Сучасні технології дистанційного зондування водного режиму та поживних речовин у сільському господарстві: огляд
Анотація
Актуальність дослідження зумовлена необхідністю впровадження ефективних методів та інструментів моніторингу водних ресурсів та відстеження рівня поживних речовин у ґрунті для покращення сільськогосподарського виробництва та сталого використання природних ресурсів. Метою дослідження є надання комплексного огляду новітніх технологій та методів, що використовуються в ДЗЗ для точної оцінки стану водних ресурсів та рівня поживних речовин у сільськогосподарських культурах з метою підвищення продуктивності та сталості сільського господарства. Були вивчені останні досягнення в методах дистанційного зондування, які дозволяють проводити точний моніторинг і оцінку рівнів води і поживних речовин у посівах, що має вирішальне значення для оптимізації сільськогосподарських практик. Дослідження літератури проводилося шляхом адаптації методів систематичних оглядів і мета-аналізу, яким надається перевага при складанні звітів. У цьому дослідженні представлено огляд технології ДЗЗ з особливим акцентом на визначенні водного та поживного статусу сільськогосподарських культур у сільському господарстві. Також було проведено ретельний огляд досліджень, присвячених застосуванню та технологіям ДЗЗ у сільському господарстві, з використанням підходу «від широкого до вузького». Проаналізовані наукові дослідження свідчать про наступне: ДЗЗ на великомасштабному рівні, ДЗЗ на рівні поля, ДЗЗ на рівні теплиць, ДЗЗ на рівні рослин та ДЗЗ на рівні листків. Також представлені сучасні передові технології. Результати цього дослідження можуть бути корисними для тих, хто займається питаннями сталого сільського господарства, таких як дослідники, викладачі та студенти-початківці
Ключові слова
огляд; точне землеробство; точне зрошення; розумне землеробство; дистанційне зондування; моніторинг посівів; реакція рослин на воду; неінвазивний; неруйнівний
[1] Ahmad, U., Alvino, A., & Marino, S. (2021). A review of crop water stress assessment using remote sensing. Remote Sensing, 13(20), article number 4155. doi: 10.3390/rs13204155.
[2] Ammoniaci, M., Kartsiotis, S.P., Perria, R., & Storchi, P. (2021). State of the art of monitoring technologies and data processing for precision viticulture. Agriculture, 11(3), article number 201. doi: 10.3390/agriculture11030201.
[3] Araújo-Paredes, C., Portela, F., Mendes, S., & Valín, M.I. (2022). Using aerial thermal imagery to evaluate water status in Vitis vinifera cv. Loureiro. Sensors, 22(20), article number 8056. doi: 10.3390/s22208056.
[4] Atanasov, S., Harizanova-Petrova, B., & Petrova, R. (2023). Tomato leaf colour as predictor of soil moisture level using machine learning techniques. Scientific Horizons, 26(2), 31-42. doi: 10.48077/scihor.26(2).2023.31-42.
[5] Avşar, E., & Mowla, M.N. (2022). Wireless communication protocols in smart agriculture: A review on applications, challenges and future trends. Ad Hoc Networks, 136, article number 102982. doi: 10.1016/j.adhoc.2022.102982.
[6] Bacco, M., Barsocchi, P., Ferro, E., Gotta, A., & Ruggeri, M. (2019). The digitisation of agriculture: A survey of research activities on smart farming. Array, 3-4, article number 100009. doi: 10.1016/j.array.2019.100009.
[7] Bianchi, A., Masseroni, D., & Facchi, A. (2017). Modelling water requirements of greenhouse spinach for irrigation management purposes. Hydrology Research, 48(3), 776-788. doi: 10.2166/nh.2016.079.
[8] Chandel, N.S., Rajwade, Y.A., Dubey, K., Chandel, A.K., Subeesh, A., & Tiwari, M.K. (2022). Water stress identification of winter wheat crop with state-of-the-art ai techniques and high-resolution thermal-rgb imagery. Plants, 11(23), article number 3344. doi: 10.3390/plants11233344.
[9] Clevers, J.G., Kooistra, L., & Van den Brande, M.M. (2017). Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop. Remote Sensing, 9(5), article number 405. doi: 10.3390/rs9050405.
[10] Damm, A., Paul-Limoges, E., Haghighi, E., Simmer, C., Morsdorf, F., Schneider, F.D., van der Tol, C., Migliavacca, M., Rascher, U., & Rascher, U. (2018). Remote sensing of plant-water relations: An overview and future perspectives. Journal of plant physiology, 227, 3-19. doi: 10.1016/j.jplph.2018.04.012.
[11] Dhillon, R. (2015). Development and evaluation of a continuous leaf monitoring system for measurement of plant water status (PhD Dissertation, Department of Biological Systems Engineering, University of California, Davis).
[12] Dhillon, R., Rojo, F., Upadhyaya, S.K., Roach, J., Coates, R., & Delwiche, M. (2019). Prediction of plant water status in almond and walnut trees using a continuous leaf monitoring system. Precision Agriculture, 20, 723745. doi: 10.1007/s11119-018-9607-0.
[13] Domingues, T., Brandão, T., & Ferreira, J.C. (2022). Machine learning for detection and prediction of crop diseases and pests: A comprehensive survey. Agriculture, 12(9), article number 1350. doi: 10.3390/agriculture12091350.
[14] Dong, T., Liu, J., Qian, B., He, L., Liu, J., Wang, R., Jing, Q., Champagne, C., McNairn, H., Powers, J., Shi, Y., Chen, J.M., & Shang, J. (2020). Estimating crop biomass using leaf area index derived from Landsat 8 and Sentinel-2 data. ISPRS Journal of Photogrammetry and Remote Sensing, 168, 236-250. doi: 10.1016/j.isprsjprs.2020.08.003.
[15] Du, L., Yang, H., Song, X., Wei, N., Yu, C., Wang, W., & Zhao, Y. (2022). Estimating leaf area index of maize using UAV-based digital imagery and machine learning methods. Scientific Reports, 12, article number 15937. doi: 10.1038/s41598-022-20299-0.
[16] FAO. (2023). Retrieved from https://www.fao.org/home/en.
[17] Fernández-Novales, J., Saiz-Rubio, V., Barrio, I., Rovira-Más, F., Cuenca-Cuenca, A., Santos Alves, F., Valente, J., Tardaguila, J., & Diago, M.P. (2021). Monitoring and mapping vineyard water status using non-invasive technologies by a ground robot. Remote Sensing, 13(14), article number 2830. doi: 10.3390/rs13142830.
[18] Gonzalez-De-Santos, P., Fernández, R., Sepúlveda, D., Navas, E., & Armada, M. (2020). Unmanned ground vehicles for smart farms. Agronomy – Climate Change & Food Security, 6, article number 73. doi: 10.5772/ intechopen.90683.
[19] Hahn, F., Espinoza, J., & Zacarías, U. (2021). Mango leaf monitoring with inductive and capacitive sensors and its comparison with trunk dendrometer measurements. Engineering Proceedings, 9(1), article number 28. doi: 10.3390/engproc2021009028.
[20] Hama, A., Matsumoto, Y., & Matsuoka, N. (2022). Estimating leaf water content through low-cost LiDAR. Agronomy, 12(5), article number 1183. doi: 10.3390/agronomy12051183.
[21] Hiroshige, N. (2015). Development of speaking plant approach technique for intelligent greenhouse. Agriculture and Agricultural Science Procedia, 3, 9-13. doi: 10.1016/j.aaspro.2015.01.004.
[22] Kalaitzoglou, P., Taylor, C., Calders, K., Hogervorst, M., van Ieperen, W., Harbinson, J., de Visser, P., Nicole, C.C.S., & Marcelis, L. F. (2021). Unraveling the effects of blue light in an artificial solar background light on growth of tomato plants. Environmental and Experimental Botany, 184, article number 104377. doi: 10.1016/j. envexpbot.2021.104377.
[23] Katsoulas, N., Elvanidi, A., Ferentinos, K.P., Kacira, M., Bartzanas, T., & Kittas, C. (2016). Crop reflectance monitoring as a tool for water stress detection in greenhouses: A review. Biosystems Engineering, 151, 374-398. doi: 10.1016/j.biosystemseng.2016.10.003.
[24] Konings, A.G., Rao, K., & Steele-Dunne, S.C. (2019). Macro to micro: Microwave remote sensing of plant water content for physiology and ecology. New Phytologist, 223(3), 1166-1172. doi: 10.1111/nph.15808.
[25] Lassalle, G. (2021). Monitoring natural and anthropogenic plant stressors by hyperspectral remote sensing: Recommendations and guidelines based on a meta-review. Science of the Total Environment, 788, article number 147758. doi: 10.1016/j.scitotenv.2021.147758.
[26] Lezoche, M., Hernandez, J.E., Díaz, M.D.M.E.A., Panetto, H., & Kacprzyk, J. (2020). Agri-food 4.0: A survey of the supply chains and technologies for the future agriculture. Computers in Industry, 117, article number 103187. doi: 10.1016/j.compind.2020.103187.
[27] Li, Q., Gao, M., & Li, Z.L. (2022). Ground hyper-spectral remote-sensing monitoring of wheat water stress during different growing stages. Agronomy, 12(10), article number 2267. doi: 10.3390/agronomy12102267.
[28] Liakos, K., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), article number 2674. doi: 10.3390/s18082674.
[29] López-García, P., Intrigliolo, D., Moreno, M.A., Martínez-Moreno, A., Ortega, J.F., Pérez-Álvarez, E.P., & Ballesteros, R. (2022). Machine learning-based processing of multispectral and RGB UAV imagery for the multitemporal monitoring of vineyard water status. Agronomy, 12(9), article number 2122. doi: 10.3390/agronomy12092122.
[30] Madhavi, B.G.K., Basak, J.K., Paudel, B., Kim, N.E., Choi, G.M., & Kim, H.T. (2022). Prediction of strawberry leaf color using RGB mean values based on soil physicochemical parameters using machine learning models. Agronomy, 12(5), article number 981. doi: 10.3390/agronomy12050981.
[31] Miao, J., Zhen, J., Wang, J., Zhao, D., Jiang, X., Shen, Z., & Wu, G. (2022). Mapping seasonal leaf nutrients of mangrove with Sentinel-2 images and XGBoost method. Remote Sensing, 14(15), article number 3679. doi: 10.3390/rs14153679.
[32] Nasirahmadi, A., & Hensel, O. (2022). Toward the next generation of digitalization in agriculture based on digital twin paradigm. Sensors, 22(2), article number 498. doi: 10.3390/s22020498.
[33] Pylianidis, C., Osinga, S., & Athanasiadis, I.N. (2021). Introducing digital twins to agriculture. Computers and Electronics in Agriculture, 184, article number 105942. doi: 10.1016/j.compag.2020.105942.
[34] Rodriguez-Perez, J.R., Ordóñez, C., González-Fernández, A.B., Sanz-Ablanedo, E., Valenciano, J.B., & Marcelo, V. (2018). Leaf water content estimation by functional linear regression of field spectroscopy data. Biosystems Уngineering, 165, 36-46. doi: 10.1016/j.biosystemseng.2017.08.017.
[35] Rojo, F., Kizer, E., Upadhyaya, S., Ozmen, S., Ko-Madden, C., & Zhang, Q. (2016). A leaf monitoring system for continuous measurement of plant water status to assist in precision irrigation in grape and almond crops. IFAC-PapersOnLine, 49(16), 209-215. doi: 10.1016/j.ifacol.2016.10.039.
[36] Rosso, P., Nendel, C., Gilardi, N., Udroiu, C., & Chlebowski, F. (2022). Processing of remote sensing information to retrieve leaf area index in barley: A comparison of methods. Precision Agriculture, 23(4), 1449-1472. doi: 10.1007/s11119-022-09893-4.
[37] Ru, C., Hu, X., Wang, W., Ran, H., Song, T., & Guo, Y. (2020). Evaluation of the crop water stress index as an indicator for the diagnosis of grapevine water deficiency in greenhouses. Horticulturae, 6(4), article number 86. doi: 10.3390/horticulturae6040086.
[38] Sanches, I.D.A., Souza Filho, C.R., & Kokaly, R.F. (2014). Spectroscopic remote sensing of plant stress at leaf and canopy levels using the chlorophyll 680 nm absorption feature with continuum removal. ISPRS Journal of Photogrammetry and Remote Sensing, 97, 111-122. doi: 10.1016/j.isprsjprs.2014.08.015.
[39] Shafi, U., Mumtaz, R., García-Nieto, J., Hassan, S.A., Zaidi, S.A.R., & Iqbal, N. (2019). Precision agriculture techniques and practices: From considerations to applications. Sensors, 19(17), article number 3796. doi: 10.3390/s19173796.
[40] Silva, T.M.M.D., Costa, B.R.S., Oldoni, H., Mitsuyuki, M.C., & Bassoi, L.H. (2022). Calibration of chlorophyll handheld meter based on vineyard NDVI zones for estimation of leaf N content. Ciência e Agrotecnologia, 46, article number e006222. doi: 10.1590/1413-7054202246006222.
[41] Skoneczny, H., Kubiak, K., Spiralski, M., Kotlarz, J., Mikiciński, A., & Puławska, J. (2020). Fire blight disease detection for apple trees: Hyperspectral analysis of healthy, infected and dry leaves. Remote Sensing, 12(13), article number 2101. doi: 10.3390/rs12132101.
[42] United Nations Development Programme. (2023). Retrieved from https://www.undp.org/.
[43] Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, article number 111402. doi: 10.1016/j.rse.2019.111402.
[44] Zhao, T., Nakano, A., Iwaski, Y., & Umeda, H. (2020). Application of hyperspectral imaging for assessment of tomato leaf water status in plant factories. Applied Sciences, 10(13), article number 4665. doi: 10.3390/ app10134665.
[45] Zheng, H., Cheng, T., Li, D., Zhou, X., Yao, X., Tian, Y., Cao, W., & Zhu, Y. (2018). Evaluation of RGB, color-infrared and multispectral images acquired from unmanned aerial systems for the estimation of nitrogen accumulation in rice. Remote Sensing, 10(6), article number 824. doi: 10.3390/rs10060824.
[46] Zhuang, S., Wang, P., Jiang, B., Li, M., & Gong, Z. (2017). Early detection of water stress in maize based on digital images. Computers and Electronics in Agriculture, 140, 461-468. doi: 10.1016/j.compag.2017.06.022.