Оценка влажности почвы на разных глубинах на кукурузных полях с использованием модели, учитывающей растительный покров: сочетание данных RGB-тепловизора и машинного обучения

Содержание влаги в почве является ключевой гидрологической переменной, оказывающей значительное влияние на сельское хозяйство. Влажность почвы влияет на здоровье, рост и продуктивность растений, что делает её важным параметром для управления орошением и оптимизации водопользования. Точная оценка влажности в зоне корней растений и создание карт влажности на различных глубинах являются необходимыми для повышения экономической эффективности сельскохозяйственных практик.

Традиционные методы оценки влажности почвы

Традиционные методы, такие как рефлектометрия во временной области (TDR) и нейтронные влагомеры, известны своей высокой точностью. Однако они требуют значительных временных и трудозатрат, что делает их неэффективными для крупномасштабного применения в сельском хозяйстве. Эти методы часто ограничены по своему охвату и могут быть трудными для реализации на больших площадях.

Дистанционное зондирование с помощью дронов

Дистанционное зондирование с использованием дронов представляет собой эффективную и масштабируемую альтернативу традиционным методам. Этот подход становится всё более популярным благодаря своей экономичности и способности быстро охватывать большие территории. Дроны, оснащенные различными датчиками, такими как RGB (красные, зелёные и синие) и тепловые датчики, способны собирать данные с высоким пространственным и временным разрешением. Это позволяет получать подробную информацию о динамике влажности почвы на всей территории полей.

Интеграция с алгоритмами машинного обучения

Современные исследования показывают, что интеграция данных дистанционного зондирования с алгоритмами машинного обучения может значительно улучшить оценку влажности почвы. Алгоритмы, такие как частичная регрессия методом наименьших квадратов и случайный лес, позволяют анализировать сложные взаимосвязи между данными дистанционного зондирования и фактическими измерениями влажности почвы. Это повышает точность и надежность прогнозов.

Примеры исследований и их результаты

1. Оценка влажности почвы при высокой густоте посева кукурузы:
В одном из исследований использовался обширный набор данных, включающий мультиспектральные и тепловые данные, собранные с БПЛА. Применение алгоритмов машинного обучения показало, что объединение различных типов данных может повысить точность оценки влажности, особенно в условиях густой растительности. Это особенно актуально для управления водными ресурсами, так как точные прогнозы на глубине 10 и 20 см имеют решающее значение для эффективного орошения.

2. Температура полога и влажность почвы:
Исследования показали, что хотя компьютерная томография (CT) сама по себе имеет ограниченные возможности для прогнозирования, её интеграция с физическими характеристиками почвы значительно повышает эффективность модели. Это подчеркивает потенциал тепловизионных изображений с БПЛА как инструмента для раннего выявления нехватки воды в кукурузе, что может быть критически важно для своевременного управления орошением.

3. Индикаторы водного стресса:
Другие исследования изучили показатели водного стресса, такие как температура листьев кукурузы и устьичная проводимость, с помощью оптических и тепловых снимков, сделанных с БПЛА. Использование алгоритмов случайного леса продемонстрировало эффективность интеграции различных спектральных показателей для прогнозирования водного стресса с высоким пространственным разрешением. Это может быть особенно полезно для мелких фермеров, позволяя им планировать орошение и другие методы управления сельскохозяйственными культурами.

4. Индекс MGDEXG:
Исследования по индексу MGDEXG показали, что точность оценки водного стресса с помощью RGB-датчиков БПЛА не зависит от изменений в разрешении изображения или статистическом масштабе. Это свидетельствует о стабильности и надежности данного метода.

5. Сочетание мультиспектральных и тепловых данных:
Подчеркнут потенциал сочетания мультиспектральных и тепловых данных БПЛА с геофизическими методами для оценки содержания воды в почве. Этот подход включает обширные точечные измерения и машинное обучение, что позволяет создавать более точные модели оценки влажности почвы.

Использование дронов для оценки влажности почвы представляет собой перспективное направление в сельском хозяйстве. Дистанционное зондирование в сочетании с алгоритмами машинного обучения позволяет значительно улучшить точность и эффективность оценки влажности почвы. Это может привести к более эффективному управлению водными ресурсами, повышению урожайности и устойчивости сельскохозяйственных культур. Однако для дальнейшего развития этой технологии необходимо продолжать исследования в области интеграции данных и алгоритмов, а также учитывать практические аспекты применения в различных агрономических условиях.

Исследование: Agricultural Water Management