Национальное статистическое бюро провинции Хубэй совместно с Union Space разработали модель оценки урожайности риса. В связи с интенсивным ростом населения мира, производство достаточного количества продуктов питания становится актуальной проблемой. В условиях недавней пандемии поддержание стандартных уровней растениеводства в Китае оказалось сложной задачей, что негативно отразилось на национальной экономике и уровне жизни людей. Сокращение доходов производителей из-за снижения роста урожая может ощущаться после окончания вегетационного периода. Традиционные методы статистики и мониторинга не соответствуют требованиям современного сельского хозяйства из-за неэффективности и целого ряда неточностей. Это не позволяет производителям быть уверенными в достоверности результатов исследований и принимать правильные решения.
С помощью беспилотного картирования сельскохозяйственные угодья можно превратить в цифровые и практические карты, которые могут помочь лучше контролировать рост сельскохозяйственных культур и прогнозировать урожайность.
Детали проекта по оценке урожайности риса
- Расположение: город Чжицзян, провинция Хубэй
- Институт: Национальное бюро статистики в провинции Хубэй и Union Space
- Аппаратное обеспечение: DJI Matrice 200
- Камера: Parrot Sequoia MicaSense RedEdge-MX
- Программное обеспечение: Pix4Dmapper
- Площадь: 14 км2
- GSD: 10 см
С 2017 года Сюрвейерский офис Национального статистического бюро провинции Хубэй и ГИС-компания Union Space работали над проектом по оценке урожайности картографирования дронов. С помощью дрона с мультиспектральной камерой, специалисты собирали изображения рисовых полей.
Рис проходит три стадии роста: вегетативную стадию, размножение и наполнения зерна, созревание. Каждый этап помогает определить критические периоды жизненного цикла урожая. Таким образом, команда получает с дронов изображения, которые в дальнейшем используются для создания карт NDVI в течение всего вегетационного периода.
Почему кущение важно для прогнозирования урожайности?
Вегетативная фаза роста характеризуется кущением, постепенным увеличением высоты растений и появлением листьев через равные промежутки времени. Кущение — это важная черта риса и других злаковых культур, поскольку оно коррелирует с конечным числом колосьев на квадратный метр и играет важную роль в определении урожайности зерна. Когда образуется меньшая популяция, это приводит к снижению урожайности из-за более низкой плотности колосков.
Оценка и прогнозирование урожайности требует очень высокой точности мультиспектральных камер. После сравнения нескольких мультиспектральных камер, представленных на рынке, руководители проекта решили использовать Sequoia и RedEdge.
Оптимальные условия для сбора данных
Сбор данных обычно осуществляется с 9:00 до 17:00. По опыту команды идеальное время — с 10:00 до 14:00, ведь благодаря лучшим условиям полета и захвата изображений, повышается точность изображений.
Одна из основных проблем при проведении исследований — это погода. Например, дождь увеличивает вероятность получения низкокачественных изображений, поэтому очень важно знать погодные условия заранее.
Разработка модели урожайности риса
На каждом этапе выращивания риса команда делала до 8000 изображений RGB и от 30 000 до 40 000 мультиспектральных изображений. Результаты импортировались в Pix4Dmapper для создания карт NDVI трех стадий роста риса, которые позволяют прогнозировать рост урожая.
После этого карты NDVI преобразуются в модель урожайности риса, разработанную Union Space. С учетом температуры, осадков, удобрений и другими факторов, команда создает карту распределения урожайности риса.
Для этого проекта команда использовала компьютер с процессором i7 6700k и 32 ГБ оперативной памяти, обработка данных заняла несколько дней. Pix4Dmapper автоматически выполняет радиометрическую калибровку на мультиспектральных изображениях, что значительно снижает рабочую нагрузку. Кроме того, функция радиометрической калибровки значительно улучшает точность результатов.
Команда планирует использовать реальные измеренные данные в течение года для калибровки модели оценки урожайности.
Значение оценки урожайности
Окончательные результаты, представленные Union Space, включают изменения посевов риса, карты NDVI и карты распределения урожайности. Эти исследования имеют большое значение не только для Статистического управления, но также и для производителей, поставщиков услуг, агрономов и страховщиков. На основе этого анализа заинтересованные стороны могут реализовать более целенаправленную стратегию внесения удобрений и опрыскивания, чтобы в конечном итоге достичь значительного повышения урожайности. Руководители проекта полностью уверены в ценности и перспективах картографирования с помощью дронов для сельского хозяйства. Эта модель оценки урожайности подходит для большинства сортов риса и различных климатических условий.
Для оценки рыночной стоимости риса, важно прогнозировать урожайность, для этого в Китае продолжат использовать ту же методологию в следующем году.