Wykonano ocenę stanu upraw rolnych na glebie polowej typowej w gminie Błonie (powiat warszawski zachodni) zlokalizowanego w województwie mazowieckim. Analizę przeprowadzono w oparciu o informacje zawarte na mapach reflektancji opracowanych w kanałach widmowych R, G, B, NIR, RedEdge, oraz mapie temperatury powierzchni czynnej.
Informacje wstępne:
| Wykonawca: | Grzegorz Durło |
| Operator UAV/UAS: | Piotr Królikowski |
| Cel: | Wykonanie kompozycji barwnej NDVI, LCI, NDRE, MSI, TMP, ocena uszkodzeń zbóż |
| Data i miejsce wykonania nalotu: | 16-06-2019; Gmina Błonie, Obręb Radonice, powiat warszawski-zachód, woj. mazowieckie |
| Identyfikator działki: | 143201_5.0027.20/1 |
| Powierzchnia opracowania: | 3,8 ha |
| Sprzęt: | UAV DJI Matrice 210, kamera Micasense Altum |
| Oprogramowanie: | DJI Pilot, Pix4Dmapper, Pix4Dfields |
1. Wstęp
Rozwój rolnictwa precyzyjnego wspomagany najnowszymi technologiami zobrazowania FHTP (Field-based High Throughput Phenotyping) spowodował, że farmerzy coraz chętniej sięgają po bezzałogowe statki latające wyposażone w sensory optoelektroniczne. Platformy latające dostarczają bowiem wielu ważnych z punktu widzenia efektywności produkcji rolnej informacji, te z kolei stanowią źródło danych wykorzystywanych do zarządzania na obszarach rolnych. Systemy oparte o bezzałogowe platformy latające posiadają szereg zalet w stosunku do pilotowanych statków powietrznych. Mają niewielkie rozmiary, mały ciężar <5 kg, są wygodne w transporcie, mogą być rozmieszczone szybko i wielokrotnie w tym samych miejscach, są tanie w eksploatacji i bezpieczne w codziennym użytkowaniu. W trakcie jednego dnia mogą zgromadzić dane z obszaru nawet 300 hektarów (UAV MR) lub 1500 ha (UAV A). Intuicyjne i proste w konfiguracji aplikacje do planowania misji pozwalają uzyskać zakładane pokrycie obszaru, natomiast zdjęcia w rozdzielczości 4K wspomagane technologią RTK gwarantują dokładność geodezyjną.
2. Lokalizacja obiektu
Tereny rolne wzdłuż drogi krajowej nr 567 pomiędzy miejscowością Błonie a wsią Radonice. Współrzędne narożników: NE 52,176580, 20,608035; SW 52,174078, 20,611507, wysokość bezwzględna 93 m n.p.m. Gospodarstwa rolne o zróżnicowanej strukturze zagospodarowania, pszenica, pszenżyto, kukurydza na ziarno. Wstępna analiza efektywności produkcji oraz ocena strat spowodowanych przez ulewne deszcze oraz wiatr (wyleganie zbóż). Poniżej mapa gospodarstwa wraz z trasą nalotu (ryc. 1).
3. Przebieg misji
Misję statku bezzałogowego przygotowano w aplikacji DJI GPS (Ground Station Pro) 2.0.7 zainstalowanej na urządzeniu IPad Mini iOs. Trasa została wyznaczona zgodnie z następującymi parametrami: obszar nalotu 11,8 ha, wysokość lotu 100 m AGL, prędkość pozioma 5,6 m·s-1, stabilizacja RTK/RTN (BS/A 20/27), FO/SO 75%/75%. Zapis zdjęć z sensorów odbywał się bezpośrednio na karcie MicroSD umieszczonej na pokładzie statku. Ustawienia kamery: CO Landscape; GSD 5,28. Warunki meteorologiczne w trakcie misji: słonecznie, temperatura powietrza 22ᶹC; wilgotność powietrza 75%; zachmurzenie ogólne nieba 0,5 Okt, prędkość wiatru 4,8 m·s-1, widoczność CAVOK; stan powierzchni czynnej upraw: sucha. W trakcie misji wykonano 1764 zdjęcia (5 kanałów DJI MSC + RGB) w formacie TIFF/JPG (16 bit).
4. Opracowanie danych
Opracowanie wykonano na komputerze DELL Vostro P71F w aplikacji Pix4fields oraz Pix4dmapper. Średnia wartość wskaźnika EIQ dla zdjęć wykonanych kamerą Altum Micasense wyniosła 0,814 (±0,089); liczba zdjęć wyrównanych 2310/2310 (100%); średnia liczba punktów wiążących 4236; całkowity czas przetwarzania 34 min. Produkt końcowy mozaika barwna NDVI, NDRE, LCI, MSI oraz mapa rozkładu temperatury powierzchni czynnej. Identyfikację obszarów obniżonego stanu zdrowotnego roślinności, klasyfikację obiektów wykonano w aplikacji Pix4Dfields. Pomiary planimetryczne fragmentów upraw uszkodzonych przez wiatr wykonano na podstawie gęstej chmury punktów wygenerowanej w oparciu o kanały R/G/B GSD 5,5 pix/cm. Do powierzchni wyznaczonej przez poligony obejmujące uszkodzenia zbóż dodano 5% obszaru sąsiadującego, w którym plon nie został wprawdzie całkowicie zniszczony, jednak jego pozyskanie jest utrudnione, zaś jakość surowca prawdopodobnie pozaklasowa. W przypadku kukurydzy brak wzniesionego źdźbła w miejscu wysiania traktowano jako ubytek. Szacowanie strat wykonano zgodnie z metodyką COBORU (Centralny Ośrodek Badania Odmian Roślin Uprawnych) dla poziomu agrotechniki „a1” (przeciętnego) w powiecie warszawskim zachód (ryc. 4-6, tab. 1).
Tabela 1. Błędy przybliżonych środków rzutów zdjęć (cząstkowe i sumaryczny) wykonanych kamerą wielospektralną ALTUM Micasense w trakcie misji nad gospodarstwem rolnym w Radonicach
| Cameras | Long err (m) | Lat err (m) | Alt err (m) | Accuracy (m) | Error (m) |
| IMG_0686_1 | -0,157812 | -0,131615 | -0,274340 | 5,000 | 1,186410 |
| IMG_0446_1 | -0,118879 | -0,237973 | -0,306835 | 5,000 | 1,169246 |
| IMG_0597_1 | -0,128224 | -0,223490 | -0,284248 | 5,000 | 1,175216 |
| IMG_0621_1 | -0,033357 | -0,357375 | -0,387487 | 5,000 | 1,033347 |
| IMG_0368_1 | -0,051114 | -0,358546 | 0,216458 | 5,000 | 0,999261 |
| IMG_0778_1 | 0,241249 | -0,118849 | 0,359849 | 5,000 | 1,078415 |
| IMG_0537_1 | -0,120435 | -0,574961 | 0,468711 | 5,000 | 1,062264 |
| IMG_0458_1 | -0,121496 | -0,141122 | 0,249858 | 5,000 | 1,020963 |
| IMG_0784_1 | 0,201436 | 0,087506 | 0,469255 | 5,000 | 1,017531 |
| IMG_0437_1 | -0,483870 | -0,130784 | 0,392208 | 5,000 | 1,192791 |
| IMG_0531_1 | -0,283479 | -0,134134 | 0,159798 | 5,000 | 1,212369 |
| IMG_0534_1 | -0,119203 | -0,155277 | 0,450370 | 5,000 | 0,995060 |
| Total error | 0,234388 | 0,124151 | 0,382106 | – | 0,930000 |
5. Wyniki
Stan zdrowotny upraw w obrębie gospodarstwa był wyraźnie zróżnicowany i ściśle związany z typem roślinności. Najlepsze wyniki uzyskano na polu z pszenicą nieco słabsze na powierzchni z pszenżytem oraz kukurydzą. W obu ostatnich przypadkach niższe wartości wskaźników podyktowane były uszkodzeniami upraw oraz brakiem wschodów i wypadami. Ogólnie jednak, wskaźniki wegetacyjne zawierają się w zakresie nieco powyżej średniej dla tej fazy rozwoju upraw i odzwierciedlają ich dobry, a miejscami bardzo dobry stan zdrowotny. W przypadku indeksów wegetacyjnych na polu kukurydzy najwyższe wartości zanotowano w miejscach zmiany kierunku zasiewu (wzrost zagęszczenia), najniższe zaś w zasięgu ocienienia bocznego drzew; co zważywszy na wymagania kukurydzy dało wynik spodziewany. W tej sytuacji należałoby rozważyć zmianę lokalizacji uprawy, aby w pełni korzystała z dostępu bezpośredniego promieniowania słonecznego. Najwyższa temperatura powierzchni czynnej wystąpiła na polu z kukurydzą (średnio +31,3 ᶹC w ciągu dnia) najniższa zaś na polu z pszenicą (+29,0 ᶹC). We fragmencie pola z odsłoniętą glebą, w części południowej gospodarstwa, temperatura osiągała 41 stopni C. Najchłodniej było w zasięgu ściany lasu, tam temperatura wynosiła około 25ᶹC Straty spowodowane brakiem wschodów na polu kukurydzy oszacowano na poziomie 3,3 dt/ha. Nieco większe ubytki w produkcji zanotowano na polu z pszenżytem, straty z powodu wylegania zbóż oszacowano na poziomie 14,1 dt/ha (ryc. 7-13, tab. 2-4).
Tabela 2. Podsumowanie wyników analizy indeksów wegetacyjnych upraw w gospodarstwie rolnym w Radonicach
| Uprawa | NDVI | NDRE | LCI | MSI | TMP |
| Pszenica | 0,88 (±0,03) | 0,58 (±0,05) | 0,69 (±0,04) | 3,83 (±0,54) | 29,0 (±1,5) |
| Pszenżyto | 0,74 (±0,06) | 0,44 (±0,06) | 0,54 (±0,07 | 2,60 (±0,37) | 29,7 (±1,7) |
| Kukurydza | 0,72 (±0,17) | 0,48 (±0,12) | 0,55 (±0,14 | 2,99 (±0,85) | 31,3 (±2,5) |
Tabela 3. Szacowanie strat w uprawie pszenżyta spowodowanej wyleganiem zboża na skutek ulewnego deszczu oraz wiatru w gospodarstwie rolnym w Radonicach
| Uprawa | Powierzchnia zasiewu (ha) | Powierzchnia uszkodzona (ha) | Strata (dt/ha) | Strata (PLN netto/ha) |
| Pszenżyto | 1,50 | 0,18 | 14,1 | 802,57 |
Tabela 4. Szacowanie strat w uprawie kukurydzy na ziarno (suche) ze względu na brak wschodów w gospodarstwie rolnym w Radonicach
| Uprawa | Powierzchnia zasiewu (ha) | Brak wschodów (ha) | Strata (dt/ha) | Strata (PLN netto/ha) |
| Kukurydza | 0,78 | 0,03 | 3,30 | 2100,50 |
6. Podsumowanie
Opisana w materiale technologia UAV/UAS w połączeniu z możliwościami cyfrowego przetwarzania obrazu w aplikacji Pic4Dfields stanowi skuteczne narzędzie wspierające diagnostykę upraw rolnych znacznie skracające czas wymagany do pozyskania danych, co wydatnie obniża koszty analizy. Współcześnie, rolnicy wykorzystują metody analizowania zdjęć z sensorów wielospektralnych oraz zdjęć wysokiej rozdzielczości w celu monitorowania stanu upraw, rejestrowania pojawów fitofenologicznych, oceny efektywności nawożenia i nawadniania, skuteczności zabiegów agrotechnicznych oraz dokumentowania zjawisk o charakterze klęskowym, których wymiar jest istotny z punktu widzenia postępowania odszkodowawczego. Do najbardziej popularnych należą monitorowanie stanu zdrowotnego roślin, ocena stopnia defoliacji spowodowanej czynnikami stresu biotycznego i abiotycznego, szacowanie strat w biomasie, monitorowanie stopnia uszkodzenia aparatu asymilacyjnego spowodowanego przymrozkami, suszą lub gradem oraz innymi czynnikami również pochodzenia antropogenicznego.
Misja terenowa była realizowana przez Sieć Badawczą Łukasiewicz – Instytut Lotnictwa w ramach Zadania 2 Projektu FITOEXPORT finansowanego przez Narodowe Centrum Badań i Rozwoju. Na potrzeby projektu obszar testowy udostępniony został przez Oddział Wojewódzkiego Inspektoratu Ochrony Roślin i Nasiennictwa w Grodzisku Mazowieckim. Liderem Projektu FITOEXPORT (Gospostrateg1/ 385957/5/NCBR/2018) jest Główny Inspektorat Ochrony Roślin i Nasiennictwa, a jego tytuł to „Zwiększenie konkurencyjności polskich towarów roślinnych na rynkach międzynarodowych poprzez podniesienie ich jakości i bezpieczeństwa fitosanitarnego”. Projekt jest wdrażany w ramach strategicznego programu badań naukowych i prac rozwojowych – Społeczny i gospodarczy rozwój Polski w warunkach globalizujących się rynków GOSPOSTRATEG.
Źródła:
- Civil Aviation Authority (CAA) 2017. Small Unmanned Aircraft (SUA) operators holding a valid CAA permission. http://publicapps.caa.co.uk/docs/33/20170714RptUAVcurrent.pdf
- Dandois J.P., Olano M., Ellis E.C. 2015. Optimal Altitude, Overlap, and Weather Conditions for Computer Vision UAV Estimates of Forest Structure. Remot. Sens. 7: 13895-13920. Doi:10.3390/rs71013895
- Hunt E., Rock B. 1989. Detection of changes in leaf water content using Near- and middle-Infrared reflectances. Remote Sensing of Environment 30, 43-54.
- Ceccato P., 2001. Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment 77, 22-33.
- Hardisky, M., Klemas V., Smart R. 1983. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogrammetric Engineering and Remote Sensing 49, 77-83.
