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.
Doktor habilitowany nauk leśnych. Specjalista ds. zobrazowań multispektralnych, instruktor UAVO VLOS, BVLOS i INS. Prowadził projekty badawcze w zakresie modelowania hydrologicznego GIS SWAT zlewni górskich, a także projekt nt. wykorzystania UAS do szacowania biomasy drzew oraz oceny stanu zdrowotnego upraw sosnowych na obszarach poklęskowych.
Dostępny pod nr tel. 501 271 907 lub 12 200 22 28 w. 106 oraz pod adresem email grzegorz.durlo@navigate.pl.