.

Need indeksid annavad teavet taimestiku tervise, tiheduse ja produktiivsuse kohta, mis on kasulik paljudes rakendustes, sealhulgas põllumajanduses, metsanduses, maakorralduses ja kliimaseires.

Mis on normaliseeritud taimestiku erinevusindeks?NDVI)?

NDVI (normaliseeritud taimestiku erinevuse indeks) on kõige kuulsam ja laialdasemalt kasutatav biomassi ja kaugseirega seotud tööstusharudes.

NDVI küllastumine mõjutab taimestiku täpset eristamist biomassi tipphetkedel. Teine NDVI-ga seotud probleem on mulla müra mõju põllukultuuride arengu algstaadiumidele.

See arvutatakse satelliidi või õhu kaugseireandmete põhjal, mis põhinevad kahe spektraalriba – lähiinfrapuna (NIR) ja punase riba – peegeldusvõime erinevusel.

NDVI valem on NDVI = (NIR-punane) / (NIR+punane).

Kus NIR on peegeldusvõime lähi-infrapunakiirguse piirkonnas ja Red on peegeldusvõime punases piirkonnas.

Saadud NDVI väärtus jääb vahemikku -1 kuni +1, kusjuures suuremad väärtused näitavad suuremat taimestiku tihedust. Null väärtus näitab taimestiku puudumist, negatiivsed väärtused aga veekogusid või muid taimestikuta pindu.

+1-le lähedased NDVI väärtused näitavad tihedat ja tervet taimestikku, nullile lähedasemad väärtused aga hõredat taimestikku või olulise stressi või kahjustusega alasid.

Seda kasutatakse laialdaselt põllumajanduslikes ja ökoloogilistes rakendustes taimestiku kasvu jälgimiseks, saagikuse hindamiseks ning metsade ja teiste ökosüsteemide tervise ja produktiivsuse hindamiseks.

Seda saab kasutada ka põua, mullaerosiooni ja muude taimkatet mõjutavate keskkonnategurite tuvastamiseks ja jälgimiseks.

Näiteks arvutatakse see nii, et lahutatakse lähiinfrapunakiirguse (NIR) peegeldus punases vahemikus olevast peegeldusvõimest ja jagatakse tulemus kahe summaga. Saadud väärtus jääb vahemikku -1 kuni +1, kusjuures suuremad väärtused näitavad suuremat taimestiku taset.

Lisaks sellele idee WDRVI (laia dünaamilise ulatusega taimestiku indeks) loodi NDVI küllastusprobleemide lahendamiseks. See saavutati võimalike WDRVI väärtuste vahemiku laiendamisega matemaatilise koefitsiendi (α) kasutuselevõtu abil.

NDVI (normaliseeritud taimestiku erinevuse indeksi) kasutamine

NDVI (normaliseeritud diferentsiaalse vegetatsiooniindeksi) valem teisendati kujule WDRVI = (α∗NIR-punane) / (α∗NIR+punane).

WDRVI (laia dünaamilise ulatusega taimestiku indeks) ja NDVI

WDRVI põhjal ehitatud tsoonid on NDVI tsoonidega võrreldes paremad. Sellegipoolest pole need liiga suure biomassi tõttu ideaalsed. 

GCI (rohelise klorofülli indeks) kasutatakse taimede lehtede klorofülli sisalduse hindamiseks lähiinfrapuna- ja roheliste ribade põhjal. Üldiselt peegeldab klorofülli väärtus otseselt taimestikku.

GCI valem näeb välja selline: GCI = NIR / Green – 1.

GCI (rohelise klorofülli indeks) 

GCI põhjal loodud tsoonid eristavad kõrge biomassiga kohti paremini võrreldes NDVI ja WDRVI-ga. Detailid aitavad põldu täpsemalt ja tõhusamalt hallata.

RCI (punase klorofülli indeks) hõlmab sama klorofülli sisalduse teadmisbaasi kui GCI ja peegeldab seda punase multispektraalse riba kaudu.

RCI valem näeb välja selline: RCI = NIR / Red – 1.

RCI (punase klorofülli indeks) 

RCI-l põhinevad tsoonid on sama täpsed kui GCI-tsoonid.

Jälgige oma põlde ja kasutage õiget taimkatteindeksit õigel hetkel hooaja jooksul. GeoPardis on praegu saadaval suur valik taimkatteindekseid.

Põllumajandusvööndite toimingud andmepõhiseks otsuste tegemiseks

Postitatud -s dementievgeopard poolt
Kaartide võrdlus: madala valgusisaldusega tsoonid ja nõlvad: madala valgusisaldusega tsoonid korreleeruvad nõlvadega
kahe saagikuse EC ja mulla niiskuse kaardi võrdlemine
madala saagikuse ja suure kõrguse võrdlemine
Kõrge orgaanilise aine sisaldusega alade näide kihtide vaheliste kaartide kohta

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.

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