UAV: t voivat kuljettaa erilaisia kaukokartoitusantureita, jotka voivat saada moniulotteisia, tarkkaa viljelysmaata koskevia tietoja ja toteuttaa monen tyyppisten viljelymaiden tietojen dynaaminen seuranta. Tällaiset tiedot sisältävät pääasiassa sadon alueelliset jakautumistiedot (viljelysmaan lokalisointi, satolajien tunnistaminen, pinta -alan arviointi ja dynaaminen seuranta, kenttäinfrastruktuurin louhinta), sadon kasvutiedot (sadon fenotyyppiset parametrit, ravitsemusindikaattorit, sato) ja sadon kasvustressit (kentän kosteus, tuholaiset ja sairaudet) dynamiikka.
Viljelysmaa -alueelliset tiedot
Viljelysmaan alueelliset sijaintitiedot sisältävät peltojen maantieteelliset koordinaatit ja satoluokitukset, jotka on saatu visuaalisen syrjinnän tai koneen tunnistamisen avulla. Kenttärajat voidaan tunnistaa maantieteellisillä koordinaateilla, ja myös istutusalue voidaan arvioida. Perinteisellä topografisten karttojen digitalisoimiseksi aluesuunnittelun ja alueen arvioinnin peruskartana on huono ajantasaisuus, ja ero rajapaikan ja todellisen tilanteen välillä on valtava ja puuttuu intuitio, joka ei edistä tarkkuus maatalouden toteuttamista. UAV: n kaukokartoitus voi saada reaaliajassa kattavia alueellisia sijaintitiedot, joilla on perinteisten menetelmien vertaansa vailla olevat edut. Tuotetun määritelmän digitaalikameroiden ilmakuvat voivat toteuttaa viljelymaan perustietojen tunnistamisen ja määrittämisen, ja alueellisen kokoonpanotekniikan kehittäminen parantaa viljelysmaiden sijaintitietojen tutkimuksen tarkkuutta ja syvyyttä ja parantaa alueellista ratkaisua tuottaessaan korkeustietoja, jotka hyödyntävät viljelysmaakantaa.
Sadon kasvutiedot
Satokasvulle voidaan karakterisoida tiedot fenotyyppisistä parametreista, ravitsemusindikaattoreista ja saannosta. Fenotyyppiset parametrit sisältävät kasvillisuuspeitteen, lehtipinta -indeksin, biomassan, kasvien korkeuden jne. Nämä parametrit ovat toisiinsa liittyviä ja karakterisoivat kollektiivisesti sadon kasvua. Nämä parametrit ovat toisiinsa liittyviä ja karakterisoivat kollektiivisesti sadon kasvua ja liittyvät suoraan lopulliseen satoon. Ne ovat hallitsevia maatilan tietojen seurantaa koskevissa tutkimuksissa ja lisää tutkimuksia on tehty.
1) Satofenotyyppiset parametrit
Leaf-pinta-alan indeksi (LAI) on yksipuolisen vihreän lehden pinta-ala yksikköä kohti, mikä voi paremmin karakterisoida sadon absorptiota ja valon energian hyödyntämistä ja liittyy läheisesti sadon materiaalin kertymiseen ja lopulliseen satoon. Leaf Area -indeksi on yksi tärkeimmistä sadon kasvuparametreista, joita tällä hetkellä valvotaan UAV -kaukokartoituksella. Kasvillisuusindeksien laskeminen (suhde kasvillisuusindeksi, normalisoitu kasvillisuusindeksi, maaperän ilmastointi kasvillisuusindeksi, erot kasvillisuusindeksi jne.) Monispektrisillä tiedoilla ja regressiomallien määrittäminen maapallon totuustietoilla on kypsämpi menetelmä fenotyyppisten parametrien kääntämiseksi.
Maanpäällinen biomassa kasvien myöhäisessä kasvuvaiheessa liittyy läheisesti sekä satoihin että laatuun. Tällä hetkellä UAV: n kaukokartoituksen biomassan arviointi maataloudessa käyttää edelleen enimmäkseen monispektrisiä tietoja, poimii spektriparametreja ja laskee kasvillisuusindeksin mallinnukseen; Alueellisella kokoonpanotekniikalla on tiettyjä etuja biomassan arvioinnissa.
2) Sadon ravitsemusindikaattorit
Sadon ravitsemustilan perinteinen seuranta vaatii kenttänäytteenotto- ja sisäkemiallisen analyysin ravinteiden tai indikaattorien (klorofylli, typpi jne.) Sisäpöydän diagnosoimiseksi, kun taas UAV-kaukokartoitus perustuu siihen tosiasiaan, että eri aineilla on erityiset spektrinen heijastuskyky-imeytymisominaisuudet diagnoosiin. Klorofylliä tarkkaillaan sen perusteella, että sillä on kaksi voimakasta absorptioaluetta näkyvässä valolainassa, nimittäin 640-663 nm: n punaisella osalla ja 430-460 nm: n sininen violettiosa, kun taas absorptio on heikko 550 nm: ssä. Lehtien väri- ja tekstuuriominaisuudet muuttuvat, kun viljelykasvit ovat puutteellisia, ja värien ja tekstuurin tilastollisten ominaisuuksien löytäminen, jotka vastaavat erilaisia puutteita ja niihin liittyviä ominaisuuksia, on avain ravinteiden seurantaan. Samanlainen kuin kasvuparametrien seuranta, ominaiskaistojen, kasvillisuusindeksien ja ennustemallien valinta on edelleen tutkimuksen pääpitoisuus.
3) Sadon sato
Kasvava sato on maatalouden toiminnan päätavoite, ja saannon tarkka arviointi on tärkeää sekä maatalouden tuotanto- että johtamisen päätöksentekoosastoille. Lukuisat tutkijat ovat yrittäneet luoda saannon estimointimalleja, joilla on korkeampi ennustetarkkuus monitektorianalyysin avulla.
Maatalouden kosteus
Viljelysmaan kosteutta tarkkaillaan usein lämpöinfrapunamenetelmillä. Alueilla, joilla on korkea kasvillisuuspeitti, lehtien vatsan sulkeminen vähentää veden menetystä transpiraation vuoksi, mikä vähentää pinnalla olevaa piilevää lämpövirtausta ja lisää järkevää lämpövirta pinnalla, mikä puolestaan aiheuttaa katoksen lämpötilan nousua, jota pidetään kasvin katoksen lämpötilan. Koska vesijännitysindeksin sadon energia -energiatasapainon heijastaminen voi kvantifioida satovesipitoisuuden ja katoslämpötilan välisen suhteen, joten lämpöinfrapuna -anturin saaman katoksen lämpötila voi heijastaa viljelymaan kosteustilaa; Pienillä alueilla paljain maaperän tai kasvillisuuden peittämisessä voidaan käyttää epäsuorasti maaperän kosteutta kääntämään maanpinnan lämpötilaa, mikä on periaate, jonka mukaan: Veden erityinen lämpö on suuri, lämmön lämpötila muuttuu hidasta, joten maanpinnan lämpötilan lämpötilan alueellinen jakautuminen maaperän kosteuden jakautumisessa on epäsuorasti. Siksi päivittäisen pinnan lämpötilan alueellinen jakautuminen voi epäsuorasti heijastaa maaperän kosteuden jakautumista. Katoksen lämpötilan seurannassa paljas maaperä on tärkeä häiriötekijä. Jotkut tutkijat ovat tutkineet paljaan maaperän lämpötilan ja sadon maanpeiton välistä suhdetta, selventäneet katoksen lämpötilan mittausten ja todellisen arvon aiheuttamien katoksen lämpötilan mittausten välillä ja käyttäneet korjattuja tuloksia viljelysmaan kosteuden seurannassa seurantatulosten tarkkuuden parantamiseksi. Varsinaisessa viljelymaantuotannon hallinnassa kentän kosteusvuoto on myös huomion painopiste, infrapunakuvien avulla on tehty tutkimuksia kastelukanavan kosteusvuotojen seuraamiseksi, tarkkuus voi saavuttaa 93%.
Tuholaiset ja sairaudet
Kasvituholaisten ja sairauksien lähi-infrapunaspektrin heijastuskyvyn käyttö, joka perustuu: Sienen kudoksen ja aidakudoksen hallinnan heijastuksen lähi-infrapuna-alueen lehtiä, terveelliset kasvit, nämä kaksi kudoksen aukkoa, joka on täytetty kosteudella ja laajentumisella, on hyvä erilaisen säteilyn heijastus; Kun kasvi on vaurioitunut, lehti on vaurioitunut, kudos kuihtuu, vesi vähenee, infrapunasäikettä vähenee, kunnes menetetään.
Lämpötilan lämpöinfrapuna -infrapuna on myös tärkeä indikaattori sadon tuholaisista ja sairauksista. Kasvit terveissä olosuhteissa, pääasiassa lehtien vatsan avaamisen ja transpiraatiosäännöksen sulkemisen hallitsemisella oman lämpötilansa stabiilisuuden ylläpitämiseksi; Taudin tapauksessa tapahtuu patologisia muutoksia, patogeenin vuorovaikutukset kasvin patogeenissä, etenkin iskun transpiraatioon liittyvistä näkökohdista, määrää lämpötilan nousun ja laskun saastuneen osan. Kasvien tunnistaminen johtaa yleensä vatsan aukon sääntelyn purkamiseen, ja siten transpiraatio on korkeampi sairaan alueella kuin terveellä alueella. Voimakas transpiraatio johtaa tartunnan saaneen pinta -alan lämpötilan ja korkeamman lämpötilaeron laskun kuin normaalissa lehdessä, kunnes nekroottiset täplät näkyvät lehden pinnalla. Nekroottisen alueen solut ovat täysin kuolleita, transpiraatio kyseisessä osassa menetetään kokonaan ja lämpötila alkaa nousta, mutta koska loput lehden alkaa tartunnan saaneet, lehtipinnan lämpötilaero on aina korkeampi kuin terveen kasvin.
Muut tiedot
Viljelysmaiden tietojen seurannan alalla UAV -kaukokartoitustietoilla on laajempi sovellusvalikoima. Sitä voidaan esimerkiksi käyttää kaatuneen maissialueen purkamiseen käyttämällä useita tekstuuriominaisuuksia, heijastavat lehtien kypsyysastetta puuvillan kypsyysvaiheen aikana käyttämällä NDVI -indeksiä ja tuottamaan abkisiinihapon levitysreseptilähetyskarttoja, jotka voivat tehokkaasti ohjata absissihapon suihkuttamista puuvillalle torjunta -aineiden liiallisen levittämisen välttämiseksi ja niin edelleen. Viljelysmaan seurannan ja hallinnan tarpeiden mukaan se on väistämätön suuntaus informatoituneen ja digitalisoidun maatalouden tulevaisuuden kehittämiselle tutkia jatkuvasti UAV: n kaukokartoitustietojen tietoja ja laajentaa sovelluskenttiä.
Viestin aika: 24. joulukuuta 2014