Miten satelliittikuvat auttavat sadon seurannassa

Satelliittikuvat ovat yksi monipuolisimmista toiminnoista, joita voidaan toteuttaa maataloustuotannossa päätöksentekoprosessin parantamiseksi. Suureen tietomäärään perustuva päätöksenteko voi auttaa viljelijöitä, agronomeja tai neuvojia ymmärtämään tilannetta ja prosesseja, joita tapahtuu seurattavilla maatalousalueilla.

Mitä on satelliittikuvaus?

Satelliittikuvantaminen, joka tunnetaan myös satelliittikaukokartoituksena, on prosessi, jossa satelliittikuvien avulla kerätään tietoa Maan pinnasta, ilmakehästä ja valtameristä. Tämä teknologia sisältää satelliitit varustettu erikoistuneilla sensoreilla ja kameroilla, jotka pystyvät ottamaan Maasta korkearesoluutioisia kuvia avaruudesta.

Satelliittien ottamia kuvia voidaan käyttää moniin eri tarkoituksiin, kuten säämallien seurantaan, ympäristön muutosten seuraamiseen, maankäytön ja kasvillisuuden kartoittamiseen sekä luonnonkatastrofien vaikutusten arviointiin. Niitä voidaan käyttää myös sotilas- ja tiedustelutarkoituksiin.

Satelliittikuvantaminen hyötyineen voi tuoda esiin tilanteita, joita ei voida havaita säännöllisellä havainnoinnilla. Säännölliset havainnointimenetelmät voivat olla erittäin vaativia käytetyn työvoiman, rahoituksen ja ajan suhteen.

Vaikka kasvien kasvukauden aikana tehdään säännöllisiä havaintoja, on useita asioita, joita ei voida nähdä paljaalla silmällä, kuten esimerkiksi kasvun alkuvaiheen eteneminen. sairaus ja tuholaisten aiheuttamat vauriot, jotka lopulta johtavat klorofyllin hajoamiseen solutasolla.

Ihmissilmälle näkymättömien spektrikaistojen integroinnin ja laskemisen avulla viljelijät ja neuvojat voivat helposti visualisoida klorofyllin hajoamista ennen näkyviä tautien tai tuholaisten aiheuttamia oireita kasveissa.

Nämä sadon seurannan edut ovat hyödyllisiä nykyaikaisten teknologioiden kanssa, sillä ne mahdollistavat tällaisten tietojen integroinnin paikkatietojärjestelmiin, mikä johtaa nopeaan ja laadukkaaseen tietojoukkoon, jota voidaan käyttää maatalouden tuotantojärjestelmiä koskevissa päätöksentekoprosesseissa.

Tietoon perustuvien päätösten lisäksi satelliittikuvia voidaan käyttää raportointiin, tietojen kirjaamiseen ja integrointiin eri tietojoukkojen (tauti- ja tuholaismallien, satokartat, tuholaistorjunta, lannoituskartat jne.), jotta voidaan luoda entistä toimivampi sadonseurantajärjestelmä ja tapa, jolla viljelijä tai muut ammattilaiset näkevät satojen edistymisen kasvukauden aikana.

Miten satelliittikuvia käytetään maataloudessa?

Kuvia voidaan käyttää spektri-indekseiden mallintamiseen ja laskemiseen, jotka myöhemmin voidaan käyttää visualisointiin värisynteesin muodossa joko spektrin näkyvässä osassa tai ottamalla mukaan muita aallonpituuksia. Oikein valittu värisynteesi voi paljastaa kasvien kasvun, stressin tai maaperän. eroosio näytetään eri väreillä.

Spektri-indeksit ovat kahden tai useamman aallonpituuden spektriheijastuksen yhdistelmiä, jotka osoittavat kiinnostavia ominaisuuksia. Satokasvinkkejä käytetään yleisimmin maataloudessa, mutta indeksejä käytetään myös palaneitten alueiden, muiden keinotekoisten ominaisuuksien, veden ja muiden geologisten ominaisuuksien tunnistamiseen.

Hyödyllisiä spektri-indeksejä kasvintuotannossa ovat:

• NDVI (Normalisoitu kasvillisuusindeksin erotus).
• EVI (parannettu kasvillisuusindeksi).
• RENDVI tai NDRE (punareunan normalisoitu differentiaalinen kasvillisuusindeksi).
• GNDVI (vihreän normalisoidun differenssin kasvillisuusindeksi).
• MSI tai NDWI (Moisture Stress Index).
• LAI (lehtipinta-alaindeksi).

NDVI on yksi käytetyimmistä indekseistä ja sitä käytetään usein viljelykasvin alkutilan tarkasteluun. Muut indeksit työskentelevät tiettyjen ominaisuuksien perusteella, joten tulokset ovat spesifisiä tietyille maatalouskohteille, joten on tärkeää työskennellä maan kasvillisuuden historian kanssa.

NDVI (Normalisoitu kasvillisuusindeksi)

Tämä indeksi mittaa vihreää kasvillisuutta ja on yleensä eniten käytetty indeksi. Lehdet heijastavat infrapunavaloa (NIR) ja käyttävät fotosynteesiin vain näkyvää valoa. Tämä tarkoittaa, että tervettä kasvia, jolla on hyvä fotosynteesinopeus, voidaan analysoida vertaamalla NIR:ää näkyvään punaiseen valoon.

Epäterve kasvillisuus heijastaa enemmän näkyvää valoa ja heikentää NIR-arvoa. Terve kasvillisuus vähentää osan siihen lankeavasta näkyvästä valosta. NDVI-arvo on kuitenkin herkkä maaperän (valo ja väri), pilvipeitteen ja varjon vaikutuksille. NDVI-arvot voivat myös olla virheellisiä tiheän kasvillisuuden tapauksessa.

EVI (parannettu kasvillisuusindeksi)

Tämä indeksi on standardi kohtalaisen resoluution spektreille – instrumentti, jota käytetään Terra- ja Aqua-satelliiteissa. EVI tarjoaa vaihtoehdon NDVI:lle, joka viittaa joihinkin sen puutteisiin, kuten maaperän ja ilmakehän rajoituksiin, optimoimalla lehtikasvillisuuden heijastavuutta.

Se käyttää näkyvän spektrin sinistä osaa signaalin korjaamiseen, mikä vähentää edellä mainittujen rajoitusten, kuten aerosolien sähkömagneettisen säteilyn sironnan, vaikutuksia.

RENDVI tai NDRE (punareunan normalisoitu ero kasvillisuusindeksi)

Tämä indeksi perustuu standardiin NDVI-indeksiin, mutta muutoksin. RENDVI on erittäin hyödyllinen täsmäviljelyssä, metsien seurannassa ja satojen stressin havaitsemisessa.

Sen tehokkuus johtuu punaiseen päätykaistaan osuvien aallonpituuksien sisällyttämisestä heijastuksen ja absorption arvoja vastaavien aallonpituuksien sijaan. Se on erityisen kätevä kasvillisuuden olosuhteiden pienten muutosten havaitsemiseen.

GNDVI (vihreän normalisoidun kasvillisuuden erotusindeksi)

Tämä indeksi on samankaltainen kuin NDVI-indeksi ja mittaa valon heijastumista spektrin vihreässä osassa aallonpituusalueella 540–570 nanometriä spektrin punaisen osan sijaan. Tämä tekee indeksistä herkemmän viljelykasvien vihreiden osien klorofyllipitoisuudelle.

MSI (kosteusjännitysindeksi)

Tämä indeksi on herkkä lehtien vesipitoisuuden kasvulle. MSI-indeksiä käytetään veden niukkuuden aiheuttaman stressin havaitsemiseen, ja se on hyvä sato-olosuhteiden indikaattori, jota käytetään usein satomallinnuksessa, tulipaloanalyysissä ja ekosysteemin fysiologiassa. Korkeat arvot osoittavat vesistressiä ja alhaisempaa vesipitoisuutta.

LAI (lehtipinta-alaindeksi)

Tätä indeksiä käytetään lehtipinta-alan arvioimiseen ja kasvien kasvun ja sadon ennustamiseen.

Satotyyppiset satelliittikuvat

Satelliittikuvantamisen käyttötapaukset

Tässä on joitakin tärkeitä satelliittikuvien käyttötarkoituksia sadon seurannassa:

Lämpökuvaus

Maanpinnan tasolla olevien kohteiden lähettämä lämpö näkyy ilmasta otetuissa lämpökuvissa, jotka paljastavat myös sadon stressiä vastaavia lämpötilan vaihteluita. Tarpeettomien elementtien, kuten kääntölaitteiden, poistaminen kuvasta kalibroinnin ja kuvankorjauksen avulla estää datan vääristymisen.

Viileämmät alueet näkyvät violetteina ja lämpimämmät alueet keltaisina lopullisissa kuvissa. Lämpökuvaus on hyödyllinen vuotojen, tukosten ja muiden kasteluongelmien löytämisessä, koska vesi jäähdyttää kasvillisuutta. Lämpökuvaus auttaa viljelijöitä tunnistamaan oireita edeltäviä tautien ja tuholaisten paineita ja reagoimaan oikea-aikaisemmin ja kohdennetummin paljastamalla pieniä muutoksia lehtien pintalämpötilassa.

Maaperän kosteus

Maatalouden on otettava huomioon maaperän kosteus. Tarkkuusviljelyn sovelluksissa (yksittäisten peltojen mittakaavassa) ja odotettaessa satomallinnuksen paranemista, korkean resoluution maaperän kosteuskarttojen saatavuus on erityisen tärkeää.

Heikon spatiaalisen resoluution ja pienen havaintojen syvyyden vuoksi satelliittien tuottamia maaperän kosteustuotteita on toistaiseksi käytetty harvoin maatila- tai peltotason maatalouden päätöksenteon tueksi. Jos satelliittien avulla voidaan kuitenkin tuottaa olennaista tietoa hyväksyttävillä ajallisilla ja spatiaalisilla ulottuvuuksilla, satelliittien tuottaman maaperän kosteustiedon odotetaan tarjoavan paljon potentiaalia.

Resoluutio

Matalan kiertoradan satelliittien avulla otetut tarkat satelliittikuvat ovat viime aikoina kehittyneet ja tulleet helpommin saataville, mikä tarjoaa uusia mahdollisuuksia fenotyypityksen sovelluksille. Tässä artikkelissa havainnollistetaan, miten satelliittivalokuvausta käytetään viljelykasvien fenotyypityksessä ja maataloustuotannossa, ja siinä tunnistetaan kasvien ominaisuuksia, joita voidaan arvioida tarkkojen satelliittitietojen avulla.

Artikkelissa käsitellään satelliittipohjaisen fenotyypityksen käytön etuja viljelykasvien jalostusohjelmissa sekä haittoja, kuten pilvien tukkeutumista. Siinä tutkitaan myös korkean resoluution satelliittikuvantamisen mahdollisia käyttötarkoituksia fenotyypitystyökaluna tulevaisuudessa.

Jotta kasvinjalostajat voisivat valita satoisia ja stressiä sietäviä lajikkeita, jotka auttavat vastaamaan maailmanlaajuiseen ruoan kysyntään ja samalla selviytymään ilmastonmuutoksesta, korkean resoluution satelliittikuvia voidaan käyttää fenotyypitystyökaluna viljelykasvilajikkeiden arvioinnissa.

Satelliittikuvien sovellukset

GeoPard kyvyt ja satelliittikuvaussovellukset tarjoavat käyttäjien visualisoida, normalisoida, analysoida ja saada tietoa suoraan viljelylohkoista sadontuotannon parantamiseksi. Tämä datan hyödyntäminen voidaan tehdä valmiiden GeoPard-algoritmien avulla tai luomalla omia algoritmeja, jotka ovat hyödyllisiä agronomian kannalta.

Näiden algoritmien avulla voidaan arvioida kasvien kasvua, stressiä jne. (katso kuva) tai jopa luoda reseptikarttoja: esimerkiksi typpi-VR-levityskarttoja tai kasvinsuojeluruiskutuskarttoja.

Usein kysytyt kysymykset

1. Miten saan satelliittikuvia maatilasta?

Saadaksesi sen maatilallesi, tutki palveluntarjoajia, rekisteröidy ja käytä heidän tietokantaansa tai portaaliaan. Määritä tilasi sijainti ja haluamasi parametrit hakeaksesi olennaisia kuvia maatalouden seurantaa varten.

2. Miksi satelliittikuvat ovat hyödyllisiä ravintoverkkojen ymmärtämisessä?

Se on hyödyllinen ravintoverkkojen ymmärtämisessä, koska se pystyy tarjoamaan laajan ja kattavan kuvan ekosysteemeistä. Tallentamalla laajamittaisia kuvia maasta ja vesistöistä se antaa tutkijoille mahdollisuuden tarkkailla ja analysoida erilaisten elinympäristöjen ja luonnonvarojen alueellista jakautumista.

Tämä puolestaan auttaa tutkimaan eri lajien välisiä vuorovaikutuksia, tunnistamaan keskeiset ruokailusuhteet ja ymmärtämään energian virtausta ravintoverkkojen kautta.

Se auttaa selvittämään monimutkaisia ekologisia dynamiikkoja ja edistää siten ekosysteemien toiminnan ja suojelutoimien syvempää ymmärrystä.

3. Kuinka kalliita satelliittikuvat ovat?

Sen hinta vaihtelee useiden tekijöiden mukaan. Näitä ovat palveluntarjoaja, resoluutio, hankintatiheys ja tarvittavan kattavuuden laajuus. Hinnat voivat vaihdella edullisista vaihtoehdoista matalan resoluution kuville kalliimpiin vaihtoehtoihin korkean resoluution ja reaaliaikaisen seurannan tarjoamiseksi.

Lisäksi erikoispalveluista tai räätälöidyistä tietopyynnöistä voi aiheutua lisäkustannuksia. On suositeltavaa tutustua eri palveluntarjoajiin ja heidän hinnoittelumalleihinsa löytääksesi satelliittikuvantamisratkaisun, joka sopii juuri sinun tarpeisiisi ja budjettiisi.

4. Mitä ovat infrapunasatelliittikuvat? Miten niitä luetaan?

Se tallentaa maan pinnalla olevien esineiden ja pintojen lähettämän infrapunasäteilyn. Se tarjoaa arvokasta tietoa lämpötilan vaihteluista ja lämpötilamalleista.

Infrapunasatelliittikuvien lukemiseksi on ymmärrettävä, että lämpimämmät kohteet näyttävät kuvassa kirkkaammilta, kun taas viileämmät kohteet näyttävät tummemmilta. Analysoimalla näitä lämpötilavaihteluita voidaan arvioida pilvimuodostelmia, tunnistaa maan ja veden lämpötilaeroja, havaita metsäpaloja ja jopa seurata merivirtoja.

Väriskaalan ymmärtäminen ja kuvien kirkkaustasojen tulkitseminen auttaa merkityksellisen tiedon poimimisessa infrapunasatelliittikuvista.