Аннотация результатов, полученных в 2024 году
В ходе второго года выполнения проекта проведены следующие работы: Подготовительные: Полевые работы осуществлены экспериментальном поле площадью 600 м2 засеянном картофелем сорта «Гала». Поле разделено на четыре полосы с различными уровнями полива и богарным вариантом. Каждая полоса представлена вариантами опыта с различными уровнями удобрений азот-фосфор-калий NPK в трехкратной повторности. Метеоданные регистрировались с помощью автономных датчиков. Влажность почвы определялась объемно-весовым методом с помощью стандартных методик. Для пространственной привязки установлены наземные контрольные точки (или т.н. опознаки). Полевые: Влажность почвы поддерживалась дождеванием по мере достижения целевой наименьшей влагоемкости в 60, 70, 80 %. На богарном варианте полив не проводился, кроме раннелетней влагозарядки. Аэрофотосъемка поля осуществлялась беспилотным летательным аппаратом с мультиспектральной камерой. Полеты проводились в безоблачных условиях при одинаковых настройках камеры. Для создания цифровых моделей поля использован БПЛА, оснащенный 20-мегапиксельной камерой. Специальный эксперимент проводился для оценки влияния зенитного угла Солнца и водного дефицита на значения вегетационных индексов. Проводилось сканирование поля с помощью лазерной 3D-станции. В конце сезона проведен сбор данных автоматических наблюдений агрометеорологических параметров. Урожайность площадок оценивалась выборочным отбором и последующим определением веса клубней, разделенных на товарные и нетоварные. Камеральные: Полученные снимки с БПЛА использованы для расчета 43 вегетационных индексов. Также результатом цифровые модели поля – растровое представление высот сельскохозяйственной культуры и поля. Проведен корреляционный анализ влияния зенитного угла Солнца и суточного хода водного дефицита на значения вегетационных индексов картофеля. Теснота связи урожайности со значениями отдельных спектральных каналов, вегетационными индексами, водным дефицитом и высотой посевов оценивалась методом корреляционного анализа. Регрессионная зависимость определялась с помощью множественной регрессии, PLS-регрессии, а также с помощью машинного обучения (Random forest, SVM – support vector machine, нейронные сети). По итогам второго года выполнения проекта получены следующие научные результаты: 1. Создана база данных аэрофотоснимков сельскохозяйственного поля, содержащая более 2 Тб. 2. В результате обработки и анализа данных получены статистические модели взаимосвязи характеристик картофеля и вегетационных индексов (43 индекса). Наилучшую связь обеспечивает МНК-регрессия – 0,85, однако с учетом количества степеней свободы корреляция составляет лишь 0,69, что связано с коллинеарностью переменных. Метод PLS-регрессии редуцирует переменные до 2 главных компонент и показывает связь в 0,84. Среди методов машинного обучения наибольший коэффициент корреляции обеспечивает метод опорных векторов (support vector machines) – 0,83. Анализ взаимосвязи водного дефицита и вегетационных индексов вновь выявил, что для МНК-регрессии характерен наибольший коэффициент корреляции – 0,95, но с учетом мультиколлинеарности он составляет 0,59. PLS-регрессия при 2 главных компонентах показал r равным 0,87. Методы машинного обучения показали худшие результаты. Высота и объем куста лучше предсказываются методом случайного леса – 0,61, 0,60, соответственно. Полученные оценки основаны на данных нескольких съемок в фазы развития, бутонизации и цветения. Урожайность по вегетационным индексам в фазу развития наилучшим образом определяется методом PLS-регрессии – 0,85. В фазу бутонизации лучший результат выдает нейронная сеть – 0,85. В обе фазы остальные модели показывает немногим меньшие корреляции. 3. В результате сравнительного анализа оптимальными вегетационными индексами для определения надземной фитомассы картофеля являются: NGBDI, TVI, DVI; высоты – ExGR, MCARI, ExG, ExR; объема куста – NGBDI, GLI, MCARI. Ранний прогноз урожайности – одно из наиболее полезных применений беспилотного контроля сельхоз культур. По данным съемки в более раннюю фазу развития индекс NDI показывает корреляцию с урожайностью равную 0,61, а в фазу бутонизации наилучшим индексом является OSAVI (r = 0,68). Водный стресс растений возможно определить в течение вегетационного сезона – наилучшую дифференциацию обеспечивает индекс DATT. Отметим, что при аэрофотосъемке необходимо учитывать суточную динамику водного дефицита, которая также фиксируется индексами – здесь, наибольшая связь отмечается для индекса GLI. 4. Проведенная оценка надземной фитомассы по данным цифровых моделей поля, полученных аэрофотосъемкой и наземным лазерным сканированием, выявило преимущество последнего метода по сравнению с БПЛА. Большую взаимосвязь с фитомассой показывает высота растения, далее объем и площадь куста. Вегетационные индексы имеют более низкие корреляции с фитомассой. 5. Анализ отклонений цифровых моделей поля, полученных фотограмметрическим методом по данным аэрофотосъемки и по данным лазерной съемки, показал, что значения высот, полученных по данным лазерной съемки, ниже аналогичных значений, полученных фотограмметрическим методом. 6. Высота Солнца существенно влияет на некоторые вегетационные индексы, что проявляется в выраженном суточном ходе, совпадающем с истинным полднем. После калибровки значения индекса выравниваются. Тем не менее, часть индексов после калибровки сохраняет суточную изменчивость, вероятно обусловленную вариациями дефицита влажности. 7. В результате анализа цветных вегетационных индексов, полученных однообъективной камерой и камерой с раздельными объективами красной, зеленой и синей области спектра выявлено, что корреляция между ними очень высокая. В целом выводы схожи с предыдущими результатами по пшенице.