Вестник БГУ. Биология, география
Библиографическое описание:
, , , О ВОЗМОЖНОСТИ ОЦЕНКИ НАДЗЕМНОЙ ФИТОМАССЫ СТЕПНОЙ РАСТИТЕЛЬНОСТИ С ПОМОЩЬЮ ЦВЕТНЫХ ВЕГЕТАЦИОННЫХ ИНДЕКСОВ (ПО ДАННЫМ СЪЕМКИ С БЕСПИЛОТНЫХ СИСТЕМ) // Вестник БГУ. Биология, география. - 2021. №4. . - С. 45-53.
Заглавие:
О ВОЗМОЖНОСТИ ОЦЕНКИ НАДЗЕМНОЙ ФИТОМАССЫ СТЕПНОЙ РАСТИТЕЛЬНОСТИ С ПОМОЩЬЮ ЦВЕТНЫХ ВЕГЕТАЦИОННЫХ ИНДЕКСОВ (ПО ДАННЫМ СЪЕМКИ С БЕСПИЛОТНЫХ СИСТЕМ)
Финансирование:
Исследование выполнено в рамках Государственного задания БИП СО РАН.
Коды:
Аннотация:
Для рационального природопользования и устойчивого экономического развития показатели продуктивности являются одним из приоритетных в изучении степных экосистем. В статье представлены результаты оценки связи количества надземной фитомассы залежных и коренных степных сообществ Забайкалья с данны- ми аэрофотосъемки с беспилотного летательного аппарата, а также NDVI по снимкам спутников Terra и Aqua. Исследования проведены на двух ключевых участках мо- дельного полигона в вегетационный период 2018 г. — всего выполнено 10 наблюде- ний, включающих учет фитомассы и съемку территории исследования. Выполнен расчет цветных вегетационных индексов ExG, ExR, ExGR, NDI, NDYI по ортофото- планам, полученным в результате обработки аэрофотоснимков. Корреляционный ана- лиз выявил, что наилучшими индексами для оценки количества надземной фитомассы
являются ExR и ExGR. Высокую зависимость с продуктивностью проявил MODIS NDVI — коэффициент корреляции достигал значения 0,98. Наблюдается тесная связь фитомассы с гидротермическим коэффициентом — до 0,95. Обнаружено, что значе- ния индексов на разных ключевых участках статистически не различимы. Сделан вы- вод о необходимости использования крупномасштабных карт растительности для оценки продуктивности степи с помощью цветных индексов.
являются ExR и ExGR. Высокую зависимость с продуктивностью проявил MODIS NDVI — коэффициент корреляции достигал значения 0,98. Наблюдается тесная связь фитомассы с гидротермическим коэффициентом — до 0,95. Обнаружено, что значе- ния индексов на разных ключевых участках статистически не различимы. Сделан вы- вод о необходимости использования крупномасштабных карт растительности для оценки продуктивности степи с помощью цветных индексов.
Ключевые слова:
беспилотные летательные аппараты, гидротермический коэффициент, Забайкалье, залежь, корреляция, осадки, степные экосистемы, температура, укосы, фитомасса, цветные вегетационные индексы.
Список литературы:
Джапова Р. Р. Динамика растительного покрова Ергенинской возвышенности и Прикаспийской низменности в пределах Республики Калмыкия: диссертация на соиска- ние ученой степени доктора биологических наук: 03.00.05. Москва, 2007. 288 с.
Михеев В. С., Ряшин В. А. Ландшафты. Физико-географическое районирование // Атлас Забайкалья. Москва; Иркутск: ГУГК,1967. С.70–71.
Пешкова Г. А. Растительность Сибири (Предбайкалье и Забайкалье): Новосибирск: Наука, 1985. 145 с.
Brocks S., Bareth G. Estimating barley biomass with crop surface models from oblique RGB Imagery // Remote. Sens. 2018. Vol. 10. P. 268.
Phenological analysis of unmanned aerial vehicle based time series of barley imagery with high temporal resolution / A. Burkart, V. L. Hecht, T. Kraska, U. Rascher // Precision Agric. 2018. Vol. 19. P. 134–146.
Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data / Claverie M., Demarez V., Duchemin B. [et al] // Remote Sensing of Environment. 2012. Vol. 124. P. 844–857.
Large-area hybrid estimation of aboveground biomass in interior Alaska using airborne laser scanning data / L. Ene, T. Gobakken, H. Andersen, E. Naesset [et al] // Remote Sensing of Environment. 2018. Vol. 204. P. 741–755.
Comparison of two aerial imaging platforms for identification ofhuanglongbing-infected citrus trees / F. Garcia-Ruiz, S. Sankaran, J. M. Maja [et al] // Comput. Electron. Agric. 2013. Vol. 91. P. 106–115.
Programmable Aerial Multispectral Camera System for In-Season Crop Biomass and Nitrogen Content Estimation / J. Geipel, J. Link, J. A. Wirwahn [et al] // Agriculture. 2016. Vol. 6. P. 1–19.
Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery / X. Jin, S. Liu, F. Baret [et al] // Remote Sensing of Environment. 2017. Vol. 198. P. 105–114.
Meyer G. E., Neto J. O. C. Verification of color vegetation indices for automated crop imaging applications // Comput. Electron. Agric. 2008. Vol. 63. P. 282–293.
Research on vegetation information extraction in the area of important buildings based on remote sensing image / G. Qiu, H. Yin, W. Xie [et al] // Mol. Vis. 2011. Vol. 18. P. 1395– 1401.
Sulik J. J., Long D. S. Spectral considerations for modeling yield of canola // Remote Sens. Environ. 2016. Vol. 184. P. 161–174
Swain K. C., Thomson S. J., Jayasuriya H. P. W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop // Trans. ASABE. 2010. Vol. 53. P. 21–27.
Tilly N., Aasen H., Bareth G. Fusion of plant height and vegetation indices for the estimation of barley biomass // Remote Sens. 2017. Vol. 7. P. 11449–11480.
Multi-temporal mapping of the vegetation fraction in early-season wheatfields using images from UAV / J. Torres-Sanchez, J. M. Pena, A. I. de Castro [et al] // Comput. Electron. Agric. 2014. Vol. 103. P. 104–113.
Color indexes for weed identification under various soil, residue, and lighting conditions / D. M. Woebbecke, G. E. Meyer, K. Vonbargen [et al] // Trans. ASAE. 1995. Vol. 38. P. 259–269.
Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models / J. Yue, G. Yang, C. Li [et al] // Remote Sens. 2017. Vol. 9. P. 708.
Recognition of Wheat Spike from Field Based Phenotype Platform Using Multi-Sensor Fusion and Improved Maximum Entropy Segmentation Algorithms / C. Zhou, D. Liang, X. Yang [et al] // Remote. Sens. 2018. Vol. 10. P. 246.
Михеев В. С., Ряшин В. А. Ландшафты. Физико-географическое районирование // Атлас Забайкалья. Москва; Иркутск: ГУГК,1967. С.70–71.
Пешкова Г. А. Растительность Сибири (Предбайкалье и Забайкалье): Новосибирск: Наука, 1985. 145 с.
Brocks S., Bareth G. Estimating barley biomass with crop surface models from oblique RGB Imagery // Remote. Sens. 2018. Vol. 10. P. 268.
Phenological analysis of unmanned aerial vehicle based time series of barley imagery with high temporal resolution / A. Burkart, V. L. Hecht, T. Kraska, U. Rascher // Precision Agric. 2018. Vol. 19. P. 134–146.
Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data / Claverie M., Demarez V., Duchemin B. [et al] // Remote Sensing of Environment. 2012. Vol. 124. P. 844–857.
Large-area hybrid estimation of aboveground biomass in interior Alaska using airborne laser scanning data / L. Ene, T. Gobakken, H. Andersen, E. Naesset [et al] // Remote Sensing of Environment. 2018. Vol. 204. P. 741–755.
Comparison of two aerial imaging platforms for identification ofhuanglongbing-infected citrus trees / F. Garcia-Ruiz, S. Sankaran, J. M. Maja [et al] // Comput. Electron. Agric. 2013. Vol. 91. P. 106–115.
Programmable Aerial Multispectral Camera System for In-Season Crop Biomass and Nitrogen Content Estimation / J. Geipel, J. Link, J. A. Wirwahn [et al] // Agriculture. 2016. Vol. 6. P. 1–19.
Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery / X. Jin, S. Liu, F. Baret [et al] // Remote Sensing of Environment. 2017. Vol. 198. P. 105–114.
Meyer G. E., Neto J. O. C. Verification of color vegetation indices for automated crop imaging applications // Comput. Electron. Agric. 2008. Vol. 63. P. 282–293.
Research on vegetation information extraction in the area of important buildings based on remote sensing image / G. Qiu, H. Yin, W. Xie [et al] // Mol. Vis. 2011. Vol. 18. P. 1395– 1401.
Sulik J. J., Long D. S. Spectral considerations for modeling yield of canola // Remote Sens. Environ. 2016. Vol. 184. P. 161–174
Swain K. C., Thomson S. J., Jayasuriya H. P. W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop // Trans. ASABE. 2010. Vol. 53. P. 21–27.
Tilly N., Aasen H., Bareth G. Fusion of plant height and vegetation indices for the estimation of barley biomass // Remote Sens. 2017. Vol. 7. P. 11449–11480.
Multi-temporal mapping of the vegetation fraction in early-season wheatfields using images from UAV / J. Torres-Sanchez, J. M. Pena, A. I. de Castro [et al] // Comput. Electron. Agric. 2014. Vol. 103. P. 104–113.
Color indexes for weed identification under various soil, residue, and lighting conditions / D. M. Woebbecke, G. E. Meyer, K. Vonbargen [et al] // Trans. ASAE. 1995. Vol. 38. P. 259–269.
Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models / J. Yue, G. Yang, C. Li [et al] // Remote Sens. 2017. Vol. 9. P. 708.
Recognition of Wheat Spike from Field Based Phenotype Platform Using Multi-Sensor Fusion and Improved Maximum Entropy Segmentation Algorithms / C. Zhou, D. Liang, X. Yang [et al] // Remote. Sens. 2018. Vol. 10. P. 246.
Статья.pdf