The Improvement of the Agricultural Yields Forecasting Model Using the Software Product “Land Viewer”

• Autorzy: Kolodiy Pavlо , Pіdlypna Maryna

Identyfikatory

DOI

10.7494/geom.2020.14.1.59

Warianty tytułu

PL

Ulepszenie modelu prognozy plonów upraw w oprogramowaniu „Land Viewer”

• Języki publikacji: EN

Abstrakty

EN

Using the data of the remote sensing the Earth, new opportunities in assessing the state of agricultural crops and yield forecasting have been considered. In addition to the above-ground information, as shown by numerous studies conducted earlier, most parameters of the germination and development of agricultural crops can be restored and used from satellite images. Thanks to the software product “Land Viewer”, which enables pictures to be taken from Landsat 4, 5, 7, 8, Sentinel 2 and Terra satellites, and it will provide improving the model and assessment of the biomass potential of agricultural crops. The data obtained from remote sensing during the cropping season, show the information on the condition of agricultural crops sown according to the vegetation stages (photosynthesis process) in crops. At various levels of development, in terms of the Normalized Difference Vegetation Index (NDVI), the seasonal pattern of crops photosynthesis is well reflected, which is associated with the above-ground biomass. The results have been presented in the current model of crop yield forecasting. The improved forecasting model enables significant increases in the economic efficiency of the research, and ensure the accuracy of the data on the physiological processes of agricultural crops, yields, and efficiency of obtaining the data on the research object.

PL

Jak pokazują liczne badania, większość parametrów kiełkowania oraz stan rozwoju upraw rolnych można określić na podstawie zdjęć satelitarnych. W artykule wskazano nowe możliwości oceny stanu upraw rolnych i prognozowania plonów z użyciem danych teledetekcyjnych. Zastosowano do tego celu oprogramowanie „Land Viewer”, które umożliwia wykorzystanie zdjęć z satelitów Landsat 4, 5, 7, 8, Sentinel 2 i Terra oraz poprawę modelu i ocenę potencjału biomasy upraw rolnych. Dane uzyskane za pomocą teledetekcji podczas sezonu upraw dostarczają informacji o stanie roślin na różnych etapach wegetacji (proces fotosyntezy). Na różnych poziomach rozwoju, ocenianego na podstawie znormalizowanego wskaźnika różnicy wegetacji (NDVI), dobrze odzwierciedla się sezonowość fotosyntezy upraw, co jest związane z biomasą nadziemną. Wyniki zostały przedstawione w obecnie stosowanym modelu prognozowania plonów. Ulepszony model prognozowania pozwala na znaczne zwiększenie efektywności ekonomicznej badań, a także zapewnia większą dokładność danych o procesach fizjologicznych upraw rolnych, plonach oraz wydajności produkcji w obiekcie badawczym.

Słowa kluczowe

EN

pictures from satellites; programmatic interface “Land Viewer”; Normalized Difference Vegetation Index

PL

zdjęcia satelitarne; interfejs programu „Land Viewer”; znormalizowany wskaźnik różnicy wegetacji

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Geomatics and Environmental Engineering
• Rocznik: 2020
• Tom: Vol. 14, no. 1
• Strony: 59--67
• Opis fizyczny: Bibliogr. 10 poz., fot.

Twórcy

autor

Kolodiy Pavlо

• Lviv National Agrarian University, Department of Geodesy and Geoinformatics, Lviv, Ukraine

autor

Pіdlypna Maryna

• Lviv National Agrarian University, Department of Geodesy and Geoinformatics, Lviv, Ukraine

Bibliografia

• [1] Jensen J.R.: Remote Sensing of the Environment: An Earth Resource Perspective. 2nd ed. Prentice-Hall, Upper Saddle River 2007.
• [2] Kolodiy P, Pіdlypna М.: The Research of the Agricultural Land Condition Based on Landsat 8 and Sentinel‑2 Satellites Data Mergers. [in:] Adamczyk T., Dębińska E. (Eds.), Geographic Information Systems Conference and Exhibition “GIS ODYSSEY 2017”, 4th to 8th of September 2017, Trento – Vattaro, Italy: Conference proceedings, Croatian Information Society – GIS Forum, Zagreb, pp. 191–195, http://www.gis.us.edu.pl/index.php?option=com_mtree&task=att_download&link_id=744&cf_id=24 [access: 29.06.2019]
• [3] EOS – Earth Observing System, https://eos.com/blog/6-spectral-indexes-ontop-of-ndvi-to-make-your-vegetation-analysis-complete/ [access: 7.07.2019].
• [4] Pіdlypna М., Kolodiy P.: Improvement of Prediction Models Crop Yields in Software Products Land Viewer [Усовершенствование модели прогнозирования урожайности сельскохозяйственных культур в программном продукте Land Viewer]. International collection of scientific papers of the Global International Scientific Analytical Project participants, 2017: http://gisap.eu/node/134508 [access: 29.06.2019]
• [5] EOS – Earth Observing System, https://eos.com/landviewer/?lat=49.32456&lng=28.78075&z=12&datasets=4&id=S2A_tile_20170605_35UPQ_0&b=SWIR1, Red8,Blue&anti [access: 7.07.2018].
• [6] Pettorelli N.: The Normalized Difference Vegetation Index. Oxford University Press, New York 2013. https://www.researchgate.net/publication/233408135_The_Normalized_Difference_Vegetation_Index_NDVI_Unforeseen_successes_in_animal_ecology [access: 23.06.2019].
• [7] EOS – Earth Observing System, https://eos.com/landviewer/?lat=49.32456&lng=28.78075&z=12&datasets=4&id=S2B_tile_20180705_35UPQ_0&b=SWIR1,Red8,Blue&anti [access: 7.07.2018].
• [8] Gitelson A.A., Kaufman Y.J., Merzlyak M.N.: Use of a green channel in remote sensing of global vegetation from EOS. Remote Sensing of Environment, vol. 58, issue 3, 1996, pp. 289–298.
• [9] EOS – Earth Observing System, https://eos.com/landviewer/?lat=49.32456&lng=28.78075&z=12&datasets=4&id=S2A_tile_20190824_35UPQ_0&b=SWIR1, Red8,Blue&anti [access: 7.07.2018].
• [10] Vinnitsa Regional State Administration – News of RDA [Вінницька обласна державна адміністрація – Новини РДА], http://www.vin.gov.ua/news/novyny-rda [access: 7.07.2018].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).