Normalisoitu kosteusindeksin ero

Määrä GeoPardin tukemat kasvillisuusindeksit kasvaa jatkuvasti. GeoPard-tiimi esittelee normalisoidun kosteusindeksin (NDMI). Indeksi määrittää kasvillisuuden vesipitoisuuden ja normalisoidun kosteusindeksin (NDWI). Se on hyödyllinen löydettäessä kohtia, joilla on olemassa olevia kasvien vesistressi.

Alemmat NDMI-arvot osoittavat kohdat, joissa kasvit ovat stressaantuneita riittämättömän kosteuden vuoksi.
Toisaalta kasvillisuuden huippua seuraavat alhaisemmat normalisoidut erotusvesi-indeksin arvot korostavat kohtia, jotka muuttuvat valmis sadonkorjuuseen ensimmäinen.

Kasvillisuuden suhteellisen vesipitoisuuden ero kahden satelliittikuvan välillä (tässä tapauksessa Sentinel-2-tähdistö)

Kasvillisuuden suhteellisen vesipitoisuuden ero kahden satelliittikuvan välillä (tässä tapauksessa Sentinel-2-tähdistö)

Seuraavista kuvakaappauksista löydät 19. kesäkuuta (kasvillisuuden huippu) ja 6. heinäkuuta otettujen satelliittikuvien perusteella luodut NDMI-vyöhykkeet sekä NDMI-eroa esittävän yhtälökartan.

Normalisoitu erotuskosteusindeksi laskettuna planeetan / Sentinel-2:n / Landsat-kuvan päältäNDMI laskettu planeetan päällä / Sentinel-2 / Landsat-kuva

Mikä on kosteusindeksi?

Se on mitta tai laskelma, jota käytetään arvioimaan kosteuspitoisuutta tai saatavuutta tietyllä alueella tai seudulla. Se johdetaan tyypillisesti useista ympäristötekijöistä, kuten sademäärästä, haihdunnasta, maaperän ominaisuuksista ja kasvillisuudesta.

Se antaa suhteellisen kuvan alueen kosteudesta tai kuivuudesta ja auttaa tunnistamaan mahdolliset vesistressit tai kuivuusolosuhteet.

Se on arvokas työkalu vesivarojen seurantaan ja hallintaan, maatalouden suunnitteluun ja tietyn alueen ekologisten olosuhteiden ymmärtämiseen.

Mikä on normalisoitu erotuskosteusindeksi?

Normalisoitu erotuskosteusindeksi (NDMI) on kaukokartoitusdatasta johdettu kasvillisuusindeksi, jolla arvioidaan ja seurataan kasvillisuuden kosteuspitoisuutta. Kuten muutkin kasvillisuusindeksit, se lasketaan satelliitti- tai ilmakuvien spektraalisten heijastusarvojen avulla.

Se on erityisen hyödyllinen kasvien vesistressin seurannassa, kuivuusolosuhteiden arvioinnissa, metsäpaloriskin arvioinnissa ja ilmastonmuutoksen vaikutusten tutkimisessa kasvillisuuteen.

Se lasketaan käyttämällä lähi-infrapuna- (NIR) ja lyhytaaltoinfrapuna- (SWIR) kaistaa, jotka ovat herkkiä kasvillisuuden kosteuspitoisuudelle. NDMI:n kaava on:

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

NDWI-arvot vaihtelevat tyypillisesti välillä -1 - 1, jolloin korkeammat arvot osoittavat korkeampaa kasvillisuuden kosteuspitoisuutta ja matalammat arvot matalampaa kosteuspitoisuutta tai vesistressiä kasvillisuudessa. Negatiiviset NDMI-arvot voivat liittyä kasvittomiin alueisiin tai alueisiin, joilla on erittäin alhainen kosteuspitoisuus.

Mikä on NDWI?

NDWI eli Normalized Difference Water Index on kaukokartoitusindeksi, jota käytetään kasvillisuuden tai maisemien vesipitoisuuden tai veteen liittyvien ominaisuuksien kvantifiointiin ja arviointiin.

Se lasketaan analysoimalla satelliitti- tai ilmakuvista saatujen lähi-infrapuna- ja vihreän valon kaistojen heijastavuutta. Se on erityisen hyödyllinen vesistöjen tunnistamisessa, veden saatavuuden muutosten seurannassa ja kasvillisuuden terveyden arvioinnissa.

Vertaamalla eri aallonpituuksien absorptiota ja heijastumista se tarjoaa arvokasta tietoa sovelluksiin, kuten kuivuuden seurantaan, hydrologiseen analyysiin ja ekosysteemien hallintaan.

NDMI:n visualisointi normalisoidun erotusvesi-indeksin määrittämiseksi

NDMI:n visualisointiin kuuluu satelliitti- tai ilmakuvien käsittely, NDMI-arvojen laskeminen ja tulosten näyttäminen värikoodattuina karttana tai kuvana. Tässä ovat NDMI:n visualisoinnin yleiset vaiheet:

  • Hanki satelliitti- tai ilmakuvia: Hanki monispektrikuvia satelliitista tai ilma-aluksesta, kuten Landsatista, Sentinelistä tai MODISista. Varmista, että kuvissa on kaikki tarvittavat aallot: lähi-infrapuna (NIR) ja lyhytaaltoinfrapuna (SWIR).
  • Kuvien esikäsittely: Tietolähteestä riippuen saatat joutua esikäsittelemään kuvia ilmakehän, geometristen ja radiometristen vääristymien korjaamiseksi. Muunna kuvan digitaaliset luvut (DN) spektraalisten heijastuskykyarvojen muotoon.
  • Laske NDMI: Käytä kuvan jokaiselle pikselille NIR- ja SWIR-heijastuskykyarvoja NDMI:n laskemiseen seuraavalla kaavalla: NDMI = (NIR – SWIR) / (NIR + SWIR).
  • Värikartoitus: Määritä NDMI-arvoille väripaletti. Tyypillisesti käytetään jatkuvaa väriskaalaa, joka vaihtelee yhdestä väristä (esim. punainen) alhaisille NDMI-arvoille (mikä osoittaa alhaista kosteuspitoisuutta) toiseen väriin (esim. vihreä) korkeille NDMI-arvoille (mikä osoittaa korkeaa kosteuspitoisuutta). Voit käyttää ohjelmistoja, kuten QGIS, ArcGIS tai ohjelmointikirjastoja, kuten Pythonin Rasterio ja Matplotlib, värikartan luomiseen.
  • Visualisoi NDMI-kartta: Näytä NDMI-kartta tai -kuva GIS-ohjelmistolla, ohjelmointikirjastolla tai verkkoalustalla. Näin voit analysoida kasvillisuuden kosteuspitoisuuden alueellista jakautumista ja tunnistaa vesistressin tai korkean kosteuden alueet.
  • Tulkinta ja analyysi: Käytä NDWI-visualisointia kasvillisuuden terveyden arviointiin, kuivuusolosuhteiden seurantaan tai metsäpaloriskin arviointiin. Voit myös vertailla normalisoituja erotusvesiindeksikarttoja eri ajanjaksoilta analysoidaksesi kasvillisuuden kosteuspitoisuuden muutoksia ajan kuluessa.

Muista, että eri ohjelmistotyökaluilla tai ohjelmointikirjastoilla voi olla hieman erilaisia työnkulkuja, mutta kokonaisprosessi on samanlainen. Lisäksi voit lisätä päällekkäin muita tietokerroksia, kuten maankäyttöä, korkeutta tai hallinnollisia rajoja, parantaaksesi analyysiasi ja ymmärtääksesi paremmin kasvillisuuden kosteuspitoisuuden ja muiden tekijöiden välisiä suhteita. 

Edistyneet tilastot tarkkuusviljelyn hallintavyöhykkeille

The tilastojen tarkka laskenta on täsmäviljelydatan analysoinnin kulmakivi. GeoPard on lisännyt alustalle luotuihin maatalousvyöhykkeisiin yksityiskohtaisempia tilastollisia tarkkuuslaskelmia varmistaakseen, että karttasi ja niistä tekemäsi analyyttiset johtopäätökset ovat tarkkoja ja luotettavia. 

Edistyneet tilastot lasketaan vyöhykettä kohden, joka sisältää seuraavat ominaisuudet: vähimmäismäärä ja maksimi kasvillisuusindeksin (tai muiden ominaisuuksien) arvot, mediaanikeskimäärinkeskihajonta, ja summa kaikista vyöhykkeen arvoista.

Mediaani on numeerisesti järjestetyn tietojoukon keskiarvo, toisin kuin keskiarvo. Tämä liittyy keskihajontaan, joka heijastaa sitä, miten tiedot ovat järjestäytyneet keskiarvon ympärille.

Pieni keskihajonta viittaa siihen, että tietyn vyöhykkeen tiedot ovat ryhmittyneet tiiviisti keskiarvon ympärille, kun taas suuri keskihajonta osoittaa, että vyöhykkeen tiedot ovat levinneet laajemmalle keskiarvon ympärille.

Summa-attribuutti on yksinkertaisesti kaikkien pikseliarvojen summa kyseisessä vyöhykkeessä. Ennen kuin vyöhykkeillesi lasketaan tilastoja, kaikki poikkeavat tai epänormaalit datapisteet poistetaan, jotta vältetään harhaanjohtavien tilastojen luominen, jotka eivät heijasta tarkasti vyöhyketietojasi. 

Kun maatalousvyöhykkeitä on muutettu manuaalisesti yhdistämis-/jakamistyökalulla, vyöhyketilastot lasketaan uudelleen uusien vyöhykegeometrioiden perusteella. Tämä mahdollistaa tarkemman ja tarkemman ymmärryksen datan jakautumisesta vyöhykkeiden sisällä ja niiden välillä.

Hallintavyöhykkeiden tilastot GeoPardissa
Hallintavyöhykkeiden tilastot GeoPardissa

Kuten aina, GeoPard arvostaa läpinäkyvyyttä alustan kaikilla osa-alueilla. Maatalousvyöhykkeille luokiteltujen tietojen yhdistämisen aikana kaikki yksityiskohdat tasoitetaan ja piilotetaan ilman mittareita tapahtumien näyttämiseksi, joten tietojen yhdistämisen tulokset tarjotaan tarkkuustilastojen avulla.

Voit myös aina palata takaisin ja poimia alkuperäiset arvot vyöhykkeistäsi tarkistaaksesi ne uudelleen tai käyttääksesi niitä omissa malleissasi. Sinun ei koskaan tarvitse huolehtia alkuperäisten tietojen menettämisestä GeoPardissa.

Tilastot ovat erittäin arvokkaita kartan tarkkuuden määrittämisessä, ja ne lasketaan maatalousalueille minkä tahansa valitsemasi tietokerroksen perusteella, mukaan lukien sato, maa-anturit, satelliitit, topografia ja monikerroksiset tiedot. 

GeoPard esittää vyöhyketilastot helposti luettavassa ja selkeässä muodossa, kuten alla olevista esimerkkikuvista näkyy.

GeoPardilla haluamme tehdä peltoasi koskevien päätösten tekemisestä helppoa tarjoamalla sinulle paras ja kattavin pääsy tilastollisen tarkkuuden laskelmiin me voimme.

Mitä on ennakkotilasto?

Edistynyt tilastotiede on tilastollisen analyysin haara, joka sisältää monimutkaisempia ja kehittyneempiä tekniikoita kuin pelkät perustilastolliset menetelmät. Se kattaa useita tilastollisia malleja ja tekniikoita, joita käytetään monimutkaisten tietojoukkojen analysointiin ja tulkintaan.

Edistyneisiin tilastollisiin menetelmiin kuuluvat muun muassa regressioanalyysi, monimuuttuja-analyysi, aikasarja-analyysi ja kokeellinen suunnittelu. Näiden tekniikoiden avulla tutkijat ja analyytikot voivat löytää syvempiä oivalluksia, tunnistaa malleja ja yhteyksiä sekä tehdä tarkempia ennusteita tai tietoon perustuvia päätöksiä datan perusteella.

Analysoi geoprospektorien / pintakerroskartoituksen tietoja

GeoPard pystyy käsittelemään ja analysoimaan erityyppisiä maatalouden paikkatietoja. Tämä on esimerkki työskentelystä tiheiden anturiaineistojen kanssa, joilla on suuri paikkavaihtelu, jonka tarjoaa Geoprospectors Oy

Kun olet tuonut tallentamasi tiedot Pintamaan kartoittaja, voit nähdä 

  • suhteellinen vesipitoisuus
  • syvyys, joka liittyy tiivistymistä koskeviin tietoihin
  • sähkönjohtavuus 4 kumulatiivisella syvyydellä
Suhteellinen vesipitoisuus, raakapisteet
Suhteellinen vesipitoisuus, raakapisteet

Geopardin avulla voit nähdä pisteitä raaka-arvoineen ja yhtenäisenä pintana; vertailla eri tietokerroksia; rajata maaperävyöhykkeitä vyöhykkeellistä maaperänäytteenottoa ja VRA:ta varten; yhdistää TopsoilMapper-tiedot GeoPardissa saatavilla oleviin tietoihin, kuten historialliseen ja nykyiseen kasvillisuuteen sekä korkeuteen, yhdeksi vyöhykekartaksi. 

Vertaile kerroksia: kasvillisuus (WDRVI), vyöhykekartta (EC+korkeus), EC, tiivistyminen
Vertaile kerroksia: kasvillisuus (WDRVI), vyöhykekartta (EC+korkeus), EC, tiivistyminen


Haluatko tietää, mitä alhaiset EC-arvot edustavat kartalla käyränä? Tämä on ikivanha, maan alle haudattu joenuoma.

Vertailu datakerroksista peltokasveja koskevien päätösten tekemiseksi

Kenttädatan visualisoimiseksi ja tietoon perustuvien päätösten tekemiseksi on usein tarpeen vertailla tasoja useissa synkronoiduissa näkymissä.

GeoPardissa voit vertailla visuaalisesti jopa neljää tietokerrosta yhdellä näytöllä. Kaikki kerrokset toimivat synkronoidusti, kun zoomaat sisään/ulos tai siirrät karttaa mukavuutesi mukaan.

Miten siirryn jaetun näytön tilaan? Valitse kenttä ja napsauta tasojen vertailukuvaketta näytön oikeassa yläkulmassa. Valitse sitten kaikki tilannekuvat, kenttien hallinta-alueet tai muut tasot, jotka haluat nähdä samalla näytöllä samanaikaisesti. Napsauta Vertaa tasoja. 

Tasojen vertailutoiminto synkronoi kartat, kursorit ja zoomaustasot. Voit myös lisätä/poistaa tasoja. Tällä hetkellä tuemme jopa neljää tietotasoa.

Mitä ovat täsmäviljelyn tietokerrokset?

Täsmäviljelyssä datakerrokset viittaavat erityyppisiin tietoihin, joita kerätään ja analysoidaan, jotta voidaan tehdä tietoon perustuvia päätöksiä viljelykasvien hoidosta. Näihin kerroksiin voivat kuulua:

  • MaaperätiedotTietoa maaperän ominaisuuksista, kuten ravinnetasoista, pH-arvosta ja rakenteesta, jotka voivat auttaa tekemään päätöksiä lannoituksesta ja muista maaperän hoitokäytännöistä.
  • Säätiedot: Tiedot nykyisistä ja historiallisista säämalleista, kuten lämpötilasta, sateesta ja tuulesta, voivat auttaa viljelijöitä tekemään päätöksiä istutuksesta, kastelusta ja muista käytännöistä.
  • SatotiedotKasvien kasvua ja terveyttä koskevat tiedot, mukaan lukien kasvien korkeus, lehtipinta-ala ja klorofyllitasot, voivat auttaa tekemään päätöksiä lannoituksesta, kastelusta ja tuholaistorjunnasta.
  • TuottotiedotTiedot sadosta ja laadusta voivat auttaa viljelijöitä tekemään päätöksiä sadonkorjuusta ja markkinoinnista.
  • Topografiset tiedotTiedot maan muodosta ja korkeudesta voivat auttaa tekemään päätöksiä istutuksista ja kastelusta ja tunnistamaan alueet, jotka saattavat olla alttiita eroosiolle tai muille ympäristöongelmille.
  • Kaukokartoitustiedot: Satelliiteista, droneista tai muista etäantureista kerätty data voi antaa tietoa sadon terveydestä, maaperän kosteudesta ja muista tekijöistä, jotka voivat auttaa tekemään päätöksiä sadonhoidosta.

Analysoimalla ja integroimalla näitä eri tietokerroksia viljelijät voivat tehdä tietoisempia päätöksiä viljelystä, mikä johtaa tehokkaampiin ja kestävämpiin viljelykäytäntöihin.

Maatalousalueiden toiminta datalähtöistä päätöksentekoa varten

VYÖHYKKEIDEN TOIMENPITEET ERI TASOILLA

Täsmäviljelyssä peltotiedon kerääminen ja datalähtöinen päätöksenteko ovat ehdottoman tärkeitä. Seuraavana vaiheena monitasoisen analytiikan kehittämisessä ja tasojen välisten riippuvuuksien löytämisessä esittelemme uuden moduulin, Zones Operations. 

Siellä voit hakea eri viljelyvyöhykkeiden karttojen välisiä riippuvuuksia, kuten historiallista kasvillisuutta, topografiaa ja sen johdannaisia, satomittareiden tietoja, maaperätietoja, skannereita, vakauskarttoja ja niin edelleen. Tämä on askel eteenpäin eniten vaikutuspiirissä olevien alueiden määrittelyssä ja peltojen heterogeenisyyden syiden ymmärtämisessä. 

Miten voit tunnistaa alueet? 

Valitse ensin peltokartat, joita haluat vertailla. Tasojen vertailunäkymä on hyvä tapa määrittää tiettyjä maatalousalueita analysointia varten.

Voit halutessasi vertailla alhaisen satopotentiaalin ja sotkuisten alueiden, epävakaiden vyöhykkeiden ja matalan kasvillisuuden, alhaisen sähkönjohtavuuden ja sadon, käytettyjen lannoitusten kartan ja nykyisen kasvillisuuden sekä muiden alueiden satoa.

Toiseksi, merkitse tietyt maatalousvyöhykkeet jokaiselle vertailtavalle kartalle Vyöhyketoiminnot-moduulissa. Ja lopuksi, määritä kiinnostava vyöhyke. Huomaa, että analyyseissä on mahdollista käyttää useampaa kuin kahta karttaa. 

Miten voit soveltaa tätä tietoa? 

Sadon selittämistä helpottavien suhteiden löytämisen lisäksi on mahdollista asettaa satotavoitteita määritellyille maatalousvyöhykkeille; kartoittaa mielenkiintoisia alueita; vähentää investointeja tällaisilla paikallisilla vyöhykkeillä tai laatia suunnitelma rajoittavien tekijöiden lieventämiseksi ja poistaa heikosti tuottavat alueet tietäen taustalla olevat syyt; sekä laatia agronominen suunnitelma VRA-käytäntöjen avulla. 

Kuvakaappauksissa on useita esimerkkejä kenttätiedoista. Huomaa, että jokainen kenttä on ainutlaatuinen, eivätkä alla mainitut tapaukset takaa samaa tulosta omalle kentällesi, mutta se on hyvä tapa aloittaa tutkimus. 

Olet erittäin tervetullut jakamaan viljelykäytäntöjäsi kommentoimalla tätä julkaisua tai ottamalla yhteyttä suoraan GeoPard Agriculture -tiimiin. Olemme avoimia palautteelle, koska rakennamme ratkaisun puolestasi, jotta ymmärrät paremmin peltojen vaihtelua ja voit hallita sitä.

Vyöhykkeet Laatu

Lähes kaikki hoitovyöhykkeitä mukautetaan ennen kuin hänestä tulee vaihtuvakorkoinen sovelluskartta. Tämä voi tarkoittaa joidenkin vyöhykkeiden yhdistämistä, manuaalisia korjauksia tunnetuissa kohdissa, ylimääräisten puskurialueiden lisäämistä, maatalouslaitteiden yhteensopivuutta jne.

Me GeoPard-tiimissä ymmärrämme, että tarkat luonnonhoitovyöhykkeet, joissa on kelvolliset polygonit, säästävät paljon aikaa vyöhykkeiden tarkastus- ja korjausprosesseissa.

GeoPard-moottori toimii seuraavasti:

  • poistaa automaattisesti kohinan,
  • yhdistää automaattisesti pienet polygonit lähimpään isompaan alueeseen,
  • säilyttää vain tarvittavan vähimmäismäärän pisteitä jokaisessa vyöhykepolygonissa,
  • tekee VRA-kartoista yhteensopivia kaikkien maatalouslaitteiden ja -koneiden kanssa.

Automaattisen korjauksen lisäksi, työkalu vyöhykkeiden yhdistämiseen ja jakamiseen on käytettävissä, jotta voit mukauttaa karttaa oman peltotietämyksesi ja maatalouskäytäntösi mukaan. 

Markkinoilla on paljon erilaisia karttoja eri palveluntarjoajilta, mutta tunnistat varmasti GeoPard-kartat.

Vyöhykkeiden yhdistäminen ja jakaminen maatalouden hallintaa varten

Kukaan ei tunne alaansa paremmin kuin maanviljelijä tai agronomi, joka on työskennellyt pellolla useita vuosia. Siksi kaikki algoritmeihin perustuva analytiikka vaatii usein ammattilaisen validointia ja mukauttamista hyödyntämällä syvällistä alan tuntemustaan.

Alueiden yhdistämis- ja jakamistoiminto antaa ammattilaiselle mahdollisuuden tehdä muutamia tärkeitä asioita: 

  • Jaetut polygonit
  • Yhdistä monikulmiot
  • Monikulmion tai kokonaisen alueen liittäminen toiseen luokkaan

Näitä säätöjä voidaan soveltaa mihin tahansa tietokerrokseen, ja se on erittäin hyödyllinen ominaisuus täydellisten alueiden valmisteluun tarkkuusviljelytoimenpiteille, kuten VR-kylvölle, lannoitukselle tai ruiskutukselle.

Mitä ovat jakautumiset maataloudessa?

Maataloudessa jakamisella tarkoitetaan pellon jakamista tai jakamista eri osiin erilaisia hoitokäytäntöjä varten.

Tämä jako antaa viljelijöille mahdollisuuden soveltaa erilaisia käsittelyjä tai tekniikoita kuhunkin osioon erityistarpeidensa perusteella.

Esimerkiksi viljelijät voivat jakaa pellon levittääkseen erilaisia lannoitteita, rikkakasvien torjunta-aineita tai kastelumenetelmiä maaperän olosuhteiden tai sadon vaatimusten perusteella.

Jaot mahdollistavat resurssien kohdennetun ja tehokkaan käytön, optimoivat sadon kasvua ja minimoivat kustannukset samalla, kun ne vastaavat pellon eri alueiden erityishaasteisiin.

Viljelykasvien valvonta vakauden ja suorituskyvyn analytiikan avulla

 

Viimeisen 1–2 viikon, 1–2 kuukauden tai jopa parin vuoden aikana pellolla tapahtuneiden muutosten havaitseminen auttaa saamaan tietoa sadon kehityksestä.

Sitä voidaan käyttää:

  • paikanna paikkoja, joilla on samanlainen suorituskyky 5-10-20 vuoden ajanjaksolla, ja sijoita kokeet alueille, joilla on samanlaiset olosuhteet virheiden todennäköisyyden vähentämiseksi,
  • seurata muutoksia kauden aikana ja arvioida sadon suorituskykyä kasvun aikana,
  • tunnistaa sääkatastrofin, taudin tai tuholaisten aiheuttamat vaurioituneet alueet ja laskea vaurioituneet alueet,
  • havaita kahden viimeisen kuvan välinen ero ja hallita rajausta.
Kentän vakausvyöhykkeet

Ja kaikki tämä ja vielä useampia tapauksia katetaan GeoPard-pellon vakausvyöhykkeillä. Erityisesti se tarjoaa enemmän tietoa yhdessä kauden sisäisten ja historiallisten hoitovyöhykkeiden kanssa.

Valitse vain peltosi ja satelliittikuvat seurataksesi niiden muutoksia, hallitaksesi viljelykasveja ja saadaksesi tietoa jokaisesta peltosi kohdasta.

kentän vakausvyöhykkeiden valinta

Tasojen vertailu

Ei ole mikään salaisuus, että parannamme jatkuvasti GeoPard Agriculture -ratkaisua ja lisäämme sen arvoa käyttäjille. Katso vain verkkosivustomme "tulossa pian" -osiota. https://geopard.tech saadaksesi käsityksen joistakin ominaisuuksista matkan varrella.

Heidän priorisointinsa voi olla haastavaa. Tässä palautteesta ja tuote-esittelyistä on apua. Siksi ratkaisumme esittely monille osallistujille... Maailman maatalousteknologia Lontoon huippukokouksessa pystyimme mukauttamaan toimitussuunnitelmaa ja julkaisemaan uuden kerrosten vertailuominaisuuden vain muutamassa päivässä.

Mistä on kyse? Voit vertailla kenttäanalytiikkaa visuaalisesti rinnakkain jaetussa näkymässä. Vertailua varten voit valita minkä tahansa tyyppisiä tasoja: kuvia luonnonväreillä tai infrapunaväreillä, kuvia kasvillisuusnäkymillä, kaudenaikaisia tai historiallisia hoitovyöhykkeitä. Kaksi tasoa toimivat synkronisesti, kun zoomaat sisään ja ulos tai siirrät karttaa mukavuutesi mukaan.

Kuinka siirtyä jaetun näkymän tilaan? Valitse kenttäsi ja napsauta ylävalikossa olevaa tasojen vertailukuvaketta. Valitse jaetun näkymän näytössä analytiikkataso yläreunassa olevasta haettavasta avattavasta luettelosta.

siirry jaetun näkymän tilaan
kenttäanalyytikoiden valinta
kenttäanalyytikkojen vertailu

Monivuotiset vyöhykkeet

Mitä se tarkoittaa? Historialliset (monivuotiset) hoitovyöhykkeet rakennetaan yli 30 vuoden satelliittikuvien arkiston perusteella.

Kuvat, joissa on kunkin kauden kasvillisuuden huippu, valitaan automaattisesti analytiikan syötteiksi. Muussa tapauksessa jokainen tällainen kuva edustaa potentiaalista satotiedostoa kyseiselle vuodelle.

 

Historialliset (monivuotiset) hoitovyöhykkeet tarjoavat tietoa jokaisesta paikasta kentällä.

Miten sitä voi käyttää? Peltokasvien kehitysmalli auttaa tuntemaan maatalousalueen paremmin ja tekemään oikeita päätöksiä oikeilla lannoitemäärillä oikeissa paikoissa.

Historiallisia hoitovyöhykkeitä voitaisiin käyttää pohjana kylvö-, lannoitus- ja vyöhykepohjaisten maaperänäytteenottojen reseptitiedostoille.

Tuemme kaikkia alueita pyynnöstä.

Mitä ovat monivuotiset vyöhykkeet?

Monivuotiset vyöhykkeet täsmäviljelyssä viittaavat pellon tiettyihin alueisiin, joilla sadon kasvu ja sato ovat yhdenmukaisia ja erottuvia useiden kasvukausien aikana.

Nämä vyöhykkeet tunnistetaan käyttämällä erilaisia tekniikoita, kuten kaukokartoitusta, GPS-kartoitusta ja maaperänäytteenottoa.

Analysoimalla näillä teknologioilla kerättyä dataa maanviljelijät ja agronomit voivat tunnistaa pellolla esiintyviä vaihteluita ja luoda karttoja, jotka erottavat korkean tuottavuuden alueet alhaisemman sadon alueista.

Näitä tietoja voidaan sitten käyttää viljelykäytäntöjen optimointiin, kuten istutustiheyden vaihteluun, kastelu- ja lannoitusmäärien säätämiseen ja jopa täsmäkorjuutekniikoiden käyttöönottoon.

Ne tarjoavat arvokkaan työkalun täsmäviljelyyn, sillä niiden avulla viljelijät voivat tehdä tietoon perustuvia päätöksiä resurssien kohdentamisesta ja viljelystä, mikä johtaa tehokkuuden paranemiseen, kustannusten alenemiseen ja satojen kasvuun.

Ymmärtämällä pellon sisäisen vaihtelun ja räätälöimällä hoitokäytäntöjä kullekin tietylle vyöhykkeelle viljelijät voivat maksimoida maansa ja resurssiensa potentiaalin.

 

wpChatIcon
wpChatIcon

    Pyydä ilmainen GeoPard-demo / konsultaatio








    Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste. Tarvitsemme sen vastataksemme pyyntöösi.

      Tilaa


      Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste

        Lähettäkää meille tietoa


        Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste