CC BY
235
УДК 631.1 DOI: 10.24411/2587-6740-2020-11002
ASF-INDEX — КАРТА УСТОЙЧИВОЙ ВНУТРИПОЛЕВОЙ НЕОДНОРОДНОСТИ ПЛОДОРОДИЯ ПОЧВЕННОГО ПОКРОВА, ПОСТРОЕННАЯ НА ОСНОВЕ БОЛЬШИХ СПУТНИКОВЫХ ДАННЫХ ДЛЯ ЗАДАЧ ТОЧНОГО ЗЕМЛЕДЕЛИЯ
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-07-00872
Д.А. Шаповалов1, П.В. Королева2, Н.В. Калинина2, Е.В. Вильчевская2, А.Л. Куляница3, Д.И. Рухович2
1 ФГБОУ ВО «Государственный университет по землеустройству», Москва, Россия
2 ФГБНУ «Почвенный институт им. В.В. Докучаева», Москва, Россия
3 ООО «АйТи Парма», Москва, Россия
Проведен анализ применения ASF-index в системах точного земледелия. Установлены математическая, биологическая и агротехническая составляющие ASF-index. Математически ASF-index представляет собой разновидность среднемноголетних вегетационных индексов, основанных на обработке больших массивов данных дистанционного зондирования — Satellite Big Data, Remote Sensing Big Data. Обязательная для расчетов нормализация данных дистанционного зондирования проводится на основе спектральной окрестности линии почв (spectral neighborhood of soil line). Биологически ASF-index — это индикатор различного уровня плодородия почв в пределах одного сельскохозяйственного поля — карта устойчивой внутриполевой неоднородности плодородия. Агрономически ASF-index отражает различную отзывчивость частей поля на применение минеральных удобрений. Агротехнически ASF-index является основой для генерации карт заданий систем точного земледелия, так как позволяет рассчитать нормы дифференцированного внесения средств химизации по разным зонам плодородия почв. ASF-index позволяет достигнуть максимальной урожайности при заданном уровне химизации. Юридически ASF-index — know how компании «Agronote».
Введение.
Умное земледелие, как правило, включает в себя элементы точного земледелия [1, 2, 3]. В свою очередь, в точном земледелии часто применяется дифференцированное внесение средств химизации. Дифференцирование средств химизации может осуществляться с
использованием двух блоков различных технических приемов — установка на сельскохозяйственную технику датчиков состояния растительности и на основе карт заданий. Карты задания формируются до вывода в поле техники дифференцированного воздействия на сельскохозяйственные угодья, как правило, из
сторонних независимых источников. Формирование карт заданий является одной из важнейших задач в концепции умного и точного земледелия.
Само понятие карт заданий предполагает наличие некоторой пространственной неоднородности в рамках сельскохозяйственного поля,
Рис. 1. Регионы апробации технологии
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 1 (373)/2020
таковая неоднородность требует различного воздействия в разных частях поля. Предполагается, что разница в воздействиях снизит в целом затраты на производство сельскохозяйственной продукции при увеличении валовых сборов. Пространственная неоднородность может фиксироваться наземными методами (почвенным, агрохимическим, агрофизическим и др. обследованием), автоматизированными прецизионными замерами урожайности и по данным дистанционного зондирования (ДДЗ). Обычно каждый замер отражает флуктуации неоднородности измеряемого фактора на момент замера. Следовательно, в изменившихся условиях может измениться и структура внутриполевой неоднородности. Подходы к точному земледелию на основе фиксации внутриполевой неоднородности здесь и сейчас можно назвать «ситуативными», т.е. попытками действовать по ситуации. Плодородие же почв является долговременным фактором, который сложно или невозможно учесть в рамках ситуативного подхода. Де-факто, ситуативный подход означает, что плановое воздействие проведено некорректно и требует вмешательства для исправления сложившейся ситуации. Для грамотного воздействия с учетом долговременных факторов можно использовать «адаптивный» подход, т.е. адаптировать плановые работы по внесению средств химизации к пространственному распределению почвенной неоднородности. В какой-то степени точное земледелие на основе адаптивного подхода
является развитием адаптивно-ландшафтного земледелия [4]. Адаптивный подход основан на ретроспективном анализе состояния полей, на методах фиксации устойчивой во времени неоднородности. Иными словами, нужны карты устойчивой внутриполевой неоднородности плодородия. Именно с учетом ретроспекции можно создать карты задания на перспективу, а не спасать ситуацию в каждый конкретный момент времени.
В настоящее время в том или ином виде карты внутриполевой неоднородности плодородия, построенные анализом больших массивов спутниковых данных (Satellite Big Data, Remote-sensing Big Data) [5, 6], входят в арсенал нескольких фирм, оказывающих услуги в области точного земледелия: ExactFarming [7], FarmersEdge [8], Cropio [9], Agronote [10], Inttera [11], AGRO-SAT [12], NextFarming [13] и др. В данной работе анализируется ASF-index оОо «Агроноут» [14, 15], который по данным компании является разновидностью среднемноголетних вегетационных индексов (ВИ). Также ASF-index позиционируется компанией как карта устойчивой внутрипо-левой неоднородности плодородия почв. ASF-index — know how компании «Agronote».
Цели работы.
1. Провести сравнительный анализ ASF-index и NDVI за несколько лет.
2. Провести анализ ASF-index на предмет его применимости в системах точного земледелия.
Объекты и методы.
В данной работе рассмотрена типовая верификация на примере полей 14-ти хозяйств в восьми субъектах Российской Федерации (рис. 1).
Методы 1.Geographical data mining [16].
2. Data-driven geography [17].
3. Ретроспективный мониторинг почвенно-зе-мельного покрова [18, 19, 20,31], основанный на принципах актуализма и униформизма [21, 22].
4. Многослойный мультивременной ГИС-анализ [23, 24, 25].
5. Анализ географических мультивременных баз данных [26, 27,32].
6. Спектральная окрестность линии почв [28, 29, 30].
7. Технология дифференцированного внесения средств химизации [33].
8. Полевые измерения урожайности сельскохозяйственных культур по рамке 1х1 м с ручным обмолотом зерна.
9. Расчеты ВИ [34, 35, 36].
Описание закладки экспериментов
1. Все ASF-index, используемые в данной работе, были переданы в сельскохозяйственные предприятия на коммерческой основе согласно актам сдачи-приемки.
2. Даты актов всегда предшествовали наземным работам по ведению точного земледелия.
3. Даты актов всегда предшествовали работам по верификации карт устойчивой внутрипо-левой неоднородности плодородия.
Таблица 1
Замеры урожайности по зонам плодородия
Рис. 2. Пример карты ASF-index на одно из тестовых хозяйств (Тамбовская область)
INTERNATIONAL AGRICULTURAL JOURNAL № 1 (373)/ 2020
№ Культура Урожайность, т/га
Зона пониженного плодородия Зона нормального плодородия Зона повышенного плодородия
1 оз.пшеница l.2i 8.1S 1.96
2 оз.пшеница 8.8l 9.13 10.40
3 оз.пшеница б.99 1.88 9.02
4 оз.пшеница l.38 9.1S 9.30
S оз.пшеница 8.09 1.84 1.32
б оз.пшеница l.09 1.1S 8.02
l оз.пшеница 6.S6 1.29 1.98
8 оз.пшеница l.28 1.28 1.31
9 оз.пшеница S.83 8.23 -
10 оз.пшеница l.il 9.82 8.9S
11 оз.пшеница l.89 8.39 8.08
12 оз.пшеница 0.90 3.21 3.S4
13 оз.пшеница 0.l2 1.16 2.00
14 оз.пшеница 0.16 1.99 2.19
1S оз.пшеница 1.19 1.41 2.11
1б ячмень 0.61 - 2.2S
il ячмень 2.11 2.9S 4.43
18 ячмень 1.S6 - 2.60
19 ячмень 1.46 1.90 2.21
20 ячмень 0.90 1.11 1.1S
21 кукуруза 6.31 - 1.11
22 кукуруза 4.11 - S.61
23 подсолнечник 2.26 3.22 3.44
24 подсолнечник 2.4S 3.0S 3.3S
2S подсолнечник 2.18 2.84 2.99
www.mshj.ru
4. ASF-index рассчитывался на всю территорию каждого хозяйства (рис. 2).
5. Общая площадь хозяйств составила более 100 тыс. га.
6. Хозяйства расположены в Ростовской, Саратовской, Самарской, Липецкой, Тамбовской, Ульяновской областях и Краснодарском, Ставропольском краях.
7. Поля для верификации ASF-index отбирались с учетом пожеланий сельскохозяйственных производителей без вмешательства компании «Agronote» (рис. 3).
8. Верификация проведена на 25-ти полях в восьми субъектах Российской Федерации (табл. 1).
Описание техники верификации
Поскольку ASF-index является картой вну-триполевой неоднородности, то верификация проводилась по отдельным полям (рис. 3). На тестовые поля технологией Geographic data mining из Satellite Big Data отобраны несколько десят-
ков кадров ДДЗ за последние 30-35 лет (табл. 2). При отборе отсеивались ДДЗ, если на поле попадало облако, тень от облака, поле не имело вегетирующей растительности, на поле фиксировались разные агротехнические приемы, разные культуры или сорта. Иными словами, отбирались кадры ДДЗ, пригодные для расчетов ВИ на данное поле. По отобранным кадрам ДДЗ рассчитывалась серия разновременных ВИ на каждое поле за 30-35-ти летний период (рис. 4).
Для упрощения задачи ASF-index, который передавался в хозяйства со значениями от 1 до 9 (рис. 3), группировался в три зоны плодородия (рис. 5) — пониженного плодородия, нормального плодородия и повышенного плодородия. В каждой зоне намечались точки замера урожайности не менее чем в трех повторностях.
Проводилось сравнение ВИ, урожайности по зонам плодородия ASF-index. В случае дифференцированного внесения удобрений, проводились замеры урожайности с учетом доз удобрений.
Рис. 3. Примеры карт ASF-index на тестовые поля различных регионов
Результаты и обсуждение.
Биологическая и агротехническая
составляющая ASF-index
Рассмотрим поле на рис. 3е. Это поле из массива полей хозяйства на Кубани. На рисунке 5е дано расположение точек замера урожайности. Замеры урожайности проведены в 2018 году и в 2019 году. В 2018 году на поле была посеяна кукуруза на зерно. Дифференцированное внесение удобрений не проводилось. Недифференцированно проведена одна азотная подкормка аммиачной селитрой — 120 кг/га. Результаты замеров урожайности представлены в табл. 1 (запись 22). Как видно из таблицы, три зоны плодородия отличаются по урожайности на 1,5 т/га.
Отметим, что переход к точному земледелию, как правило, осуществляют грамотные и сильные хозяйства. В этих хозяйствах проведены агрохимические замеры и существуют агрохимические картограммы на каждое поле. Большинство хозяйств имеет выровненный аг-рофон по рекомендациям своих агрохимических служб. Данное хозяйство и данное поле не исключение. На полях не обнаружено мест с пониженным содержанием питательных элементов (ни макроэлементов, ни микроэлементов). Зоны плодородия ASF-index на исследуемых полях не коррелировали с агрохимическими картограммами.
В 2019 году проведен эксперимент с дифференцированным внесением удобрений. Схема опыта представлена в таблице 3. Под озимую пшеницу удобрения вносились четыре раза — основное внесение, внесение при посеве и две весенние азотные подкормки. Основное внесение и при посеве вносилась аммофоска, а при подкормках — аммиачная селитра. Общая доза удобрений при эксперименте на разных участках поля составила 200, 400, 600 и 800 кг/га. На схеме видна двойная повторность закладки эксперимента и двойная повторность определения урожайности в вариантах эксперимента. В результате замеры урожайности проведены при всех возможных сочетаниях зон плодородия по ASF-index с различными дозами удобрений.
График рисунка 6 демонстрирует, что зоны плодородия не только отличаются по урожайности при традиционной агротехнике (табл. 1), но и отличаются друг от друга по отзывчивости на дозы удобрений (табл. 3). Из рисунка 6 следует, что зона пониженного плодородия слабо реагирует на увеличение доз удобрений. Фактическая прибавка урожайности в зоне пониженного плодородия ниже уровня рентабельности минеральных удобрений, который по разным оценка составляет от 3,6 до 4,2 кг/кг [37,38]. Отзывчивость традиционно измеряем в весе зерна в килограммах на вес действующего вещества минеральных удобрений в килограммах. В зоне повышенного плодородия ситуация диаметрально противоположная. Рентабельность минеральных удобрений составляет более 12 кг/кг. Зона нормального плодородия так же рентабельна для применения удобрений, но рентабельность колеблется от 6 до 9 кг/кг.
Из графика рис. 6 следует неизбежный вывод, что внесение минеральных удобрений на поле необходимо дифференцировать. Средняя доза удобрений в хозяйстве составляет 500 кг/га. В зоне пониженного плодородия можно сократить дозы удобрений до 400 кг/га. Высвободившиеся 100 кг/га можно перераспределить в зону повышенного плодородия. Условно можно считать, что зоны плодородия равны по площади.
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 1 (373) / 2020
Таблица 2
Список ДДЗ, отобранных для анализа внутриполевой неоднородности одного из тестовых хозяйств: всего 140 кадров (формат названия — год, месяц, день, сенсор: LT05 LE07 LC08 — Landsat 5, 7, 8, S2AB — Sentinel-2)
1984_0621_LT0S 1989_0812_LT0S 1993_0122_LT0S 1999_0101_LT0S 2003_0920_LT0S 2013_0113_LC08 2011_0102_S2AB
1984_0830_LT0S 1989_0820_LT04 1993_0801_LT0S 1999_011S_LE01 2004_0618_LT0S 2013_0814_LC08 2011_0112_S2AB
1984_1001_LT0S 1989_0921_LT04 1993_0908_LT0S 1999_0816_LE01 200S_0S20_LT0S 2013_1102_LC08 2011_0121_S2AB
198S_0801_LT0S 1989_101S_LT0S 1993_0924_LT0S 2000_0412_LE01 200S_0123_LT0S 2014_0326_LC08 2011_0801_S2AB
198S_0811_LT0S 1989_1031_LT0S 1994_0601_LT0S 2000_0428_LE01 200S_0824_LT0S 2014_0421_LC08 2018_0408_S2AB
198S_0918_LT0S 1990_0114_LT0S 199S_0423_LT0S 2000_0S14_LE01 2006_0126_LT0S 2014_0S29_LC08 2018_0S03_S2AB
1986_0430_LT0S 1990_081S_LT0S 199S_0S2S_LT0S 2000_0S22_LT0S 2006_0811_LT0S 2014_0630_LC08 2018_0602_S2AB
1986_0S16_LT0S 1991_0428_LT0S 199S_0626_LT0S 2000_0601_LT0S 2001_0S26_LT0S 2014_0116_LC08 2018_0622_S2AB
1986_0103_LT0S 1991_0S14_LT0S 199S_0128_LT0S 2000_061S_LE01 2001_0611_LT0S 201S_0430_LC08 2018_062S_LC08
1986_0804_LT0S 1991_0101_LT0S 1996_042S_LT0S 2000_0111_LE01 2001_0621_LT0S 201S_0821_S2AB 2018_0102_S2AB
1981_0S19_LT0S 1991_0111_LT0S 1996_0S11_LT0S 2000_100S_LE01 2001_0113_LT0S 2016_0423_S2AB 2018_0112_S2AB
1981_0908_LT0S 1991_0919_LT0S 1996_0S21_LT0S 2001_0S11_LE01 2001_0830_LT0S 2016_0S03_S2AB 2018_0121_LC08
1988_0419_LT0S 1991_100S_LT0S 1996_0612_LT0S 2001_0112_LT0S 2008_0629_LT0S 2016_0S18_LC08 2018_0121_S2AB
1988_0S0S_LT0S 1991_1021_LT0S 1996_0114_LT0S 2001_0128_LT0S 2009_0616_LT0S 2016_0622_S2AB 2019_0423_S2AB
1988_0630_LT04 1992_062S_LT04 1996_081S_LT0S 2001_080S_LE01 2009_0803_LT0S 2016_0112_S2AB 2019_042S_LC08
1988_0811_LT04 1992_0804_LT0S 1998_0S01_LT0S 2002_0621_LE01 2010_0S18_LT0S 2016_0801_S2AB 2019_0428_S2AB
1988_082S_LT0S 1992_0820_LT0S 1998_0S11_LT0S 2002_0101_LE01 2010_0806_LT0S 2016_0806_LC08 2019_0602_S2AB
1989_062S_LT0S 1992_090S_LT0S 1998_0120_LT0S 2002_0824_LE01 2011_0606_LT0S 2011_0428_S2AB 2019_0601_S2AB
1989_0119_LT04 1992_1001_LT0S 1999_0418_LT0S 2003_0S23_LE01 2011_0809_LT0S 2011_0S0S_LC08 2019_0621_S2AB
1989_0804_LT04 1993_0316_LT0S 1999_060S_LT0S 2003_0819_LT0S 2013_0611_LC08 2011_0611_S2AB 2019_0102_S2AB
Максимальный экономический эффект будет достигнут при 600 кг/га в зоне повышенного плодородия, 500 кг/га в зоне нормального плодородия и 400 кг/га в зоне пониженного плодородия. В результате перераспределения доз удобрений по зонам при сохранении средней общехозяйственной нормы внесения удобрений, достигается увеличение урожайности озимой пшеницы на 0,3 — 0,5 т/га.
Карта дифференцированного внесения (карта задание — task map) составляется исключительно на основе ASF-index.
Можно подвести предварительные итоги. С одной стороны, согласно табл. 1, пространственное распределение ASF-index является картой устойчивой внутриполевой неоднородности плодородия почвенного покрова. С другой стороны, ASF-index является картой отзывчивости почвенно-земельного покрова на средства химизации.
Математическая составляющая
ASF-index
Рассмотрим серию NDVI на рисунке 4. Каждая карта NDVI достаточно индивидуальна. Совпадения с картой ASF-index не наблюдается (рис. 3ж). С другой стороны, некоторые карты NDVI больше напоминают ASF-index, а другие нет. Более того, отдельные карты NDVI похожи на инверсию ASF-index. Ситуация вполне логичная, т.к. NDVI рассчитывается на конкретный момент съемки. В этот момент состояние растительности может существенно отличаться в силу тех или иных агротехнических воздействий. Кроме того, следует учесть, что NDVI отражает объем фотосинтезирующей биомассы, а не урожай и плодородие как таковое. Связь между наземной биомассой культурной растительности и урожаем зерновых далеко не линейна [39]. Также инверсия NDVI может наблюдаться при неправильном отборе ДДЗ на момент созревания культурной растительности.
В целом можно утверждать, что в доступных архивах ДДЗ на данное поле не содержится кадров ДДЗ, по одному из которых можно было бы предположить расчет ASF-index. Под доступ-
INTERNATIONAL AGRICULTURAL JOURNAL № 1 (373) / 2020
ными архивами понимаются архивы Landsat и Sentinel [40,41]. Состояние растительности ни в один из 35 годов не совпадает с зонами плодородия. Иными словами, ASF-index не является результатом подбора единичного кадра, что происходит в большинстве случаев обработки дДз.
По координатам отбора образцов для измерения урожайности проведен анализ значений отобранных ДДЗ. Результаты анализа представлены в таблице 4. Легко видеть, что в зонах пониженного плодородия значения NDVI чаще ниже значений NDVI в зоне нормального
Рис. 4. Примеры карт NDVI одного из тестовых полей (карта ASF-index на рис. 3ж)
www.mshj.ru
плодородия. Значения NDVI в зоне повышенного плодородия, наоборот, чаще всего выше, чем в зоне нормального плодородия. Таким образом, можно утверждать, что ASF-index отражает наиболее часто встречающееся состояние растительности за 30- 35 лет.
Пространственное разрешение ASF-index составляет 10 м. Сравнение с NDVI по Landsat и Sentinel показывает, что ASF-index является экстраполяцией Landsat по Sentinel, т.е. при расчете одновременно используются оба источника ДДЗ с доведением пространственного разрешения до разрешения Sentinel — 10 м.
Предварительный итог — ASF-index является индексом, отражающим среднемноголет-нее состояние растительности, фиксируемое по ВИ на основе Landsat и Sentinel. Т.е., математически, ASF-index — среднемноголетнее значение ВИ.
Таблица 3
Результаты опыта по дифференцированному внесению удобрений (поле на рис. 3е и 5е)
Урожайность озимой пшеницы, ц/га
Суммарные дозы удобрений, кг/га о о X К ни Ï s s m о ^ ° £ ог ог X к ьи ао s s s ог ог х (К ни I -« & ° if
£ = ™ £ ап
о m о m он m
800 73.3 76.8 82.0
800 69.0 73.0 79.6
600 62.9 82.9 95.8
600 68.5 83.4 90.5
400 71.3 71.0 71.8
400 65.0 72.9 73.7
200 61.3 68.7 72.2
200 64.8 69.2 69.8
800 62.5 72.0 87.4
800 75.0 75.7 78.4
600 74.9 85.0 87.4
600 80.1 80.5 84.6
400 71.9 75.5 81.0
400 60.9 69.4 74.1
200 56.3 67.5 76.7
200 57.3 64.7 66.1
Таблица 4
Средние значения N№1 поля рис. 4 и 5ж по точкам определения урожайности по зонам плодородия
Дата Зона пониженного плодородия Зона нормального плодородия Зона повышенного плодородия
18.06.1987 0.7468 0.7510 0.7527
17.04.1988 0.4632 0.5022 0.5197
08.07.1991 0.6809 0.6911 0.6951
24.07.1997 0.7190 0.7319 0.7375
02.07.2001 0.6265 0.6327 0.6473
30.07.2002 0.6744 0.6940 0.7084
22.07.2208 0.7385 0.7495 0.7553
31.07.2011 0.6138 0.6197 0.6322
Рис. 5. Примеры карт зон плодородия с точками определения урожайности на тестовые поля различных регионов
Суммарные дозы удобрений, кг/га
Рис. 6. График отзывчивости озимой пшеницы на различные дозы удобрений по зонам плодородия
- 13
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 1 (373)/ 2020
К вопросу о нормировании ДДЗ
Значения ВИ зависят от нормализации ДДЗ. Данные таблицы 4 не имеют большого разброса значений NDVI. Это достигнуто за счет применения к ДДЗ нормализации на основе спектральной окрестности линии почв (СОЛП — spectral neighborhood of soil line (SNSL)). Отметим, что усреднять ненормализованные значения NDVI бесполезно, т.к. один или два снимка могут иметь подавляющие значения. Поэтому, ненормализованное усреднение математически сведется к расчету по одному-двум кадрам ДДЗ, что противоречит самому принципу среднемного-летнего усреднения. Можно добавить, что одной TOA-коррекции недостаточно.
О границах полей
При расчетах ASF-index используется схема полей с пространственной точностью не менее 1 м. При пространственном разрешении ДДЗ в 30 и 10 м, маска сельскохозяйственных угодий создается по высоко-детальным материалам, что позволяет бороться с краевыми эффектами, когда пиксель захватывает не сельскохозяйственные угодья. Для данной работы границы полей получены технологией ретроспективного мониторинга.
Заключение.
Для сельскохозяйственного производителя России и зарубежья появился новый вегетационный индекс — ASF-index. Этот индекс прошел апробацию в восьми регионах России на площади более 25 000 га. На момент написания статьи ASF-index внедрен уже на более чем 100 тыс. га. Для сельскохозяйственного производителя ASF-index является картой устойчивой внутриполе-вой неоднородности плодородия почв. Индекс предназначен для использования в системах умного и точного земледелия. В этих системах ASF-index — это, прежде всего, карта отзывчивости сельскохозяйственных культур на средства химизации. Формирование на основании ASF-index карт заданий, позволяет добиться в системах точного земледелия повышения урожайности при сохранении общехозяйственных норм минеральных удобрений.
С точки зрения технологии расчетов, ASF-index является прямым следствием развития технологий больших данных в виде geographic big data и satellite big data. Применение geographic data mining позволяет отобрать из тысячи тысяч кадров ДДЗ на каждое сельскохозяйственное поле планеты несколько десятков кадров, пригодных для расчетов. После нормализации отобранных кадров производится расчет ВИ и их среднемно-голетнее усреднение. Таким образом, ASF-index является представителем среднемноголетних ВИ.
В виде ASF-index сельскохозяйственному производителю становятся доступны и экономически оправданы большие спутниковые данные.
Литература.
1. Precision agriculture: A smart farming approach to agriculture // Food and Agriculture Organization of the United Nation. 2017. URL: http://www.fao.org/e-agriculture/news/ precision-agriculture-smart-farming-approach-agriculture
Об авторах:
2. Bach H., Mauser W. Sustainable Agriculture and Smart Farming / Mathieu PP., Aubrecht C. (eds) // Earth Observation Open Science and Innovation. ISSI Scientific Report Series. Vol. 15. Springer, Cham. 2018. P. 261-269. DOI: 10.1007/978-3-319-65633-5_12
3. Levi W. Precision agriculture: A smart farming approach // SPORE: spore.sta.int. 2017. № 185. P. 4-7. URL: http://cgspace.cgiar.org/bitstream/handle/10568/90014/ Spore-185-EN-WEB.pdf
4. Кирюшин В.И. Теория адаптивно-ландшафтного земледелия и проектирование агроландшафтов. М.: Колос С, 2011. 443 с.
5. Liu P. A survey of remote-sensing big data // Front. Environ. Sci. 2015. Vol. 3. Art. 45. DOI: 10.3389/fenvs.2015.00045.
6. Satellite Big Data: How It Is Changing the Face of Precision Farming // Farm Management tips. 2018. URL: http:// www.farmmanagement.pro/satellite-big-data-how-it-is-changing-the-face-of-precision-farming/
7. ExactFarming. URL: http://www.exactfarming.com/ru
8. FarmersEdge. URL: http://www.farmersedge.ca/ru
9. Cropio. URL: http://about.cropio.com/ru/
10. ООО "Агроноут" // Skolkovo Community. URL: http://sk.ru/net/1121390/
11. Intterra. URL: http://intterra.ru/ru
12. AGRO-SAT Consulting GmbH. URL: http://agro-sat.de
13. NEXT Farming: Smarte Losungen für Landwirte. URL: http://www.nextfarming.de
14. Немчинов Н. Дневник агронома: примените у себя // Поле августа : международная газета для земледельцев. М., 2018. № 12 (182). С. 5. URL: http://www.avgust. com/newspaper/pdf/2018/12.pdf
15. Технология составления карт внутриполевой неоднородности по данным ретроспективного мониторинга для составления карт заданий на дифференцированное внесение комплексных удобрений: результат интеллектуальной деятельности (РИД) / ООО «Агроноут»; рук. Трубников А.В. М., 2018. №АААА-Г18-618030290009-4. URL: http://rosrid.ru/rid/YVUTLONSZRTT3KN7ASFCEUEJ
16. Openshaw S. Geographical data mining: key design issues // Proceedings of the 4th International Conference on GeoComputation, Fredericksburg, Virginia, USA, 25-28 July 1999. URL: http://www.geocomputation.org/1999/051/ gc_051.htm
17. Miller HJ., Goodchild M.F. Data-driven geography // GeoJournal. 2015. Vol. 80 (4). P. 449-461. DOI: 10.1007/ s10708-014-9602-6
18. Bryzzhev A.V., Rukhovich D.I., Koroleva P.V., Kalinina N.V., Vilchevskaya E.V., Dolinina E.A., Rukhovich S.V. Organization of retrospective monitoring of the soil cover of Rostov oblast // Eurasian Soil Science. 2015. V. 48. № 10. P. 1029-1049. DOI: 10.1134/S1064229315100014
19. Рухович Д.И., Симакова М.С., Куляница А.Л., Брыз-жев А.В., Калинина Н.В., Королева П.В., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Влияние лесополос на фрагментацию овражно-балочной сети и образование мо-чаров // Почвоведение. 2014. № 11. С. 1043-1045. DOI: 10.7868/S0032180X14110094
20. Рухович Д.И., Симакова М.С., Куляница А.Л., Брыз-жев А.В., Королева П.В., Калинина Н.В., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Анализ применения почвенных карт в системе ретроспективного мониторинга состояния земель и почвенного покрова // Почвоведение.
2015. № 5. С. 605-625. DOI: 10.7868/S0032180X15050081
21. Лайель Ч. Основания геологии или перемены, происходившие некогда с землею и с ее обитателями / Пер. с 5-го изд.: В 2 т. М.: типография Э. Барфкнехта и Ко, 1859.
22. Hutton J. Theory of the Earth; or an investigation of the laws observable in the composition, dissolution, and restoration of land upon the Globe // Transactions of the Royal Society of Edinburgh. 1788. V. 1. Part 2. P. 209-304.
23. Рухович Д.И., Симакова М.С., Куляница А.Л., Брыз-жев А.В., Королева П.В., Калинина Н.В., Черноусенко Г.И., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Методология сравнения разновременных почвенных карт в целях выявления и описания динамики почвенного покрова на примере мониторинга засоления почв // Почвоведение.
2016. № 2. С. 164-181. DOI: 10.7868/S0032180X1602009X
24. Черноусенко Г.И., Калинина Н.В., Рухович Д.И., Королева П.В. Цифровая карта засоления почв Хакасии // Почвоведение. 2012. № 11. С. 1131-1146.
25. Рухович Д.И. Многолетняя динамика засоления орошаемых почв центральной части Голодной степи и методы её выявления : дис. ... канд. биол. наук / Московский государственный университет им. М.В. Ломоносова . М., 2009. 284 с.
26. McCarty J.L., Ellicott E.A., Romanenkov V., Ruk-hovitch D., Koroleva P. Multi-year black carbon emissions from cropland burning in the Russian Federation // Atmospheric Environment. 2012. V. 63. P. 223-238. DOI: 10.1016/j. atmosenv.2012.08.053
27. Rukhovich D.I., Koroleva P.V., Vilchevskaya E.V., Kolesn-ikova L.G., Romanenkov V.A. Constructing a spatially-resolved database for modelling soil organic carbon stocks of croplands in European Russia // Regional Environmental Change. 2007. Vol. 7. № 2. P. 51-61. DOI: 10.1007/s10113-007-0029-1
28. Королева П.В., Рухович Д.И., Рухович А.Д., Рухович Д.Д., Куляница А.Л., Трубников А.В., Калинина Н.В., Симакова М.С. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. 2017. № 12. С.1435-1446. DOI: 10.7868/S0032180X17100045
29. Рухович Д.И., Рухович АД., Рухович ДД., Симакова М.С., Куляница А.Л., Брызжев А.В., Королева П.В. Информативность коэффициентов a и b линии почв для анализа материалов дистанционного зондирования // Почвоведение. 2016. № 8. С. 903-917. DOI: 10.7868/S0032180X16080128
30. Рухович Д.И., Королева П.В., Калинина Н.В., Вильчевская Е.В., Симакова М.С., Долинина Е.А., Рухович С.В. Государственная почвенная карта — версия ArcInfo // Почвоведение. 2013. № 3. С. 251-267. DOI: 10.7868/S0032180X13030088
31. Рухович Д.И., Шаповалов Д.А. Продовольственная безопасность России: взгляд из космоса на засуху и урожай // Власть. 2015. № 8. С. 101-107.
32. Рухович Д.И., Шаповалов Д.А. Об особенностях мониторинга почвенно-земельного покрова как информационной основы эффективного землепользования // Землеустройство, кадастр и мониторинг земель. 2015. № 12 (131). С. 31-49.
33. Федоренко В.Ф., Рухович Д.И., Королева П.В., Вильчевская Е.В., Калинина Н.В., Трубников А.В., Мишу-ров Н.П. Оценка внутриполевой неоднородности почвенного покрова для технологий координатного земледелия // Техника и оборудование для села. 2017. № 9 (243). С. 2-6.
34. Дубинин М. Вегетационные индексы. 2006. URL: http://gis-lab.info/qa/vi.html
35. Rouse J.W., Haas R.H., Schell J.A., Deering D.W. Monitoring vegetation systems in the great plains with ERTS / Proceedings of Third ERTS Symposium, Washington, D.C., USA, 10-14 Dec. 1973 (NASA SP-351). 1974. Vol. 1. Р. 309-317.
36. Kauth RJ., Thomas G.S. The tasseled Cap — A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT / Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, West Lafayette, Indiana, 29 June — 1 July 1976. Р. 4B-41 to 4B-51.
37. Носов В.В. Экономическая оценка применения минеральных удобрений в России в современных условиях. 2015. URL: http://eeca-ru.ipni.net/ipniweb/region/ eecaru.nsf/0/5187B34B53F5AD2E43257E510027CF05/$FI LE/Economic%20assessment%20of%20fertilizer%20use%20 in%20Russia_RUS.pdf
38. Калькулятор удобрений. URL: http://eurochem-nakazot.ru/calculator/index.html
39. Богатырева Е.Н., Серая Т.М., Бирюкова О.М., Кир-дун Т.М., Белявская Ю.А., Торчило М.М. Коэффициенты пересчета зерна и семян в побочную продукцию и содержание основных элементов питания в побочной продукции сельскохозяйственных культур в Республике Беларусь // Почвоведение и агрохимия. 2016. № 2(57). С. 78-90.
40. EarthExplorer: Landsat Collection-1 Level-1//USGS : science for a changing world. URL: http://earthexplorer. usgs.gov
41. Copernicus Open Access Hub: Sentinel-2 // ESA Copernicus. URL: http://scihub.copernicus.eu/dhus/#/home
Шаповалов Дмитрий Анатольевич, доктор технических наук, профессор, проректор по научной и инновационной деятельности,
профессор кафедры почвоведения, экологии и природопользования, ORCID: http//orcid.org/0000-0001-8268-911X, Scopus Author ID: 57190579516
Королева Полина Владимировна, научный сотрудник
Калинина Наталья Валерьевна, научный сотрудник
Вильчевская Екатерина Владимировна, ведущий инженер исследователь
Куляница Андрей Леонидович, доктор технических наук, заместитель директора
Рухович Дмитрий Иосифович, кандидат биологических наук, заведующий лабораторией
14 -
INTERNATIONAL AGRICULTURAL JOURNAL № 1 (373) / 2020
www.mshj.ru
.Uí. ■/л*
ASF-INDEX — A MAP OF STABLE INTRA-FIELD HETEROGENEITY OF SOIL COVER FERTILITY, BASED ON BIG SATELLITE DATA FOR PRECISION AGRICULTURE TASKS
D.A. Shapovalov1, P.V. Koroleva2, N.V. Kalinina2, E.V. Vilchevskaya2, A.L. Kulyanitsa3, D.I. Ruhovich2
1 State University of Land Use Planning, Moscow, Russia
2 FGBNU VV Dokuchaev Soil science institute, Moscow, Russia
3 OOO "IT Parma'; Moscow, Russia
The analysis of the use of ASF-index in precision farming systems is performed. The mathematical, biological and agrotechnical components of the ASF-index are established. Mathematically, the ASF-index is a type of long-term vegetation index based on the processing of large arrays of remote sensing data — Satellite Big Data, Remote Sensing Big Data. The normalization of remote sensing data required for calculations is based on the spectral neighborhood of soil line. Biologically, the ASF-index is an indicator of different levels of soil fertility within the same agricultural field — a map of stable intra-field heterogeneity of fertility. Agronomically, the ASF-index reflects the different responsiveness of parts of the field to the use of mineral fertilizers. Agrotechnically, the ASF-index is the basis for generating task maps for precision farming systems, as it allows to calculate the rates of differentiated application of chemicals for different zones of soil fertility. ASF-index allows to achieve maximum productivity at a given level of chemicalization. Legally ASF-index — know how of the Agronote company.
Keywords: ASF-index, stable intra-field heterogeneity of fertility, precision farming, remote sensing data, vegetation indices
References
1. Precision agriculture: A smart farming approach to agriculture // Food and Agriculture Organization of the United Nation. 2017. URL: http://www.fao.org/e-agriculture/news/ precision-agriculture-smart-farming-approach-agriculture
2. Bach H., Mauser W. Sustainable Agriculture and Smart Farming / Mathieu PP., Aubrecht C. (eds) // Earth Observation Open Science and Innovation. ISSI Scientific Report Series. Vol. 15. Springer, Cham. 2018. Pp. 261-269. DOI: 10.1007/978-3-319-65633-5_12
3. Levi W. Precision agriculture: A smart farming approach // SPORE : spore.sta.int. 2017. № 185. Pp. 4-7. URL: https://cgspace.cgiar.org/bitstream/handle/10568/90014/ Spore-185-EN-WEB.pdf
4. Kiryushin V.I. The theory of adaptive-landscape farming and the design of agrolandscapes. Moscow: Kolos S, 2011.443 p.
5. Liu P. A survey of remote-sensing big data // Front. Environ. Sci. 2015. Vol. 3. Art. 45. DOI: 10.3389/fenvs.2015.00045.
6. Satellite Big Data: How It Is Changing the Face of Precision Farming // Farm Management tips. 2018. URL: http://www.farmmanagement.pro/satellite-big-data-how-it-is-changing-the-face-of-precision-farming/
7. ExactFarming. URL: http://www.exactfarming.com/en/
8. FarmersEdge [Electronic resource]. URL: https://www. farmersedge.ca/
9. Cropio URL: http://about.cropio.com/#top
10. LLC "Agronote" // Skolkovo Community. URL: http:// sk.ru/net/1121390
11. Intterra URL: http://intterra.ru/ru
12. AGRO-SAT Consulting GmbH. URL: http://agro-sat.de
13. NEXT Farming: Smarte Losungen für Landwirte. URL: http://www.nextfarming.de/
14. Nemchinov N. "Agronote": use it yourself // Field of august: international newspaper for farmers. Moscow, 2018. No 12 (182). P. 5. URL: http://www.avgust.com/newspaper/ pdf/2018/12.pdf
15. The technology of creation of intra-field heterogeneity maps according to retrospective monitoring for tasks maps of the differential application of complex fertilizers development: the result of intellectual activity (RID) / LLC "Agronote"; Trubnikov A.V. Moscow, 2018. №AAAA-H8-618030290009-4. URL: http://rosrid.ru/rid/YVUTLONSZRTT3KN7ASFCEUEJ [in Russian]
16. Openshaw S. Geographical data mining: key design issues // Proceedings of the 4th International Conference on GeoComputation, Fredericksburg, Virginia, USA, 25-28 July 1999. URL: http://www.geocomputation.org/1999/051/ gc_051.htm
17. Miller H.J., Goodchild M.F. Data-driven geography // GeoJournal. 2015. Vol. 80 (4). P. 449-461. DOI: 10.1007/s10708-014-9602-6
18. Bryzzhev A.V, Rukhovich D.I., Koroleva P.V., Kalinina N.V., Vilchevskaya E.V., Dolinina E.A., Rukhovich S.V Organi-
zation of retrospective monitoring of the soil cover of Rostov oblast. Pochvovedenie = Eurasian Soil Science. 2015. V. 48. No 10. Pp. 1029-1049. DOI: 10.1134/S1064229315100014
19. Rukhovich D.I., Simakova M.S., Bryzzhev AV., Koroleva P.V., Kalinina N.V., Vil'chevskaya E.V., Dolinina E.A., Rukhovich S.V., Kulyanitsa A.L. Impact of shelterbelts on the fragmentation of erosional networks and local soil waterlogging. Pochvovedenie = Eurasian Soil Science. 2014. V. 47(11). Pp. 1086-1099. DOI: 10.1134/S106422931411009X
20. Rukhovich D.I., Simakova M.S., Kulyanitsa A.L., Bryzzhev A.V., Kalinina N.V., Koroleva P.V., Vilchevskaya E.V., Do-linina E.A., Rukhovich S.V. Analysis of the application of soil maps for retrospective monitoring of soil cover/ Pochvove-denie = Eurasian Soil Science . 2015. No 5. Pp. 605-625 DOI: 10.7868/S0032180X15050081
21. Lyell C. Principles of geology or changes that once occurred with the Earth and its inhabitants / Transl. from the 5th ed .: In 2 vols. Moscow: E. Barfknecht and Co., 1859.
22. Hutton J. Theory of the Earth; or an investigation of the laws observable in the composition, dissolution, and restoration of land upon the Globe // Transactions of the Royal Society of Edinburgh. 1788. V. 1. Part 2. P. 209-304.
23. Rukhovich D.I., Simakova M.S., Kulyanitsa A.L., Bry-zzhev A.V., Koroleva P.V., Kalinina N.V., Chernousenko G.I., Vil'chevskaya E.V, Dolinina E.A., Rukhovich S.V Methodology for comparing soil maps of different dates with the aim to reveal and describe changes in the soil cover by the example of soil salinization monitoring. Pochvovedenie = Eurasian Soil Science. 2016. V. 49(2) Pp. 145-162. DOI: 10.1134/ S1064229316020095
24. Chernousenko G.I., Kalinina N.V., Rukhovich D.I., Koroleva P.V. Digital map of salt-affected soils of Khakassia. Pochvovedenie = Eurasian Soil Science. 2012. V. 45(11) Pp. 997-1012. DOI: 10.1134/S1064229312110026
25. Rukhovich D.I. Long-term dynamics of salinization of irrigated soils in the central part of the Golodnaya Steppe and methods of its identification: Candidate's Dissertation in Biology/ Moscow State University. Moscow, 2009. 284 p.
26. McCarty J.L., Ellicott E.A., Romanenkov V., Rukho-vitch D., Koroleva P. Multi-year black carbon emissions from cropland burning in the Russian Federation // Atmospheric Environment. 2012. V. 63. P. 223-238. DOI: 10.1016/j. atmosenv.2012.08.053
27. Rukhovich D.I., Koroleva P.V., Vilchevskaya E.V., Kolesn-ikova L.G., Romanenkov VA. Constructing a spatially-resolved database for modelling soil organic carbon stocks of croplands in European Russia // Regional Environmental Change. 2007. Vol. 7. № 2. Pp. 51-61. DOI: 10.1007/s10113-007-0029-1
28. P.V. Koroleva, D.I. Rukhovich, A.D. Rukhovich, D.D. Rukhovich, A.L. Kulyanitsa, A.V. Trubnikov, N.V. Kalinina, M.S. Simakova Location of bare soil surface and soil line on the RED-NIR spectral plane. Pochvovedenie = Eurasian Soil Science. 2017. V. 50(12). Pp. 1375-1385.DOI: 10.1134/S1064229317100040
29. Rukhovich D.I., Rukhovich A.D., Rukhovich D.D., Simakova M.S., Kulyanitsa A.L., Bryzzhev AV, Koroleva P.V. The informativeness of coefficients a and b of the soil line for the analysis of remote sensing materials Pochvovedenie = Eurasian Soil Science. 2016. V. 49. № 8. Pp. 831-845. DOI: 10.1134/S1064229316080123
30. Rukhovich, D.I., Koroleva, P.V., Kalinina, N.V., Vil'chevskaya, EV, Simakova, M.S., Dolinina, E.A., Rukhovich, S.V State soil map of the Russian Federation: an Arclnfo version. Pochvovedenie = Eurasian Soil Science. 2013. V 46 № 3 Pp. 225 - 240 DOI: 10.1134/S1064229313030083
31. Rukhovich D.I., Shapovalov D.A. Food security of Russia: a view from space on drought and harvest. Vlast = Power. 2015. № 8. Pp. 101-107.
32. Rukhovich D.I., Shapovalov D.A. On peculiarities of monitoring of land cover as an information basis for effective land use. Zemleustrojstvo, kadastr i monitoring zemel = Land administration, inventory and monitoring of land. 2015. № 12 (131). Pp. 31-49
33. Fedorenko V.F., Rukhovich D.I., Koroleva P.V., Vilchevskaya EV, Kalinina N.V., TrubnikovA.V., MishurovN.P. Estimation of soil cover non-uniformity in field conditions for coordinate farming technologies. Texnika i oborudovanie sela = Machinery and Equipment for Rural Area. 2017. No 9 (243). Pp.2-6.
34. Dubinin M. Vegetation indices. 2006. URL: http://gis-lab.info/qa/vi.html
35. Rouse JW, Haas R.H., Schell J.A., Deering DW. Monitoring vegetation systems in the great plains with ERTS // Proceedings of Third ERTS Symposium, Washington, D.C., USA, 10-14 Dec. 1973 (NASA SP-351). 1974. Vol. 1. Pp. 309-317.
36. Kauth RJ, Thomas G.S.The tasseled Cap — A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT / Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, West Lafayette, Indiana, 29 June — 1 July 1976. P. 4B-41 to 4B-51.
37. Nosov VV. Economic assessment of the use of mineral fertilizers in Russia in modern conditions 2015. URL: http:// eeca-ru.ipni.net/ipniweb/region/eecaru.nsf/0/5187B34B5 3F5AD2E43257E510027CF05/$FILE/Economic%20assess-ment%20of%20fertilizer%20use%20in%20Russia_RUS.pdf
38. Fertilizer calculator URL: http://eurochem-nakazot. ru/calculator/index.html [in Russian]
39. Bogatyreva E.N., Seraya T.M., Biryukova O.M., Kir-dun T.M., Belyavskaya Yu.A., Torchilo MM. The coefficients for the conversion of grain and seeds into by-products and the content of basic nutrients in the by-products of agricultural crops in the Republic of Belarus. Pochvovedenie i agroximiya = Soil science and agrochemistry. 2016. No. 2 (57). Pp. 78-90.
40. EarthExplorer: Landsat Collection-1 Level-1 // USGS : science for a changing world. URL: http://earthexplorer.usgs. gov
41. Copernicus Open Access Hub: Sentinel-2 // ESA Copernicus. URL: http://scihub.copernicus.eu/dhus/#/home
About the authors:
Dmitry A. Shapovalov, doctor of technical sciences, professor, pro-rector for research and innovation, professor of the department of soil science,
ecology and environmental sciences, ORCID: http// orcid.org/0000-0001-8268-911X, Scopus Author ID: 57190579516
Polina V. Koroleva, researcher
Natalia V. Kalinina, researcher
Ekaterina V. Vilchevskaya, leading engineer researcher
Andrey L. Kulyanitsa, doctor of technical sciences, deputy director
Dmitry I. Ruhovich, candidate of biological sciences, head of laboratory
shapoval_ecology@ mail.ru
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ №1(373)/2020
