AGRON
  • AGRONmaps
    • Belépés / Regisztráció
    • AGRONmaps szoftver funkciói
  • Szolgáltatások
    • Monitoring vizsgálatok
    • AGRONmaps szoftver
    • AGRON Monitoring start program
    • AGRON Help
  • Cikkek
  • Esettanulmányok
    • Tápanyag-gazdálkodás
    • Tábla potenciál, gyomirtás
    • Szőlő- és gyümölcsültetvények vizgálata
  • Drónok
  • Oktatás
  • Rólunk
  • Kapcsolat
    • Kapcsolat
    • Telefonos konzultáció kérése
    • Hírlevél feliratkozás
    • Adatkezelés / ÁSZF
  • ENG
agron-micasense-marton

A növények élettani állapotának követése multispektrális távérzékelési módszerekkel

A drónok és a távolsági spektroszkópia robbanásszerű technológiai fejlődése révén megfigyelhető az adott növények fizikai és fiziológiai állapota azok természetes élőhelyén vagy akár a mezőgazdasági területeken is. A cikkben három esettanulmányon keresztül mutatjuk be a MicaSense RedEdge-MX képességeit.

A növények helyhez kötött életmódjuk révén jelentős mértékben kitettek a biotikus (patogének, növényevők) és az abiotikus (szárazság, alacsony hőmérséklet, tápanyaghiány) környezeti hatásoknak. Ezen tényezők szélsőséges és tartós változása egy megfeszített, stresszelt állapot kialakulását eredményezi, amely a megfelelő beavatkozás hiányában végül súlyos károsodáshoz vezet. A növényi stressz definíció szerint az a élettani állapot, amely során a növekedés, a fejlődés és a szaporodás az fokozott környezeti terhelés miatt az optimális alkalmazkodási tartományon kívül esik, így a növények nem képesek teljes genetikai potenciáljuk kiaknázására. A tartós stressz jelentősen csökkentheti a növények fittneszét, azaz a szaporodási képességét. Ez a jelenség egy többszintű, jól definiált fázisokra bontható tünetegyüttest (szindrómát) jelent, számos fizikai és fiziológiai megnyilvánulással (alacsonyabb klorofilltartalom, csökkenő vízpotenciál, kisebb biomassza, termésveszteség stb.).

A növényi stressz korai felismerése a termelésbe vont területeken éppen ezért alapvető fontossággal bír a gyors és pontos növényvédelmi stratégiák kidolgozásához.

Speciális multispektrális szenzorokkal felszerelt kamerákkal fel lehet mérni a növények relatív klorofilltartalmát, a nitrogén-ellátottságát vagy akár a fertőzési gócpontok azonosítására is lehetőség van. Fontos azonban figyelembe venni, hogy a klorofilltartalom mérésén túlmutató vizsgálatokat (például a tápanyag-ellátottság vagy a kórokozók azonosítása) éghajlati és földrajzi tényezők is befolyásolják.

Az AGRON-nál úgy gondoljuk, hogy egy drónszolgáltatás működési modelljének a kezdetektől a valós terepi munkáig segítenie kell az ügyfelet. Az első lépésként a monitoring drón képzésünk segít elsajátítani a drónok megfelelő vezérlését és az adatgyűjtést. Az adatok feldolgozása és elemzése ezután következik, amely elemzéseket kísérletesen beállított növényi modellek eredményeinek tudományos kiértékelésével validáljuk/támasztjuk alá. A drónokkal elérhető digitális adattömeg és a mezőgazdasági gyakorlat összekapcsolásában képzett szakértőink állnak az ügyfelek rendelkezésére, ezáltal lehetőség nyílik a legkülönbözőbb növényvédelmi stratégiák kidolgozására.

Az AGRON Kutatási Program a lehető legtöbb földrajzi régióból származó adatgyűjtésre összpontosít a precíz gabonanövény modellek kidolgozásának érdekben.

A program célja, hogy a megszerzett eredmények gyakorlati megvalósítása révén értelmet adjon a monitoring drónok használatának. A nagy mennyiségű összegyűjtött adat kezelésére és a szakértői feldolgozás eredményének közlésére szolgál például az AGRON által fejlesztett online platform, az AGRON Maps. Kísérleteink Martonvásáron, az Agrártudományi Kutatóközpont Mezőgazdasági Intézet közreműködésével zajlottak.

2019-es kísérleteink számokban:

32 beállított kísérlet – 3519 kísérleti parcella – 5010 terepi mintavétel

Genotípusok: 42 őszi búza – 36 durum búza – 36 tritikálé – 36 őszi árpa – 9 hibridkukorica

 

Nitrogén-műtrágyázási kísérletek 

Gabonafajták különböző mennyiségű műtrágyázásra adott reakcióinak tanulmányozása (búza és kukorica esetében)

A különböző kezelések az extenzív és az intenzív mezőgazdasági műtrágyázási módszerekhez lettek igazítva (0 -> 280 kg/ha, 40 kg/ha N-lépcsők a kezelések között). A kísérlet robosztusságát mutatja, hogy minden 15 búza és 9 kukorica fajta vesz részt a kísérletekben.

Az AGRON munkatársai két módszerrel végeztek méréseket. A levegőben a Micasense RedEdge MX kamerával felszerelt monitoring drónnal felvételeztek, míg a földön kézi mintavételezéssel SPAD klorofillmérő készülékkel mérték a növények klorofill-tartalmát. A Micasense szenzor nagyon pontosnak bizonyult, így a középpontba a kamera klorofillmérésekhez történő kalibrálása került, amely nélkülözhetetlen volt a távolsági spektroszkópián alapuló növényélettani kutatáshoz.

A kalibrálást a szakirodalomban fellelhető számos indexen elvégeztük. A cikkben bemutatott reprezentatív adatkészlet a SPAD-értékek magas korrelációját mutatja az érzékelő adataiból számított NDVI és NDRE indexekkel (1. ábra). Az adatok struktúráját  főkomponens-elemzéssel (PCA) értékeltük és szemléltetjük. A PCA-grafikon minden egyes pontja egy parcellát jelöl, ahol mind a terepi, mind a légi mintavétel megtörtént. A tápanyaghiányos parcellák (A) szépen elkülöníthetőek az optimális és a szuperoptimális műtrágyázást kapott parcelláktól (E és H). Ez a kalibrálás alapvető fontossággal bírt a pontos adatgyűjtéshez és az értelmezhető adatbázis felépítéséhez.

1. ábra Egy reprezentatív adatkészlet, amely bemutatja az SPAD-értékek és az érzékelő adatokból számított indexek közötti korrelációt (balra). Főkomponens elemzés az adatszerkezet megjelenítéséhez (jobbra). (NDVI korreláció: 0,761; NDRE korreláció: 0,877; A: 0 kg / ha; E: 160 kg / ha; H: 280 kg / ha; Group – Csoportok)

Amíg a búza növények a nitrogénhiány tüneteit korai fejlődési stádiumban mutatják, addig a kukoricánál ez a különbség az érés előtti egy hónapban mutatható ki. Búza esetén az egyes fajták tápanyagreakciója nagy pontossággal nyomon követhető.

A növények vegetatív időszakában legalább hétszer gyűjtöttünk adatokat, így a tápanyag-ellátottság közti különbségek alapján elkészítettünk növény modelleket.  Az adatok feldolgozása és elemzése közben sikeresen kidolgoztunk egyedi színezési megoldásokat (LUT – look up table), avagy hamis színezési módszereket, melyek a különböző növényélettani állapotok közötti különbségek vizuális megjelenítésére szolgálnak. A LUT-ok fix beállítással rendelkeznek, nem változtathatók meg. Ez a szabványosítás önmagában informatív színeket eredményez, így a megjelenített színek alapvető mutatóként jelölik a növények egészségügyi állapotának változását bármely kultúrában. Az összegyűjtött adatbázis lehetővé tette új indexek (pl. AGRON klorofill-index) kifejlesztését, amelyek nagyobb stabilitást mutatnak a szezon során és szélesebb körű felhasználhatóságot mutatnak, mint a klasszikusak.

2. ábra Az őszi búza kísérleti területről készített kompozit RGB (balra), AGRON klorofill térkép (középen) és nitrogén térkép (jobbra). Az értékek és a színskálák nincsenek feltüntetve.

 

Fungicides kísérletek

A búzafajták kórokozókkal (például lisztharmat (Blumeria graminis)) szembeni rezisztenciájának tanulmányozása.

A kísérletekben a martonvásári kutatóintézetben nemesített kalászos gabonafajták agronómiai értékét tesztelik. A parcellákon a betegség-ellenállóságot, mint a gabonatermesztésben fontos tulajdonságot is meghatározzák. A vegetációs időszak alatt 42 őszi búzát, 36 tönkölyt, 36 tritikálét, 36 árpát és 36 durumbúzát vizsgáltunk részletesen (elismert fajták és fejlett nemesítési törzsek). Néhány kísérletet gombaölő szerekkel kezeltek, másokat nem. A kezelés hiánya több esetben súlyos gombafertőzésekhez vezetett, amelyeket főként a lisztharmat (Blumeria graminis) okozott. A kísérletben azonosítani tudtuk a fertőzés gócpontjait, amelyek szinte kizárólag fogékony fajtákat tartalmazó parcellákban jelentek meg. Az alábbi klorofilltérképen az ellenálló (zöld) és fogékony (sárga vagy piros) fajták egyaránt fellelhetőek (3. ábra).

3. ábra A klorofill térkép a súlyos fertőzés által érintett területre nagyitva. A leginkább fertőzött parcellát a nagyított térkép közepén lévő sárga és piros szín keveréke jelzi (balra). Képek a mezőn a leginkább fertőzött parcelláról és növényekről (középen és jobbra).

 

Szarvasgomba termőfoltok azonosítása egy fiatal szarvasgomba ültetvényen

Magyarországon bevett gyakorlat szarvasgomba ültetvények telepítése, amelyek főleg két fafajtából állnak (mogyoró és tölgy). Az ültetvényekre telepített csemeték gyökerét előzetesen szarvasgomba micéliummal oltják be, majd körülbelül 5-6 év elteltével lehet megkezdeni a betakarítást. A szarvasgomba termőtestek rendszerint foltokban jelennek meg, ezért a betakarításhoz elsőként szükséges ezen termőfoltok felkeresése, majd ki kell ásni a termést. A monitoring drónok felhasználása a nagy méretű ültetvények termőfoltjainak azonosítását könnyíti meg.

A jelen tanulmányban szereplő fiatal ültetvény legelső termőfoltja egy mogyorófa alatt jelent meg 2018-ban, így csak egyetlen referencia mintánk volt a 2019-es lehetséges foltok előrejelzésére.

Az erősen egyszerűsített nullhipotézisünk alapján a mikorrhizával való szimbiotikus kapcsolat jótékony hatással van a növényre, amelyet más mikorrhiza nélküli növényekhez képest jobb élettani állapota alapján lehet kimutatni. Ez tulajdonképpen az ültetvényről készített multispektrális profil és az érzékelő adataiból számított mutatók összehasonlítását jelenti, amelynek eredményeképpen végül a jobb élettani állapotú foltok elkülönülnek az átlagos élettani állapotú sokaság közül.  A különböző fafajok értékeléséhez és osztályozásához PCA-t használtunk (4. ábra), aminek az eredménye olyan növénycsoportokat mutatott, amelyek hasonlónak mutatkoztak a 2018-ban már termést adó referencia mintához. Ezek a növények elkülöníthetők az átlagos értéket mutató növényektől és a térképen is jól láthatóan három fő pontban koncentrálódnak (piros körökkel jelzett növénycsoportok). A kijelölt területek közül kettőben már találtak szarvasgombát, míg a kijelölt területeken kívülről, tudomásunk szerint nem találtak termőtest foltokat. Úgy gondoljuk, hogy a harmadik jelölt területet 2020-ban fogják betakarítani.

4. ábra A szarvasgomba termőtestek előfodulási helyeinek azonosítása PCA-val. Az elkülönített növények csoportját három fő termő foltra lehet osztani (piros körök). A foltokat manuálisan határoztuk meg. A világoskék pontok mogyoró, míg a rózsaszín pontok tölgy növényegyedeket jelölnek.

 

Összegzés

A növényvizsgálati módszerek fejlesztése kulcsfontosságú tényező a precíziós mezőgazdaságban. A drónokra szerelt érzékelők által gyűjtött nagy mennyiségű adat szabványos és bármilyen kultúrában felhasználható. Az összegyűjtött adatokon alapuló analitikai módszereket azonban az éghajlati sajátosságok és földrajzi régió szerint kell kalibrálni és szabványosítani. 

Ennélfogva a hazai kutatási eredményeknek kiemelkedő fontosságúak egy magyarországi drónszolgáltatás kiépítéséhez. A kutatás során kidolgozott a növénymodellek segítenek meghatározni a kezelési és védelmi stratégiákat.

Az adatbázisunkban megfigyelt tendenciák alapján feltételezzük, hogy a tápanyaghiány és a kórokozó-fertőzés azonosítása is lehetővé válik. A továbbiakban pedig a mesterséges intelligencia és a gépi tanulás előrehaladása segítheti az érzékelők adatainak elemzését, valamint az összegyűjtött információk gyors és automatikus értékelését.

Szerzők: Turbéki Richárd, Árendás Tamás, Vida Gyula, Rudnóy Szabolcs, Balassa Kinga, Balassa György

AGRON Analytics Kft.

Minden jog fenntartva!

Iratkozz fel az AGRON hírlevelére!

Iratkozz fel az AGRON hírlevelére!

Értesülj elsők között az AGRON legfrissebb szakmai tartalmairól!

Feliratkozom

[Test] Surveying the condition of a winter wheat culture. What is live NDVI good for? Mire használhatóak az RGB és a multispektrális kamerák?

Related Posts

Monitoring dróntechnológia bevezetése _ bevezetés után

BLOG, BLOG_HUN

3. rész Monitoring dróntechnológia bevezetése – Bevezetés után

szolo-agron-agronmaps-gyumolcs-honlap-feliratnelkul

BLOG, BLOG_HUN

Drónnal végezhető monitoring szőlő- és gyümölcsültetvényeken

agron-blog-agronmaps_hogykezdjem3

BLOG, BLOG_HUN

2. rész Monitoring dróntechnológia bevezetése – Bevezetés előtt, döntés után

KÖZÖSSÉGI OLDALAK
Powered by AGRON Technologies
Tájékoztatunk, hogy a honlap Cookie-kat használ. Bővebb információkért olvasd el adatvédelmi tájékoztatónkat.
Cookie beállításokELFOGADÁS
Titoktartás & Cookie szabályzat

Adatvédelmi áttekintő

Ez a weboldal sütiket használ az Ön élményének javítása érdekében, miközben Ön a webhelyen tartózkodik. Ezen cookie-k közül a szükség szerint kategorizált sütiket az Ön böngészője tárolja, mivel elengedhetetlenek a weboldal alapvető funkcióinak működéséhez. Harmadik féltől származó sütiket is használunk, amelyek segítenek elemezni és megérteni, hogyan használja ezt a weboldalt. Ezeket a sütiket csak az Ön beleegyezésével tároljuk a böngészőben. Önnek lehetősége van ezekről a sütikről is lemondani. De ezeknek a sütiknek a kikapcsolása hatással lehet böngészési élményére.
Necessary
Always Enabled

A szükséges sütik elengedhetetlenek a weboldal megfelelő működéséhez. Ez a kategória csak olyan sütiket tartalmaz, amelyek biztosítják a webhely alapvető funkcióit és biztonsági jellemzőit. Ezek a sütik nem tárolnak személyes adatokat.

Non-necessary

Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.