Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)
Будущая конференция
Архив конференций
2024 2023 2022 2021 2020 2019 2018 2017 2016 2015 2014 2013 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003
Личный кабинет
Зарегистрироваться на сайте Войти на сайт Забыли пароль?
Электронный сборник статей
«Информационные технологии в дистанционном зондировании Земли - RORSE 2018»
Журнал
«Современные проблемы дистанционного зондирования Земли из космоса»
Дополнительная информация
Контакты Полезная информация
Подписка/отписка
на рассылку новостей
Ваш e-mail:

Двадцать третья международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"

Участие в конкурсе молодых ученых 

XXIII.F.486

Оценка содержания протеина в кормовых травах с использованием ДЗЗ и методов машинного обучения

Ермолаева О.С. (1), Худякова Е. В. (1), Степанцевич М.Н. (1), Бевх В.А. (1)
(1) Российский государственный аграрный университет — МСХА им. К. А. Тимирязева, Москва, Россия
Использование дистанционного зондирования Земли (ДЗЗ) в сочетании с методами машинного обучения (МО) позволяет проводить оперативный и масштабируемый мониторинг растительного покрова, в том числе сельскохозяйственных посевов кормовых трав. Определение содержания протеина в кормовых травах является ключевой задачей для обеспечения высокого качества кормов и рационального планирования сроков их уборки. По мере роста трав увеличивается выход сухого вещества, однако снижается концентрация сырого протеина и возрастает доля клетчатки, что снижает переваримость и питательную ценность кормов. Поэтому при агротехническом планировании важно находить баланс между урожайностью и качеством растительной массы.Т радиционные лабораторные методы анализа требуют значительных трудозатрат и не обеспечивают высокой пространственно-временной детализации.

В работе исследуется потенциал мультиспектральных и гиперспектральных спутниковых данных (Sentinel-2, Landsat 8/9) для оценки содержания сырого протеина в многолетних посевах кормовых травах. Рассчитаны и проанализированы спектральные вегетационные индексы (NDVI, NDRE, REP, CCCI, MCARI) в сопоставлении с результатами полевых и лабораторных измерений. Для прогнозирования содержания протеина использовались регрессионные и машинные модели (Random Forest, Support Vector Regression, Gradient Boosting). В условиях необходимости повышения эффективности агропроизводства и сокращения затрат на лабораторные исследования спутниковые методы позволяют получать объективную информацию о биофизических параметрах растительности в оперативном режиме.

Анализ производился на основе данных лабораторных анализов образцов растительной массы, собранных на 25 участках в Конаковском районе Тверской области, на производственных полях агрофирмы «Дмитрова гора».

Для интерпретации спутниковых данных использовались спектральные вегетационные индексы, чувствительные к содержанию хлорофилла и азота в растениях: NDVI, CCCI, MCARI, NDRE, REP. Корреляционный анализ показал высокую связь между лабораторно измеренными значениями протеина и значениями индексов REP (r = 0,87) и NDRE (r = 0,83), что подтверждает возможность их использования для дистанционной оценки содержания протеина в посевах многолетних трав. Таким образом использование данных ДЗЗ может способствовать повышению точности и скорости принятия решений при агротехническом планировании, снижению затрат на лабораторные исследования.

Исследование выполнено за счет гранта Российского научного фонда № 25-26-00377, http://rscf.ru/project/25-26-00377/

Ключевые слова: Sentinel-2, Landsat 8-9, вегетационные индексы, протеин, кормовые травы, агромониторинг
Литература:
  1. Clevers, J. G. P. W. Beyond NDVI: Extraction of Biophysical Variables From Remote Sensing Imagery / J. G. P. W. Clevers // In: M. Manakos, Ioannis & Braun (Eds.), Land Use and Land Cover Mapping in Europe: Practices & Trends. – Springer Netherlands, 2014. – P. 363–381. – DOI 10.1007/978-94-007-7969-3_22.
  2. Delegido, J., Verrelst, J., Alonso, L., & Moreno, J. Evaluation of Sentinel-2 Red-Edge Bands for Empirical Estimation of Green LAI and Chlorophyll Content / J. Delegido [et al.] // Sensors. – 2011. – Vol. 11, No. 7. – P. 7063–7081. – DOI 10.3390/s110707063.
  3. Jha, S. K., Patil, V. C., R. B. U. [et al.] Sugarcane Yield Prediction Using Vegetation Indices in Northern Karnataka, India / S. K. Jha, V. C. Patil, R. B. U. [et al.] // Universal Journal of Agricultural Research. – 2022. – Vol. 10, No. 6. – P. 699–721. – DOI 10.13189/ujar.2022.100611. – EDN SPDZDU.
  4. Khudyakova, E. V., Khudyakova, H. K., Shitikova, A. V., Savoskina, O. A., & Konstantinovich, A. V. Information technologies for determination the optimal period of preparing fodder from perennial grasses = Tecnologias da informação para determinar o período ótimo de preparação de alimentos a partir de ervas de cereais perenes / E. V. Khudyakova [et al.] // Periodico Tche Quimica. – 2020. – Vol. 17, No. 35. – P. 10442.
  5. Li, C., Li, H., Li, J., Lei, Y., Li, C., Manevski, K., & Shen, Y. Using NDVI percentiles to monitor real-time crop growth / C. Li [et al.] // Computers and Electronics in Agriculture. – 2019. – Vol. 162. – P. 357–363. – DOI 10.1016/j.compag.2019.04.026.
  6. Polinova, M., Jarmer, T., & Brook, A. Spectral data source effect on crop state estimation by vegetation indices / M. Polinova [et al.] // Environmental Earth Sciences. – 2018. – Vol. 77, No. 22. – P. 752. – DOI 10.1007/s12665-018-7932-2.
  7. Stepanova, G. Influence of weather conditions on chemical composition of dry matter of alfalfa (Medicago varia Mart.) in the flowering phase / G. Stepanova // Adaptive Fodder Production. – 2019. – P. 26–39. – DOI 10.33814/AFP-2222-5366-2019-2-26-39.
  8. Xu, X., Fan, L., Li, Z., Meng, Y., Feng, H., Yang, H., & Xu, B. Estimating Leaf Nitrogen Content in Corn Based on Information Fusion of Multiple-Sensor Imagery from UAV / X. Xu [et al.] // Remote Sensing. – 2021. – Vol. 13, No. 3. – DOI 10.3390/rs13030340.
  9. Zeyliger, A. M., & Ermolaeva, O. S. Water Stress Regime of Irrigated Crops Based on Remote Sensing and Ground-Based Data / A. M. Zeyliger, O. S. Ermolaeva // Agronomy. – 2021. – Vol. 11, No. 6. – P. 1117. – DOI 10.3390/agronomy11061117.
  10. Zeyliger, A. M., Ermolaeva, O. S., & Pchelkin, V. V. Assessment of Irrigation Efficiency by Coupling Remote Sensing and Ground-Based Data: Case Study of Sprinkler Irrigation of Alfalfa in the Saratovskoye Zavolgie Region of Russia / A. M. Zeyliger [et al.] // Sensors. – 2023. – Vol. 23, No. 5. – DOI 10.3390/s23052601.
  11. Zheng, H., Li, W., Jiang, J., Liu, Y., Cheng, T., Tian, Y., Zhu, Y., Cao, W., Zhang, Y., & Yao, X. A Comparative Assessment of Different Modeling Algorithms for Estimating Leaf Nitrogen Content in Winter Wheat Using Multispectral Images from an Unmanned Aerial Vehicle / H. Zheng [et al.] // Remote Sensing. – 2018. – Vol. 10, No. 12. – DOI 10.3390/rs10122026.
  12. Zhou, J., Wang, B., Fan, J., Ma, Y., Wang, Y., & Zhang, Z. A Systematic Study of Estimating Potato N Concentrations Using UAV-Based Hyper- and Multi-Spectral Imagery / J. Zhou [et al.] // Agronomy. – 2022. – Vol. 12, No. 10. – DOI 10.3390/agronomy12102533.
  13. Zhu, J., Li, Y., Wang, C., Liu, P., & Lan, Y. Method for Monitoring Wheat Growth Status and Estimating Yield Based on UAV Multispectral Remote Sensing / J. Zhu [et al.] // Agronomy. – 2024. – Vol. 14, No. 5. – DOI 10.3390/agronomy14050991.

Дистанционное зондирование растительных и почвенных покровов