{"id":744,"date":"2019-10-16T16:31:57","date_gmt":"2019-10-16T14:31:57","guid":{"rendered":"https:\/\/navigate.pl\/blog\/?p=744"},"modified":"2019-10-25T11:28:45","modified_gmt":"2019-10-25T09:28:45","slug":"ocena-stanu-upraw-rolnych-za-pomoca-dji-matrice-210-i-micasense-altum-case-study","status":"publish","type":"post","link":"https:\/\/navigate.pl\/blog\/ocena-stanu-upraw-rolnych-za-pomoca-dji-matrice-210-i-micasense-altum-case-study\/","title":{"rendered":"Ocena stanu upraw rolnych za pomoc\u0105 DJI Matrice 210 i MicaSense Altum. Case study"},"content":{"rendered":"

Wykonano ocen\u0119 stanu upraw rolnych na glebie polowej typowej w gminie B\u0142onie (powiat warszawski zachodni) zlokalizowanego w wojew\u00f3dztwie mazowieckim. Analiz\u0119 przeprowadzono w oparciu o informacje zawarte na mapach reflektancji opracowanych w kana\u0142ach widmowych R, G, B, NIR, RedEdge, oraz mapie temperatury powierzchni czynnej.
\n<\/strong><\/em><\/p>\n

 <\/p>\n

Informacje wst\u0119pne:<\/strong><\/span><\/h3>\n\n\n\n\n\n\n\n\n\n\n
Wykonawca:<\/strong><\/td>\nGrzegorz Dur\u0142o<\/td>\n<\/tr>\n
Operator UAV\/UAS:<\/strong><\/td>\nPiotr Kr\u00f3likowski<\/td>\n<\/tr>\n
Cel:<\/strong><\/td>\nWykonanie kompozycji barwnej NDVI, LCI, NDRE, MSI, TMP, ocena uszkodze\u0144 zb\u00f3\u017c<\/td>\n<\/tr>\n
Data i miejsce wykonania nalotu:<\/strong><\/td>\n16-06-2019; Gmina B\u0142onie, Obr\u0119b Radonice, powiat warszawski-zach\u00f3d, woj. mazowieckie<\/td>\n<\/tr>\n
Identyfikator dzia\u0142ki: <\/strong><\/td>\n143201_5.0027.20\/1<\/td>\n<\/tr>\n
Powierzchnia opracowania:<\/td>\n3,8 ha<\/td>\n<\/tr>\n
Sprz\u0119t:<\/td>\nUAV DJI Matrice 210<\/a>, kamera Micasense Altum<\/a><\/td>\n<\/tr>\n
Oprogramowanie:<\/td>\nDJI Pilot, Pix4Dmapper<\/a>, Pix4Dfields<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

1. Wst\u0119p
\n<\/strong><\/span><\/h3>\n

Rozw\u00f3j rolnictwa precyzyjnego wspomagany najnowszymi technologiami zobrazowania FHTP (Field-based High Throughput Phenotyping) spowodowa\u0142, \u017ce farmerzy coraz ch\u0119tniej si\u0119gaj\u0105 po bezza\u0142ogowe statki lataj\u0105ce wyposa\u017cone w sensory optoelektroniczne. Platformy lataj\u0105ce dostarczaj\u0105 bowiem wielu wa\u017cnych z punktu widzenia efektywno\u015bci produkcji rolnej informacji, te z kolei stanowi\u0105 \u017ar\u00f3d\u0142o danych wykorzystywanych do zarz\u0105dzania na obszarach rolnych. Systemy oparte o bezza\u0142ogowe platformy lataj\u0105ce posiadaj\u0105 szereg zalet w stosunku do pilotowanych statk\u00f3w powietrznych. Maj\u0105 niewielkie rozmiary, ma\u0142y ci\u0119\u017car <5 kg, s\u0105 wygodne w transporcie, mog\u0105 by\u0107 rozmieszczone szybko i wielokrotnie w tym samych miejscach, s\u0105 tanie w eksploatacji i bezpieczne w codziennym u\u017cytkowaniu. W trakcie jednego dnia mog\u0105 zgromadzi\u0107 dane z obszaru nawet 300 hektar\u00f3w (UAV MR) lub 1500 ha (UAV A). Intuicyjne i proste w konfiguracji aplikacje do planowania misji pozwalaj\u0105 uzyska\u0107 zak\u0142adane pokrycie obszaru, natomiast zdj\u0119cia w rozdzielczo\u015bci 4K wspomagane technologi\u0105 RTK gwarantuj\u0105 dok\u0142adno\u015b\u0107 geodezyjn\u0105.<\/p>\n

 <\/p>\n

2. Lokalizacja obiektu
\n<\/strong><\/span><\/h3>\n

Tereny rolne wzd\u0142u\u017c drogi krajowej nr 567 pomi\u0119dzy miejscowo\u015bci\u0105 B\u0142onie a wsi\u0105 Radonice. Wsp\u00f3\u0142rz\u0119dne naro\u017cnik\u00f3w: NE 52,176580, 20,608035; SW 52,174078, 20,611507, wysoko\u015b\u0107 bezwzgl\u0119dna 93 m n.p.m. Gospodarstwa rolne o zr\u00f3\u017cnicowanej strukturze zagospodarowania, pszenica, pszen\u017cyto, kukurydza na ziarno. Wst\u0119pna analiza efektywno\u015bci produkcji oraz ocena strat spowodowanych przez ulewne deszcze oraz wiatr (wyleganie zb\u00f3\u017c). Poni\u017cej mapa gospodarstwa wraz z tras\u0105 nalotu (ryc. 1).<\/p>\n

 <\/p>\n

\"dji
Ryc. 1. Mapa gospodarstwa rolnego \u201eRadonice\u201d z planem misji (zielona linia) oraz lokalizacj\u0105 zdj\u0119\u0107 (czerwona kropka)<\/figcaption><\/figure>\n

 <\/p>\n

3. Przebieg misji
\n<\/strong><\/span><\/h3>\n

Misj\u0119 statku bezza\u0142ogowego przygotowano w aplikacji DJI GPS (Ground Station Pro) 2.0.7 zainstalowanej na urz\u0105dzeniu IPad Mini iOs. Trasa zosta\u0142a wyznaczona zgodnie z nast\u0119puj\u0105cymi parametrami: obszar nalotu 11,8 ha, wysoko\u015b\u0107 lotu 100 m AGL, pr\u0119dko\u015b\u0107 pozioma 5,6 m\u00b7s-1, stabilizacja RTK\/RTN (BS\/A 20\/27), FO\/SO 75%\/75%. Zapis zdj\u0119\u0107 z sensor\u00f3w odbywa\u0142 si\u0119 bezpo\u015brednio na karcie MicroSD umieszczonej na pok\u0142adzie statku. Ustawienia kamery: CO Landscape; GSD 5,28. Warunki meteorologiczne w trakcie misji: s\u0142onecznie, temperatura powietrza 22\u1db9C; wilgotno\u015b\u0107 powietrza 75%; zachmurzenie og\u00f3lne nieba 0,5 Okt, pr\u0119dko\u015b\u0107 wiatru 4,8 m\u00b7s-1, widoczno\u015b\u0107 CAVOK; stan powierzchni czynnej upraw: sucha. W trakcie misji wykonano 1764 zdj\u0119cia (5 kana\u0142\u00f3w DJI MSC + RGB) w formacie TIFF\/JPG (16 bit).<\/p>\n

\"DJI
Ryc. 2. Rzadka chmura punkt\u00f3w z projekcj\u0105 zdj\u0119\u0107 nad polami uprawnymi zb\u00f3\u017c<\/figcaption><\/figure>\n

 <\/p>\n

\"DJI
Ryc. 3. G\u0119sta chmura punkt\u00f3w z projekcj\u0105 zdj\u0119\u0107 nad polami uprawnymi zb\u00f3\u017c<\/figcaption><\/figure>\n

 <\/p>\n

4. Opracowanie danych
\n<\/strong><\/span><\/h3>\n

Opracowanie wykonano na komputerze DELL Vostro P71F w aplikacji Pix4fields oraz Pix4dmapper. \u015arednia warto\u015b\u0107 wska\u017anika EIQ dla zdj\u0119\u0107 wykonanych kamer\u0105 Altum Micasense wynios\u0142a 0,814 (\u00b10,089); liczba zdj\u0119\u0107 wyr\u00f3wnanych 2310\/2310 (100%); \u015brednia liczba punkt\u00f3w wi\u0105\u017c\u0105cych 4236; ca\u0142kowity czas przetwarzania 34 min. Produkt ko\u0144cowy mozaika barwna NDVI, NDRE, LCI, MSI oraz mapa rozk\u0142adu temperatury powierzchni czynnej. Identyfikacj\u0119 obszar\u00f3w obni\u017conego stanu zdrowotnego ro\u015blinno\u015bci, klasyfikacj\u0119 obiekt\u00f3w wykonano w aplikacji Pix4Dfields. Pomiary planimetryczne fragment\u00f3w upraw uszkodzonych przez wiatr wykonano na podstawie g\u0119stej chmury punkt\u00f3w wygenerowanej w oparciu o kana\u0142y R\/G\/B GSD 5,5 pix\/cm. Do powierzchni wyznaczonej przez poligony obejmuj\u0105ce uszkodzenia zb\u00f3\u017c dodano 5% obszaru s\u0105siaduj\u0105cego, w kt\u00f3rym plon nie zosta\u0142 wprawdzie ca\u0142kowicie zniszczony, jednak jego pozyskanie jest utrudnione, za\u015b jako\u015b\u0107 surowca prawdopodobnie pozaklasowa. W przypadku kukurydzy brak wzniesionego \u017ad\u017ab\u0142a w miejscu wysiania traktowano jako ubytek. Szacowanie strat wykonano zgodnie z metodyk\u0105 COBORU (Centralny O\u015brodek Badania Odmian Ro\u015blin Uprawnych) dla poziomu agrotechniki \u201ea1\u201d (przeci\u0119tnego) w powiecie warszawskim zach\u00f3d (ryc. 4-6, tab. 1).<\/p>\n

\"DJI
Ryc. 4. Fragment ortofotomozaiki (RGB) upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"DJI
Ryc. 5. Model DTM terenu w obr\u0119bie gospodarstwa rolnego w Radonicach (od lewej SE, NW, NE)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 6. Model DSM upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej) w obr\u0119bie gospodarstwa w Radonicach<\/figcaption><\/figure>\n

 <\/p>\n

Tabela 1.\u00a0B\u0142\u0119dy przybli\u017conych \u015brodk\u00f3w rzut\u00f3w zdj\u0119\u0107 (cz\u0105stkowe i sumaryczny) wykonanych kamer\u0105 wielospektraln\u0105 ALTUM Micasense w trakcie misji nad gospodarstwem rolnym w Radonicach<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Cameras<\/strong><\/td>\nLong err (m)<\/strong><\/td>\nLat err (m)<\/strong><\/td>\nAlt err (m)<\/strong><\/td>\nAccuracy (m)<\/strong><\/td>\nError (m)<\/strong><\/td>\n<\/tr>\n
IMG_0686_1<\/td>\n-0,157812<\/td>\n-0,131615<\/td>\n-0,274340<\/td>\n5,000<\/td>\n1,186410<\/td>\n<\/tr>\n
IMG_0446_1<\/td>\n-0,118879<\/td>\n-0,237973<\/td>\n-0,306835<\/td>\n5,000<\/td>\n1,169246<\/td>\n<\/tr>\n
IMG_0597_1<\/td>\n-0,128224<\/td>\n-0,223490<\/td>\n-0,284248<\/td>\n5,000<\/td>\n1,175216<\/td>\n<\/tr>\n
IMG_0621_1<\/td>\n-0,033357<\/td>\n-0,357375<\/td>\n-0,387487<\/td>\n5,000<\/td>\n1,033347<\/td>\n<\/tr>\n
IMG_0368_1<\/td>\n-0,051114<\/td>\n-0,358546<\/td>\n0,216458<\/td>\n5,000<\/td>\n0,999261<\/td>\n<\/tr>\n
IMG_0778_1<\/td>\n0,241249<\/td>\n-0,118849<\/td>\n0,359849<\/td>\n5,000<\/td>\n1,078415<\/td>\n<\/tr>\n
IMG_0537_1<\/td>\n-0,120435<\/td>\n-0,574961<\/td>\n0,468711<\/td>\n5,000<\/td>\n1,062264<\/td>\n<\/tr>\n
IMG_0458_1<\/td>\n-0,121496<\/td>\n-0,141122<\/td>\n0,249858<\/td>\n5,000<\/td>\n1,020963<\/td>\n<\/tr>\n
IMG_0784_1<\/td>\n0,201436<\/td>\n0,087506<\/td>\n0,469255<\/td>\n5,000<\/td>\n1,017531<\/td>\n<\/tr>\n
IMG_0437_1<\/td>\n-0,483870<\/td>\n-0,130784<\/td>\n0,392208<\/td>\n5,000<\/td>\n1,192791<\/td>\n<\/tr>\n
IMG_0531_1<\/td>\n-0,283479<\/td>\n-0,134134<\/td>\n0,159798<\/td>\n5,000<\/td>\n1,212369<\/td>\n<\/tr>\n
IMG_0534_1<\/td>\n-0,119203<\/td>\n-0,155277<\/td>\n0,450370<\/td>\n5,000<\/td>\n0,995060<\/td>\n<\/tr>\n
Total error<\/strong><\/td>\n0,234388<\/strong><\/td>\n0,124151<\/strong><\/td>\n0,382106<\/strong><\/td>\n–<\/strong><\/td>\n0,930000<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

5. Wyniki
\n<\/strong><\/span><\/h3>\n

Stan zdrowotny upraw w obr\u0119bie gospodarstwa by\u0142 wyra\u017anie zr\u00f3\u017cnicowany i \u015bci\u015ble zwi\u0105zany z typem ro\u015blinno\u015bci. Najlepsze wyniki uzyskano na polu z pszenic\u0105 nieco s\u0142absze na powierzchni z pszen\u017cytem oraz kukurydz\u0105. W obu ostatnich przypadkach ni\u017csze warto\u015bci wska\u017anik\u00f3w podyktowane by\u0142y uszkodzeniami upraw oraz brakiem wschod\u00f3w i wypadami. Og\u00f3lnie jednak, wska\u017aniki wegetacyjne zawieraj\u0105 si\u0119 w zakresie nieco powy\u017cej \u015bredniej dla tej fazy rozwoju upraw i odzwierciedlaj\u0105 ich dobry, a miejscami bardzo dobry stan zdrowotny. W przypadku indeks\u00f3w wegetacyjnych na polu kukurydzy najwy\u017csze warto\u015bci zanotowano w miejscach zmiany kierunku zasiewu (wzrost zag\u0119szczenia), najni\u017csze za\u015b w zasi\u0119gu ocienienia bocznego drzew; co zwa\u017cywszy na wymagania kukurydzy da\u0142o wynik spodziewany. W tej sytuacji nale\u017ca\u0142oby rozwa\u017cy\u0107 zmian\u0119 lokalizacji uprawy, aby w pe\u0142ni korzysta\u0142a z dost\u0119pu bezpo\u015bredniego promieniowania s\u0142onecznego. Najwy\u017csza temperatura powierzchni czynnej wyst\u0105pi\u0142a na polu z kukurydz\u0105 (\u015brednio +31,3 \u1db9C w ci\u0105gu dnia) najni\u017csza za\u015b na polu z pszenic\u0105 (+29,0 \u1db9C). We fragmencie pola z ods\u0142oni\u0119t\u0105 gleb\u0105, w cz\u0119\u015bci po\u0142udniowej gospodarstwa, temperatura osi\u0105ga\u0142a 41 stopni C. Najch\u0142odniej by\u0142o w zasi\u0119gu \u015bciany lasu, tam temperatura wynosi\u0142a oko\u0142o 25\u1db9C Straty spowodowane brakiem wschod\u00f3w na polu kukurydzy oszacowano na poziomie 3,3 dt\/ha. Nieco wi\u0119ksze ubytki w produkcji zanotowano na polu z pszen\u017cytem, straty z powodu wylegania zb\u00f3\u017c oszacowano na poziomie 14,1 dt\/ha (ryc. 7-13, tab. 2-4).<\/p>\n

\"\"
Ryc. 7. Mapy reflektancji. (NIR)) upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 8. Fragmenty map indeksu wegetacyjnego NDVI upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 9. Fragmenty map indeksu wegetacyjnego NDRE upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 10. Fragmenty map indeksu wegetacyjnego MSI upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 11. Fragmenty map indeksu wegetacyjnego LCI upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 12. Fragmenty map temperatury powierzchni czynnej upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"
Ryc. 13. Fragmenty map klasyfikacji jako\u015bciowej (4 stopnie) w oparciu o indeks wegetacyjny NDVI upraw kukurydzy (po lewej) pszenicy (\u015brodek) oraz pszen\u017cyta (po prawej)<\/figcaption><\/figure>\n

 <\/p>\n

Tabela 2. Podsumowanie wynik\u00f3w analizy indeks\u00f3w wegetacyjnych upraw w gospodarstwie rolnym w Radonicach<\/p>\n\n\n\n\n\n\n
Uprawa<\/strong><\/td>\nNDVI<\/strong><\/td>\nNDRE<\/strong><\/td>\nLCI<\/strong><\/td>\nMSI<\/strong><\/td>\nTMP<\/strong><\/td>\n<\/tr>\n
Pszenica<\/td>\n0,88 (\u00b10,03)<\/td>\n0,58 (\u00b10,05)<\/td>\n0,69 (\u00b10,04)<\/td>\n3,83 (\u00b10,54)<\/td>\n29,0 (\u00b11,5)<\/td>\n<\/tr>\n
Pszen\u017cyto<\/td>\n0,74 (\u00b10,06)<\/td>\n0,44 (\u00b10,06)<\/td>\n0,54 (\u00b10,07<\/td>\n2,60 (\u00b10,37)<\/td>\n29,7 (\u00b11,7)<\/td>\n<\/tr>\n
Kukurydza<\/td>\n0,72 (\u00b10,17)<\/td>\n0,48 (\u00b10,12)<\/td>\n0,55 (\u00b10,14<\/td>\n2,99 (\u00b10,85)<\/td>\n31,3 (\u00b12,5)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

Tabela 3. Szacowanie strat w uprawie pszen\u017cyta spowodowanej wyleganiem zbo\u017ca na skutek ulewnego deszczu oraz wiatru w gospodarstwie rolnym w Radonicach<\/p>\n\n\n\n\n
Uprawa<\/strong><\/td>\nPowierzchnia zasiewu (ha)<\/strong><\/td>\nPowierzchnia uszkodzona (ha)<\/strong><\/td>\nStrata (dt\/ha)<\/strong><\/td>\nStrata (PLN netto\/ha)<\/strong><\/td>\n<\/tr>\n
Pszen\u017cyto<\/td>\n1,50<\/td>\n0,18<\/td>\n14,1<\/td>\n802,57<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

Tabela 4. Szacowanie strat w uprawie kukurydzy na ziarno (suche) ze wzgl\u0119du na brak wschod\u00f3w w gospodarstwie rolnym w Radonicach<\/p>\n\n\n\n\n
Uprawa<\/strong><\/td>\nPowierzchnia zasiewu (ha)<\/strong><\/td>\nBrak wschod\u00f3w (ha)<\/strong><\/td>\nStrata (dt\/ha)<\/strong><\/td>\nStrata (PLN netto\/ha)<\/strong><\/td>\n<\/tr>\n
Kukurydza<\/td>\n0,78<\/td>\n0,03<\/td>\n3,30<\/td>\n2100,50<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

6. Podsumowanie
\n<\/strong><\/span><\/h3>\n

Opisana w materiale technologia UAV\/UAS w po\u0142\u0105czeniu z mo\u017cliwo\u015bciami cyfrowego przetwarzania obrazu w aplikacji Pic4Dfields stanowi skuteczne narz\u0119dzie wspieraj\u0105ce diagnostyk\u0119 upraw rolnych znacznie skracaj\u0105ce czas wymagany do pozyskania danych, co wydatnie obni\u017ca koszty analizy. Wsp\u00f3\u0142cze\u015bnie, rolnicy wykorzystuj\u0105 metody analizowania zdj\u0119\u0107 z sensor\u00f3w wielospektralnych oraz zdj\u0119\u0107 wysokiej rozdzielczo\u015bci w celu monitorowania stanu upraw, rejestrowania pojaw\u00f3w fitofenologicznych, oceny efektywno\u015bci nawo\u017cenia i nawadniania, skuteczno\u015bci zabieg\u00f3w agrotechnicznych oraz dokumentowania zjawisk o charakterze kl\u0119skowym, kt\u00f3rych wymiar jest istotny z punktu widzenia post\u0119powania odszkodowawczego. Do najbardziej popularnych nale\u017c\u0105 monitorowanie stanu zdrowotnego ro\u015blin, ocena stopnia defoliacji spowodowanej czynnikami stresu biotycznego i abiotycznego, szacowanie strat w biomasie, monitorowanie stopnia uszkodzenia aparatu asymilacyjnego spowodowanego przymrozkami, susz\u0105 lub gradem oraz innymi czynnikami r\u00f3wnie\u017c pochodzenia antropogenicznego.<\/p>\n

Misja terenowa by\u0142a realizowana przez Sie\u0107 Badawcz\u0105 \u0141ukasiewicz \u2013 Instytut Lotnictwa w ramach Zadania 2 Projektu FITOEXPORT finansowanego przez Narodowe Centrum Bada\u0144 i Rozwoju. Na potrzeby projektu obszar testowy udost\u0119pniony zosta\u0142 przez Oddzia\u0142 Wojew\u00f3dzkiego Inspektoratu Ochrony Ro\u015blin i Nasiennictwa w Grodzisku Mazowieckim. Liderem Projektu FITOEXPORT (Gospostrateg1\/ 385957\/5\/NCBR\/2018) jest G\u0142\u00f3wny Inspektorat Ochrony Ro\u015blin i Nasiennictwa, a jego tytu\u0142 to \u201eZwi\u0119kszenie konkurencyjno\u015bci polskich towar\u00f3w ro\u015blinnych na rynkach mi\u0119dzynarodowych poprzez podniesienie ich jako\u015bci i bezpiecze\u0144stwa fitosanitarnego\u201d. Projekt jest wdra\u017cany w ramach strategicznego programu bada\u0144 naukowych i prac rozwojowych – Spo\u0142eczny i gospodarczy rozw\u00f3j Polski w warunkach globalizuj\u0105cych si\u0119 rynk\u00f3w GOSPOSTRATEG.<\/em><\/p>\n

 <\/p>\n

\u0179r\u00f3d\u0142a:<\/strong><\/h3>\n
    \n
  1. Civil Aviation Authority (CAA) 2017. Small Unmanned Aircraft (SUA) operators holding a valid CAA permission. http:\/\/publicapps.caa.co.uk\/docs\/33\/20170714RptUAVcurrent.pdf<\/em><\/li>\n
  2. 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 <\/em><\/li>\n
  3. 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.<\/em><\/li>\n
  4. Ceccato P., 2001. Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment 77, 22-33.<\/em><\/li>\n
  5. 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.<\/em><\/li>\n<\/ol>\n

     <\/p>\n","protected":false},"excerpt":{"rendered":"

    Wykonano ocen\u0119 stanu upraw rolnych na glebie polowej typowej w gminie B\u0142onie (powiat warszawski zachodni) zlokalizowanego w wojew\u00f3dztwie mazowieckim. Analiz\u0119 przeprowadzono w oparciu o informacje zawarte na mapach reflektancji opracowanych w kana\u0142ach widmowych R, G, B, NIR, RedEdge, oraz mapie temperatury powierzchni czynnej.   Informacje wst\u0119pne: Wykonawca: Grzegorz Dur\u0142o Operator UAV\/UAS: Piotr Kr\u00f3likowski Cel: Wykonanie<\/p>\n","protected":false},"author":7,"featured_media":761,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[45],"tags":[],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/navigate.pl\/blog\/wp-content\/uploads\/2019\/10\/Ryc4-3.jpg","_links":{"self":[{"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/posts\/744"}],"collection":[{"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/comments?post=744"}],"version-history":[{"count":13,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/posts\/744\/revisions"}],"predecessor-version":[{"id":818,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/posts\/744\/revisions\/818"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/media\/761"}],"wp:attachment":[{"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/media?parent=744"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/categories?post=744"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/navigate.pl\/blog\/wp-json\/wp\/v2\/tags?post=744"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}