The monitoring of agropedoclimatic parameters in field crops through measurement and observation methods, using images collected from drones and… [309798]

UNIVERSITATEA DE ȘTIINȚE AGRONOMICE ȘI MEDICINĂ VETERINARĂ DIN BUCUREȘTI

FACULTATEA DE ÎMBUNĂTĂȚIRI FUNCIARE ȘI INGINERIA MEDIULUI

DOMENIUL: AGRONOMIE

Ing. Trif M. Alexandra

TEZĂ DE DOCTORAT

Tema de cercetare: „Monitorizarea parametrilor agropedoclimatici în culturile de câmp prin utilizarea metodelor de măsurare și observare folosind imagini provenite de la drone și sateliți”

Conducător doctorat:

Prof.univ.dr. Sorin Mihai Cîmpeanu

București

2018

REZUMAT

Cuvinte cheie: [anonimizat], [anonimizat], teledetecție.

Lucrarea își propune aducerea în prim plan a [anonimizat]: [anonimizat], drone, UAV-uri, senzori inteligenți și sateliți.

Instrumentele moderne de măsurare și monitorizare vin în ajutorul fermierilor în vederea raționalizării costurilor de producție prin intermediul hărților și planurilor obținute în urma preluării imaginilor aeriene. Ortofotoplanurile pot conține informații precum: [anonimizat]. Prin urmare livrabilele oferite fermierilor pot consta în: [anonimizat] a [anonimizat], informații referitoare la densitatea plantelor (număr plante și volum frunze), evaluarea gradului de îmburuienare și stabilirea momentului optim de control al buruienilor;

Avantajele fermierilor ce apelează la instrumentele moderne de monitorizare a culturilor agricole pot fi următoarele: optimizarea resurselor prin reducerea consumuluide apă, a fertilizanților și a pesticidelor, [anonimizat], menținerea durabilității sistemelor agricole și creșterea profitului prin obținerea de producții mari și de calitate.

Cercetările au fost efectuate în cadrul fermelor: [anonimizat], SC Intercereal SA din județul Călărași și în cadrul Stațiunii Didactice Belciugatele: Ferma Moara Domnească a USAMVB, iar culturile vizate au fost: rapița, grâul și porumbul.

[anonimizat].

Capitolul I prezintă: [anonimizat] a [anonimizat] „agricultură de precizie”.

Capitolul II descrie materialele și metodele utilizate în cadrul cercetărilor efectuate. [anonimizat]-[anonimizat] a zonei de studiu.

Capitolul III prezintă cele 7 experiențe efectuate în cadrul anilor de cercetare după cum urmează:

Experiența 1 „Determinarea altitudinii optime de zbor privind optimizarea evăuarii gradului de afectare al culturii de rapiță la ieșirea din iarnă utilizând procesarea de imagine” în cadrul căreia s-au preluat imagini aeriene la diferite altitudini cu ajutorul dronei Phantom 4 [anonimizat]-se astfel totalul suprafeței acoperite de vegetație în raport cu suprafața totală. Prin urmare, s-au validat imaginile preluate sub 150 m altitudine, cele optime fiind cele preluate la 50 m altitudine. Acest studiu a fost necesar în vederea ultilizării altitudinii de preluare optime în cercetările viitoare.

Experiența 2 „Prezentarea a trei metode moderne de prelucrare în vederea evaluării daunelor suferite de culturile de rapiță la sfârșitul iernii” în cadrul căreia s-au utilizat trei metode moderene de apreciere a gradului de compromitere al culturii de rapiță la ieșirea din iarnă, comparate cu cea clasică. Prima metodă este reprezentată de tehnologia GNSS și a modului de preluare a datelor direct din teren cu metoda “Stop and Go”; În cea de a doua metoda este prezentată digitizarea manuală a suprafețelor afectate utilizând instrumente de tip GIS, iar în cea de a treia metodă este prezentată clasificarea pixelilor cu ajutorul softurilor de prelucrare de imgine și a scripturilor in limabjul de programare Python. Toate cele trei metode studiate sunt viabile și au dat rezultate bune, însă a treia metodă se dovedește a fi superioară celorlalte, atât la viteză cât și la precizie. Acest studiu a fost necesar în vederea determinării celei mai rapide, eficiente și corecte metode, în vederea ultilizării acesteia în cercetările viitoare.

Experiența 3. ”Cercetări privind utilizarea imaginilor aeriene în estimarea producțiilor la cultura de rapiță” în cadrul căreia s-au utilizat două metode moderne de prelucrare a imaginilor aeriane achiziționate și corelate cu măsurătorile in situ. Prima metodă a vizat preluarea imaginilor cu ajutorul dronei Phantom 3 Professional, întocmirea ortofotoplanului și trecerea acestuia prin procesul de clasificare, urmărind 5 clase de densități diferite. A doua metodă a vizat preluarea unei imagini satelitare asupra zonei de interes la aceeași dată și clasificarea acesteia conform aceleiași legende. Corelarea datelor obținute în urma clasificării imaginilor cu metoda clasică a presupus: numărarea plantelor pe unitatea de suprafață cu ajutorul ramei metrice din aproape în aprope pe toată suprafața solei, determinări precum numărul de ramificații/planta, număr silicve, număr boabe și masa boabelor în cate 5 repetiții pentru fiecare clasă identificată pe imagini. În acest caz s-a constatat că metoda în care s-a utilizat ortofotoplanul obținut pe baza imaginilor din drona a fost una eficientă, iar estimarea producției a fost foarte aproape de cea reală. Totodata, ortofotoplanul întocmit cu ajutorul imaginilor provenite de la dronă are o rezoluție mult mai bună decât imaginea obținută de la satelit, aceasta având și costuri ridicate. Pe baza imaginii provenite de la satelit se pot întocmi planuri de fertilizare diferențiată, fapt ce constituie subiectul următoarei experiențe.

Experiența 4. „Compararea metodelor moderne de preluare a imginilor provenite de la satelit și UAV, în vederea determinării gradului de afectare al culturii de rapiță la ieșirea din iarnă” în cadrul căruia se prezintă metodologia clasică a preluării datelor in situ și compararea acesteia cu datele preluate de la satelit și cele provenite de la UAV, toate acestea conducând la livrabilul oferit fermierului și anume planul de distribuire diferențiată a inputurilor. Ambele ortofotoplanuri au trecut prin procesul de clasificare urmărind aceeași legendă. În acest caz ambele variante au fost viabile în vederea determinării zonelor afectate, cu observația că metoda evaluării gradului de afectare al culturilor cu ajutorul imaginilor preluate de la UAV a fost mai exactă și mai apropiată de estimarea efectuată în mod standard. Livrabilul se poate face în format “*.shp”, astfel încât să fie introdus direct în GPS-ul agregatul agricol.

Experiența 5. „Cercetare privind potențialul de utilizare al procesării de imagini în evaluarea stării culturii de porumb” în cadrul acestei experiențe s-au corelat datele obținute în urma măsurătorilor din teren asupra nivelului de clorofilă și a conținutui de azot cu ajutorul instrumentelor clasice și datele obținute în urma clasificării imaginilor aeriene conform indicelui de vegetație NDVI. Metoda a fost validată prin obținerea corelațiilor liniare între măsurătorile clasice și cele moderne, astfel încat s-a întocmit o legendă ce poate fi utilizată în studiile viitoare asemănătoare.

Experiența 6. „Cercetare privind potențialul imaginilor aeriene provenite de la UAV, în vederea întocmirii planurilor de fertilizare în cultura grâului” în cadrul căreia s-au utilizat imaginile provenite de la UAV-ul SenseFly eBeeSQ, pe baza lor întocmindu-se planul de administrare al îngrășămintelor la nivelul întregii parcele, întrucât aceasta prezenta neuniformități în ceea ce privește nivelul de fertilitate. Având planurile cartografice agrochimice ale solului s-au realizat corelații între poziția pixelilor și valoarea nutrienților din sol.

Experiența 7. „Cercetări privind gradul de afectare al culturii de rapiță în urma atacului dăunătorilor, utilizând UAV-ul FAE FIXED WING”, ce curpinde diagnoza în urma atacului puricelui negru al rapiței (Phyllotreta atra), pe baza căreia s-au determinat suprafețele afectate și s-a întocmit planul de reînsămânțare a zonelor afectate cu o cultură de primăvară.

Capitolele IV, V și VI sunt reprezentate de concluzii, recomandări, contribuțiile proprii și bibliografia tezei.

SUMMARY

TITLE: „The monitoring of agropedoclimatic parameters in field crops through measurement and observation methods, using images collected from drones and satellites”

Keywords: precision agriculture, drones, pixel classification, photogrammetry, remote sensing.

The paper aims to bring forward modern methods of monitoring agricultural crops using tools such as GNSS receivers, GIS tools, drones, UAVs, intelligent sensors and satellites.

Modern measurement and monitoring tools help farmers in rationalizing production costs with the help of maps and plans obtained from aerial images. Orthophotos may contain information such as: crop uniformity, excess water, and other damage caused by extreme weather events. Hence, the deliverables offered to farmers can consist of: fertilization plans, phytosanitary management plans, the diagnosis of crops following the sowing or fertilization process, information on plant density (plant number and leaf volume), assessment of the degree of weeding and establishing the optimal time for weed control.

The advantages of farmers who use modern agricultural crop monitoring tools can be: optimizing resources by reducing water consumption, fertilizers and pesticides, reducing decision-making time, more efficient fertilization, maintaining the sustainability of farming systems, and increasing profit by generating bigger crops and higher quality.

The research was carried out on the following farms: SC Ildu SRL, SC Probstdorfer Saatzucht Romania SRL, SC Intercereal SA from Calarasi County and Belciugatele Didactic Station: USAMVB “Moara Domnească” farm. The research targeted the following crops: rapeseed, wheat and maize.

The thesis is structured in six chapters, each of them presenting the current international state of research in this field, followed by own research and descriptions of each scientific experience.

Chapter I presents: the objective of the thesis, general information and the international status of the studies conducted so far, focusing on the concept of "precision agriculture".

Chapter II describes the materials and methods used in the research. The study area, the characteristics of the drones and UAVs used, the air code legislation and the agrometeorological characterization of the study area are presented.

Chapter III presents the 7 experiences performed during the years of research, as follows:

Experiment 1. "The determination of the optimal flight altitude with the purpose of optimizing the evaluation of the rate of damage to rapeseed crops when leaving winter, using image processing" in which aerial images were taken at different altitudes using the Phantom 4 Professional drone, which then went through the the pixel classification process, thus obtaining the total area covered by the vegetation in relation to the total area. Therefore, the images taken over 150m altitude were validated, the optimal being taken at 50m altitude. This study was necessary in order to use the optimal altitude in future research.

Experiment 2. "The presentation of three modern processing methods of assessing the damage to rapeseed crops at the end of winter" using three modern methods of assessing the degree of deterioration of rapeseed crops at the end of winter, in comparison with the classic method. The first method involves using GNSS technology and the field capture method together with the "Stop and Go" method; For the second method, the manual digitization of affected areas using GIS tools is presented. The third method consists of classifying pixels using image processing software and custom scripts written in the Python programming language. All three studied methods are viable and have yielded good results, but the third method proves to be superior to the others at both speed and precision. This study was necessary to determine the most expeditious, efficient and accurate methods to be used in future research.

Experiment 3. "Research on the use of aerial images in estimating the yields of rapeseed crops" using two modern methods of aerial image processing acquired and correlated with the on-site measurements. The first method consists of taking pictures using the Phantom 3 Professional drone, creating the orthophoto and passing it through the classification process, resulting in 5 classes of different densities. The second method involves taking a satellite image of the area of interest on the same date, classifying it according to the same legend. The correlation of data obtained from classifying the images with the traditional method involved: counting the number of plants per unit area using the metric frame on the entire surface, making determinations such as the number of branches/plant, number of *silicve*, number of grains and grain mass. This process was repeated 5 times for each class identified in the images. In this case, it was found that the method using the orthophoto obtained from the drones was more efficient and the production estimation was very close to the actual one. At the same time, the orthophoto which resulted from the drones has a much better resolution than the satellite image, which also has high costs. Based on satellite imagery, differentiated fertilization plans can be drawn up, which is the subject of the next experience.

Experiment 4. "Comparison of modern satellite and UAV capture methods with the purpose of determining the degree of damage of rapeseed crops during winter" which presents the classical methodology of the data acquisition compared to the data acquired from satellite and from the UAV. After that, the farmer's deliverable is obtained: the differential distribution plan of the inputs. Both orthophotos have gone through the classification process following the same legend. In this case, both variants were viable for the purpose of determination of affected areas, with the observation that the method of assessing the degree of damage to crops using the images taken from the UAV was more accurate and closer to the classic estimate. The deliverable can be exported in "* .shp" format so that it can be directly inserted into the GPS.

Experiment 5. "Research on the potential of using image processing for assessing the state of corn crops". In this experience, the data obtained using classic instruments from field measurements on chlorophyll and Nitrogen content was correlated with the data obtained from the classification of aerial images corresponding to the NDVI vegetation index. The method has been validated by obtaining linear correlations between classic and modern measurements, so that a legend can be drawn up which can be used in similar future studies.

Experiment 6. "Research on the potential of using UAV imagery in preparing fertilization plans for wheat crops" using images from the SenseFly eBeeSQ UAV, based on which the management plan of fertilizers at the level of the whole plot is drawn up, as it showed uneven levels of fertility. Using the agrochemical cartography of the soil, correlations have been made between the position of the pixels and the value of soil nutrients.

Experiment 7. "Researches on the degree of damage to rapeseed culture following pest attacks, using the FAE FIXED WING UAV" which traces the diagnosis following the attack of the Phyllotreta atra pepper, on the basis of which the affected areas and the respective reforestation plans were determined with a spring culture.

Chapters IV, V and VI are the conclusions, recommendations, own contributions and bibliography of the thesis.

RÉSUMÉ

TITRE: "La surveillance des paramètres agropédoclimatiques dans les grandes cultures à travers des méthodes de mesure et d'observation, en utilisant des images collectées à partir de drones et de satellites"

Mots-clés: agriculture de précision, drones, classification des pixels, photogrammétrie, télédétection.

Le document vise à présenter des méthodes modernes de surveillance des cultures agricoles à l'aide d'outils tels que les récepteurs GNSS, les outils SIG, les drones, les UAV, les capteurs intelligents et les satellites.

Des outils modernes de mesure et de suivi aident les agriculteurs à rationaliser les coûts de production à l'aide de cartes et de plans obtenus à partir d'images aériennes. Les orthophotos peuvent contenir des informations telles que: l'uniformité de la culture, l'excès d'eau et d'autres dommages causés par des phénomènes météorologiques extrêmes. Ainsi, les livrables proposés aux agriculteurs peuvent comprendre: des plans de fertilisation, des plans de gestion phytosanitaire, le diagnostic des cultures après le semis ou la fertilisation, des informations sur la densité des plantes (nombre de plantes et volume des feuilles), l'évaluation du temps optimal pour le contrôle des mauvaises herbes.

Les avantages des agriculteurs utilisant des outils modernes de surveillance des cultures peuvent être: optimiser les ressources en réduisant la consommation d'eau, les engrais et les pesticides, réduire le temps de décision, fertiliser plus efficacement, maintenir la durabilité des systèmes agricoles et augmenter les profits en générant des récoltes plus importantes; meilleure qualité.

La recherche a été effectuée sur les fermes suivantes: SC Ildu SRL, SC Probstdorfer Saatzucht Roumanie SRL, SC Intercereal SA du comté de Calarasi et Belciugatele Station didactique: USAMVB "Moara Domnească" ferme. La recherche a ciblé les cultures suivantes: le colza, le blé et le maïs.

La thèse est structurée en six chapitres, chacun d'entre eux présentant l'état actuel de la recherche internationale dans ce domaine, suivi par une recherche propre et des descriptions de chaque expérience scientifique.

Le chapitre I présente: l'objectif de la thèse, l'information générale et le statut international des études menées jusqu'à présent, en mettant l'accent sur le concept de «l'agriculture de précision».

Le chapitre II décrit les matériaux et les méthodes utilisés dans la recherche. La zone d'étude, les caractéristiques des drones et des UAV utilisés, la législation sur le code aérien et la caractérisation agrométéorologique de la zone d'étude sont présentées.

Le chapitre III présente les 7 expériences faites au cours des années de recherche, comme suit:

L'expérience 1. "Détermination de l'altitude de vol optimale dans le but d'optimiser l'évaluation du taux de dommages aux cultures de colza en sortie d'hiver, en utilisant le traitement d'image" dans lequel des images aériennes ont été prises à différentes altitudes avec le drone Phantom 4 Professional , qui a ensuite traversé le processus de classification des pixels, obtenant ainsi la superficie totale couverte par la végétation par rapport à la superficie totale. Ainsi, les images prises à plus de 150m d'altitude ont été validées, l'optimum étant pris à 50m d'altitude. Cette étude était nécessaire pour utiliser l'altitude optimale dans les recherches futures.

L'expérience 2 "La présentation de trois méthodes modernes de traitement des dommages aux cultures de colza à la fin de l'hiver" en utilisant trois méthodes modernes d'évaluation du degré de détérioration des cultures de colza à la fin de l'hiver par rapport à la méthode classique. La première méthode consiste à utiliser la technologie GNSS et la méthode de capture sur le terrain avec la méthode "Stop and Go"; Pour la seconde méthode, la numérisation manuelle des zones affectées à l'aide d'outils SIG est présentée. La troisième méthode consiste à classer les pixels en utilisant un logiciel de traitement d'image et des scripts personnalisés écrits dans le langage de programmation Python. Les trois méthodes étudiées sont viables et ont donné de bons résultats, mais la troisième méthode s'avère supérieure aux autres à la fois en termes de vitesse et de précision. Cette étude était nécessaire pour déterminer les méthodes les plus rapides, efficaces et précises à utiliser dans les recherches futures.

L'expérience 3. "Recherche sur l'utilisation des images aériennes dans l'estimation des rendements des cultures de colza" en utilisant deux méthodes modernes de traitement d'images aériennes acquises et en corrélation avec les mesures sur site. La première méthode consiste à prendre des photos en utilisant le drone Phantom 3 Professional, en créant l'orthophoto et en le faisant passer par le processus de classification, ce qui donne 5 classes de densités différentes. La deuxième méthode consiste à prendre une image satellite de la zone d'intérêt à la même date, en la classant selon la même légende. La corrélation des données obtenues à partir du classement des images avec la méthode traditionnelle impliquait: compter le nombre de plantes par unité de surface en utilisant le cadre métrique sur toute la surface, en faisant des déterminations telles que le nombre de branches / plante, le nombre de des grains et de la masse de grain. Ce processus a été répété 5 fois pour chaque classe identifiée dans les images. Dans ce cas, il a été constaté que la méthode utilisant l'orthophoto obtenue à partir des drones était plus efficace et que l'estimation de la production était très proche de la réalité.

Dans le même temps, l'orthophotographie issue des drones a une résolution bien meilleure que l'image satellite, ce qui entraîne également des coûts élevés. Sur la base de l'imagerie satellitaire, des plans de fertilisation différenciés peuvent être élaborés, ce qui fait l'objet de la prochaine expérience.

L'expérience 4. "Comparaison des méthodes modernes de capture de drones et de satellites dans le but de déterminer le degré d'endommagement des cultures de colza en hiver" qui présente la méthodologie classique de l'acquisition de données comparée aux données acquises du satellite et de l'UAV. Après cela, le livrable de l'agriculteur est obtenu: le plan de distribution différentielle des intrants. Les deux orthophotos sont passées par le processus de classification suivant la même légende. Dans ce cas, les deux variantes étaient viables aux fins de la détermination des zones touchées, avec l'observation que la méthode d'évaluation du degré de dommages aux cultures utilisant les images prises à partir de l'UAV était plus précise et plus proche de l'estimation classique. Le livrable peut être exporté au format "* .shp" afin qu'il puisse être directement inséré dans le GPS.

L'expérience 5. "Recherche sur le potentiel d'utilisation du traitement d'image pour évaluer l'état des cultures de maïs". Dans cette expérience, les données obtenues en utilisant des instruments classiques à partir des mesures sur le terrain de la teneur en chlorophylle et en azote ont été corrélées avec les données obtenues à partir de la classification des images aériennes correspondant à l'indice de végétation NDVI. La méthode a été validée en obtenant des corrélations linéaires entre les mesures classiques et modernes, de sorte qu'une légende peut être établie qui peut être utilisée dans des études futures similaires.

L'expérience 6. "Recherche sur le potentiel d'utilisation de l'imagerie UAV dans la préparation des plans de fertilisation pour les cultures de blé" en utilisant des images du drone SenseFly eBeeSQ, sur la base desquelles le plan de gestion des engrais au niveau de la parcelle entière est établi. montré des niveaux inégaux de fertilité. En utilisant la cartographie agrochimique du sol, des corrélations ont été établies entre la position des pixels et la valeur des nutriments du sol.

L'expérience 7. "Recherches sur le degré de dommages à la culture de colza suite à des attaques de ravageurs, en utilisant le drone FAE FIXED WING" qui retrace le diagnostic suite à l'attaque du poivre Phyllotreta atra, sur la base de laquelle les zones touchées et le reboisement les plans ont été déterminés avec une culture de printemps.

Les chapitres IV, V et VI sont les conclusions, les recommandations, les contributions propres et la bibliographie de la thèse.

CUPRINS

CONTENT

CHAPTER I. DOCUMENTARY RESEARCH

1.1. INTRODUCTION

1.2. CONTEXT AT THE INTERNATIONAL LEVEL

1.3. THE USE OF DRAWINGS AND UAVs IN AGRICULTURE

CHAPTER II. MATERIALS AND METHODS

2.1. RESEARCH DEVELOPMENT

2.2. TOOLS USED. EQUIPMENT DESCRIPTION

2.2.1. DJI Phantom 3 Professional

2.2.2. DJI Phantom 4 Professional

2.2.3. SenseFly eBeeSQ

2.2.4. FAE – FW1718 FIXED WING Drone

2.2.5. Yara N-Tester ™

2.2.6. Chlorophyll Meter Chlorophyll Meter CCM – 200 plus

2.2.7. Trimble R4 Model 3 Receiver GNSS

3.3. LEGISLATION REGARDING THE USE OF DRONES IN ROMANIA

3.3.1. Aerial Code

3.4. AGROMETEOROLOGICAL CHARACTERIZATION OF THE ROMANIAN SOUTH-EAST ZONE DURING THE RESEARCH PERIOD

III. OWN RESEARCH. EXPERIENCE DESCRIPTIONS

CHAPTER 3.1. EXPERIENCE 1. “THE DETERMINATION OF THE OPTIMAL FLIGHT ALTITUDE WITH THE PURPOSE OF OPTIMIZING THE EVALUATION OF THE RATE OF DAMAGE TO RAPESEED CROPS WHEN LEAVING WINTER, USING IMAGE PROCESSING”

3.1.1. Introduction

3.1.2. Materials and methods

3.1.3. Results

3.1.4. Conclusions

3.2. EXPERIENCE 2. "THE PRESENTATION OF THREE MODERN PROCESSING METHODS OF ASSESSING THE DAMAGE TO RAPESEED CROPS AT THE END OF WINTER"

3.2.1. Introduction

3.2.2. Materials and methods

3.2.3. Results

3.2.4. Conclusions

3.3. EXPERIENCE 3. "RESEARCH ON THE USE OF AERIAL IMAGES IN ESTIMATING THE YIELDS OF RAPESEED CROPS"

3.3.1. Introduction

3.3.2. Materials and methods

3.3.3. Results

3.3.4. Conclusions

3.4. EXPERIENCE 4. "COMPARISON OF MODERN SATELLITE AND UAV CAPTURE METHODS WITH THE PURPOSE OF DETERMINING THE DEGREE OF DAMAGE OF RAPESEED CROPS DURING WINTER"

3.4.1. Introduction

3.4.2. Materials and methods

3.4.3. Results

3.4.4. Conclusions

3.5. EXPERIENCE 5. "RESEARCH ON THE POTENTIAL OF USING IMAGE PROCESSING FOR ASSESSING THE STATE OF CORN CROPS"

3.5.1. Introduction

3.5.2. Materials and methods

3.5.3. Results

3.5.4. Conclusions

3.6. EXPERIENCE 6. "RESEARCH ON THE POTENTIAL OF USING UAV IMAGERY IN PREPARING FERTILIZATION PLANS FOR WHEAT CROPS"

3.6.1. Introduction

3.6.2. Materials and methods

3.6.3. Results

3.6.4. Conclusions

3.7. EXPERIENCE 7. "RESEARCHES ON THE DEGREE OF DAMAGE TO RAPESEED CULTURE FOLLOWING PEST ATTACKS, USING THE FAE FIXED WING UAV"

3.7.1. Introduction

3.7.2. Materials and methods

3.7.3. Results

3.7.4. Conclusions

CHAPTER IV. OWN CONTRIBUTIONS

CHAPTER V. CONCLUSIONS

CHAPTER VI. BIBLIOGRAPHY

CONTENT

CHAPITRE I. RECHERCHE DOCUMENTAIRE

1.1. INTRODUCTION

1.2. CONTEXTE AU NIVEAU INTERNATIONAL

1.3. L'UTILISATION DES DESSINS ET DES UAV DANS L'AGRICULTURE

CHAPITRE II. MATÉRIAUX ET MÉTHODES

2.1. DÉVELOPPEMENT DE LA RECHERCHE

2.2. OUTILS UTILISÉS. DESCRIPTION DE L'ÉQUIPEMENT

2.2.1. DJI Phantom 3 Professionnel

2.2.2. DJI Phantom 4 Professionnel

2.2.3. SenseFly eBeeSQ

2.2.4. FAE – FW1718 AILE FIXE Drone

2.2.5. Yara N-Tester ™

2.2.6. Compteur de chlorophylle Compteur de chlorophylle CCM – 200 plus

2.2.7. Récepteur GNSS Trimble R4 modèle 3

3.3. LEGISLATION CONCERNANT L'UTILISATION DES DRONES EN ROUMANIE

3.3.1. Code aérien

3.4. CARACTÉRISATION AGROMÉTÉOROLOGIQUE DE LA ZONE ROUMAINE DU SUD-EST PENDANT LA PÉRIODE DE RECHERCHE

CHAPITRE III. PROPRE RECHERCHE. DESCRIPTIONS D'EXPÉRIENCE

3.1. EXPÉRIENCE 1. « Détermination LE VOL DE ALTITUDE OPTIMALE AVEC LE BUT DE L'ÉVALUATION DU Optimizing TAUX DE DOMMAGES AUX CULTURES Colza QUAND QUITTER D'HIVER À L'AIDE DE TRAITEMENT D'IMAGES »

3.1.1. Introduction

3.1.2. Matériaux et méthodes

3.1.3. Résultats

3.1.4. Conclusions

3.2. EXPÉRIENCE 2. « LA PRÉSENTATION DE TROIS MÉTHODES DE TRAITEMENT MODERNES DES DOMMAGES colza Évaluation À LA FIN DES CULTURES D'HIVER »

3.2.1. Introduction

3.2.2. Matériaux et méthodes

3.2.3. Résultats

3.2.4. Conclusions

3.3. EXPÉRIENCE 3. "RECHERCHE SUR L'UTILISATION DES IMAGES AÉRIENNES DANS L'ESTIMATION DES RENDEMENTS DES CULTURES DE COLZA"

3.3.1. Introduction

3.3.2. Matériaux et méthodes

3.3.3. Résultats

3.3.4. Conclusions

3.4. EXPÉRIENCE 4. « COMPARAISON DE SATELLITE MODERNE ET METHODES AVEC LA CAPTURE UAV BUT DE LA Détermination DEGRÉ DE DOMMAGES AU COURS DE CULTURES D'HIVER colza »

3.4.1. Introduction

3.4.2. Matériaux et méthodes

3.4.3. Résultats

3.4.4. Conclusions

3.5. EXPÉRIENCE 5. « LA RECHERCHE SUR LE POTENTIEL DE L'UTILISATION DE TRAITEMENT D'IMAGE POUR L'ÉTAT DES CULTURES DE MAÏS LES »

3.5.1. Introduction

3.5.2. Matériaux et méthodes

3.5.3. Résultats

3.5.4. Conclusions

3.6. EXPÉRIENCE 6. « LA RECHERCHE SUR LE POTENTIEL DE L'UTILISATION UAV la fertilisation des images DANS LA PRÉPARATION DES PLANS POUR LES CULTURES DE BLÉ »

3.6.1. Introduction

3.6.2. Matériaux et méthodes

3.6.3. Résultats

3.6.4. Conclusions

3.7. EXPÉRIENCE 7. « ENDOMMAGER RECHERCHES SUR LE DEGRÉ DE PEST suite à des attaques de colza CULTURE, AILE FIXE Utilisation de l'EAF UAV »

3.7.1. Introduction

3.7.2. Matériaux et méthodes

3.7.3. Résultats

3.7.4. Conclusions

CHAPITRE IV. CONTRIBUTIONS PROPRES

CHAPITRE V. CONCLUSIONS

CHAPITRE VI. BIBLIOGRAPHIE

LISTĂ DE ABREVIERI

ANM: Administrația Națională de Meteorologie

ANCPI: Agenția Națională de Cadastru și Publicitate Imobiliară

APIA: Agenția Pentru Plăți în Agricultură

CARI: Chlorophyll Absorption Ratio Index

CVI: Chlorophyll Vegetation Index

EVI: Enhanced Vegetation Index

GCP: Ground Control Points

GIS: Geographic Information System

GNDVI: Green Normalized Difference Vegetation Index

GNSS: Global Navigation Satellite System

GPS: Global Positioning System

GPRS: General Packet Radio Service

GSD: Ground Sampling Distance

GSM: Global System for Mobile Communications

HD: High Definition

ICAO: Organizația Internațională a Aviației Civile

IEA: Agenția Internațională de Energie

IPCC: Comitetul Interguvernamental privind Schimbările Climatice

LAI: Leaf Area Index

Li-Po: Lithium-ion Polymer

MCARI: Modified Chlorophyll Absorption Ratio Index

MMB: Masa a o mie de boabe

NDRE: Normalized Difference Red Edge Index

NDVI: Normalized Difference Vegetation Index

NDVIa: NDVI-adaptat la RGB

NDWI: Normalized Difference Water Index

NIR: Near InfraRed

OSAVI: Optimized Soil-Adjusted Vegetation Index

PC: Personal Computer

PSRI: Plant Senescence Reflectance Index

RAM: Random Acces Memory

RC: Radio Control

RE: Red Edge

RGB: Red, Green, Blue

ROSA: Agenția Spațială Română

RTK: Real-time kinematic

SAVI: Soil-Adjusted Vegetation Index

SVI: Switch virtual interface

SR: Simple Ratio

TVI: Transformed Vegetation Index

UAV: Unmanned Aerial Vehicle (aeronavelor civile motorizate fara pilot la bord- in legislatie)

USAMVB: Universitatea de Științe Agronomice și Medicină Veterinară din București

USB: Universal Serial Bus

UV: UltraViolet

VIS: Visible

VNIR: Visible-Near Infrared

STUDIU DOCUMENTAR

INTRODUCERE

Trăim într-o lume în continuă schimbare, unde creșterea demografică, poluarea și schimbările climatice pot pune probleme dezvoltării durabile și a tot ce vom lăsa moștenire generațiilor viitoare. Astfel în acest context agricultura de precizie ar putea fi una din soluțiile rezolvării problemelor actuale.

Prin definiție „agricultura de precizie” este un sistem managerial modern aplicabil într-o ferma agricolă, ce utilizează tehnologii precum: tehnologia GNSS, instrumentele GIS, sisteme de monitorizare și control, senzori, drone și imagini satelitare, toate pentru a lua decizii mai bune în privința distribuției inputurilor (semințe, apă de irigat, îngrășăminte, fungicide, erbicide și insecticide) pentru a îmbunătății calitatea recoltelor, a reduce costurile și a obține profit ridicat. (Stafford V.J., 2000)

Scopul „agriculturii de precizie” este acela de a optimiza utilizarea resurselor de sol, apă și a inputurilor chimice, având ca obiectiv obținerea de producții mari și de calitate, optimizarea profiturilor economice, realizarea integrală a protecției mediului și mărirea durabilității sistemelor agricole. (Zhang N., 2002)

Astfel, pentru a obține costuri cât mai mici de producție se recomandă utilizarea unui sistem managerial complex în vederea menținerii controlului asupra variabilelor în exploatările agricole.

Există o mare diversitate de aplicații ale sistemelor mecatronice în agricultură. Utilaje agricole care efectuează lucrări complet automatizat sau chiar autonom, de la faza de pregătire a terenului, însămânțare, tratare și până la cea de recoltare, dispunând de sisteme de navigație prin satelit și corelând poziția geografică cu tipul de decizie pe care trebuie să o ia (fertilizări localizate spre exemplu), cântărind în timp real produsele recoltate și întocmind hărți de productivitate a terenului sunt numai câteva exemple. (Brown J. H., 13), (NS Naik, 16), (Yaghoubi, 13).

Tehnologia modernă de imagistică pe baza de vehicule fără pilot (UAV) ofera posibilități fără precedent pentru măsurarea mediului înconjurător. (Mediu, 13). Pentru multe aplicații, metodele bazate pe UAV pe bază de aer oferă posibilitatea colectării de date eficiente din punct de vedere al costurilor cu rezoluțiile spațiale și temporale dorite. Un avantaj important al tehnologiei bazate pe UAV constă în faptul că datele de la distanță pot fi colectate chiar și în condiții de acoperire cu nori, ceea ce îl face cu adevărat operațional într-o gamă largă de aplicații de măsurare a mediului. (Ejia H. și colab., 2013).

Conceptul de „agricultură de precizie” prezintă următorul pas în dezvoltarea agriculturii și este destul de nou în România, comparativ cu Europa, țări precum Olanda, Danemarca, Belgia, unde acest concept este mult mai popular în rândul fermierilor care pun în practică tehnologia informatică pentru a-și manageria cât mai bine fermele. (Olteanu, 02), (Puiu, 14). De la cartografierea terenului pentru localizarea exactă a fiecărei parcele, în Sistem Stereografic 1970, până la managerierea inputurilor cu substanțe și cantități exacte în vederea prognozării în orice moment a producției. Implementarea sistemelor GPS pe agregate agricole, precum tractoare, combine de recoltat și echipamente pentru tratarea chimică sunt utile pentru folosirea unei cantități cât mai mici de apă, substanțe de fertilizare și produse pentru protecția plantelor, coroborat cu economisirea unei cantități însemnate de combustibil, astfel profitul va fi unul mult mai ridicat. Astfel, fermierii și-ar putea ușura munca distribuind resursele controlat și ar obține rezultate remarcabile. (Puiu, 11), (Olteanu, 12).

CONTEXTUL LA NIVEL INTERNAȚIONAL

În contextul creșterii demografice, suprafața agricolă rămâne aproximativ constantă. Astfel conform statisticilor oferite de United Nations Department of Economic and Social Affairs în anul 1950 populația planetei era de 2.5mld, în 2016 de 7.5mld, iar în 2040 se preconizează ca populația globală va ajunge la 9 miliarde și 10 miliarde în perioada 2060–2065 (https ://search.archives.un.org/ department-of-economic-and-social- affairs-desa-1955-present)

Există indicii fără echivoc (Ragauskas și colab., 2006) că schimbările climatice reprezintă o amenințare serioasă pentru planeta noastră. (Trif A, și colab. 2014). Creșterea emisiilor de bioxid de carbon cu aproape 80%, între 1970 și 2004, se datorează, în primul rând, utilizării combustibililor fosili (IPCC, 20 07) și, într-o mai mică măsură, schimbării destinației terenurilor (Kucharik și colab., 2001). Drept urmare, graficul creșterii temperaturii în acest interval arată precum o crosă de hochei (Mann și colab., 1998), iar noi ne aflăm în prezent la capătul cozii acestei crose. Mai mult decât atât, în deceniile următoare este prognozată o creștere și mai accentuată a temperaturii medii (IPCC, 2007). Figura 1.1

Figura 1.1. Evoluția temperaturilor medii anuale și a mediilor pe cinci ani în epoca industrializării. (Sursa: ro.wikipedia.org)

Figure 1.1.Evolution of annual average temperatures and averages over five years in the era of industrialization. (Source: ro.wikipedia.org)

Totodată pentru a reduce poluarea datorată consumului de combustibili fosili, s-a trecut la utilizarea biocombustibililor.

În prezent, doi factori importanți trebuie luați în considerare: primul este acela că sectorul energetic este, de departe, responsabil pentru cea mai mare parte a volumului de emisii de gaze cu efect de seră – GES (Oliver și colab., 1999); al doilea factor important este creșterea cererii de energie în viitor – cu 55%, în perioada 2005-2030, cu o rată anuală medie de 1,8% (IEA, 2007). Ca urmare, combaterea schimbărilor climatice prin înlocuirea surselor tradiționale de energie (din combustibili fosili) a devenit un obiectiv imperativ, așa cum o dovedește și acordul internațional de reducere a GES (Protocolul de la Kyoto, decembrie 1997). Mai mult, la summit-ul G8 din Japonia, din 2008, liderii celor mai dezvoltate state ale lumii au reconfirmat hotărârea de a reduce la jumătate volumul de GES, până în anul 2050.

Pe termen scurt, culturile energetice reprezintă una dintre opțiunile cele mai atrăgătoare de înlocuire a combustibililor fosili. Milioane de hectare de teren vor fi cultivate cu plante energetice în următoarele decenii, în întreaga lume.(Grevé A. și colab, 2012)

Furnizarea energiei electrice din Europa se află în stadiul central al dezbaterii politice și va rămâne probabil acolo pentru deceniile următoare (Comisia Europeană, 2008). Biocombustibilii reprezintă una din opțiunile care se desfășoară în prezent pentru a oferi o contribuție parțială la închiderea ecuației energiei. (Marjin și colab., 2009)

Specialiștii din agricultură trebuie să găsească soluții și pentru asigurarea unor cantități de hrană suficiente, întrucât suprafața agricolă scade, iar populația crește.

Creșterea productivității în agricultură este limitată de potențialul biologic al soiurilor și hibrizilor folosiți și de potențialul pedoclimatic al fiecărei zone. (Wart J. și colab, 2013)

Gestionarea specifică a culturilor agricole este cunoscută sub denumirea de „agricultură de precizie” (Zhang N., 2002), fiind un termen internațional unificat pentru direcțiile de gestionare a terenurilor folosind noile tehnologii care au început să fie dezvoltate în anii optzeci și începutul anilor nouăzeci ai secolului al XX-lea. Scopul agriculturii de precizie este o optimizare a inputurilor (îngrășăminte, pesticide, combustibil etc.) pe baza culturii agricole, cerințele și starea solului. Managementul culturilor în acest fel poate conduce la utilizarea eficientă din punct de vedere economic a produselor agrochimice și chimice; minimizarea riscurilor de mediu. Gestionarea specifică a solelor ia în considerare variabilitatea spațială în câmpuri și optimizează intrările de producție, îndeplinind astfel obiectivele agricultura durabilă (Corwin D.L. și colab., 2005).

În acest context „agricultura de precizie” propune administrarea variabilă a inputurilor în funcție de microvariațiile specifice, cu scopul de a obține producții uniforme la nivelul fiecărei sole. (Inzamul H. și colab., 2018).

Metodele de detectare la distanță a culturilor agricole au un mare potențial ca instrument pentru: (a) fenofaza cu randament ridicat pentru creșterea plantelor (Deery și colab., 2014, Sankaran și colab., 2015), (b) luarea deciziilor pentru agricultura de precizie (Zhang și Kovacs, 2012; Gago și colab., 2015); (c) estimarea producțiilor (Son și colab., 2014), și (d) prezicerea variabilității parcelei în loturile experimentale (Zaman-Allah și colab., 2015). Utilitatea lor se bazează pe faptul că acestea sunt nedistructive, neinvazive, rapide și rentabile, bine corelate cu trăsăturile culturilor fiziologice agronomice și importante (Reynolds și colab., 2015)

UTILIZAREA DRONELOR ȘI A UAV-URILOR ÎN AGRICULTURĂ

Agricultura de precizie necesită date în timp real și abilitatea UAV-urilor de a zbura peste culturi și de a colecta rapid datele, făcându-le o soluție pentru această nevoie. Progresele în sistemele de ghidare, bateriile și sistemele de control au făcut ca aceste drone să fie atât de practice, astfel încât, rezultatele din teren în zonele de cercetare locale s-au dovedit a fi eficiente. (Malveaux C., și colab., 2014)

“Agricultura de precizie” vizează utilizarea eficientă din punct de vedere în timp și spațiu a inputurilor agricole. Îngrășămintele cu azot reprezintă una dintre principalele inputuri agricole în producția vegetală, iar producția vizează doza lor. O doza insuficientă de îngrășământ cu azot duce la o producție mică de biomasă și, adesea, la o calitate scăzută a producției. (Jere K, și colab., 2013). Excesul de azot se manifestă prin creșteri masive ale aparatului foliar, prelungirea perioadei de vegetație, dar și prin restricționarea dezvoltării sistemului radicular. Se reduce rezistența plantelor la secetă, boli, frig.

Astăzi dronele pot survola suprafețe mari de terenuri pentru a efectua cercetări fără riscuri inerente de siguranță sau costuri ridicate în comparație cu utilizarea avioanelor fotogrammetrice cu echipaj mult mai mare. Utilizarea acestor sisteme UAV pot furniza imagini în timp real și permit colectarea datelor furnizate senzorii montați la sol din câmpurile agricole care nu pot fi accesate ușor. (Malveaux C., și colab., 2014) În cazul băltirilor pe sol sau atunci când sunt plantate rânduri dense sau culturi foarte înalte, este dificil să se acceseze acești senzori, astfel dronele pot colecta aceste date fără a deteriora culturile în acest proces, într-un timp foarte scurt. (Laliberte, 2011), (Zhang, 2012).

Majoritatea studiilor anterioare au fost efectuate cu senzori cu control manual; Cu toate acestea, măsurătorile la sol se confruntă cu mai multe constrângeri (Chapman și colab., 2014, Deery și colab., 2014, Gago și colab., 2015, Reynolds și colab., 2015, Sankaran și colab., 2015, Tattaris și colab., 2016). Unele dintre aceste constrângeri pot fi eliminate folosind platforme aeriene de joasă altitudine. Zhang și Kovacs (2012) au declarat că imaginile realizate de sistemele aeriene de joasă altitudine sunt promițătoare, având în vedere costul scăzut al operării, rezoluția spațială și temporală și flexibilitatea în programarea achizițiilor de imagini. Măsurătorile din zbor pot fi luate atunci când acestea nu sunt accesibile platformelor de sol, de exemplu datorită culturilor înregistrate cu apă sau înalte (Chapman și colab., 2014). Alte avantaje sunt efectele limitate confundate cauzate de deviația de mediu datorită colectării simultane a datelor și instrumentelor de analiză a imaginii mai robuste (Reynolds și colab., 2015; Tattaris și colab., 2016), un unghi de vedere mai larg și absența contactului fizic, prin urmare nici o distragere mecanică a culturii în creștere (Liebisch și colab., 2015).

Astfel, UAV-urile pot transporta sarcină utilă mai mică decât alți vectori aerieni, ele permit un control mai mare al zborului și autonomie (Araus și Cairns, 2014) fiind afectate doar de vânt foarte puternic (Deery și colab., 2014, Tattaris și colab., 2014). Studiile recente au arătat că corelațiile dintre SVI și trăsăturile agronomice derivate din imaginile din aer sunt similare sau chiar mai puternice decât corelațiile derivate din măsurătorile la sol (Tattaris și colab., 2014, 2016, Zaman-Allah și colab., 2015; Rasmussen și colab. , 2016). Măsurătorile pot fi luate de o gamă largă de senzori diferiți, inclusiv camerele digitale convenționale (Araun și Cairns, 2014, Sankaran și colab., 2015), care au avantajul costului scăzut și al greutății reduse (Hunt și colab., 2010); pot fi ușor montate pe UAV și alți vectori aerieni (Ball și Konzak, 1993; Lelong și colab., 2008; Liebisch și colab., 2015; Rasmussen și colab., 2016). Prin natura rapidă și eficientă a imaginilor, UAV-urile permit multiple măsurători în timpul dezvoltării plantelor. Sunt necesare măsurători multiple deoarece etapa optimă de înregistrare este probabil să varieze în funcție de experiment (adică, Bort și colab., 2005; Bowman și colab., 2015). Eficiența SVI este de asemenea afectată de fenofaza plantelor, astfel că măsurătorile multiple permit calculul parametrilor care sunt mai puțin corelați cu fenofaza (Lopes și Reynolds, 2012; Montazeaud și colab., 2016)

Cea mai obișnuită procedură de analiză a informațiilor despre culturile de la teledetecție este prin estimarea indiciilor de vegetație spectrală (Spectral Vegetation Indices SVI), care se bazează pe formule ce utilizeză lumina reflectată la diferite lungimi de undă. (Grift, 2008) Lungimile de undă se află în spectrul electromagnetic vizibil și în infraroșu apropiat. Mai mulți indici SVI au fost propuși și sunt utilizați pe scară largă, cum ar fi Indicele de vegetație diferențială normalizată (NDVI), Raportul simplu (Simple Ratio SR) și Indicele de vegetație diferențială normalizată (Green Normalized Difference Vegetation Index GNDVI). Existența variabilității genetice pentru SVI a fost raportată de mai mulți autori (Babar și colab., 2006a; Prasad și colab., 2007b, Gutierrez și colab., 2010; Gizaw și colab., 2016a). SVI au fost asociate cu trăsături importante ale culturilor de cereale, cum ar fi randamentul cerealelor în condiții de stres (Bort și colab., 2005; Lobos și colab., 2014; Bowman și colab., 2015; Tattaris și colab., 2016; Yousfi și colab., 2016). Cu toate acestea, unii autori au susținut că, în condiții de stres sever, SVI ar putea fi mai puțin eficienți deoarece genotipurile nu sunt în măsură să determine potențialul culturilor în estimarea producției (Royo și colab., 2003, Babar și colab., 2006b).

Capacitatea de a inspecta culturile în curs de dezvoltare de la o înălțime de aproximativ 100 de metri, utilizând Indicele vegetativ diferențial normalizat (NDVI) sau infraroșu apropiat (NIR) este, până acum, cea mai utilizată aplicație pentru drone în agricultură. Dronele din generația actuală permit acoperirea unei suprafețe mai mari într-o perioadă mult mai scurtă de timp, precum și captarea datelor care nu pot fi văzute de ochiul uman (cum ar fi NDVI sau infraroșu apropiat). În plus, elimină o mare parte din aspectul de eroare umană din activitatea de inventar tradițional, deși este o inspecție fizică a unei zone de interes. (Veroustraete F., 2015)

Ochiul uman este sensibil numai la lungimi de undă cuprinse între 400 și 700 nm, care este cunoscut ca spectrul vizibil. Oamenii pot percepe o varietate de culori variind de la violet la roșu. Lungimile de undă pot fi, de asemenea, mai scurte (ultraviolete) sau mai lungi (în infraroșu) decât cele ale vederii noastre vizibile.

Chiar dacă nu le putem vedea, aceste benzi invizibile de undă indică numeroase caracteristici agronomice ale solului, plantelor și culturilor.

Camerele digitale standard captează RGB roșu, verde și albastru deschis. Camerele modificate captează combinația de lumină apropiată de infraroșu, roșu, verde și albastru (Figura 1.2).

Figura 1.2. Spectrul undelor electromagnetice (Sursa: http://tehnocultura.ro/tag/unde-electromagnetice/)

Figure 1.2. Spectrum of electromagnetic waves (Source: http://tehnocultura.ro/tag/unde-electromagnetice/)

Eliminarea filtrului infraroșu permite camerei caputurarea imaginii în infraroșu apropiat NIR. Indicele normalizat al diferenței de vegetație este o funcție simplă care indică sănătatea vegetației verzi. Clorofila reflectă puternic lumina apropiată de infraroșu (NIR, în jur de 750nm) în timp ce roșu și albastru sunt absorbite. Principiul NDVI se bazează pe faptul că, datorită straturilor spongioase găsite pe spatele frunzelor, acestea reflectă multă lumină în infraroșu apropiat, în contrast puternic cu cele mai multe obiecte artificiale. Când planta devine deshidratată sau stresată, stratul spongios se depreciază, iar frunzele reflectă mai puțină lumină NIR, dar de aceeași cantitate înăuntru intervalului vizibil. Astfel, combinând matematic aceste două semnalele pot ajuta la diferențierea plantei de non-plante și plante sănătoase de cele bolnave. (Ujjwal Mahajan și colab., 2016)

Proprietățile reflectării luminii de către vegetație sunt folosite pentru a obține indici de vegetație (VIS). Indicii sunt utilizați pentru a analiza diverse ecosisteme. Indicii de vegetație sunt construiți din măsurători de reflexie în două sau mai multe lungimi de undă pentru a analiza caracteristicile specifice ale vegetației, cum ar fi suprafața totală acoperită de plante și conținutul de apă din sol și funze.

Vegetația interacționează cu radiațiile solare în mod diferit față de alte materiale naturale, cum ar fi solurile și suprafețele de apă. Absorbția și reflectarea radiației solare este rezultatul multor interacțiuni cu diferite plante, care variază considerabil de lungimea de undă. (Zadoks J.C., 1974).

Apa, pigmenții, substanțele nutritive și carbonul sunt exprimate fiecare în spectrul optic reflectat de la 400 nm la 2500 nm, cu comportamente de reflectanță adesea suprapuse, dar distincte, spectral. Astfel, specialiștii pot combina măsurătorile de reflexie la diferite lungimi de undă pentru a spori caracteristicile vegetației specifice prin definirea indicilor de vegetație.(Wiegand C.L. și colab, 1990)

Mai mult de 150 de indici de vegetație au fost publicați în literatura științifică, dar doar un mic subset au o bază biofizică substanțială sau au fost testate sistematic. Indicele de vegetație cel mai popular este NDVI (Indice de vegetație diferențială normalizată). Indicele NDRE (Diferența normală roșie) fiind, de asemenea, destul de asemănator cu senzorul camerelor Sentera ce au un filtru opțional de preluare a imaginilor în NDRE. (Tucker CJ și colab, 1986).

Plantele reflectă puternic în banda apropiată de infraroșu (NIR) de lumină datorită stratului de celule pe suprafața inferioară a frunzei, dar nu la fel de puternică în banda roșie. Pe de altă parte, solul reflectă ambele. (Tucker CJ, 1986).

Indicele de vegetație diferențială normalizată (NDVI) este pur și simplu un indice normalizat care măsoară această diferență și oferă o măsură a densității și condiției vegetației și este cel mai frecvent indice de vegetație folosit astăzi. NDVI oferă cele mai bune rezultate din sezonul de creștere timpurie a plantelor până la jumătatea perioadei de vegetație și este acceptat pe scară largă pentru corelarea suprafațelor acoperite de plante și a vigorii/sănătății acestora. NDVI, la fel ca toți indicii enumerați mai jos, pot fi suprapuși cu hărțile de vegetație pentru a oferi informații care pot fi aplicate pentru a ajuta cât mai bine deciziile de gestionare a culturilor. (https://www.aeroeye.com.au/industries /agriculture /multispectral-imagery-and-vegetation-indices/)

Normalised Difference Vegetation Index = Indicele de vegetație diferențial normalizată,

NDVI = (NIR – Red) / (NIR + Red)

Figura 1.3. Plantele sănătoase absorb lumina albastră vizibilă și reflectă lumină verde vizibilă (Sursa: http://midopt.com/healthy-crop/)

Figure 1.3. Healthy plants absorb visible blue light and reflect some visible green light (Source: http://midopt.com/healthy-crop/)

Proprietățile de reflexie ale unui obiect depind de materialul particular și de starea sa fizică și chimică (umiditatea, continutul de celuloza, etc.), rugozitatea suprafeței, precum și circumstanțele geometrice (unghiul de incidență al luminii solare). (Figura 1.3) Cele mai importante caracteristici ale suprafeței sunt: ​​culoarea, structura și textura suprafeței. Culoarea percepută a unui obiect corespunde lungimii de undă a spectrului vizibil cu cea mai mare reflectanță. (Lorente, 2012)

Aceste diferențe permit identificarea diferitelor caracteristici ale suprafeței pământului sau a materialelor prin analizarea modelelor lor de reflectanță spectrală sau a semnalelor spectrale. Aceste semnături pot fi vizualizate în așa-numitele curbe de reflexie spectrală ca funcție a lungimilor de undă. (Ashraf, 2011)

Diagrama din figura 1.4 arată curbele tipice de reflectanță spectrală a trei tipuri de caracteristici ale Pământului: vegetația verde, solul gol și apa curată. Verde, roșu și infraroșu sunt cele principale utilizate în agricultură. Infraroșu apropiat (NIR) este de asemenea folosit uneori pentru obținerea de indici suplimentari.

Imaginea spectrului de vegetație este de la Mark Elowitz, cu detalii și explicații suplimentare privind benzile de reflectanță și vegetație în figura 1 4. (Elowitz, M. R. 2013).

Figura 1.4. Spectrul de vegetație detaliat (Sursa: Elowitz, Mark R. 2013)

Figure 1.4. The vegetation spectrum in detail (Source: Elowitz, Mark R. 2013)

Curba de vegetație

Curba de reflectanță spectrală a vegetației verzi sănătoase are un minim semnificativ de reflectanță în partea vizibilă a spectrului electromagnetic care rezultă din pigmenții din frunzele plantelor. Vegetația sănătoasă va absorbi atât în ​​benzile albastre, cât și în cele roșii. (Ashraf, 2011)

Reflectanța crește dramatic în infraroșu apropiat. Vegetația stresată poate fi de asemenea detectată, deoarece vegetația stresată are o reflectanță semnificativ mai mică în infraroșu. (Rouse, 1974)

Curba solului

Curba de reflectanță spectrală a solului este considerabil mai puțin variabilă. Curba de reflexie este afectată de conținutul de umiditate, textura solului, rugozitatea suprafeței, prezența oxidului de fier și a materiei organice. Acești factori sunt mai puțin dominanți decât caracteristicile de absorbție observate în spectrele de reflexie a vegetației. (Myneni, 1994)

Curba de apă

Curba de apă se caracterizează printr-o absorbție ridicată la o distanță apropiată de lungimile de undă în infraroșu. Datorită acestei proprietăți de absorbție, corpurile de apă precum și caracteristicile care conțin apă pot fi ușor detectate, localizate și delimitate cu date de teledetecție. Apa turbidă are o reflectanță mai mare în regiunea vizibilă decât apa limpede. (North, 2002)

Acest lucru este valabil și pentru apele care conțin concentrații ridicate de clorofilă. Aceste modele de reflexie sunt folosite pentru a detecta coloniile de alge. (Borhan, 2004).

Câmpuri de vegetație multispectrale

Imagini multi-spectrale

Verde corespunde energiei reflectate în banda spectrală de 500-600 nm și are cea mai mare reflectanță asupra unei instalații din această bandă. Momentul de reflexie este de aproximativ 550 nm. Sa dovedit că această bandă spectrală este puternic corelată cu cantitatea de clorofilă din plantă. (Mahlein, 2012).

În această porțiune vizibilă a spectrului de vegetație, curba de reflexie a unei plante sănătoase prezintă cea mai mare reflectanță într-o bandă de undă verde (în domeniul de 550 nm). Acesta este motivul pentru care plantele apar verde. (Ashraf, 2011)

Un compus chimic din frunze numit clorofilă absoarbe puternic radiația în lungimile de undă roșii și albastre, dar reflectă lungimile de undă verde. Frunzele apar pentru noi "verde" în timpul verii, când conținutul de clorofilă este la maximum. (Pettorelli, 0205).

În toamnă, în frunze există mai puțină clorofilă, deci există o absorbție mai redusă și o reflectare proporțională a lungimilor de undă roșii, făcând ca frunzele să apară roșii sau galbene (galbenul este o combinație de lungimi de undă roșii și verzi). (Daughtry, 2000).

Structura internă a culturilor sănătoase acționează ca reflectoare difuze excelente ale lungimilor de undă apropiate în infraroșu. Măsurarea și monitorizarea reflectanței a infraroșului apropiat este o modalitate de a determina cât de sănătoasă (sau nesănătoasă) poate fi vegetația. (Kim, 1994).

Totuși, cea mai mare parte a luminii din spectrul vizibil reflectat de o plantă aflată sub stres este în zona verde. Prin urmare, o plantă sub stres se distinge cu ochiul liber de cea sănătoasă. Pe de altă parte, diferența poate fi observată în reflectanța luminii din domeniul infraroșu, care este mult mai mică. (Penuelas,19 97).

Roșu

Corespunde energiei reflectate în banda spectrală de 600-700 nm. Absorbția puternică de clorofilă în această bandă are ca rezultat o reflectanță redusă. Reflectanța variază în mod semnificativ în funcție de factori precum biomasa, LAI, istoricul solului, tipul culturii, umiditatea și stresul plantelor. (Pettorelli, 2005)

Pentru majoritatea culturilor, această bandă oferă un contrast excelent între plante și sol și este folosită pe larg pentru compilarea majorității indicilor de vegetație din agricultură. (Myneni, 1994).

Red Edge

Aceasta este o bandă foarte îngustă (700-730 nm), care corespunde punctului de intrare al infraroșului apropiat. Este punctul de schimbare bruscă a reflectanței, de la absorbția puternică a roșu la reflecția substanțială a roșului apropiat. Această bandă este foarte sensibilă la stresul plantelor și oferă informații despre conținutul de clorofiă. (Tucker, 1980) precum și alte informații:

Analiza sănătății culturilor;

Numărătoarea plantelor;

Managementul apei;

NIR (Near-Infrared) Infraroșu apropiat

Corespunde lungimilor de undă în intervalul de la 700 nm la 1,3 pm, are cea mai puternică reflectare a benzilor studiate. Există o corelație foarte puternică între această reflectanță și nivelul de clorofilă din plantă. O variație foarte semnificativă a reflectanței în această bandă este produsă atunci când o plantă este supusă stresului. (Rougean and Breon, 1995)

Împreună cu banda spectrală roșie, infraroșu este utilizat în mod extensiv pentru compilarea majorității indicilor de vegetație din agricultură. (Haboudane și colab., 2004; Vescovo and Gianelle, 2008; Jiang și colab., 2008; Baret and Guyot, 1991; Gitelson, 2004)

NIR este sensibil la structura celulară a frunzei și oferă date critice pentru a monitoriza schimbările în domeniul sănătății culturilor. (Chen, 1996)

Caracteristicile solului și determinarea stresului hidric;

Fenofaza plantelor;

Conținutul de apă;

Nivelul de eroziune a solului;

Numărul de plante.

Vegetația sănătoasă absoarbe energia albastră și roșie pentru a combina fotosinteza și a crea clorofila. O plantă cu mai multă clorofilă va reflecta mai multă energie în infraroșu decât o plantă bolnavă. Astfel, analizarea spectrului de plante, atât în ceea ce privește absorbția, cât și reflexia în lungimi de undă vizibile și în infraroșu, poate oferi informații despre sănătatea și productivitatea plantelor. (Huete, 1988)

Există o serie de indici de vegetație caracteristici domeniului de teledetecție și “agiculturii de precizie”, în timp ce NDVI este probabil cel mai comun, astfel se enumeră:

Chlorophyll Vegetation Index = Indicele pentru determinarea clorofilei

CVI = (NIR * Red) / (Green ^ 2); (Huete, 1988)

Difference Vegetation Index = Indicele pentru determinarea diferenței de vegetație

DVI = NIR – Red; (Tucker, 1980)

Extended Normalised Difference Vegetation Index = Indice de vegetație diferențială normalizată diferențiată

ENDVI = [(NIR + Green) – (2 * Blue)] / [(NIR + Green) + (2 * Blue)] (Tucker, 1980)

Enhance Vegetation Index = Indice de vegetație îmbunătățită

EVI = 2.5 * [(NIR – Red) / (NIR + 6 * Red – 7.5 * Blue + 1)] (Tucker, 1980)

Enhance Vegetation Index (2 Band) = Indice de vegetație îmbunătățită (2 benzi)

EVI2 = 2.5 * [(NIR – Red) / (NIR + 2.4 * Red + 1)] (Tucker, 1980)

Excess Green Index = Indicele verde excesiv

ExG = 2 * (Green / (Red + Green + Blue) – (Red / (Red + Green + Blue) – (Blue / (Red + Green+ Blue) (Tucker, 1980)

Global Environmental Monitoring Index = Indicele global de monitorizare a mediului

GEMI = n * (1 – 0.25 * n) – [(Red – 0.125) / (1 – Red)] (Tucker, 1980)

where n = (2 * (NIR ^ 2 – Red ^ 2) + 1.5 * NIR + 0.5 * Red) / (NIR + Red + 0.5) (Tucker, 1980)

Green Atmospherically Resilient Index = Indicele rezistent la atmosferă verde

GARI = NIR – (Green – (Blue – Red)) / NIR + (Green – (Blue – Red)) (Qi și colab., 1994)

Green Chlorophyll Index = Indicele de clorofilă verde

CIg = (NIR / Green) – 1 (Qi și colab., 1994)

Green Difference Vegetation Index = Indicele de vegetație diferențiată verde

GDVI = NIR – Green (Qi și colab., 1994)

Green Leaf Index = Indexul frunzei verzi

GLI = [2 * (Green / (Red + Green + Blue) – (Red / (Red + Green + Blue) – (Blue / (Red + Green+ Blue)] / [2 * (Green / (Red + Green + Blue) + (Red / (Red + Green + Blue) + (Blue / (Red + Green + Blue)] (Gitelson și colab., 1996)

Green Normalised Difference Vegetation Index = Indexul de vegetație diferențială normalizată verde

GNDVI = (NIR – Green) / (NIR + Green) (Gitelson și colab., 1996)

Green Ratio Vegetation Index = Indicele de vegetație al indicelui vegetal

GRVI = NIR / Green (Lymburner și colab., 2000)

Green Soil Adjusted Vegetation Index = Indicele de vegetație adaptată solului

GSAVI = [(NIR – Green) / (NIR + Green + 0.5)] * (1 + 0.5) (Qi și colab., 1994)

Modified Soil Adjusted Vegetation Spectral Index = Indicele spectral al vegetației ajustat pe sol modificat

MSAVI2 = [2 * NIR + 1 – sqrt ([(2 * NIR + 1) ^2] – 8 * (NIR – Red))]/2 (Qi și colab., 1994)

Normalised Difference Red Edge Index = Indicele de diferențiere normalizată a benzii Red Edge

NDREI = (NIR – RedEdge) / (NIR + RedEdge); (Lymburner și colab., 2000)

Normalised Green = Verdele normalizat

NG = Green / (NIR + Red + Green); (Lymburner și colab., 2000)

Normalised Green Red Difference Index = Indicele de diferență roșie standard redus

NGRDI = (Green – Red) / (Green + Red); (Rondeaux și colab.,1996), (Steven, 1998)

Normalised Near Infrared = Infrasoșu apropiat normalizat

NNIR = NIR / (NIR + Red + Green); (Rondeaux și colab.,1996), (Steven, 1998)

Normalised Red = Roșu normalizat

NR = Red / (NIR + Red + Green); (Hardisky și colab., 1983)

Optimised Soil Adjusted Vegetation Index = Indicele de vegetație optimizat pentru sol

OSAVI = [(NIR – Red) / (NIR + Red + 0.16)] * (1 + 0.16); (Rondeaux și colab.,1996), (Steven, 1998)

Ratio Vegetation Index = Raportul indicelui de vegetație

RVI = NIR / Red; (Jordan, 1969)

Red-Edge Chlorophyll Index = Indicele de clorofilă obținut din banda Red-Edge

CIre = (NIR / RedEdge) – 1; (Hardisky și colab., 1983)

Red-Edge Normalised Difference Vegetation Index= Indicele normalizat de vegetație diferențiată în Red-Edge

ReNDVI = (NIR – RedEdge) / (NIR + RedEdge) (Hardisky și colab., 1983)

Soil Adjusted Vegetation Index = Indicele de vegetație ajustată solului

SAVI = [(NIR – Red) / (NIR + Red + 0.5)] * (1 + 0.5) (Huete, 1988)

Triangular Vegetation Index = Indice de vegetație triunghiulară

TVI =0.5 * (120 * (NIR – Green) – 200 * (Red – Green)) (Broge and Leblanc, 2000)

Vegetation AR Index Green = Indexul vegetației AR Verde

VARIgreen = (Green – Red) / (Green + Red – Blue) (Falkowski M.J., 2005)

Vegetation Index Green = Indicele de vegetație Verde

VIgreen = (Green – Red) / (Green + Red) (Falkowski M.J., 2005)

MATERIALE ȘI METODE

Tematica cercetărilor a vizat testarea noilor metode de monitorizare a culturilor agricole ce au inclus echipamente moderne de măsurare și prelucrare a datelor precum: receptori GNSS, instrumente GIS, drone, UAV-uri, senzori inteligenți și sateliți. Rezultatele obținute în urma fiecărei experiențe au fost corelate cu măsurători in situ.

Instrumentele moderne de măsurare și monitorizare vin în ajutorul fermierilor în vederea raționalizării costurilor de producție prin intermediul hărților și planurilor obținute în urma preluării imaginilor aeriene.

Avantajele utilizării imaginilor aeriene conduc la optimizarea resurselor prin reducerea consumuluide apă, a fertilizanților și a pesticidelor, reducerea timpului de decizie, fertilizarea eficientă, menținerea durabilității sistemelor agricole și creșterea profitului prin obținerea de producții mari și de calitate.

DESFĂȘURAREA CERCETĂRILOR

Cercetările prezentate în această teză au avut loc în cadrul fermelor: SC PROBSTDORFER SAATZUCHT România SRL din localitatea Modelu, jud. Călărași; SC IDLU SA din localitățile Vâlcelele și Ivănești, jud. Călărași; SC INTERCEREAL SA din localitatea Ivănești, jud. Călărași și în cadrul Stațiunii Didactice Belciugatele Ferma Moara Domnească a USAMVB. (Figura 2.1)

Figura 2.1. Localizarea zonelor de studiu (Sursa: Google Map)

Figure 2.1. Location of the study areas (Source: Google Map)

APARATURA UTILIZATĂ. DESCRIERE ECHIPAMENTE

DJI Phantom 3 Professional

Figura 2 2. DJI Phantom 3 Professional

DJI Phantom 3 Professional reprezintă un sistem complex de filmare aeriană menit să asigure imagini de o calitate incredibilă și o o utilizare facila și intuitiva. Această drona nu se adresează doar amatorilor de imagini aeriene, ci este gândită să livreze rezultate la nivel profesional. (Figura 2.2)

Sistemul este compus din drona (quadcopter), cap gimbal pe 3 axe stabilizat, camera video 4K și telecomanda cu sistem de monitorizare live.

Camera video poate filma la rezolutie 4K cu 24 fps sau Full HD cu pana la 60 fps și dispune de un obiectiv cu o diafragmă mazima f.2.8 și un unghi de cuprindere de 95°;

• Filmare 4K la 24 fps;

• Fotografii de 12Mpx;

• Cap gimbal pe 3 axe stabilizat;

• Telecomanda cu operare de la max 2Km;

• Sistem de orientare bazat pe GPS ;

• Monitorizare live HD 720p;

• Senzor optic de "plutire";

Phantom 3 este o dronă ce oferă rezultate uimitoare, fiind totodată foarte ușor de manevrat în timpul zborului multumită comenzilor extrem de intuitive și ușoare. De la decolare la aterizare, e complet sub control, răspunde la comenzi, fiind monitorizată în permanență de sisteme automate ce-i asigură stabilitate, menținând traiectoria.

DJI Phantom 3 dispune de o camera video cu o optiăa de excepție și ce furnizează imagini uimitoare. Aceasta poate realiza filme la rezolutie 4K, de 4 mai mare decat Full HD și fotografii de 12 megapixeli. Camera este realizată dintr-un bloc de aliaj de aluminiu, fiind deopotrivă ușoară și foarte robustă.

DJI Phantom 3 are integrat un sistem de stabilizare pe 3 axe, ce oferă o fluiditate de neegalat filmarilor aeriene compensând vibrațiile survenite în timpul zborului.

Phantom 3 dispune de comenzi foarte simple și ușor de utilizat. Permite să fotografieze sau sa filmeze, controlând expunerea și mișcarea gimbal-ului, utilizând comenzi intuitive și aplicații facile.

Phantom 3 va trimite în permanență imagini în format HD către dispozitivul inteligent, tableta sau telefon atașat telecomenzii de pilotaj. Acest lucru facilitează pliotajul dronei cât și filmarea și fotografierea subiectelor de interes.

Dacă se va selecta un subiect sau o locație, drona Phantom 3 va întoarce camera către acel subiect, păstrandu-l tot timpul în cadru, indiferent de traiectoria de zbor.

Cu o singură apăsare de buton aplicația DJI Pilot pornește motoarele dronei Phantom 3 și o vridică la înălțimea prestabilită de dumneavoastră.

Cu ajutorul funcției GPS AUTO-RETURN HOME, drona Phantom 3 memoreză cu exactitate locul de unde a decolat, iar revenirea în acel punct se poate face oricând, printr-o simpla atingere de buton.

Drona Phantom 3 Professional are un grad ridicat de siguranță în zbor datorită sistemelor inteligente de protecție. Astfel, dacă drona va pierde legatura cu telecomanda sau daca este pe puncul sa i se termine bateria, functța Fail Safe va prelua controlul și va aduce drona în punctul de unde a decolat.

Această dronă se află în dotarea USAMV București.

Sistem de Zbor

GPS: GLONASS

Senzor optic de zbor Frecventa: 50 Hz

Viteza: sub 8 m/s ( 2 m)

Altitudine:5 – 500 cm

Transmițător

Distanța de comunicare: 2 km

Connectivitate: 1 x USB

Camera

Obiectiv: Diafragma: f/2.8

Unghi de cuprindere: 94 grade

Elemente optice: 9

Resoluție: 12 MP

Rezoluție Video: 4K: 30p

1920 x 1080: 60p

Formate: Video: H.264

Foto: JPEG, DNG RAW

Card micro SD

Gimbal

Axe: 3

Greutate de zbor: 300 g per axa

Tensiune Maxima: 800 g per axa

Dimensiunea statorului: 23×12 mm

Viteza motor: KV: 960 rpm/V

Temperatură: -5 to 40C

Greutate: 55 g

Acumulator

Lithium-polymer

Configurare: 4S

Distanța maximă de operare 3.5 km

Altitudine maximă: 6000 m

Durata de zbor: 23 m

Viteza:16 m/s

GPS: GNSS (GPS + GLONASS)

Conectivitate: Wi-Fi

Sistem de operare compatibil Android, iOS

Telecomanda

Frecvența de operare (GHz) 2.4 GHz

Distanța maximă de operare: 2km

Interfața: USB

Baterie (mAh): 6000

Generale

Tehnologie: Smart

Greutate: 1280 g

Culoare: Alb

Captare imagine

Rezolutie senzor: 12.4 Mp

Tip senzor: CMOS

Diafragma: 2.8

Rezolutie poze: 4000 x 3000

Format poze (tip fișier): JPEG

Rezoluție video: 4096 x 2160

Format înregistrare video: MP4

MOV (Video: H.264/MPEG4-AVC)

DJI Phantom 4 Professional

Figura 2.3. DJI Phantom 4 Professional

Prezentarea caracteristicilor tehnice a dronei: (Figura 2.3)

Greutate (inclusiv baterie): 1380 g

Viteza maximă de ridicare: 6 m/s

Viteză maximă de coborâre: 4 m/s

Viteză maximă: 20 m/s

Altitudinea maximă deasupra nivelului mării: 6000 m

Timp de zbor maxim: Aprox. 28 de minute

Intervalul de temperatură de funcționare: 0 ° până la 40 ° C

Sisteme de satelit: GPS / GLONASS

Acuratețea cursorului: Verticală: +/- 0,1 m (când este activă vizionarea poziției) sau +/- 0,5 m

Orizontal: +/- 0,3 m (când este activă vizionarea poziției) sau +/- 1,5 m

Sistemul de detectare a obstacolelor

Obstacole Sensory Range: 0,7 – 15 m

Mediu de lucru: Suprafață cu model clar și iluminare adecvată (lux> 15)

Camera

Senzor: 1 / 2.3 "Pixeli efectivi: 12 M

Lentile: FOV (Field of View) 94 ° 20 mm (echivalent format 35 mm) f / 2.8 focalizare la ∞

Intervalul ISO: 100 – 3200 (video) 100 – 1600 (fotografie)

Viteza obturatorului electronic: 8 s până la 1/8000 s

Dimensiunea maximă a imaginii: 4000 × 3000

Fotografiere în rafală: 3/5/7 cadre

Expunere automată a expunerii (AEB): 3/5 cadre bracketted la 0.7 EV Bias Time-lapse HDR

Moduri de înregistrare video: UHD: 4096 × 2160 (4K) 24/25p

3840 × 2160 (4K) 24/25 / 30p

2704 × 1520 (2,7K) 24/25 / 30p

FHD: 1920 × 1080 24/25/30/48/50/60 / 120p

HD: 1280 × 720 24/25/30/48/50 / 60p

Bitrate maximă video: 60 Mbps

Sisteme de fișiere suportate FAT32 (≤ 32 GB); exFAT (> 32 GB)

Fotografie JPEG, DNG (RAW)

Video MP4 / MOV (MPEG-4 AVC / H.264)

Carduri SD acceptate: Micro SD, capacitate maximă: 64 GB. Clasa 10 sau UHS-1 este necesară o evaluare

Temperatura de funcționare: între 0 ° până la 40 ° C

Încărcător

Tensiune: 17,4 V

Putere nominală: 100 W

Gimbal

Interval reglabil: Pitch: -90 ° la + 30 °

Sistem de poziționare a vederii

Intervalul de viteză: ≤10 m / s (2 m deasupra solului)

Altitudine: 0 – 10 m

Domeniu de acțiune: 0 – 10 m

Mediu de lucru: Suprafețe cu un model clar și iluminare adecvată (lux> 15)

Telecomanda

Frecvența de operare: 2.400 GHz până la 2.483 GHz

Distanta maxima de transmisie: Conformitate FCC: 5 km;

Conformitate CE: 3,5 km

Temperatura de funcționare: 0 ° până la 40 ° C

Baterie 6000 mAh LiPo 2S

Puterea transmițătorului: (EIRP) FCC: 23 dBm; CE: 17 dBm

Tensiune de operare: 7.4V @ 1.2A

Baterie PH4 – 5350 mAh -15,2 V

Capacitate: 5350 mAh

Tensiune: 15,2 V

Tip baterie: LiPo 4S

Energie 81,3 Wh

Greutate netă: 462 g

Temperatura de funcționare: între -10 ° până la 40 ° C

Putere maximă de încărcare 100 W

Gimbal-ul poartă un rol foarte important in mentinerea orizontalizarii camerei in momentul preluarii fotografiilor, astfel încât dispar deformațiile pe cele 3 axe (tangaj, ruliu, deviație), rămânând doar axa K de corectat, compensarea făcându-se automat în softul de prelucrare ce compune ortomozaicul.

ROMPOS este un sistem românesc de determinare a poziției prin care se asigură poziționări precise în sistemul de referință și coordonate european ETRS89.

ROMPOS se bazează pe sisteme de navigație prin satelit (GNSS – Global Navigation Satellite Systems) incluzând GPS, Glonass și Galileo și pe baza rețelei naționale de stații GNSS permanente (RNSGP). (http://www.rompos.ro/index.php/en/)

GLONASS (rusă ГЛОНАСС – ГЛОбальная НАвигационная Спутниковая Система – GLObal'naia NAvigaționnaia Sputnikovaia Sistema) este un sistem de navigație prin satelit (sau sistem de poziționare globală prin satelit), început de fosta Uniune Sovietică și continuat în prezent de Rusia. Este o alternativă la sistemul american Global Positioning System (NAVSTAR-GPS) și la cel al Uniunii Europene, Galileo (aflat în construcție). Nivelul de precizie al sistemului rusesc GLONASS este comparabil cu cel al sistemului NAVSTAR-GPS. (https://ro.wikipedia.org/wiki/GLONASS)

SenseFly eBeeSQ

Figura 2 4. UAV SenseFly eBeeSQ

SenseFly eBeeSQ este un instrument profesional pentru aplicații în agricultură și are următoarele caracteristici tehnice: (Figura 2.4). Aceasta a fost pusă la dispoziție de SIAGRO TECHNOLOGY SRL-D (https://siagro.ro).

– Lățimea aripilor: 110 cm;

– Lungimea:1.1 kg;

– Motor Low-noise, brushless, electric;

– Radio link range 3 km nominal (up to 8 km1) / 1.86 mi (up to 4.97 mi1);

– Aripi detșabile;

– Sensor (supplied) 2 Parrot Sequoia;

– Viteza 40-110 km/h (11-30 m/s or 25-68 mph);

– Rezistența la vânt: până la: 45 km/h (12m/s or 28 mph);

– Timpul maximum de zbor: 55 minute;

– Aterizare liniară automată ~ 5 m (16.4 ft) precizie;

Având ca precizii definite din fabrică urmatoarele:

– Nominal coverage at 120 m (400 ft) 3 200 ha (~500 ac);

– GSD multispectral 12 cm/px (4.72 in/px);

– GSD RGB 3.1 cm/px (1.22 in/px);

– Maximum coverage at 2,000 m (6,500 ft)4 3,000 ha (~7,400 ac);

– GSD multispectral 2 m/px (6.56 ft/px);

– GSD RGB 55 cm/px (21.65 in/px);

Echipată cu o cameră multispectrală ce preia în 4 benzi spectrale: Green, Red, Near-Infrared, Red-edge și RGB. (Figura 2.5)

Figura 2.5. Camera multispectrala (Sursa: https://www.sensefly.com/drone/ebee-sq-agriculture-drone/)

Figure 2.5. Multispectral camera (Source: https://www.sensefly.com/drone/ebee-sq-agriculture-drone/)

Răspunsul spectral pentru fiecare bandă de preluare în parte, în funcție de lungimea de undă (nm) se poate vedea în graficele urmatoare: (Figura 2.6)

Figura 2.5. Răspunsul spectral al camerei Sequoia (Sursa: https://www.sensefly.com/drone/ebee-sq-agriculture-drone/)

Figure 2.6. The Spectral Response of the Sequoia Camera (Source: https://www.sensefly.com/drone/ebee-sq-agriculture-drone/)

Drona FAE – FW1718 FIXED WING

Figura 2.6. UAV FAE 1718 Fixed Wing (Sursa: http://fae-drones.com/FAE-1718-FIXED-WING-47.html)

FAE 1718 Fixed Wing este un avion (figura 2.7) – drona automatizat, pentru achiziționarea rapidă și precisa de date, ce acoperă suprafețe extinse (peste 500 Ha), distanțe mari, venind în întampinarea celor care practică agricultura de precizie, sau pentru colectare de date suport pentru planificare teritoriala și de mediu.

Opțiuni: raza nelimitata – video, telemetrie și control RC- prin GSM 3G sau 4G;

Navigare autonomă cu traseu predefinit cu controller de zbor Pixhawk 32;

Modul GNSS multistandard – fiabilitate sporită cu constelații de 22 sateliți sau mai mulți -recepționează toate standardele GPS(Navstar, Glonass, BeiDou, Galileo, Qzss)-Ublox Neo 8 GPS;

Funcția GPS return -to Home (se activează automat în cazul pierderii legăturii radio);

Software avansat de ground-control inclus;

Logarea automată a tuturor parametrilor de zbor, generează automat fișiere KLM google earth;

Telemetrie, navigare pe harta și configurare wireless printr-un sistem PC;

Georeferențiază fotografiile executate în mod semi-automat, necesită o sincronizare inițială a timpului;

Fotografii nadirale și colectare de date cu aparatură instalată la bord;

Controlul zborului manual cu autostabilizare la orizontală;

Menținerea automată a plafonului de zbor (altitudine);

Controlul automat al altitudinii de zbor în funcție de poziția mansei de gaz: mijloc, păstrează altitudinea, orice deviație față de mijloc se traduce într-o viteză de coborare-urcare proporțională și constantă în timp făcând aterizările foarte facile;

Alarma de baterie scazută;

Anvergura: 1718mm;

Lungime fuselaj: 1100mm;

Material fuselaj: Elapor;

Bot detasabil și spațiu interior pentru dotare cu echipamente de control și colectare date;

Greutate în zbor: 2500-3000g;

Suprafața aripilor: 60 dm ^2;

Aripa pliabila pentru transport;

Viteza de zbor recomandată: 60Km/h;

Viteza de zbor maximă: 110Km/h;

Gabarit sarcina utilă: 30x13x13 cm;

Plafon maxim de zbor: 5Km;

Baterie Li-Po 10 A/ 4S;

Raza telecomenzii și a sistemului video: opțional nelimitat prin laptop UDP/IP și internet 4G stick;

Autopilot 32bit ARM cortex-M4 "Pixhawk" cu zbor complet autonom pre-programat;

Telemetrie pe computer și pe sistemul video live;

Timp de zbor: 60 minute cu o sarcina de 500g cu viteza de 60Km/h;

Viteza de zbor maximă: 110Km/h;

Sarcina utilă maxima: 1Kg;

Suprafața acoperită: în funcție de acoperirea laterală a fotogramelor și viteza medie față de sol (variaza datorită vântului) poate acoperi 500 Ha cu rezoluția de 5 cm/pix și acoperire laterala 60% într-o ora de zbor. Suprafața se poate mări dacă se crește altitudinea.

Gama de senzori care pot fi incorporați în sistemul UAV-urilor:

Camera foto Cannon 260HS (domeniu vizibil / multispectral);

Camera termala FIR;

Camera video Hero GoPro4;

Magnetometru;

Detector de radiații ionizante pentru controlul proceselor industriale ;

Senzori de temperatură, umiditate, presiune, viteza vântului;

Senzori de calitatea aerului cu sensibilitate ridicata la o gama larga de poluanti precum: fum, CO2, compusi organici volatili, gaze ;

Diverse alte instrumente de colectare date din aer, conform domeniului de aplicablitate.

Yara N-Tester™

Figura 2.7. Yara N-Tester™

N-Tester™ este un instrument de mână care permite măsurătorile rapide și ușoare într-o cultură în creștere pentru stabilirea necesarului exact de azot. (Figura 2.8)

Acesta permite recomandările rapide și exacte specifice terenului pentru a ajuta la reglajul aplicării îngrășămintelor în timpul sezonului de creștere. Rezultatul este o recomandare graduală pe teren mult mai exactă, îmbunătățind profitabilitatea și reducând la minim efectele asupra mediului.

Starea de nutriție a plantei determină alegerea timpului și cantității de aplicare a îngrășământului. Cu N-Tester™ se poate identifica cu ușurință, siguranță și rapiditate necesarul de azot al plantei direct pe teren. Necesarul îngrășământului pe bază de azot nu este niciodată constant, și variază de la an la an și de la teren la teren. Prin împărțirea fertilizării cu azot în mai multe aplicări, este posibilă stabilirea cantității optime de îngrășământ pe bază de azot în fiecare an și la fiecare tip de teren în funcție de nevoile reale ale plantei. Analiza plantei cu N-Tester™ oferă informații valoroase cu privirea la starea de nutriție actuală a plantei. Prin intermediul acestei măsurători la cereale se poate stabili cantitatea necesară de îngrășământ azotat necesar în timpul alungirii tulpinii, respectiv a apariției spicului.

S-au efectuat numeroase studii de teren pentru a evalua avantajele folosirii N-Tester™ în procesul reglajului fin al aplicării de azot. Aplicarea nivelului corect de azot la culturile de cereale are un efect benefic semnificativ atât asupra recoltei, cât și asupra calității grăunțelor. Asigurarea conținutului de proteine al grăunțelor impus de specificațiile cumpărătorilor are un impact semnificativ asupra profitului adus de cultură. Studiile au arătat că prin utilizarea N-Tester™ se pot obține creșteri mari a conținutului de proteine a grăunței.

Yara N-Tester™ este un instrument de mână care permite măsurătorile rapide și ușoare într-o cultură în creștere pentru stabilirea necesarului exact de azot.

Acesta permite recomandările rapide și exacte specifice terenului pentru a ajuta la reglajul aplicării îngrășămintelor în timpul sezonului de creștere. Rezultatul este o recomandare graduală pe teren mult mai exactă, îmbunătățind profitabilitatea și reducând la minim efectele asupra mediului.

Starea de nutriție a plantei determină alegerea timpului și cantității de aplicare a îngrășământului. Cu N-Tester™ se poate identifica cu ușurință, siguranță și rapiditate necesarul de azot al plantei direct pe teren. Necesarul îngrășământului pe bază de azot nu este niciodată constant, și variază de la an la an și de la teren la teren. Prin împărțirea fertilizării cu azot în mai multe aplicări, este posibilă stabilirea cantității optime de îngrășământ pe bază de azot în fiecare an și la fiecare tip de teren în funcție de nevoile reale ale plantei. Analiza plantei cu N-Tester™ oferă informații valoroase cu privirea la starea de nutriție actuală a plantei. Prin intermediul acestei măsurători la cereale se poate stabili cantitatea necesară de îngrășământ azotat necesar în timpul alungirii tulpinii, respectiv a apariției spicului.

S-au efectuat numeroase studii de teren pentru a evalua avantajele folosirii N-Tester™ în procesul reglajului fin al aplicării de azot. Aplicarea nivelului corect de azot la culturile de cereale are un efect benefic semnificativ atât asupra recoltei, cât și asupra calității grăunțelor. Asigurarea conținutului de proteine al grăunțelor impus de specificațiile cumpărătorilor are un impact semnificativ asupra profitului adus de cultură. Studiile au arătat că prin utilizarea N-Tester™ se pot obține creșteri mari a conținutului de proteine a grăunței.

N-Tester™ măsoară conținutul de clorofilă al frunzei, acesta fiind legat de conținutul de azot al plantei. Punctul de măsurare trebuie să fie în mijlocul limbului celei mai tinere și complet dezvoltate frunze. Se vor efectua 30 de măsurători aleatorii de pe tot terenul cu modelul uzual ”W”, și se va calcula o valoare medie pentru a indica cantitatea de azot de care are nevoie cultura. Obținerea recomandărilor de îngrășământ este posibilă doar dacă creșterea culturii nu este limitată de un alt nutrient.

Măsurătorile N-Tester™ sunt puternic influențate de varietatea culturii și stagiul de dezvoltare. Din acest motiv măsurătorile N-Tester™ trebuie calibrate pentru a lua în calcul aceste variații. Solicitați ajutorul agronomului local Yara pentru calibrarea și furnizarea recomandărilor de îngrășământ bazate pe măsurătorile N-Tester™.

Studii în Franța

Peste 240 de studii pe teren la cereale

Conținut de proteine crescut cu 0,3%

Producție sporită cu 120 kg/ha

Recolta suplimentară a rezultat o creștere a marjei brute de peste 18 €/ha (costurile aplicării fiind deduse) (Sursa: http://www.yara.ro) (figura 2.9)

Figura 2.8. Performanța N-Tester™ comparată cu aplicările de azot după Calcularea Echilibrării în Franța (Sursa: http://www.yara.ro)

Figure 2.9. N-Tester ™ performance compared to nitrogen applications after Balance Balance Calculation in France (Source: http://www.yara.ro)

Chlorophyll Meter Chlorophyll Meter CCM – 200 plus

Figura 2.9. Chlorophyll Meter CCM – 200 plus

Clorofila este un pigment verde care permite plantelor să efectueze fotosinteze. Acest proces folosește lumina soarelui pentru a transforma dioxidul de carbon și apă în blocurile de plante. Deoarece azotul face parte din clorofila, prin măsurarea clorofilei, se poate măsura indirect cantitatea de azot din plantă. Acest lucru permite programarea mai eficientă a aplicațiilor pentru îngrășăminte.

Chlorophyll Meter-ul măsoară instantaneu conținutul de clorofilă sau "gradul de vegetație" al plantelor pentru a reduce riscul de deficiențe de limitare a randamentului sau de suprafertilizare.

CCM-200 (figura 2.10) oferă citiri rapide precise, pe baza clorofilei de pe frunzele de plantelor. Măsurarea este rapidă, precisă și ușor de obținut, permițând cercetătorilor și agronomilor să colecteze și să evalueze datele critice ale misiunii rapid. Este util pentru îmbunătățirea și gestionarea fertilizării plantelor de grâu și porumb, CCM-200 plus poate fi utilizat pe o mare varietate de plante C și C. CCM-200 plus este proiectat pentru a fi cel mai repetabil contor de conținut de clorofilă, portabil. Aceasta încorporează o zonă de măsurare mai mare pentru medierea semnalului pe o suprafață mai mare a eșantionului. Această abordare oferă o citire mai fiabilă care ia în considerare variațiile de structură mici care pot afecta repetabilitatea și fiabilitate în comparație cu prelevarea de zone mai mici. Precizia măsurării s-a determinat pe baza corelațiilor cu testele chimice.

În consecință, pot apărea modificări ale conținutului de clorofilă a deficiențelor de nutrienți, expunerea la mediu stres, expunerea la anumite erbicide și diferențe în mediu luminos în timpul creșterii (umbrire).

Analiza conținutului de clorofilă poate fi utilizată pentru gestionarea nutrienților în programe de optimizare care îmbunătățesc atât randamentul culturilor cât și protecția mediului. Test area pentru eroziunea erbicidului poate indica necesitatea unei schimbări în metodele de selecție sau de aplicare a erbicidului; Pentru a pentru a menține un bun control al buruienilor în timp ce are impactul minim asupra sănătății culturilor. (Epure D.G, 2018).(Figura 2.11)

CCM-200 plus are o memorie, care stochează peste 94.000 de măsurători intern. Utilizatorii pot înregistra luni de măsurători, precum și să introducă propriile linii de comentarii, fără a vă îngrijora de memoria limitată sau de a lovi echipamente suplimentare cum ar fi înregistratorii de date sau PC-urile în câmp. Transferul de date este rapid și ușor prin interfața USB 1.1 universală.

Figura 2.10. CCM-200 plus reprezintă atât clorofila transmisia și grosimea frunzelor (Sursa: https://www.optisci.com/ccm-200.html)

Figure 2.11. The CCM-200 plus accounts for both chlorophyll transmittance and leaf thickness (Source: https://www.optisci.com/ccm-200.html)

Parametrii măsurați:

Absorbanță optică în două benzi de frecvențe diferite: 653 nm (clorofilă) și 931 nm (Near Infra-Red). Figura

Domeniu de măsurare: 9,52 mm (3/8 ") cerc de diametru (71 mmp)

Rezoluție: +/- 1 CCI Unit

Repetabilitatea: +/- 1%

Sursă: Modul (1) Medical grade LED (peak at 653nm); (1) Infrared LED (peak at 931 nm)

Detector: Fotodiodă siliconică cu amplificator integral pentru măsurarea absorbanței, monitorizarea puterii și compensarea temperaturii.

Capacitate de stocare: 8 Mbyte de memorie pentru măsurători de până la 160.000 de date sau 94.000 cu intrări de date GPS adăugate.

Moduri de date: (3)

Punct unic, selectabil de la o medie de 1-30 de puncte și un protocol statistic de 10-30 puncte care solicită înlocuirea punctelor de date peste o abatere standard de 2 sigma.

Interfața cu utilizatorul

Afișaj grafic de 128 x 32 pixeli, semnale bip, taste pentru: configurare, protocoale de măsurare, diagnoză, control date și introducerea de către utilizatori a liniilor de comentarii alfanumerice.

Output: USB 1.1 și RS-232; ieșire multiplă de fișiere, punct unic la cerere, NMEA 0183 compatibil pentru introducerea datelor GPS.

Interval de temperatură: 0-50șC.

Derivația de temperatură: Sursa compensată de temperatură și circuitul detectorului pentru o deviație minimă pe întreaga gamă.

Sursa de putere: 9 V baterie alcalină.

Interval automat de oprire: 4 minute (fără apăsare sau descărcare de date).

Mărimea:152 (L) x 82 (W) x 25 (D) mm

Greutate cu baterie:162g

Receptorul GNSS Trimble R4 Model 3

Figura 2.11. GNSS Trimble R4 Model 3

Receptorul GNSS Trimble R4 Model 3 este un sistem compact ce operează pe 220 canale. Antena, receptorul și acumulatorul sunt înglobate în aceeași carcasă. (Figura 2.12)

Echipat cu tehnologia Trimble R-Track permite recepția semnalelor de la sateliții GLONASS ce îmbunătățesc soluția sistemului GPS, iar astfel se pot obține rezultate mai bune în condiții ostile măsurărilor satelitare.

Trimble R4 poate fi folosit atât ca receptor fix cât și ca receptor mobil în cadrul măsurătorilor cinematice în timp real cu transmisia/recepția datelor prin Radio sau GSM/GPRS. De asemenea, utilizatorii sistemului Trimble R4 pot efectua și măsurători RTK și VRS folosind rețeauna națională de stații permanente. Utilizat ca receptor mobil acesta este robust, ușor iar cablurile au fost eliminate complet pentru asigurarea unor condiții de lucru cât mai bune în teren.

Ca unitate de control pentru Trimble R4 se folosește Trimble Slate.

Unitatea de control stochează date și dirijează receptorul prin intermediul programului Trimble Access care rulează și în limba romană.

Corecțiile diferențiale transmise de serviciul ROMPOS sau de alt receptor fix care transmite corecții diferențiale prin internet pot fi accesate prin folosirea unui telefon mobil ce se poate conecta prin Bluetooth la unitatea de control.

Formatele de date CMR+, RTCM 2,3 RTCM 3, 16NMA pentru corectțile diferențiale sunt formate standard și oferă posibilitatea de a comunica și cu alte tipuri de receptoare. Sunt perfect compatibile cu formatele de date transmise de Agenția Națională de Cadastru și Publicitate Imobiliară în cadrul rețelei naționale de stații permanente prin serviciul ROMPOS.

Măsurători statice

Orizontal: +/- 3 mm + 0,1 ppm RMS

Vertical: +/- 3,5 mm + 0,4 ppm RMS

Măsurători FastStatic

Orizontal: +/- 3 mm + 0,5 ppm RMS

Vertical: +/- 5 mm + 0,5 ppm RMS

Măsurători cinematice (RTK)

Orizontal: +/- 8 mm + 1 ppm RMS

Vertical: +/- 15 mm + 1 ppm RMS

Măsurători cinematice (RTK) în rețea

Orizontal: +/- 8 mm + 0,5 ppm RMS

Vertical: +/- 15 mm + 0,5 ppm RMS

Timp initializare characteristic <8 secunde

Pozitionare GPS diferentiala pe cod

Orizontal: +/- 0,25 mm + 1 ppm RMS

Vertical: +/- 5 mm + 1 ppm RMS

Poziționare diferențială WAAS/EGNOS precizie caracteristică <5m 3DRMS

LEGISLATIE PRIVIND UTILIZĂRII DRONELOR ÎN ROMÂNIA

Aeronavele fără pilot la bord, indiferent de masa și configurația lor (aripă fixă sau rotativă) sunt asimilate „aeronavelor” (a se vedea definiția termenilor „aeronavă” și „aeronavă fără pilot la bord” menționați în Codul Aerian (alin. 3.7 și 3.81, art. 3, Secțiunea II „Termeni și definiții”, Capitolul I „Prevederi generale”) care, în fapt, sunt o traducere a definițiilor ICAO).

Decizia de a trata aeronavele fără pilot la bord ca o nouă categorie de „aeronave civile” nu este o decizie exclusivă a României, semnificative în acest sens fiind RIGA DECLARATION ON REMOTELY PILOTED AIRCRAFT (drones) "FRAMING THE FUTURE OF AVIATION" Riga – 06 March 2015; sau A-NPA 2015-10 „Introduction of a regulatory framework for the operation of drones” (document ce detaliază politica EASA în domeniul aeronavelor fără pilot la bord); EASA Technical opinion 2015-12-18 "Introduction of a regulatory framework for the operation of unmanned aircraft".

Prin Legea nr. 98/2014 pentru „modificarea și completarea Ordonanței Guvernului nr. 29/1997 privind Codul aerian civil”, definițiile din Capitolul I „Prevederi generale”, Secțiunea II „Termeni și definiții” a Codului aerian au fost completate prin introducerea unei definiții privind „aeronava fără pilot la bord” (art. 3, alin. 3.81) categorie de aeronavă civilă în care, conform definiției, sunt incluse și aeronave utilizate în scop recreativ sau sportiv – „aeromodelele”.

Conform prevederilor art. 8 al OMT nr. 8/2014 pentru „stabilirea condițiilor de operare în spațiul aerian național a aeronavelor civile motorizate fără pilot la bord”, începând cu data de 30 ianuarie 2016, acest act normativ și-a încetat aplicabilitatea. Se subliniază faptul că prin încetarea aplicabilității OMT nr. 8/2014 nu s-a produs un „vid legislativ” în domeniul planificării și desfășurării activităților de zbor cu aeronave fără pilot la bord.

În baza prevederilor Regulamentului (EC) nr. 2016/2008), cu modificările și completările ulterioare, în atribuțiile AACR intră certificarea/autorizarea aeronavelor/personalului în cazul aeronavelor fără pilot la bord cu masa maximă la decolare mai mică sau egală cu 150kg. (http://www.caa.ro/reglementare/operare-uav-uas)

Codul aerian

HG 912/2010 pentru “aprobarea procedurii de autorizare a zborurilor în spațiul aerian național, precum și a condițiilor în care decolarea și aterizarea aeronavelor civile se pot efectua și de pe/pe alte terenuri sau suprafețe de apă decât aerodromurile certificate” (cu modificările și completările ulterioare); (http://www.caa.ro/reglementare/operare-uav-uas)

RACR IA “Înmatricularea aeronavelor civile”;

RACR AZAC “Admisibilitatea la zbor a unor categorii de aeronave civile”;

RACR OPS LAAG “Lucru aerian și aviație generală”;

DN 14-02-001 “Emiterea certificatelor de identificare pentru aeronavele civile motorizate fără pilot (UAV)” Ediția 1 / Ediția 2 /

Conform prevederilor cadrului legal național mai sus menționat, desfășurarea de activități de zbor cu aeronave fără pilot la bord, în condiții de legalitate, este condiționată de:

Identificarea aeronavelor fără pilot la bord cu masa maximă la decolare mai mică sau egală cu 150 kg (în baza prevederilor OMT nr. 1338/25.10.2016 (a se vedea lit. (a), alin. (1), art. 4) pentru aprobarea Reglementării aeronautice civile române RACR-IA “Înmatricularea aeronavelor civile”, ediția 01/2016. Operatorii/proprietarii aeronavelor civile fără pilot la bord cu masa maximă la decolare mai mica sau egală cu 500 grame nu mai au obligație de a deține un certificat de identificare emis de AACR – a se vedea OMT nr. 1338/25.10.2016, alin. (2), art. 4);

Certificarea de navigabilitate (permis de zbor național – PZN) în cazul aeronavelor fără pilot la bord cu masa maximă la decolare peste 15 kg (conform prevederilor Capitolului 6 “Vehicule aeriene fără pilot la bord (UAV)” al RACR AZAC “Admisibilitatea la zbor a unor categorii de aeronave civile”, ediția 01/2007);

Deținerea unei polițe de asigurare pentru pagube produse terților, pentru aeronavele fără pilot cu masa maximă la decolare peste 20 kg (conform prevederilor Regulamentului (CE) nr. 785/2004 al Parlamentului European și al Consiliului din 21 aprilie 2004 privind cerințele de asigurare a operatorilor de transport aerian și a operatorilor de aeronave);

Avizul Ministerului Apărării Naționale (MApN) pentru desfășurarea activităților de filmare / fotografiere aeriană (în baza prevederilor para. f, alin. (1), art. 4 al HG nr. 912/2010 pentru aprobarea “procedurii de autorizare a zborurilor în spațiul aerian național, precum și a condițiilor în care decolarea și aterizarea aeronavelor civile se pot efectua și de pe/pe alte terenuri sau suprafețe de apă decât aerodromurile certificate”).

În scopul unei complete informări se subliniază următoarele:

Prin dispariția OMT nr. 8/2014 operatorii aeronavelor fără pilot la bord nu mai sunt obligați să solicite segregarea zonei în care își desfășoară activitățile de zbor. Autorizarea activităților de zbor este efectuată telefonic prin contactarea Centrului de Operațiuni Aeriene / Ministerul Apărării Naționale (COAP/MApN).

Date ce urmează a fi comunicate COAP/MApN telefonic: data zborului, tipul aeronavei, identificarea aeronavei (YR-D0…), numele operatorului aeronavei, zona de zbor (zonă definită printr-un punct și o rază sau punct perimetrale – latitudine și longitudine furnizate de Google Map de exemplu), înălțimea de zbor și perioadă în care se desfășoară activitatea (ora de începere și ore de terminare).

Conform prevederilor HG nr. 912/2010, cu completările și modificările ulterioare este interzisă/interzis:

Decolarea/aterizarea aeronavelor civile, în consecință și a aeronavelor fără pilot la bord, în zonele de intravilan;

Zborul deasupra (survolul) zonelor dens populate și a mulțimilor de oameni;

Cererea de autorizare a zborurilor sub înălțimea minimă de siguranță se transmite AACR doar în cazul în care se intenționează efectuarea unui zbor sau a unei serii de zboruri în zonele în care există această limitare (formular de cerere). Pentru mai multe informații sunați la telefon +40 021 208 1513;

Cererea de autorizare a activităților de filmare / fotografiere aeriană se transmite la MApN (formular de cerere).

De asemenea având în vedere faptul că aeronavele fără pilot la bord sunt asimilate aeronavelor civile și, în consecință, componentele și/sau echipementele acestora sunt considerate „produse aeronautice”, în conformitate cu prevederile Codului aerian și cu cele ale RACR DPA “Autorizarea organizațiilor distribuitoare de produse aeronautice”, agenții comerciali ce își desfășoară activitatea pe teritoriul României și au ca scop comercializarea de aeronave fără pilot la bord, componente și/sau echipamente specifice acestora, trebuie să fie autorizați de AACR.

Formulare specifice procesului de autorizare: Formular cerere autorizare (F-PIAC-AW-DPA-03); Autorizare personal (F-PIAC-AW-DPA-02); Memoriu de prezentare (ghid de elaborare / G-MPD); (http://www.caa.ro/page/rpasuavdrone), (http://www.monitoruloficial.ro/)

CARACTERIZAREA DIN PUNCT DE VEDERE AGROMETEOROLOGIC A ZONEI DE SUD-EST A ROMÂNIEI ÎN PERIOADA CERCETĂRILOR

Agrometeorologia este știința care studiază influența condițiilor meteorologice asupra proceselor de creștere și dezvoltare a culturilor de câmp și pomiviticole, având ca scop determinarea necesarului unui sistem sau biotop agricol în atingerea productivității biologice optime. (Berbecel O., 1979, Climatologie și agrometeorologie)

Descrierea particularităților agrometeorologice ale perioadei de studiu, constă în analiza parametrilor specifici: precipitații, temperatură, rezervă de umiditate din sol șî indici precum “asprimea iernii”, indiciele de împrimăvărare, intensitatea fenomenului de “arșiță”.

Pe parcursul toamnei 2015 a predominat o vreme în general mai caldă decât în mod obișnuit în aproape toată țara, exceptând luna octombrie 2015, când regimul termic din aer a fost pe ansamblu normal. Temperaturile medii diurne ale aerului s-au încadrat între 6…31°C în zilele cele mai calde, abaterile termice pozitive fiind de 1…15°C și 1…17°C în zilele normale. (Baza de date ANM).

Temperaturile maxime ale aerului au oscilat între 2…39°C, cele mai ridicate valori înregistrându-se în luna septembrie 2015, îndeosebi în zonele de câmpie sudice, estice și vestice. Minimele din aer au fost cuprinse între 2…27°C în aproape toată țara și –4…0°C local în depresiunile din nord și centru, unde izolat au fost condiții de producere a brumei. Precipitațiile înregistrate au fost sub formă de ploaie, izolat cu caracter de aversă în cea mai mare parte a regiunilor agricole, dar și mixte (ploaie, lapoviță și ninsoare) îndeosebi în nordul și centrul țării, acestea fiind însoțite de intensificări temporare ale vântului. În aproape toate zonele de cultură, cantitățile de apă au fost semnificative din punct de vedere agricol. (Stoica A. și colab, 2017)

Pe parcursul lunii septembrie 2015 s-au înregistrat precipitații normale situate între 26 – 50 l/mp în zona de Sud-Est a României. (Baza de date ANM)

La sfârșitul lunii septembrie 2015, rezerva de umiditate în stratul de sol 0-20 cm (ogor), se încadra în limite satisfăcătoare (200-300 mc/ha) în cea mai mare parte a Sud-Estul țării. (Baza de date ANM)

Pe parcursul primelor două decade ale lunii octombrie 2015, temperatura medie diurnă a solului la adâncimea de 10 cm prezenta valori ridicate, 12…17°C, limite optime efectuării însămânțărilor culturilor de toamnă și parcurgerii fazelor incipiente de vegetație (germinare și răsărire) la cele deja semănate. În decada a treia din luna octombrie 2015, temperatura medie diurnă a solului s-a încadrat între 10…12°C, temperaturi favorabile continuării semănăturilor de toamnă, precum și desfășurării primelor faze de vegetație, respectiv germinare, răsărire și înfrunzire. (Baza de date ANM)

La data de 30 noiembrie 2015, rezerva de umiditate pe profilul de sol 0-50 cm, în cultura grâului de toamnă, în SE țării, s-a încadrat în limite apropiate de optim (700-900 mc/ha) și optime (900-1100 mc/ha). (Baza de date ANM)

Procesele biologice ale speciilor de toamnă au evoluat în general normal, în aproape toate regiunile agricole ale țării.

Starea de vegetație a plantelor s-a menținut medie și bună, în aproape toate zonele de cultură. În funcție de data semănatului, cultura de rapiță se afla în fazele de răsărire și înfrunzire (5-14 frunze), uniformitatea și vigurozitatea plantelor fiind medie și bună la culturile înființate în epoca optimă. Sub aspect fenologic, orzul și grâul de toamnă și-au continuat răsărirea, apariția frunzei a treia și înfrățirea, în majoritatea regiunilor Agricole. (Stoica A. și colab, 2017)

Iarna 2015-2016 s-a caracterizat printr-un regim termic al aerului mai ridicat decât în mod normal, în cea mai mare parte a țării. În intervalul 10-25 ianuarie 2016 a predominat o vreme rece la nivelul întregului teritoriu agricol, chiar geroasă, îndeosebi în zonele centrale și sudice. (Stoica A. și colab, 2017)

Regimul termic mediu diurn al aerului a fost cuprins între –7…18°C în lunile calde, abaterile termice pozitive fiind de 1…18°C și –16…2°C în intervalul rece, valori mai scăzute cu 1…15°C în raport cu mediile climatologice. Maximele din aer s-au situat între –9…26°C la nivelul întregii țări. Temperaturile minime ale aerului s-au încadrat între –24…15°C, producându-se brumă și îngheț la sol, afectând astfel culturile agricole, în special în centrul, sudul și izolat vestul țării. (Baza de date ANM)

Precipitațiile înregistrate au fost sub formă de ploi locale, dar și mixte (ploaie, lapoviță și ninsoare), iar în zilele cele mai reci, au predominat ninsorile, în aproape toată țara. De asemenea, vântul a prezentat intensificări temporare, local cu aspect de viscol, îndeosebi în sudul și sud-estul țării, iar cantitățile de apă au fost semnificative din punct de vedere agricol. (Stoica A. și colab, 2017)

Grosimea stratului de zăpadă în intervalul 14-27 ianuarie 2016 a oscilat între 10-50 cm, pe întreg teritoriul agricol al țării. Pentru a evalua condițiile de iernare ale speciilor de toamnă s-a analizat indicele termic specific perioadei 01 decembrie 2015 – 29 februarie 2016, respectiv cuantumul temperaturilor minime negative din aer (Σtmin ≤ –10°C/ unități de „ger”), ce caracterizează anotimpul rece prin „asprimea iernii”. Astfel, din analiza sumei temperaturilor minime negative din aer situate sub limitele critice de rezistență ale culturilor agricole (Tmin ≤ –10°C), se constată caracterul de iarnă aspră (31-50 unități de „ger”). […]Pe fondul temperaturilor mai ridicate din aer și sol, speciile de toamnă și-au continuat procesele vegetative, acestea având o evoluție în general normală. Uniformitatea și vigurozitatea culturilor înființate în perioada optimă se prezenta bună și medie, respectiv medie și slabă în semănăturile tardive. Fenologic, orzul și grâul de toamnă își continuau formarea frunzei a treia și înfrățirea, pe întreg teritoriul agricol al țării. (Stoica A. și colab, 2017)

Sub asptect termic, în anotimpul de primăvară 2016 a predominat un regim termic al aerului mai ridicat decât în mod obișnuit, exceptând ultimele zile ale intervalului, când s-a produs o răcire treptată a vremii, aceasta devenind normală, la nivelul întregii țări.

Temperaturile medii diurne ale aerului au fost cuprinse între 6…24°C în prima parte a perioadei, abaterile termice pozitive fiind de 1…14°C și 5…18°C spre sfârșitul intervalului, valori apropiate de mediile multianuale, în cea mai mare parte a țării. Temperaturile minime din aer s-au situat între 0…19°C, în majoritatea zonelor de cultură. […] Temperaturile maxime din aer au oscilat între 5…33°C, în aproape toate regiunile agricole. Spre sfârșitul perioadei, instabilitatea atmosferică a fost accentuată și s-a manifestat prin ploi locale sub formă de aversă, dar și torențiale, fiind însoțite de descărcări electrice și intensificări ale vântului, izolat cu aspect de vijelie. Local, vântul puternic asociat cu căderile de grindină au provocat pagube culturilor agricole prin culcarea lanurilor în vetre, precum și ruperea ramurilor tinere și a coardelor la pomii fructiferi și vița de vie. De asemenea, cantitățile de apă au fost semnificative din punct de vedere agricol. Pentru evaluarea condițiilor de iernare la culturile de câmp și cele pomi-viticole, s-a analizat indicele agrometeorologic ce caracterizează anotimpul rece, respectiv „asprimea iernii” prin cuantumul temperaturilor medii diurne negative din aer (ƩTmed ≤ 0șC/unități de „frig”) înregistrate în intervalul 01 noiembrie 2015-31 martie 2016. Din analiza unităților de „frig” / ƩTmed ≤ 0șC, se exemplifică caracterul de iarnă blândă (59-200 unități de „frig”), în aproape toată țara. O intensitate moderată a frigului, 201-248 unități de „frig” (iarnă normală) s-a semnalat local în depresiunile din estul Transilvaniei. (Stoica A. și colab, 2017)

În luna martie 2016, cantitătile de precipitații înregistrate în zoned de SE a țarii, au fost normale și situate între 26-50 l/mp. (Baza de date ANM)

În intervalul 01 noiembrie 2015-31 martie 2016 s-au înregistrat cantități de precipitații optime situate între 201-300 l/mp, în cea mai mare parte a Munteniei. (Stoica A. și colab, 2017)

În primele decade ale lunii aprilie 2016, temperaturile medii diurne ale solului înregistrate pe adâncimea de 10 cm, se situau în limite optime, 10…15 șC, pentru desfășurarea fazelor incipiente de vegetație (germinare și răsărire) la speciile deja semănate. Potențialul termic al perioadei de trecere de la iarnă la primăvară este exprimat prin indicele de împrimăvărare (ΣTmed ≥ 0 °C), calculat la nivelul intervalului 01 februarie – 10 aprilie 2016. Astfel, o împrimăvărare foarte timpurie (501-680 unități de „căldură”) și timpurie (401-500 unități de „căldură”) s-a semnalat în cea mai mare parte a țării, cu excepția depresiunilor din estul Transilvaniei. (Stoica A. și colab, 2017)

Precipitațiile în intervalul 01-30 aprilie 2016 au fost normale situate între 26-50 l/mp în cea mai mare parte a zonei de SE a României. (Baza de date ANM)

La sfârșitul lunii aprilie 2016, în cultura de porumb, aprovizionarea cu apă în stratul de sol 0-20 cm, prezenta valori satisfăcătoare (300-400 mc/ha), apropiate de optim (400-500 mc/ha) în zona de SE a țării. (Baza de date ANM)

Precipitațiile înregistrate în intervalul 01–31 mai 2016, au fost ridicate situate între 51-100 l/mp în partea de sud a României. (Baza de date ANM)

La data de 31 mai 2016, în cultura grâului de toamnă rezerva de apă pe adâncimea de sol 0-100 cm, se încadra în limite satisfăcătoare (950-1250 mc/ha) în zona de SE a țării. (Sursa: ANM)

Pe ansamblu, vara 2016 s-a caracterizat printr-o vreme în general mai caldă decât în mod obișnuit, chiar caniculară în zonele de câmpie din sudul și sud-estul țării. Temperaturile medii diurne ale aerului au fost cuprinse între 14…30°C, abaterile termice pozitive fiind de 1…10°C. Minimele din aer au oscilat între 3…27°C la nivelul întregii țări, înregistrându-se frecvente nopți tropicale (Tmin>20°C), îndeosebi în zilele cele mai calde. Temperaturile maxime ale aerului s-au situat între 14…39°C, valorile cele mai ridicate (32…39°C) înregistrându-se în lunile iunie și iulie (Botoșani/37,8°C; Călărași/37,7°C; Roșiori de Vede/37,6°C; București Băneasa/37,1°C). (Stoica A. și colab, 2017)

Precipitațiile înregistrate în intervalul 01-30 iunie 2016 în zona de SE a României au fost normale situate între 26-50 l/mp și local ridicate între 51-100 l/mp. (Baza de date ANM)

În zona de SE a țării la data 30 Iunie 2016, se semnala seceta pedologică moderată (650- 950 mc/ha) și puternică (470-650 mc/ha). (Baza de date ANM)

În perioada critică față de apă a plantelor de grâu de toamnă, respectiv intervalul mai-iunie 2016, regimul pluviometric a fost secetos (79-100 l/mp) și moderat secetos (101-150 l/mp) în cea mai mare parte a zonei de SE a țării. (Stoica A. și colab, 2017)

Gradul de aprovizionare cu apă a solului pe adâncimea de 0-100 cm, în cultura neirigată de porumb, se situa în limite scăzute (650-850 mc/ha – secetă pedologică moderată) și deosebit de scăzute (secetă pedologică puternică/ 350-650 mc/ha și izolat extremă /270-350 mc/ha) în Dobrogea, pe suprafețe extinse din Muntenia. (Stoica A. și colab, 2017)

În vederea evaluării condițiilor agrometeorologice din intervalul iunie-august, respectiv perioada cu cerințe maxime față de apă ale culturilor agricole, s-au prelucrat date privind intensitatea fenomenului de „arșiță”. Analiza „arșiței” exprimată prin intensitate (ΣTmax ≥ 32°C / unități de „arșiță”) a evidențiat faptul că, în intervalul 01 iunie-31 august 2016, cuantumul unităților de „arșiță” a fost redus (0-50 unități de „arșiță”), în cea mai mare parte a țării. O intensitate ridicată a fenomenului de „arșiță” (51-90 unități de „arșiță”) s-a semnalat în centrul și local în vestul și estul Munteniei. (Stoica A. și colab, 2017)

În perioada de consum maxim față de apă al plantelor agricole (lunile iunie, iulie și august), precipitațiile au fost deficitare (sub 200 l/mp) în Dobrogea, pe suprafețe extinse din Muntenia, unde s-au menținut deficite de umiditate în sol, fenomenul de secetă pedologică având diferite grade de intensitate, respectiv moderată, puternică și extremă. (Stoica A. și colab, 2017)

Precipitațiile înregistrate în intervalul 01 iunie- 31 august 2016 au fost deosebit de scăzute și scăzute, 46- 200 l/mp, în Dobrogea, pe suprafețe extinse din Muntenia. (Baza de date ANM)

Pe parcursul anului agricol 01 septembrie 2015 -31 august 2016, cantitățile de precipitații au fost deficitare (sub 600 l/mp) în zona de SE a țării. (Baza de date ANM)

În cultura neirigată de porumb, rezerva de apă pe profilul de sol 0-100 cm, se situa în limite scăzute (secetă pedologică moderată/600-900 mc/ha) și deosebit de scăzute (secetă pedologică puternică/300-600 mc/ha și extremă/ Co-300 mc/ha), în majoritatea zonelor de cultură ale țării. (Stoica A. și colab, 2017)

În condițiile agrometeorologice menționate, lucrările de pregătire a patului germinativ în vederea însămânțărilor din prima epocă (rapiță, orz și grâu de toamnă) s-au desfășurat cu dificultate, în special pe terenurile agricole unde se mențineau deficite de umiditate în sol. De asemenea, starea de vegetație la culturile prășitoare neirigate a continuat să se deprecieze, iar în plantațiile pomi-viticole se semnalau fructe mici și deshidratate, precum și căderea prematură a acestora, îndeosebi în zonele agricole afectate de fenomenul de secetă pedologică prelungită. (Stoica A. și colab, 2017)

Cercetării proprii. DESCRIERE EXPERIENȚE

EXPERIENȚA 1. DETERMINAREA ALTITUDINII OPTIME DE ZBOR PRIVIND OPTIMIZAREA EVĂUARII GRADULUI DE AFECTARE AL CULTURII DE RAPIȚĂ LA IEȘIREA DIN IARNĂ UTILIZÂND PROCESAREA DE IMAGINE

Introducere

De-a lungul anilor, România s-a confruntat cu ierni aspre, cu ger și zăpadă viscolită, dar a avut parte și de unele mai blânde. În urma iernii anului 2015, în zona de ceretare Moara Domenască a fost afectata o zona de 4300 mp cultivata cu rapiță la diferite epoci. Astfel, se dorește determinarea gradului de distrugere al culturii ca urmare a factorilor externi meteorologici din timpul iernii. Se vor determina la sol suprafețele fără cultură și se vor exprima procentual: suprafața cu vegetație în raport cu suprafața analizată.

Se va utiliza drona DJI Phantom 3 Professional pentru preluarea imaginilor la diferite altitudini în vederea determinării altitudinii optime în urma clasificării pixelilor acestora. Metoda clasificării pixelilor are la bază funcții personalizate scrise în limbajul de programare Python, dar și softului de specialitate și prelucrare de imagini LeoWorks.

Materiale și metode

Determinarea la sol a suprafețelor afectate s-a realizat în procente cu ajutorul metodei clasice cu cadrul de lemn 50×50 cm. S-a poziționat rama metrică pe sol din aproape în aproape și s-a determinat zona afectată, numărând plantele bune rămase în viață. Această metodă este una clasică și foarte des întâlnită în majoritatea fermelor din România. Metoda standard a fost întocmită în vederea stabilirii gradului de comparație pentru calibrarea metodelor moderne.

În continuare s-a utilizat drona profesională Phantom 3 Professional pentru captare de imagini asupra culturii de rapiță la diferite altitudini: 50m, 150m, 250m și 500m. (Prezentat în capitolul II.2.1) (figura 3.1)

Figura 3. 1. Drona DJI Phantom 3 Professional Figura 3. 2. Control Points + GPS Trimble

Ulterior s-au preluat imaginile la sol cu ajutorul dronei, în urma fixarii jaloanelor ca reperi ai căror se vor determinea coordonatele în Sistem Stereografic 1970 în vederea georeferențierii imaginilor. (Karl, J și colab, 2014). (Figura 3.2)

Rezultatele obținute se pot vedea în figurile următoare. Prima captura preluată la 50m altitudine are o suprafață de 4500mp, următoarea captură efectuată la 150m încadrează o suprafață de 13.500 mp, la o altitudine de 250m, suprafața va fi de 22.500mp, iar la o altitdine de 500m, suprafața va fi de 45000mp. (Figurile 3.3, 3.4, 3.5, 3.6) (Anexa 1)

Figura 3.3 Captura dronă la altitudinea de 50m Figura 3.4 Captura drona la altitudinea de 150m

Figure 3.3. Capture from the drone at an altitude Figura 3.4. Capture from the drone at an altitude

of 50m of 150m

Figura 3.5. Captura drona la altitudinea de 250m Figura 3.6. Captura drona la altitudinea de 500m

Figure 3.5. Capture from the drone at an altitude Figura 3.6. Capture from the drone at an

of 250m altitude of 500m

S-a început analiza imaginilor cu determinarea indicelui de vegetație NDVI în softul de prelucare LeoWorks și s-a determinat pentru toate cele 4 imagini.

Indice NDVI se utilizează în vederea analizei vizuale a fotointerpretului pentru constatarea procentului de vegetație sănătoasă (Karthika P. Și colab, 2014). Astfel încât, s-a aplicat și în cazul de față, calculat din benzile RGB conform formulei:

NDVI =(NIR-VIS)/(NIR+VIS), unde NIR – reprezintă banda în infraroșu apropiat, iar VIS – cea vizibilă;

Însă, în cazul de față s-a adaptat formula astfel:

NDVIa =(G-B)/(G+B), practic s-au substituit benzile NIR si VIS cu benzile G – green și respectiv B – blue, datorită existenței imaginii în forma RGB.

Formula a fost aplicată celor 4 imagini și se pot observa în figurile 3.7, 3.8, 3.9, 3.10.

Următoarea etapă a cuprins determinarea numărului de pixeli pe baza funcțiilor custom scrise în limbajul de programare Python; Secvența se poate analiza în continuare:

import sys

from PIL import Image

image = Image.open(sys.argv[1]).convert('RGB');

colors = image.getcolors()

width, height = image.size

size = width * height

colors_percents = []

for color in colors:

color_percent = [color[1], '{}%'.format(round(color[0] / size * 100, 1))]

colors_percents.append(color_percent)

print(colors)

print(colors_percents)

im = Image.new("RGB", (len(colors) * 32, len(colors) * 32), "white")

Astfel încât, au fost utilizate imaginile 3.11, 3.12, 3.13, 3.14, în vederea determinării suprafeței acoperite de vegetație.

Rezultate

În cele ce urmează sunt prezentate rezultatele obtinute în urma aplicării formulei indicelui de vegetație adaptată și se observă că imaginile capturate la 50m și 150m sunt optime în vederea fotointerpretării, întrucât se pot distinge cu ochiul liber contururile plantelor, în contrast cu pământul. (Figurile 3.7, 3.8, 3.9, 3.10) (Anexa 1)

Figura 3.7. Indice NVDIa 50m Figura 3.8. Indice NVDIa 150m

Figura 3.7. Index NVDIa 50m Figura 3.8. Index NVDIa 150m

Figura 3.9. Indice NVDIa 250m Figura 3.10. Indice NVDIa 500m

Figura 3.9. Index NVDIa 250m Figura 3.10. Index NVDIa 500m

S-a realizat o clasificare nesupervizata cu 2 clase și 12 iterații pentru fiecare fotografie preluată la sol. Toate nunațele de verde au fost incluse într-o singură clasă de verde pentru un calcul cât mai exact; Practic, ceea ce se dorește este evidențierea suprafaței acoperite cu plante, în contrast cu pământul. Pentru determinarea suprafețelor s-au folosit scripturi customizate în limbajul de programare Python, ce se bazează pe determinarea numarului de pixeli din fiecare clasă. Rezultatele sunt reprezentate în figurile ce urmează și sunt prelucrate în softul de specialiate LeoWorks 4.0. (Figurile 3.11, 3.12, 3.13, 3.14) (Anexa 2)

Figura 3.11. Imagine in urma clasificarii la 50m Figura 3.12. Imagine in urma clasificarii la 150m

Figure 3.11. Image after classification at 50m Figure 3.12. Image after classification at 150m

Figura 3.13. Imagine in urma clasificarii la 250m Figura 3.14. Imagine in urma clasificarii la 500m

Figure 3.13. Image after classification at 250m Figure 3.14. Image after classification at 500m

Aceste imagini au fost trecute prin etapa de decupare a zonei de interes cu funcția „Crop” din oricare instrument de editare avut la îndemană, spre exemplu Paint sau Abdobe Photoshop. Acest lucru facilitează determinarea numărului de pixeli totali ai imaginii, cei verzi – reprezintă suprafața cultivată și cei maro – solul. În vederea centralizării acestor rezultate obținute, s-a întocmit graficul reprezentat în figura 3.15:

Figura 3. 15. Procentul de cultura afectată la diferite altitudini în raport cu cea determinată la sol

Figure 3. 15. The percentage of affected area at different altitudes, relative to ground

Conform graficului din figura 3.15 se observă că cel mai apropiat procent reprezentat de suprafața culturii afectate la diferite altitudini în raport cu cel obținut cu metoda clasică, a fost cel al preluării imaginilor la 50 și 150m, acestea fiind cele mai apropiate de 50,5 % cât s-a obținut în urma determinării la sol.

În figura 3.16 se observă ca altitudinea de 50 m este cea mai exactă, urmărind conturul cel mai fidel al plantelor și exculzând umbrele, însă și la 150 m s-a obținut un procent foarte bun, diferența fiind doar de 0,3%, astfel încat depinde de studiu și de acuratețea necesară, altitudinile de 50m,100m,150m fiind cele mai recomandate. Cu cât altitudinea crește cu atât acuratețea imaginiilor va scădea.

Figura 3. 16. Procentul de cultura afetata in raport cu altitudinea de preluare a imaginilor

Figure 3. 16. The percentages of affected area and their respective altitudes at which the pictures were taken

Concluzii

Se recomanadă preluarea imaginilor între 50 si 150m pentru o precizie cât mai bună, iar daca suprafața terenului de investigat depășește 4500 mp se recomandă preluarea mai multor imagini menținându-se altitudinea și mutând centrul de proiecție, respectiv întocmirea unui ortofotoplan.

Metoda clasică necesită mult timp staționat în teren, indiferent de strategia de măsurare, precum cea a capturării imaginilor la sol asupra ramei metrice din aproape în aproape și centralizarea acestora la birou. Astfel, metoda preluării imaginilor cu drona și clasificării lor deține timpul minim pentru determinarea gradului de afectare al culturii față de oricare altă metodă existentă.

În concluzie, instrmentele moderne de prelucrare a imaginilor sunt recomandate pentru astfel de studii, cât și drone performante ce pot capta imagini la rezoluții foarte bune.

EXPERIENȚA 2. PREZENTAREA A TREI METODE MODERNE DE PRELUCRARE ÎN VEDEREA EVALUĂRII DAUNELOR SUFERITE DE CULTURILE DE RAPIȚĂ LA SFÂRȘITUL IERNII

Introducere

Creșterea consumului de energie în contextul reducerii cantității de combustibili fosili a determinat o creștere continuă a suprafețelor cultivate cu rapiță. În România suprafețele cultivate cu rapiță au crescut de la 303 ha în 1994 la 527175 ha în 2010, în aceste condiții specialiștii acordă o atenție deosebită îmbunătățirii tehnologiei de cultură pentru creșterea producțiilor și reducerea pierderilor de producție. (http://faostat.fao.org/site/567/). Factorii de risc care afectează cultura de rapiță sunt: seceta din perioada semănatului care determină o răsărire neuniformă sau o răsărire întârziată și plantele nu au timp suficient să acumuleze biomasă pentru a putea rezista înghețurilor din timpul iernii, iar în condițiile din România cele mai mari pagube sunt determinate de alternanța îngheț dezgheț din timpul primăverii. (Pirna I, și colab, 2011), (Hălmăjan, 2006).

În acest context la ieșirea din iarnă a culturilor de rapiță, la reluarea vegetației fermierii au de luat o decizie dificilă: cultura a iernat bine și există potențial să se obțină profit sau cultura a fost compromisa și menținerea culturii nu va permite obținerea de profit, caz în care cultura va fi întoarsă și se va înființa altă cultură pe suprafața respectivă. (Roman Gh. și colab., 2013). Până la momentul în care se poate lua această decizie fermierul a făcut cheltuieli cu pregătirea terenului, semănat și protecția culturilor, iar semănatul la această dată, după o cultură compromisă nu garantează obținerea de producții la nivelul potențialului de producție indiferent de cultura ce va înlocui cultura de rapiță; Astfel, se impune luarea unei decizii rapide, care să cuantifice cât mai exact gradul de compromitere a culturii și a permite o estimare rapidă a potențialuluide producție.

Pentru a răspunde acestei cerințe în studiul de față au fost testate comparativ trei metode moderene de apreciere a gradului de compromitere al culturii de rapiță la desprimăvărare. Prima metodă utilizează tehnologia GNSS de mare precizie a măsurătorilor pe teren, cea de a doua metoda este reprezentată de digitizarea manuală utilizând instrumente de tip GIS, iar în cea de a treia metodă este prezentată clasificarea pixelilor cu ajutorul softurilor de prelucrare de imgine și a scripturilor în limabjul de programare Python.

Materiale și metode

Pentru evaluarea obiectivă a celor trei metode cercetările s-au desfășurat în câmpul experimental al USAMVB de la Moara Domnească, în anul agricol 2015-2016, într-o experiență cu rapiță pentru testarea rezistenței la iernare. Experiența a fost de tip bifactorial unde: Factorul A Epoca de semănat cu două graduări (a1 28,08,2015 și a2 15,09,2015) și Factorul B Distanța dintre rânduri (b1-12,5 cm, b2-25 cm, b3-37,5 cm și b4-50 cm).

Deteminările privind gradul de afectare al culturii de rapiță s-au făcut utilizând cele trei metode, în primăvară la reluarea vegetației, în 1.05.2016.

Determinările au debutat cu preluarea imaginilor la sol și a ortofotoplanului georeferențiat. Imaginile au fost preluate cu ajutorul dronei profesionale Phantom 4 Professional (Prezentat în capitolul II.2.2) (Figura 3.17).

Pentru georeferențierea mozaicului obținut din imagini s-au fixat la sol puncte de control, macate cu jaloane dispuse în formă de cruce, pentru vizibilitate ridicată de la altitudini mari. Aceste puncte au fost măsurate cu GPS-ul RTK Trimble L1+L2 în vederea determinării coordonatelor. (Prezentat în capitolul II.2.7) (Figura 3.18)

Figura 3.17. Drona Phantom 4 Professional Figura 3.18. Control Points + GPS Trimble

Figure 3.17. Drone Phantom 4 Professional Figure 3.18. Control Points + GPS Trimble

Imaginea obținută în urma zborului se poate observa în figura 3.19. Acesta este capturată la o altitudine de 150 m. (Figura 3.19)

Georeferențierea a fost realizată în softul de specialitate ArcMap 10.x, pe baza coordonatelor determinate în punctele fixe. (Trif A. și colab, 2016)

Coordonatele au fost inițial determinate în sistemul de coordonate WGS84, apoi transformate în sistemul de proiecție Stereografic 1970 prin intermediul software-ului TransDat achiziționat de pe site-ul oficial al ANCPI în mod gratuit. După adăugarea punctelor de control, imaginea s-a poziționat corect față de sistemul de proiecție. (Figura 3.21)

Prima metodă testată a fost o metodă de câmp și a constat în cartarea manuală utilizând un GPS RTK folosind metoda “Stop and Go”, în cadrul căreia s-a delimitat fiecare zonă fără vegetație, din aproape în aproape. În figura 3.22 se prezintă una din zonele fără vegetație ce a fost delimitată cu ajutorul GPS-ului direct pe teren.

Figura 3.19. Ortofoto rezultat în urma zborului Figura 3.20. Zone fara vegetație

Figure 3.19. Orthophoto resulting from the flight Figure 3.20. Non-vegetation zones

Datele decărcate în format *.dwg au fost introduse în softul ArcMap și suprapuse peste ortofotoplan. Astfel, s-au determinat suprafețele fără vegetație pentru fiecare parcelă experimentală în parte. (Figura 3.22)

A doua metodă testată a fost o metodă de laborator în cadrul căreia s-au digitizat manual zonele fără vegetație din ortofotoplanul obținut, inserând vertex după vertex conform ochiului fotointerpretului.(Trif A. și colab, 2016). Acestă metodă a fost realizată cu ajutorul softului de prelucrare ArcMap. (Figura 3.23).

Figura 3.21. Ortofotoplan georeferențiat Figura 3.22. Zonele determinate pe teren cu GPS-ul

Figure 3.21. Georeferenced Orthophotomap Figure 3.22. Fields determined on the ground with GPS

Figura 3.23. Digitizarea tuturor zonelor fără vegetație Figura 3.24. Selecția unui Lotului 2 din Epoca 1

Figure 3.23. Digitization of all non vegetation areas Figure 3.24. Selection of a Lot 2 of Age 1

Digitizările au fost împărțite pe epoci și loturi pentru o determinare a suprafețelor mai simplă. (Figura 3.28).(Anexa 3)

A treia metodă testată este tot o metodă de laborator care se bazează pe procesarea de imagine și anume metoda clasificării pixelilor. Aceasta presupune încadrarea acestora în clase diferite și bine stabilite conform datelor din teren. (Trif A. și colab, 2016).

Astfel, s-a realizat o clasificare supervizată cu două clase (zone cu vegetație și zone fără vegetație). Pentru aceasta s-au ales câte 7 eșantioane din zone diferite dispuse în imagine pentru fiecare clasă. Rolul acestor eșantioane este acela de a realiza clasificarea cât mai corect.

Software-ul utilizat pentru realizarea clasificării a fost LeoWorks 4.0, ce aprține Agenției Spațiale Europene (ROSA) și este gratuit. (Badea A. și colab., 2012)

Zonele cu vegetație au fost reprezentate cu culoarea verde deschis, iar zonele fără vegetație culoarea galben (Figura 3.25). Imaginea rezultată a fost tăiată în 8 zone, corespondente a 4 loturi din fiecare epocă. (Trif A. și colab, 2016). Fiecărei imagini i s-au determinat numărul pixelilor, utilizând funcții custom în limbajul de programare Python, rezultând câte un număr pentru fiecare culoare. Din aceste rezultate, s-a calculat suprafața totală afectată pentru întreaga solă.

Figura 3. 25. Clasificarea pixelilor

Figure 3.25 Pixel classification

Rezultate

În cazul lotului 1, rezultatul a fost de două clase de culori RGB: 429691 pixeli verzi și 287700 pixeli galbeni. Astfel, 324 de metri pătrați conțin cu 718286 pixeli, rezultă 129,77 metri pătrați de zonă calamitată.

Rezultatele determinărilor obținute în urma celor utilizării celor trei metode de determinare studiate sunt centralizate în tabelul 1.

Tabel 1. 1- Centralizarea datelor privind gradul de distrugere a culturii de rapiță la ieșirea din iarnă

Table 1.1 – Centralization of data on the degree of rapeseed crop destruction at winter

Analizând datele prezentate în tabelul 1.1 pentru prima metodă de determinare se observă că suprafețele cultivate cu rapiță afectate de condițiile climatice din timpul iernii au variat între 0,6% în cazul culturii semănate în epoca I, la 12,5 cm și 52,9% la semănatul la 50 cm distanță între rânduri în cea de a adoua epocă;

În cazul digitizării manuale a suprafețelor în laborator valorile obținute au variat între 11,7% la variant semănată în aIIa epocă la 12,5cm și 60,7% la 50 cm.

Pentru cea de a III-a varianta testată, în care imaginea preluată cu ajutorul dronei a fost georeferențiată și procesată se constată că suprafețele neacoperite cu rapiță la momentul determinării au variat între 33,05% pentru parcelele semănate în epoca a II-a la 12,5 cm și 75,46% la cea semănată la 50 cm distanța între rânduri.

Din punct de vedere al rezultatelor obținute pentru aceeași parcelă se constată că valorile obținute diferă foarte mult în funcție de metoda folosită, astfel, în cazul utilizării primei metode cu GPS RTK, valorile obținute sunt cu 10-20% mai mici decât în cazul celorlalte metode studiate. Atunci când suprafața afectată, suprafața fără vegetație crește, se constată că diferențele dintre valorile obținute prin cele trei metode se reduc.

Din punct de vedere agronomic, atunci când cultura de rapiță este distrusă până la 30% cultura are capacitatea de a se reface și va permite obținerea de profit, chiar dacă producțiile obținute vor fi mai reduse. La un grad de compromitere a culturii de peste 50%, în funcție de vigoarea plantelor se pune problema întoarcerii culturii.(Figura 3.26)

Figura 3. 26. Gradul de afectare al rapitei la ieșirea din iarnă, din cele trei metode

Figure 3.26. The degree of destruction of rapeseed culture at the end of winter, from the three methods

În aceste condiții în raport cu rezultatele obținute se poate afirma că toate cele trei metode au dat rezultate care permit luarea unei decizii corecte.

Analizând datele obținute prin cartarea manuala cu ajutorul GPS RTK se poate afirma că parcelele semănate la 50 cm distanță între rânduri pentru ambele epoci ar trebui întoarse.

Aceeași concluzie se poate trage și în cazul utilizării metodei de digitizare a parcelelor afectate sau a metodei de procesare a imaginii. (Trif A. și colab, 2016).

Se constată că în comparație cu metodele de cartare manuală sau digitizare, în cazul digitizării automate valorile obținute sunt mai mari ceea ce se justifică prin capacitatea crescută de discriminare a softului utilizat comparative cu ochiul uman. Practic, această metodă măsoară totalul suprafaței neacoperite de plante de cultură, fără a ține cont de distanța dintre rânduri.

Tabel 1. 2. Timpul necesar determinarii gradului de afectare a culturii de rapiță

Table 1. 2. Time to determine the degree of damage to rapeseed crops

Se constată că timpul necesar determinării a scăzut în cazul utilizării metodei de procesare automata a imaginii, de la 15-20 min/parcelă la cartarea manuală la 1 min. (Tabel 1.2)

Concluzii

Aceast studiu compară trei metode moderne de determinare a zonei afectate a culturii de rapiță, ca urmare a răcelii și a degerăturilor la sfârșitul iernii.

Prima metodă a cartării manuale este o metodă greoaie, care presupune staționarea îndelungată în teren în vederea parcurgerii întregii suprafețe și delimitarea fiecărei suprafețe.

A doua metodă de laborator presupune utilizarea instrumentelor de tip GIS în vederea efectuării digitizării suprafețelor afectate, permite creșterea vitezei de prelucrare rezultând o vedere de ansamblu asupra întregii suprafețe cu posibilități minime de eroare.

A treia metodă este caracterizată de procesarea automată a ortofotoplanului, prin procedeul de clasificare, ce este o metodă rapidă, cu o acuratețe ridicată.

Toate cele trei metode studiate au permis luarea deciziei corecte privind păstrarea culturii și resemănării a zonelor afectate, însă a treia metodă se dovedește a fi superioară celorlalte, atât la viteză cât și la precizie.

EXPERIENȚA 3. CERCETĂRI PRIVIND UTILIZAREA IMAGINILOR AERIENE ÎN ESTIMAREA PRODUCȚIILOR LA CULTURA DE RAPIȚĂ

Introducere

Monitorizarea ratei de creștere a culturilor pe tot parcursul perioadei de vegetație este foarte importantă deoarece contribuie la obținerea unei producții optime, o planificare exactă a recoltei și o estimare reală a acesteia.

Imaginile aeriene au un potențial ridicat în realizarea planurilor de distribuire diferențiată a inputurilor utile pentru nu a nu provoca efecte negative asupra mediului sau pierderi financiare. (Kavvadias A., et al, 2017)

Instumentele moderne de preluare și de procesare imagini oferă astăzi soluții utile pentru agricultură și informații viabile ce se pot utiliza în vederea determinării cantităților optime de inputuri ce trebuie administrate culturilor agricole.

Scopul cercetărilor din cadrul acestui capitol a fost acela de a determina potențialul utilizării imaginilor aeriene preluate de la drone și sateliți în vederea estimării producției în cazul culturii de rapiță. Imaginile utilizate au fost preluate de la satelitul Airbus Pleiades și cu ajutorul dronei DJI Phantom 3 Professional.

Astfel, se propune utilizarea a două metode moderne de monitorizare a culturilor agricole ce utilizează imaginilor aeriene și indicarea aceleia care redă cel mai aproape realitatea, respectiv densitatea plantelor și volumul frunzelor. Rezultatele obținute din imaginile aeriene fiind corelate cu măsurătorile in situ.

Materiale și metode

Informații despre zona de studiu

Suprafața cultivată cu rapiță este de 2,33 ha. A fost semănăt la data de 25 aug 2016 hibrid PR46W14, cu norma de 2.5 kg/ha și s-a fertilizat la momentul semănatului cu îngrășăminte complexe cu microelemnet în doza de 20 kg/ha. Cultura a fost tratata cu Folicur ( s.a. Tebuconazol) in doza de 0,5/ ha,in faza de 6-8 frunze, toamna. In toamnă s-a erbicidat cu Select Super 0,8 l/ha. In primăvară a fost fertizata cu azotat de amoniu 300 kg / ha (100 de kg de substanță activă la ha)la inceputul alungirii tijei florale și a fost erbicidat cu produsul Galera 1l/ha și Salsa 250 ml/ha ( in faza de rozeta a buruienilor dicotiledonate). După ce au căzut florile a fost facut un tratament cu fungid (Pictor) și insecticid (Biscaya), împotriva atacului de afide (Aphis spp) sau de viespi (Athalia rosae). Această suprafață aparține fermei agricole SC INTERCEREAL SA, din județul Călărași.

Metoda clasică pentru determinarea producției

Metoda clasică a presupus numărarea plantelor pe metru pătrat cu ajutorul ramei metrice din aproape în aprope pe toată suprafața solei.

Urmatoarele determinări au vizat numărul de ramificații/planta, număr silicve, număr boabe și masa boabelor în cate 5 repetiții din fiecare clasă identificată. Determinările au avut loc în câmp și laborator. (Figura 3.27)

Figura 3. 27. Cântărirea boabelor – Eșantioane din fiecare clasă

Figure 3. 27. Weighing Grains – Samples of each class

Preluarea imaginilor aeriene

Metoda imaginilor satelitare presupune preluarea imaginilor de la diferiți sateliți și identificarea aceleia care are rezoluția cea mai bună în vederea numărării plantelor și identificarea zonelor cu densități diferite de plante. În cazul de față imaginile satelitare au fost preluate de la satelitul Airbus 2017 – Pleiades cu rezolutia de 1,5 m / pixel multispectral la data la care s-a efectuat zborul cu drona.

Metoda preluării imaginilor cu drona presupune întocmirea planului de aerofotografiere în cadrul căruia se stabilesc parametrii specifici de zbor pentru rezulate optime în softul Precision Flight. Și anume se stabilește înălțimea de zbor, numărul de benzi, astfel încât să cuprindă întreaga zonă și cu rezoluția cea mai bună. Tot în cadrul acestei etape se stabilește și suprapunerea fotografiilor pentru diminuarea deformării imaginilor.

Pentru o clasa de precizie de 1-2 cm/pixel s-au determinat puncte de control GCP, măsurate în prealabil cu ajutorul GPS-ului Trimble RTK. Aceste puncte au fost marcate la sol cu ținte în forma de cruce de culoarea albă (cu latura de 1,5 m).

Pentru zbor s-a folosit drona profesionala Phantom 3 Professional cu un senzor CMOS de 1/2.3", cu lentilă de 20 mm și focalizare f/2.8, iar gama ISO fiind între 100-1600. (descrisă în capitolul II.2.1)

Aceasta este prevazută cu Gimbal pentru eliminarea deformatiilor pe 3 axe (tangaj, ruliu și deviație), rămânând axa K din plan orizontal ce se compensează din program prin repoziționarea corectă a fiecărei imagini ce completează ortomozaicul. (Popescu G.S., 2010).

Prelucrarea imaginilor

Procesarea imaginilor presupune întocmirea ortofotoplanului pe baza imaginilor preluate cu ajutorul dronei, dar și clasificarea pixelilor imaginilor obținute din cele două metode.

Ortomozaicul s-a întocmit cu ajutorul programului de specialitate Precision Mapper, în care s-au adaugat și coordonatele celor 4 GCP.

În ceea ce privește clasificarea imaginilor, s-au folosit metodele: supervizată și nesupervizată în softul LeoWorks 4.0 și a scripturilor Python prin funcțiile custom pentru numărarea pixelilor din fiecare clasă.

Ambele imagini au fost clasificate prin același algoritm și utilizându-se aceeași legendă.

Determinarea producțiilor

Formula clasică de determinare a producției are urmatoarea formulă:

P = nr. plante x nr. silicve x nr. boabe silicve x MMB, pentru care s-au utilizat datele determinate din metoda clasică. (MMB – masa a 1000 de boabe).

În continuare pentru estimarea producțiilor s-au utilizat suprafețele și producțiile obținute din fiecare metodă, conform formulei:

, unde Pi = Productia fiecarei clase, S i= Suprafata ocupata de fiecare clasă.

Rezultate

Zborul cu drona a fost efectuat la o altitudine de 45m pe 2 benzi și s-au obținut 411 fotografii, cuprinzând o suprafață de 2,33 ha. Toate pozele au fost introdu-se în softul de prelucrare Precision Mapper și s-a întocmit ortofotoplanul în mod automat, apoi s-a realizat georeferențierea inserând coordonatele măsurate cu GPS-ul în punctele GCP.

Zborul a fost efectuat în data de 03 Mai 2017(figura 1a), iar imaginea satelitară a fost preluata la data de de 23 Aprilie 2017 (figura 2a), aceasta fiind cea mai apropiata posibilă, de data zborului și cu o acoperire de nori scăzută.

În urma obținerii ortofotoplanului, împreună cu imaginea satelitară au fost clasificate supervizat în 5 clase în funcție de densitățile numărului de plante. (Figurile 3.30b, 3.31b) Legenda conform căreia s-a realizat clasificarea se poate observa în figura 3.38.

Clasa 5: 5-9 plante/ m2

Clasa 4: 10-14 plante/ m2

Clasa 3: 15-25 plante/ m2

Clasa 2: 26-30 plante/ m2

Clasa 1: 31-37 plante/ m2

Figura 3.28 Clasele de densități

Figure 3.28. Classes of densities

Astfel încat s-au obținut următoarele suprafețe:

Tabel 1.3. Suprafetele (Si) obtinute din fiecare metoda

Table 1.3. Surfaces (Si) obtained from each method

În urma clasificărilor efectuate s-a mers în teren și s-au identificat cele 5 clase cu densități diferite de plante și s-au determinat câte 5 repetiții din fiecare clasă și restul parametrilor componenți din formula producției: (Tabel 1.3)

Totodata, productiile medii estimate pentru fiecare clasa sunt reprezentate în tabelul 1.4:

Tabel 1. 4. Producțiile medii estimate din fiecare metodă

Table 1.4. Estimated yields from each method

*din clasificare imagini – corelate cu masuratorile in-situ

Producția reală a fost 2800 kg/ha.

Se observă că producția estimată cu ajutorul metodei imaginilor preluate din dronă este cea mai apropiată de măsurătoarea standard, diferența fiind de 3,88%, iar în cazul măsurătorilor din satelit diferență a fost de 6,84%, față de producția realtă obținută. (Figure 3.29) (Anexa 4)

Figura 3. 29. Producții obținute din cele trei metode

Figura 3.29 Productions obtained from the three methods

a b a b

Figura 3. 30. Ortomozaic drone(a) si clasificare pixeli(b) Figura 3. 31. Pleiades 1,5m

Figure 3.30.Orthomosaic drone(a) and pixel classification (b) Figure 3.31. Pleiades 1,5m (a) and (b) ddddddddddddddddddddddddddddddddddddddddddddddddddclasified image

Concluzii

S-a constatat că ortofotoplanul întocmit cu ajutorul imaginilor provenite de la dronă are o rezoluție mult mai bună decât imaginea de la satelit.

În urma clasificării imaginilor, cea de la drona este cea mai apropiata de rezultatele metodei standard, diferența fiind de 3,08%.

Preluarea imaginilor a fost posibilă în intervalul în care erau necesare măsurătorile, pe când imaginile preluate de la satelit au prezentat acoperiri de nori și nu s-au putut fotointerpreta.

Avantajul dronei este cătot procedeul de zbor a durat 20 min cu o singură baterie, iar costurile au fost doar cele de transport până la locul parcelei, iar imaginea provenită de la satelit pentru o rezoluție mai bună, respectiv 1,5 m costurile suntîn jur de 100 euro/kmp a ceea ce o face o metodă costistoare.

Imaginile de la sateliți în acest caz nu se pot utilizapentru determinarea producției întrucât necesită o rezoluție mai mare, însă pot fi folosite pentru alte tipuri de aplicații precum cele de întocmire a planurilor de fertilizare la scară mare.

EXPERIENȚA 4. COMPARAREA METODELOR MODERNE DE PRELUARE A IMGINILOR PROVENITE DE LA SATELIT ȘI UAV, ÎN VEDEREA DETERMINĂRII GRADULUI DE AFECTARE AL CULTURII DE RAPIȚĂ LA IEȘIREA DIN IARNĂ

Introducere

Monitorizarea culturilor pe tot parcursul perioadei de vegetație este foarte importantă deoarece contribuie la obținerea unei producții optime prin planificarea efectuării la timp a tratamentelor fitosanitare.

Imaginile aeriene au un potențial ridicat în realizarea planurilor de distribuire a inputurilor pentru evita utilizarea excesivă a acestora ce pot provoca efecte negative asupra mediului sau pierderi financiare.

Scopul acestui capitol a fost acela de a determina totalul suprafeței afectate la desprimăvărare pe baza imaginilor aeriene. Imaginile utilizate au fost preluate de la diferiți sateliți și cu ajutorul UAV-ului SenseFly eBeeSQ.

Materiale și metode

Informații hibrid

Cultura de rapiță în cadrul fermei agricole SC ILDU SRL din județul Călărași

Data semănării 25 aug 2016;

Densitate la semănat 55-60 boabe germinabile/mp;

Distanța între rânduri de 35;

Data recoltării 30 iun 2017.

a) Hibrid: Visby F1 de la Rapool (Saaten Union)

– densități la semănat: 50 – 60 boabe germinabile/mp, astfel încât să se asigure la recoltare 35 – 45 plante/mp;

– conținut excelent de ulei: 47 – 50%;

– toleranță la Phoma și foarte bună la Sclerotinia și Verticilium;

– se recomandă semănatul în a doua parte a epocii de semănat, datorită ritmului excelent de creștere din toamnă;

– semințe cu MMB mare;

b) Insecticid utilizat: Cyperguard

MOD DE ACȚIUNE: Cyperguard-ul are o acțiune non-sistemică de contact și ingestie. Cipermetrinul, substanța activă a produsului acționează la nivelul sinapselor sistemului nervos central și periferic al insectelor. În urma contactului sau ingestiei produsului, insectele rămân paralizate, nu se mai hrănesc și mor. Tratamentele cu Cyperguard asigură un control eficient al unor game largi de insecte cu aparat bucal de rupt și masticat precum și al insectelor sugătoare (Lepidoptere, Coleoptere, Heteroptere).

MOD DE UTILIZARE: Intervalul de timp de la aplicarea ultimului tratament pânâ la recoltare este de 14 zile.

La cultura de rapiță: Împotriva gândacului lucios (Meligethes aeneus). Doza recomandată este de: 0,1 l/ha

c) Fungicid administrat: ORIUS 25 EW

Substanța activă: Tebuconazol 250 g/l;

Formulare: EW (Emulsie, ulei în apă);

Clasificare: Xi (Iritant); N (Periculos pentru mediu);

Tratament aplicat toamna pentru creșterea rezistenței plantelor la iernare și pentru combaterea patogenului Phoma lingam Doza: 0,5 l/ha.

MOD DE ACȚIUNE: ORIUS 25 EW este un fungicid sistemic pe bază de tebuconazol, substanța activă din grupa chimica a triazolilor. Acesta acționeaza prin inhibarea pe doua căi a biosintezei ergosterolului în pereții celulari ai organismelor țintă. Odată absorbit în țesuturi (în maxim 2 ore de la aplicare), produsul se translocă acropetal și are o remanență de circa 3 – 4 săptămâni. Datorită proprietaților sale, produsul are acțiune preventive, dar și curativăși eradicantă. Pentru a preveni instalarea rezistenței patogenilor se va evita aplicarea a mai mult de 2 tratamente cu ORIUS 25 EW la aceeași cultură si pe aceeași suprafață într-un sezon.

Pentru rapița de toamnă:

Se fac tratamente preventive în primăvară (mai ales în culturile mai dese, bine ieșite din iarnă) sau curative la apariția primelor simptome de boală. Se recomandă de asemenea aplicarea unui tratament în toamnă în faza de rozeta a rapiței, în acesta caz ORIUS 25 EW acționând ca un veritabil regulator de creștere (provoacă scurtarea tijei și concentrarea sucului celular, pregătind mai bine plantele pentru iernare), doza fiind în acest caz de 0,5 l/ha.

Metoda standard pentru determinări in situ

Această metodă convențională este folosită de către majoritatea fermierilor până în prezent. Prin această metodă s-au identificat zonele afectate în cultura de rapiță la momentul ieșirii din iarnă și dezgheț. Astfel, aceasta a presupus utilizarea ramei metrice de lemn 50×50 cm și numărarea plantelor sănătoase din interiorul acesteia, din aproape în aproape.

Un exemplu se poate vedea în figura 3.32. Această măsuratoare s-a finalizat în data de 18 martie 2017.

Figura 3. 32. Zone fără vegetație încadrate în rama metrică 50×50 cm

Figure 3.32. Surfaces without vegetation, frame metric 50×50 cm

În această etapă, s-a determinat un grad de 20% de zone afectate în urma dezghețului plantelor.

Metode de preluare a imaginilor aeriene

În cadul acestui capitol se vor prezenta metodele de preluare a imaginilor aeriene, împreună cu ecuațiile și aloritmii de calcul în vederea clasificării imaginilor, dar și caracteristicile softurilor de prelucrare, urmând ca rezultatele concrete să fie analizate în capitolul rezultate și concluzii.

Metoda preluării imaginilor satelitare

Această metodă presupune determinarea zonei de interes și a coordonatelor limitelor parcelelei pentru a identifica cea mai potrivită imagine satelitară la momentul ieșirii din iarnă a culturii. Imaginea trebuie să aibe acoperire de nori sub 10% pentru claritate și o rezoluție sub 1,5 m pentru precizia redării zonelor afectate. De precizat este faptul că imaginile satelitare sub rezoluția de 1,5 m în varianta gratuită nu există. Astfel, pentru precizii mai bune de 1,5 m se va achita o suma de aproximativ 100 euro/kmp.

În continuare se prezintă câteva imagini satelitare preluate gratuit de la diverși sateliți si anume: (Figurile 3.33, 3.34, 3.25)

Figura 3. 33. Landsat 30m: Se poate observa ca în această imagine nu se pot determina zonele afectate.

Figure 3.33 Landsat 30m: It can be noticed that this image can not determine the affected areas.

Figura 3. 34. Sentinel 10m: Nici în acest caz nu se pot determina zonele afectate.

Figure 3.34. Sentinel 10m: Neither in this case can be determined the affected areas .

Figura 3. 35. Airbus Pleiades 1,5m: Aceasta a fost varianta cea mai bună, care s-a putut lua în considerare și realiza determinarile

Figure 3.35. Airbus Pleiades 1.5m: This was the best option that could be considered and made the determinations

Pleiades 1A și Pleiades 1B (http://smsc.cnes.fr/pléiades) sunt sateliți de observare a Pământului cu destinație civilă (comercială) și mili tară (pentru cerințele apărării și securității în Europa). Programul Pleiades a fost inițiat și administrat de către agenția spațială franceză Centre National d Etudes Spatiales. Responsabil de partea tehnică a segmentului spațial este EADS. Ambii sateliți au fost lansați de la centrul spațial Kourou din Guyana Franceză: Pleiades 1A la data de 17 decembrie 2011, Pleiades 1B la 1 decembrie Durata planificată a misiunii este de 5 ani. Pleiades 1A și Pleiades 1B operează pe aceeași orbită, la 180 o unul de celălalt, orbită pe care se află și Spot 6 și Spot 7. Este o orbită cu altitudinea medie de 695 km și cu înclinarea de 98,2o. Această constelație, în care cei patru sateliți evoluează (orbitează) la distanță de 90o, asigură o dublă revizită zilnică deasupra aceluiași punct de pe Glob. (http://www.spacealliance.ro/ articles/view.aspx ?id=20121212143121)

Performanțele tehnice ale acestor sateliți sunt următoarele: – Rezoluția geometrică: 50 cm – Scena: 800 km – Benzi spectrale: – Pan: nm – Albastru (B): nm – Verde (G): nm – Roșu (R): nm 4

Metoda preluării imaginilor cu UAV SenseFly eBeeSQ

Figura 3. 36. UAV SenseFly eBeeSQ

SenseFly eBeeSQ este un instrument profesional de preluare imagini aereiene pentru aplicații în agricultura de precizie. (Figura 3.36) (Detalii Cap. II.2.3)

Întocmirea planului de aerofotografiere

S-a întocmit planul de zbor în softul Pix4DMapper cu următorii parametrii: (Figura 3.37)

Figura 3.37. Capturi din programul Pix4D

Figure 3.37. Captures from the Pix4D software

Suprafața fotografiată: 22 ha

Suprapunerea între fotografii: 75%

Altitudinea de zbor: 75 m

Timp de zbor: 22 min

Rezoluția: 7 cm/px

Viteza de zbor: 14,4 m/s

Pentru o evaluare șiințifică a calității rezultatelor obținute s-au materializat in teren 5 puncte de control la sol masurate cu GNSS RTK Trimble L1+L2. (Figura 3.38) (Prezentat în capitolul II.2.7)

Figura 3. 38. Măsurarea punctelor de control

Figure 3.38 Measurement of control points

Realizarea ortofotoplanului

În urma zborului au rezultat 515 fotografii, ce au intrat în etapa de compunere a ortomozaicului prin intermediul Pix4DCloud, prelucrarea realizându-se în cloud, online. Întocmirea ortomozaicului se poate realiza și în Pix4D Mapper, local în propriul PC. Pix4D oferă o perioadă de 15 zile de testare gratuită, după care se poate face un abonament lunar. Ortofotoplanurile obținute sunt prezentate în figura 3.39. și sunt rezultatele pentru fiecare banda:

Figura 3. 39. Ortofotoplanurile obținute în benzile G, NIR, R, RedEdge

Figure 3.39. Orthophotomaps obtained in the G, NIR, R, RedEdge bands

Prelucrarea imaginilor aeriene

Scopul acestor prelucrări este acela de a constitui un ortofotoplan pe baza căruia s-a facut fotointerpretarea. Ortomozaicul a intrat în procesul de corecție în vederea ortorectificării, apoi a urmat etapa clasificării pixelilor cu ajutorul scripturilor în limbajul de programare Python folosind funcții custom, în vederea determinării numărului de pixeli. În urma clasificării imaginilor fiecare pixel va trece automat într-o clasa din legenda stabilită pe baza măsurătorilor in situ.

Prelucrarea imaginilor satelitare și determinarea indicilor de vegetație în LeoWorks

În figura 3.40 se poate observa rezultatul indicelui de vegetație TGI (Triangular Greenness Index) ce are formula: G – (0,39*R) – (0,61*B), obținută confom:

, unde

(λ)- reprezintă lungimile de undă de centru ale benzilor respective.

(ρ)- reprezintă valorile pixelilor acestor benzi.

Figura 3.40. Determinarea indicelui de vegetație TGI în LeoWorks.

Figure 3.40. Determination of the TGI vegetation index in LeoWorks

Acest indice aproximează aria unui triunghi care limitează un spectru de reflexie a frunzelor, unde vârfurile sunt în lungimile de undă roșii, verzi și albastre.

TGI este puternic corelat cu conținutul de clorofilă din frunze. Valorile TGI sunt pozitive atunci când reflectanța verde este mai mare decât o linie între vârfurile roșu și albastru. Aceasta corespunde vegetației verzi. TGI este negativă atunci când reflectanța verde este mai mică decât linia dintre vârfurile roșu și albastru. Aceasta corespunde unor caracteristici precum solurile roșii.

Deoarece acest indice măsoară lungimile de undă roșii, verzi și albastre, este potrivit pentru utilizarea cu senzori de vehicule aeriene fără pilot (UAV) cu camere RGB. (Hunt, E et al, 2011)

În figura 3.41 se poate observa rezultatul determinării indexului VARI (Visible Atmospherically Resistant Index) de vegetație aplicat imaginii satelitare în softul de prelucrare al imaginilor LeoWorks.

Acest indice este utilizat pentru a estima fracțiunea de vegetație într-o scenă cu sensibilitate scăzută la efectele atmosferice. Formula utilizată este următoarea:

și se poate aplica imaginilor RGB. (Gitelson, A., et al, 2002).

Figura 3.41. Determinarea indicelui de vegetație VARI în LeoWorks.

Figure 3.41. Determination of the VARI vegetation index in LeoWorks

În figura 3.42 se poate observa imaginea obținută în urma determinarii indicelui VARI (figura 3.40) și supusă procesului de clasificare nesupervizată. Imaginea fiind clasificată în 5 clase și 12 iterații conform densității plantelor.

Figura 3. 42. Capturi din programul LeoWorks

Figure 3.42 Captures from the LeoWorks program

Softul LeoWorks 4.0 oferă posibilitatea clasificării imaginilor conform indicelui de vegetație NDVI prestabilit sau compunerea de alți noi indici pe baza benzilor imaginii inserate. Astfel încât, pe baza imaginii satelitare s-a determinat indicele NDVI prezentat în figura 3.45 care a fost luat în considerare fiind viabil, în vederea determinării comparației cu planul NDVI provenit de dronă (figura3.46) obținut prin același metodă, utilizând aceeși legendă.

Rezultate

Rezultatul obținut în urma determinării indicelul NDVI pe baza imaginilor preluate din dronă se poate observa în figura 3.43:

Figura 3.43. Planul NDVI obținut în softul Pix4D

Figure 3.43. The NDVI plan obtained în Pix4D software

Totodată, pe baza benzii preuate în Infraroșu apropiat (NIR) s-a realizat o clasificare a răsupunsului spectral în ceea ce privește conținutul de clorofilă al plantelor cu ajutorul Pix4D Fields. În figura 3.44 sunt redate 5 zone cu răspuns spectral diferit, astfel conform figurii 1.2, plantele sănatoase reflectă cel mai mult lumină în infraroșu apropiat și sunt reprezentate cu verde și galben; Plantele ce prezintă stres hidric și termic sunt reprezentate cu portocaliu, iar suprafețele redate cu roșu și portocaliu închis sunt ocupate de plante afectate și cu o densitate scăzută.

Figura 3. 44. Clasificarea imaginii NIR în Pix4D Fields

Figure. 3.44. The classification of NIR image in Pix4D Fields software

O comparație a imaginii NIR inserate și clasificarea automată se poate observa în figurile 3.45 și 3.46 pentru o analiză amănunțită și o interpretarea corectă a datelor.

Figura 3. 45. Comparația între imaginea NIR și clasificarea realizată în Pix4D Fields

Figure. 3.45. Comparison between the NIR image and the Pix4D Fields classification

Figura 3. 46. Comparația între imaginea NIR și clasificarea realizată în Pix4D Fields

Figura. 3.46. Comparison between the NIR image and the Pix4D Fields classification

Cu ajutorul Pix4D Fields planurile realizate pe baza clasificării se pot exporta în format *.shp și introduce în GPS-ul tractorului pentru distribuirea inputurilor diferențiat. Totodată, acest soft permite inserarea producțiilor medii obținute în anii precedenți din fiecare zonă și determinarea unei cantități optime de inputuri pentru fiecare zonă. (Figura 3.44)

Pe baza acestor determinări se realizează corelații între calitatea solului și producțiile obținute pe parcursul anilor.

Compararea planurilor NDVI obținute pe baza imaginilor aeriene

Cele doua ortofotoplanuri obținute în urma preluării imaginilor aeriene au fost clasificate în 5 nuanțe corespondente cu fiecare clasă de densitate, pe baza aceleiași legende. Planurile obținute în urma determinării indicelui de vegetație diferențial normalizat (NDVI) se pot analiza în figurile 3.47, 3.48. (Anexa 5)

Figura 3. 47. Planul NDVI obținut de la satelit

Figure 3.47 The NDVI plan obtained from satellite

Figura 3. 48. Planul NDVI obținut de la UAV

Figure 3. 48 The NDVI plan obtained from UAV

Valorile indicelui normalizat al vegetației sunt cuprinse intre -1 (lipsa vegetației) si 1 (vegetație densă). Indicele NDVI este utilizat pentru un mare număr de propietăți ale vegetației, acesta ajută la calcularea indexului suprafeței ocupate de frunze, concentrația de clorofilă din frunze, productivitatea plantelor, fracția de acoperire cu vegetație si cantitatea de apă acumulată.

Tabel 1. 5. Legenda claselor de densități și valorile NDVI

Table 1.5 The legend of densities classes and NDVI values

Valorile cele mai mari ale NDVI 0.63 și 0,40 sunt reprezentate prin culoarea verde deschis. Acestea sunt asociate celor mai sănătoase plante, având în vedere și fenofaza (31 martie). Vegetația moderată este redată în tonuri de galben cu valori NDVI cuprinse între 0,40 și 0,26 și prezintă densități ale plantelor între 35 și 25 plante/m2. Nunanțele de roșu și portocaliu redau suprafețele cu vegetație slaba (15 – 5 plante/m2) cu valori NDVI cuprinse între 0,26 și 0,04. (Tabel 1.5)

În urma obținerii celor două planuri s-au determinat numărul pixelilor din fiecare clasă pentru fiecare imagine. Totalul suprafeței afectate a fost compus din ulimele două clase de densități redate cu roșu și portocaliu.

Tabel 1.6. Legenda NDVI și procentajul apariției fiecărei clase

Tabel 1.6. The NDVI legend and the percentage of occurrence of each class

Concluzii

Ambele metode sunt viabile în determinarea suprafețelor afectate și atâta timp cât sunt disponibile, ele pot fi utilizate într-o manieră complementară.

Pentru o viziune de ansamblu, se pot utiliza imaginile din satelit cu rezoluții cuprinse între 10 și 30 m/pixel, dar pentru o precizie mult mai ridicată, varianta preluării imaginilor cu ajutorul dronelor este mai accesibilă din punctul de vedere al prețului și al disponibilității.

Metoda evaluării gradului de afectare al culturilor cu ajutorul imaginilor preluate de la UAV și a prelucrării acestora prin intermediul clasificării pixelilor, reprezintă o metodă viabilă și mai exactă, față de cea clasică în care poate apărea cu ușurință erori umane.

Conform metodei clasice de determinare a gradului de afectare al culturii de rapiță a rezultat un procent de 20%. Astfel, analizând tabelul 1.6 se poate observa că procentul obținut din metoda evaluării cu ajutorul UAV-ul este cea mai apropiată de metoda clasică, după care se ghidează majoritatea fermierilor.

Totalul suprafeței cultivate cu rapiță: 22,8 ha, din care 4,56 ha prezintă o densitate scăzută a plantelor (sub 15 plante/m2); Totalul suprefeței afectate determinate pe baza imaginilor din dronă este de 4,69 ha, respectiv 5,19 ha din satelit.

Prin urmare, rămâne viabilă și metoda utilizării imaginilor satelitare în determinarea gradului de afectare al culturii, însă cu o abatere de 2,8% față de metoda standard. Astfel încât, această metodă bazată pe sateliți, poate fi luată în considerare în măsura în care există imagini la rezoluții satisfăcătoare (cel puțin 1,5 m) și cu posibilitatea de preluare la momentul de timp dorit. (fără acoperiri de nori).

Totodată, există și dezavantaje utilizării acestor metode ce țin strict de condițiile meteorologice în ambele cazuri; În cazul imaginilor satelitare, pot aparea frecvent acoperiri de nori pe imagini, ceea ce face dificilă interpretarea, iar în cazul preluării imaginilor cu drona, la data dorită de zbor să fie vânt putenic peste 30-40 km/h, iar procesul de preluare să fie îngreunat sau chiar imposibil.

Dronele au un potențial ridicat de utilizare în agricultura de precizie, fiind o variantă din ce în ce mai căutată, întrucât acestea pot fi disponibile la cerere.

Softul Pix4D Fields a fost lansat în cadrul evenimentului DLG-Feldtage 2018 (https://www.dlg-feldtage.de/de/home/), Bernburg (Saale), Germania, în varianta gratuită pe perioada de testare de 30 de zile până la definitivarea tuturor funcțiilor. Scopul acestui software este acela de a ușura munca fermierilor în luarea deciziilor asupra semănării diferențiate a plantelor în parcele sau de a distribui inputurile necesare într-un mod eficient fără a polua solul.

Pix4D Fields este simplu de utilzat, având indici prestabiliți relevanți pentru întocmirea planurilor de distribuție a inputurilor (https://pix4d.com/product/pix4dfields/) și s-a putut utiliza în cazul de față în vederea obținerii planului final de distribuire a substanțelor fitosanitare.

.

EXPERIENȚA 5. CERCETARE PRIVIND POTENȚIALUL DE UTILIZARE AL PROCESĂRII DE IMAGINI ÎN EVALUAREA STĂRII CULTURII DE PORUMB

Introducere

Fertilizarea cu azot este o componentă indispensabilă în cultura de porumb. Cele mai frecvente dileme sunt legate de momentul fertilizării, dar și de cantitatea optimă ce trebuie dată pentru a ajuta dezvoltarea plantelor și obținerea producției dorite. Astfel încât, se încearcă o soluționare a problemelor de acest tip cu ajutorul instrumentelor moderene de preluare și prelucrare a imginilor aeriene preluate cu drona.

În cadrul acestui studiu s-au corelat datele obținute în urma măsurătorilor din teren asupra nivelului de clorofilă și a conținutui de azot cu ajutorul instrumentelor clasice și datele obținute în urma clasificării imaginilor aeriene coform indicelui de vegetație NDVI.

Materiale și metode

Determinarea aprovizionării cu azot și a clorofilei

Determinările pentru evaluarea gradului de aprovizionare a plantelor cu azot s-au facut cu ajutorul N Tester-ului atunci când plantele de porumb erau în stadiul de înflorire (Faza fenologică: BBCH 60), precum și a intensității clorolfilei cu ajutorul Chlorophyll Meter-ului CCM- 200 plus.(Epure D.G. și colab., 2017).(Richardson și colab., 2002; Suess și colab., 2015). (Prezentate în capitolul II.2.5 și II.2.6). Totodată s-a calculat și deviația standard DS cu Duncan TEST.

In figura 3.49 se obervă metoda determinării azotului din frunză cu ajutorul N-Tester-ului.

Pentru fiecare parcelă experimentală s-a lucrat în câte 6 repetiții a câte 30 de măsurători.

Figura 3.49. Mod de lucru cu N Tester

Figure 3.49. Working with N Tester

Determinarea coordonatelor punctelor de reper

Localizarea punctelor de determinare s-au facut cu ajutorul GPS R4 – Trimble RTK L1+l2 technology.

Pentru georeferențierea imaginilor, s-au fixat 5 reperi la sol și s-au determinat coordonatele acestor puncte.

Preluarea imaginilor

Imaginile au fost preluate cu ajutorul unei drone Phantom 3 Professional cu camera de 12MP.

Zborul a fost efectuat la punct fix la diferite altitudini cuprinse intre 50m și 250m.(figura 3.50)

Figura 3.50. Filmare si captare imagini cu Phantom 3 Professional

Figure 3.50. Capturing images with Phantom 3 Professional

Procesarea imaginilor

Pentru procesarea imaginilor s-a folosit softul de specialitate LeoWorks 4.0 și funcții custom scrise în limbajul de programare Python pentru realizarea calsificării.

În cazul de față LeoWorks reprezintă un instrument de aniliză vizuală la îndemana oricărui fotointerpret. (Badea A, și colab., 2012). Pentru determinarea indicelui NDVI am utilizat următoarea formulă:

NDVI =(NIR-VIS)/(NIR+VIS), unde NIR – reprezintă banda în infraroșu apropiat, iar VIS – cea vizibilă;

Însă, în cazul de față s-a adaptat formula astfel:

NDVIa =(G-B)/(G+B), practic s-au substituit benzile NIR si VIS cu benzile G – green și respectiv B – blue, datorită existenței imaginii în forma RGB. (Córcoles, J și colab., 2013).

Pentru o analiză amănunțită s-a clasificat imaginea în nuanțe de gri (figura 6). Nuanțele de gri au valori cumprinse între 0 și 255, iar cele existente în imagine au fost împărțite în 4 clase, apoi s-a calculat procentajului fiecareia, iar în urma acestora media ponderată, conform formulei:

,

Unde x reprezinta nunața de gri și p ponderea ei. Suma ponderilor este 100 de fiecare dată.

Ulterior s-au evaluat corelațiile între nivelul de fertilizare, conținutul de azot din frunze, gradul de aprovizionare cu colorfilă la sol precum și clasele de gri obținute în urma procesării de imagine folosind XLSTAT care rulează sub softul Microsoft Excel.

Rezultate

În urma preluării imaginilor la sol se observăîn figura de mai jos imaginea ce cuprinde cele 3 zone de studiu și 3/5reperepentru georeferențierea imaginii.

Se identifică deja înaintea prelucrărilor aceste 3 zone cu intensitați diferite de verde ceea anunță un rezultat favorabil.(Figura 3.51)

Figura 3. 51. Imagine preluată cu ajutorul dronei Figura 3. 52. Indicele NDVI aplicat pentru cele 3 zone

Figure 3.51. Picture taken with the drone Figure 3.52. The NDVI index applied for the three zones

În prima fază s-a determinat indicele NDVI de vegetație și se observă cum zona 1 este cea mai afectată urmând zona 3 unde nivelul clorofilei este mult mai mare. (Figura 3.52)

În Tabelul 1.7 sunt centralizate rezultatele determinărilor privind concentrația de azot și clorofilă din frunze la BBCH 60.

Analizând datele prezentate în tabelul de mai jos se constată cămărirea dozei de azot de la 0 la 150 administrate a determinat o creștere corespunzatoăre a concetrației de azot din frunze.

Tabel 1. 7. Monitorizarea graduluide aprovizionare cu azot si a concentratiei de clorofila BBCH60.

Table 1.7. Monitoring of the degree of nitrogen supply and chlorophyll concentration BBCH60.

În urma măririi dozei de azot s-a constatat o creștere a clorofilei din frunză de la 29,2 la varianta nefertizilzată la 33,2 la varianata feritizată cu 100 azot kg/ha respectiv la 36,4 la vainata fertiziată cu 150 kg/ha.

În figura 3.53 sunt centralizate rezultatele determinărilor privind nuanțele de gri obținute în urma procesării imaginilor.

Figura 3. 53. Distributia nuantelor de gri in cele 3 zone

Figure 3.53. The distribution of the gray shades in the 3 zones

Analizând datele se constată că prin creșterea cantității dozelor de azot administrate, distribuția în cele 4 clase de intensitate se concetreazăîn clasa cu intensitatea cea mai mare.

Din punct de vedere al concentrației medii de gri se constată că valorile au variat între 65.07 și 153.64.

Creșterea dozei de fertilizare cu azot a detreminat în toate cazurile creșteri semnificative ale nuanței de gri.

În continuare s-au întocmit corelațiile liniare între nuanțele de gri obținute și nivelul conținutului colorifilei și al azotului. (figura 3.54)

Figura 3. 54. Clasificare nuante de gri

Figure 3.54. Gradient classification

Analizând graficul din figura 3.55 se constată că între concentrația de azot și nunațele de gri există o corelație liniară cu un coefiecient de corelație de 0,839.

Figura 3. 55. Corelarea liniara intre azot si nuantele de gri

Figure 3.55. Linear correlation between nitrogen and gray shades

Analizând graficul din figura 3.56 se constată căîntre nivelul de clorofilă și nuanțele de gri există o corelație liniară cu un coefiecient de corelație de 0,961.

Figura 3. 56. Corelarea liniara intre clorofila si nuanțele de gri

Figure 3.56. Linear correlation between chlorophyll and shades of gray

Fiecare nunață de gri corespunde unei cantități medii de azot determinate in situ pe baza a 30 de eșantioane și al unei concentrații medii de clorofilă. Astfel încât s-a realizat o clasificare în nuanțe de verde pentru a vizualiza mai bine aceste date. (figura 3.57)

Figura 3. 57. Clasificarea imaginii cu ajutorul Python

Figure 3.57. Image classification using Python

Cele 4 nuanțe de verde se pot obseva în figura 3.57, cât și a procentului din fotografie a culorii respective. Primele două nuanțe sunt predominante în prima zonă cu azotul cel mai puțin reprezentând 53% din imagine, în a doua zona sunt prezente în procentaj mai mare clasele mai bune 80,1%, iar în zona 3 sunt prezente 80,3% nunațe de verde bune.

Zona 1

13,3% 39.7% 31.4% 15.6%

Zona 2

1.3% 18.6% 36.3% 43.8%

Zona 3

1.5% 12.2% 30.9% 49.4%

Figura 3. 58. Procentajul prezenței fiecărei nuanțe de verde în cele 3 zone studiate

Figure 3.53. Percentage of the presence of each shade of green in the three studied areas

Concluzii

Se observă că există corelație între nivelul de fertilizare cu azot și procentul de gri.

Există corelație liniară între procentul de azot și cantitatea de clorofilă și există corelație liniară între nunața de gri și cantitatea de colrofilă.

Utilizând metoda prezentată anterior pe baza nunațelor de gri se poate aprecia starea culturii și gradul de aprovizionare al plantelor cu azot.

Se recomandă utilizarea acestor metode moderne în determinarea obiectivelor viitoare asemănătoare.

EXPERIENȚA 6. CERCETARE PRIVIND POTENȚIALUL IMAGINILOR AERIENE PROVENITE DE LA UAV ÎN VEDEREA ÎNTOCMIRII PLANURILOR DE FERTILIZARE ÎN CULTURA DE GRÂU

Introducere

Imaginile aeriene au facilitat vizualizarea realității asupra terenului; Astfel, în cazul de față se vor prelua imagini cu ajutorul UAV-ului SenseFly BeeSQ, instrument cu dotări performate ce vizează cheia “agriculturii de precizie”, asupra unei parcele cultivate cu grâu ce prezintă diferite stadii de dezvoltare ale plantelor. În urma întocmirii ortofotoplanului se dorește realizarea planului de fertilizare, urmat de recomandările tehnologice viitoare.

Studiul este susținut și de planurile cartografice existente din punct de vedere agrochimic asupra solului, fapt ce face și mai interesant de cercetat, zonele exacte în care pot exista corelații între rezervele solului și stadiul dezvoltării plantelor.

Terenul expus se află în apropierea localității Fundulea, județul Călărași; Data preluării imaginilor a fost: 01.05.2018; Plantele se aflau în faza fenologică de: înspicare-înflorire-fecundare;

Materiale și metode

Achițizia imaginilor aeriene s-a efectuat cu ajutorul UAV-ului SenseFly BeeSQ și a softului eMotion Ag în care s-a realizat proiectul de aerofotografiere și setarea tuturor parametrilor specifici de zbor.

UAV-ul este echipat cu o camera de tip: Sequoia_4.0_1280x960 (Green), Sequoia_4.0_1280x960 (Red), Sequoia_4.0_1280x960 (Red edge), Sequoia_4.0_1280x960 (NIR); (Prezentat în capitolul II.2.3)

Distanța medie de eșantionare la sol GSD a fost de: 11.20 cm;

Suprafața acoperită: 0.619 kmp/61.8791ha;

Număr total de fotgrafii preluate: 1672; Detalii ce se pot vedea și in Anexa 6 acestei teze, ce cuprinde raportul proiectului de zbor;

Softul de prelucrare al imaginilor este Pix4D ce este și în varianta on-line, în care s-a și întocmit ortofotoplanul. Acest soft permite compunerea mozaicului întrucât imaginile descărcate conțin coordonate pentru fiecare pixel, așadar, rezultatul va fi o imagine georferențiată automat și eventual la finalizarea procesului, inserarea coordonatelor punctelor de control măsurate pe baza GNSS-ului.

Planurile cartografice ce cuprind analiza agrochimică a solului redau cantitățile de Humus, Potasiu, Fosfor și pH-ul solului și au fost întocmite de Cartlife Agrodiagnostic. Pentru o mai bună analiză a calității solului, toți parmetrii au fost corelați și suprapuși pe aceleași coordonate în softul de prelucrare ArcMap 10x.

Rezultate

În urma suprapunerii celor 4 hărți (layere) s-a obținut rezultatul prezentat în figura 3.59, ce facilitează interpretarea datelor din punct de vedere agrochimic;

Figura 3. 59. Suprapunerea tuturor parametrilor chimici ai solului

Figure 3.59. Overlapping all soil chemical parameters

Astfel, din analiza hărții, clasa de calitatea solului reiese a fi una satisfacătoare spre optima în majoritatea parcelei. Harta se poate analiza în varianta A3, în anexa nr.2 acestei teze.

Următorul pas a fost acela de afișare a mozaicului RGB obținute în urma prelucrărilor în Cloud a celor 1672 de imagini inserate și determinarea suprafeței de interes. (Figura 3.60)

Figura 3. 60. Imaginea RGB obținută în urma georeferențierii

Figure 3.60 RGB image obtained from georeferencing

După cum se observă, parcela prezintă nuanțe de verde mai deschis spre centrul ei, ca urmare a răspunsului spectral al plantelor mai puțin dezvoltate, față de cele aflate pe marginea acesteia. Astfel, orice fotointerpret poate conclude că s-a executat o administrare neuniformă a fertilizantului, drept urmare s-a trecut la pasul următor de pregătire a planului de ferilizare diferențiată ce constituie livrabilul către fermier.

În consecință imaginea a fost împărțita în 4 clase de acțiune, pe baza clasificării pixelilor. Astfel se recunosc: zonele marcate cu verde, redau zonele cu vegetația dezvoltată optim, pe când zonele redate cu galben și roșu evidențiază zonele cu plante slab dezvoltate, respectiv chiar lipsa acesteia. (figure 3.61)

Figura 3. 61. Plan de fertilizare diferențiata

Figure 3.61. Differential fertilization plan

Livrabilul către fermier se poate face și în format *.shp sau *.dwg ce se bazează pe vectori și se poate introduce direct în GPS-ul tractorului, pentru distribuirea diferențiată a fertilizantului.

Cercetările nu s-au oprit aici și s-a dorit determinarea unei corelații între hărțile ce conțin caracteristicile solului și otofotoplanurile rezultate. Astfel, imaginea a fost clasificată în nuanțe de gri pentru o mai simplă analiză. Rezultatul se poate observa în figura 3.62:

Figura 3. 62. Clasificarea imaginii RGB, în nuanțe de gri

Figure 3.62. Grayscale RGB image classification

Pixelii redați cu negru reprezintă clasele bune, cu vegetație optim dezvoltată, iar cei cu alb plantele slab dezvoltate.

Prin urmare, acestei imagini i s-a aplicat un caroiaj aleatoriu (1,2,3 pe axa X și A, B, C pe axa Y) în vederea determinării poziției fiecărui pixel și caracterizarea acestora cu valoarea z(x,y), reprezentata de valoarea humusului, fosforului, potasiului și a pH-ului. (figura 3.63)

Figura 3. 63. Încadrarea planului în caroiajul ales.

Figure. 3.63. Frame the plan into the chosen grid.

Astfel, cu ajutorul funcțiilor custom în limbajul de programare python s-a determinat poziția și nuanța de gri a fiecărui pixel, în mod atomat.

Fragmentul de cod se exemplifică:

from PIL import Image

import csv

image = Image.open('image.png')

image = image.convert('RGB')

width, height = image.size

result = [['X', 'Y', 'R', 'G', 'B']]

for i in range(0, height):

for j in range(0, width):

r, g, b = image.getpixel((j, i))

row = [j, i, r, g, b]

result.append(row)

with open('output.tsv', 'w', newline='') as f:

writer = csv.writer(f, delimiter='\t')

writer.writerows(result)

În urmă analizei rezultatelor se pot concluziona următoarele valori din tabelul 1.8; Însă ele nu se verifică în toate cazurile, întrucât în ciuda caracteristicilor statisfăcătoare spre optime ale solului, pot apărea dăunători (boli, insecte) la nivelul părții foliare, evenimente meteorologice extreme (băltiri, grindină, vânt puternic) sau fertilizarea neuniformă datorată erorii utilajelor.

Tabel 1. 8. Corelații între indicii parametrilor solului și nuanțele de gri (0-255).

Tabel 1.8 Correlations between soil parameter indices and grayscale (0-255).

Concluzii

Pe baza ortofotoplanurilor se pot obține informații ce vizează răspunsul spectral al părții foliare și mai puțin al caracteristicilor chimice din sol.

Întrucât din punct de vedere al cartării agrochimice, solul se prezintă a fi unul satisfăcător spre optim, recomandările referitoare la zonele mai slab dezvoltate din centrul parcelei sunt acelea de a crește cantitatea de ferlizant pe acele suprafețe cu 25-39%.

În urma preluării imaginilor la sol asupra culturii de grâu și a întocmirii ortofotoplanului, se pot constata următoarele aspecte privind:

Uniformitatea culturii;

Cât de bine a fost semnănat;

Cantitatea de azot aplicată;

Identificarea zonelor cu băltiri; șamd, toate acestea ajutând la raționalizarea costurilor;

EXPERIENȚA 7. CERCETĂRI PRIVIND GRADUL DE AFECTARE AL CULTURII DE RAPIȚĂ ÎN URMA ATACULUI DĂUNĂTORILOR, UTILIZÂND UAV-UL FAE FIXED WINGS

Introducere

În urma lipsei precipitațiilor din perioada 30 august – 10 septembrie 2017, culturile agricole au avut de suferit întrucât este perioada de răsărire a acestora și acumulare a rezervei de apă din sol. Prin urmare, lipsa apei a dus la încetinirea procesului de dezvoltare al culturii de rapiță localizată în comuna Dichiseni și în urma zilelor caniculare s-a dezvoltat puricele negru al rapiției (Phyllotreta atra) ce a atacat într-un timp foarte scurt 40 de hectare, plantele ce erau slab dezvoltate. Prin urmare, s-a efectuato diagnoză asupra terenului pentru estimarea pagubei produse și luarea unei decizii în privința acestei sole.

Materiale și metode

Sola cu suprafața de 132,46 ha a fost semănată cu rapiță, (hibridul Pedro) cu o densitate de 55 boabe germinabile/mp.

În vederea preluării imaginilor aeriene s-a utilzat UAV-ul FAE 1718 FIXED WING și programul Agisoft pentru întocmirea ortofotoplanului.

În urma zborului s-au obținut 558 imagini. Altitudinea de zbor a fost de 149 m, iar rezoluția la sol a fost de 3,5 cm/pix, suprafața vizată a fost de 140 ha. Proiectul de lucru se poate analiza în detaliu în Anexa 7.

S-a utilizat receptorul GNSS Trimble RTK L1+L2 în vederea determinării coordonatelor punctelor de control pentru o georeferențiere cât mai exactăa ortofotoplanului.

Clasificarea imaginilor s-a realizat în softul de specialitate LeoWorks 4.2, pentru determinarea densității plantelor.

Rezultate

În figura 3.66 se observă ortofotoplanul obținut în urma zborului în format RGB. Acesta a fost supus procesului de clasificare al pixelilor prin metoda clasificării supervizate. În cadrul acestei metode s-au selectat câteva eșantioane din fiecare clasă ce se dorește a fi reprezentată.

Întregul process de clasificare și o exemplificarea a moduluide lucru în softul de prelucrare LeoWorks se poate observa în figurile 3.64, 3.65. Prima secvențădin program întruchipează selecția eșantioanelor și crearea claselor de densități, iar în cea de-a doua se poate observa rezultatul obținut în urma clasificării supervizate.

Figura 3. 64. Definirea eșantioanelor din fiecare clasă în vederea clasificării supervizate

Figure 3.64. Define the samples in each class for supervised classification

Figura 3. 65. Afișarea claselor obținute în urma clasificării imaginii

Figure 3.65 Sharing the classes obtained from the image classification

Figurile 3.66 și 3.67 sunt reprezentate de decizia fermierului a împărți terenul astfel încât să permită reînsămânțarea suprafețelor afectate. (Anexe 7 și 8)

Figura 3. 66. Ortofotoplanul obținut Figura 3. 67 Delimitarea zonelor Figura 3. 68 Determinarea ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssuprafețelor de densități diferite

Figure 3. 66. Orthophotlan obtained Figure 3. 67 Area delimitation Figure 3. 68 Determination of sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssdifferent density areas

Cu ajutorul instrumentelor de tip GIS, s-au delimitat zonele afectate în vederea evidențierii suprafețelor cu densități diferite astfel:

s-a delimitat o suprafață de 14,92 ha având o densitate de 55 plante/mp normal dezvoltate în fenofaza de 4-6 frunze;

o suprafață de 2,73 ha cu o densitate de 50 plante/mp;

o suprafață de 75,86 ha cu o densitate de 45 plante/mp;

o suprafață de 9,39 ha cu o densitate de 15 plante/mp;

o suprafață de 29,56 ha cu o densitate sub 5 plante/mp;

Se poate observa un atac al puricelui în grad de 100% pe sola de 29,56 ha, 50% pe suprafața de 9,39 ha, 30% pe suprafața de 75,86 ha, 5% pe suprafața de 2,73 ha; În suprafața de 14,92 ha neînregistrându-se atac al puricelui.

Suprafața calamitată de atacul puricilor determintă pe baza ortofotoplanului obținut cu ajutorul dronei a fost de 29,65 ha și o suprafață de 9,39 ha ce prezintă o cultură neuniformă din punct de vedere economic al producției.

În figura 3.62 sunt reprezentate valorile în metri a laturilor corespondente suprafețelor determinate în vederea obținerii planului de reînsămânțare a zonelor afectate, utile fermierului pentru modul de lucru pe teren.

Procesul de reînsămânțare s-a realizat în luna martie 2018 conform schițelor 3.62 și 3.63 S-au urmărit liniile marginale ale parcelei de 29,56 ha, ușurând astfel munca mecanizatorului reducând consumul de carburant și numărul de treceri și suprapuneri a operațiunii de semănare a noii culturi.

O imagine de ansamblu a stării de vegetație a solei cultivate cu rapiță și mazăre se poate observa în figura 3.69:

Figura 3. 69. Imagine de ansamblu preluată cu DJI Phantom 3 Professional

Figure 3.69. Overall image taken with DJI Phantom 3 Professional

Producția medie obținută pentru suprafața cultivată cu rapiță a fost de 2100 kg/ha.

Concluzii

În cadrul acestei experiențe s-au determinat densitățile plantelor de rapiță în urma atacului de purice și s-au delimitat suprafețele afectate în vederea obținerii planului de reînsămânțare a zonei.

Dona poate fi folosită cu succes în vederea efectuării unei diagnoze a terenului în ceea ce privește determinarea suprafeței afectate și luarea unei decizii privind întoarcerea sau nu a culturii.

În cazul de față s-a putut împărți terenul conform planurilor obținute, astfel încât, zona afectată a fost reînsămânțată cu mazăre, ce este o cultură de primăvară.

Planurile livrate către fermierau fost utilizate pentru întocmirea dosarului pentru APIA, dar și pentru programarea datelor de lucru în vederea reînsămânțării zonelor calamitate.

Contribuții proprii

În cadrul cercetărilor efectuate s-au dezvoltat o serie de planuri precum cele cartografice, planuri de fertilizare, planuri pentru administrarea tratamentelor împotriva buruienilor etc. Aceste planuri livrate fermierilor au putut fi puse în practică, ceea ce face ca scopul acestei lucrări să fie atins.

Pe durata cercetărilor s-a identificat o metodă nouă de prelucrare a imaginilor aeriene și anume cea a clasificării pixelilor, remarcându-se a fi și una de mare precizie.

În urma descărcării ortofotoplanului, se execută decuparea zonei de interes, apoi se clasifică imaginea în nuanțe de gri și se determină numărul pixelilor și poziția acestora cu ajutorul funcțiilor custom proprii, elaborate în softul de programare Python ce face ca acest pas să dureze sub o oră. Astfel, documentația livrată către fermier în ceea ce privește planul de fertilizare, va fi unul foarte ușor de interpretat, acesta putând fi și în varianta “*.shp” pentru inserarea în GPS-ul agregatului agricol (compatibil cu programele instalate pe computerul tractorului), conform căruia se va ghida pentru împrăștierea fertilizantului.

Fluxul tehnologic al obținerii planurilor și hărțilordorite este astfel simplificat, validat și ușor de executat.

S-au determinat corelații între imaginile clasificate și măsurătorile efectuate în teren, astfel încat legendele planurilor întocmite în cadrul acestei teze, se pot utiliza și pentru alte studii viitoare, executate în aceleași condiții, privind întocmirea planurilor de fertilizare și de aplicare a soluțiilor în vederea eliminării buruienilor în culturile de grâu, rapiță și porumb.

Formula pentru estimarea producției la rapiță, a fost aplicată și validată pe imaginile aeriene obținute, fiind corelată cu determinările efectuate în câmp prin numărarea plantelor, numărarea ramificațiilor, cântărirea boabelor în fiecare clasă identificată atât la sol, cât și pe imagini. Astfel, această legendă se poate aplica și în cazul estimării producțiilor viitoare, întrucât a fost validată cu datele reale din teren.

În urma comparării metodelor moderne de monitorizare și prelucrare a imaginilor, s-a validat metoda clasificarii pixelilor a fi una foarte rapidă, eficientă și precisă.

Fiecare experiență efectuată în această teză este unică, originală și efectuată conform metodologiilor proprii de lucru.

În conculzie această teză aduce metode noi de monitorizare și prelucrare a imaginilor aeriene în vederea obținerii diferitelor hărți și planuri de manageriere a culturilor agricole.

CONCLUZII și RECOMANDĂRI

Pașii urmăriți înaintea efectuării unu zbor fotogrammetric cu o dronă sau un UAV.

Fiecare etapă din acest proces este foarte importantă și necesita atenție, precum identificarea zonei și recunoașterii terenului, înainte de zbor. Alegerea dronei potrivite ce se va face în funcție de tipul de analiză dorită și se va obține autorizația de zbor pentru aceasta.

Cu ajutorul dronei de la DJI se poate obține o rezoluție foarte mare la sol, cum ar fi 1 cm/pix, însă nu poate acoperi o suprafață mai mare de 50 ha într-un singur zbor, fiind necesare mai multe zboruri pentru aceeași solă prin schimbarea bateriilor la sol. Cu ajutorul UAV-ului SenseFly eBeeSQ se poate obține o suprafață mai mare spre exemplu 140 ha cu o singură baterie, dar cu o rezoluție de aproximativ 3-6 cm/pix, iar în cazul dronei-avion FAE FIXED WING se poate realiza o suprafață la fel de mare într-un singur zbor, dar cu o rezoluție și mai buna la sol 2-3 cm/pix.

Întocmirea planului de aerofotografiere se va face în softul compatibil dronei cu care se realizează zborul, precum aplicațiile DJI GO sau PrecisionFlight pentru dronele DJI, carese pot descărca atât în varianta IOS cât și Android. Astfel, în această etapă se vor stabili toți parametrii de zbor în funcție de rezoluția la sol dorită.

Atunci când se dorește obținerea unei rezoluții mai mari, altitudinea de zbor va fi una cât mai joasă, ideal 60 m, suprapunerea dintre imagini va fi de cel puțin 75%, astfel încât se vor prelua mai multe imagini având pixeli comuni. Spațiul alocat imaginilor va fi unul mai mare, iar procesarea acestora va dura mai mult.

Compunerea ortofotoplanului se poate face în numeroase softuri, cel mai rapid fiind cel oferit de Pix4D procesarea făcându-se în cloud, on-line, ceea ce îl face foarte accesibil întrucât nu este necesară deținerea unui computer cu caracteristici foarte performate, precum a unei plăci video dedicate foarte costisitoare. Însă acest soft este gratuit doar o lună în varianta Trial, după care se poate plăti un abonament lunar. Un alt soft ar fi Agisoft PhotoScan, tot cu o perioadă gratuită de 30 de zile, dar prelucrarea se face local, ceea ce înseamnă că este necesar utilizarea unui computer mai performant.

Georeferențierea se poate face de multe ori în același soft de întocmire a ortofotoplanului, utilizând corecțiile necesare adăugând coordonatele punctelor de control. Georeferențierea se poate face și cu ajutorul instrumentelor de tip GIS, în softuri precum ArcMap sau QGIS.

În concluzie s-a constatat că rezoluția între 2-3 cm/pixel al unui ortofotoplan compus din imagini aeriene din drone și UAV-uri ce vizează suprafețe agricole, este suficientă în vederea întocmirii oricărui plan necesar obținerii unei diagnoze și a unei imagini de ansamblu.

Rezoluția unui ortofotoplan de 2-3 cm/pixel permite: numărarea cu exactitate a plantelor semănate în rânduri dese, observarea diferențelor nutritive și diferențele de atac de boli sau dăunători.

Utilizarea tehnologiei dronelor este benefică pentru agricultură. Produsele finale obținute cu ajutorul dronelor încurajează dezvoltarea și utilizarea lor în agricultura ca instrumente de mare precizie. Acestea pot fi utilizate de agricultori pentru achiziția de date facilitând analiza și monitorizarea continuă a câmpurilor.

Senzorii multispectrali ai camerelor instalate pe dronele agricole permit agricultorilor să gestioneze mai eficient culturile, solul, fertilizarea și irigarea în câmp.

Există beneficii uriașe atât pentru fermier, cât și pentru mediul înconjurător, prin minimizarea utilizării pesticidelor, a îngrășămintelor, a pierderii de apă și, în același timp, a creșterii producției culturilor. (Stan V., 2005)

Documentația livrată către fermier permit acestuia să monitorizeze, să planifice și să gestioneze mai eficient ferma, economisind timp și bani, împreună cu reducerea utilizării pesticidelor și a îngrășămintelor chimice.

Imaginile multispectrale reprezintă un instrument foarte eficient pentru evaluarea productivității solului și analizarea stării de sănătate a plantelor. Vizionarea calității solului și a culturilor este limitată și subiectivă, astfel, tehnologia senzorilor multispectrali permit agricultorului să vadă mai departe decât cu ochiul liber.

Pe baza ortofotoplanurilor obținute și a clasificării pixelilor se pot identifica dăunătorii, bolile și buruienile în culturile agricole și se optimizează utilizarea pesticidelor prin detectarea timpurie. Totodată, se pot furniza și date privind fertilitatea solului, perfecționându-se astfel procesul de fertilizare prin detectarea deficiențelor nutritive.

BIBLIOGRAFIE

Abdelhamid M., și colab.., 2003 "Evaluation of the SPAD value in faba bean (Vicia faba L.) leaves in relation to different fertilizer applications," Plant Prod. Sci., vol. 6, pp. 185 – 189. (https://www. tandfonline. com/doi/abs/10.1626/pps.6.185)

Ashok Kumar D. and P.Prema, “A STUDY ON WEED DISCRIMINATION THROUGH WAVELET TRANSFORM, TEXTURE FEATURE EXTRACTION AND CLASSIFICATION”;International Journal of Computer Science & Information Technology (IJCSIT) Vol 7, No 3, June 2015 (https://pdfs.semanticscholar.org/165a/a1ab6bca001b9f415fe3a92cc92c2eab1184.pdf)

Ashraf, M.A., Maah, M.J., Yusoff, I., Introduction to Remote Sensing of Biomass. In: Biomass and Remote Sensing of Biomass. InTech, pp. 129-170. ISBN 978-953- 307-490-0, 2011

Araus J. L., Cairns J. E. (2014). Field high-throughput phenotyping: the new crop breeding frontier.Trends Plant Sci. 19 52–61. 10.1016/j.tplants.2013.09.008 (https:// linkinghub. elsevier. com /retrieve/pii/S1360138513001994)

Babar M. A., Reynolds M. P., Van Ginkel M., Klatt A. R., Raun W. R., Stone M. L. (2006a). “Spectral reflectance indices as a potential indirect selection criteria for wheat yield under irrigation”.  Crop Sci. 46 578–588. 10.2135 /cropsci2005. 0059 (https://dl. sciencesocieties .org/publications/cs/abstracts/46/2/578)

Babar M. A., Van Ginkel M., Klatt A. R., Prasad B., Reynolds M. P. (2006b). The potential of using spectral reflectance indices to estimate yield in wheat grown under reduced irrigation. Euphytica 150155–172. 10.1007/s10681-006-9104-9 (https: //link. springer. com/article /10.1007%2Fs10681-006-9104-9)

Badea Alexandru, Dana Iulia Florentina, Moraru Raluca, 2012, “Aplicația software LEOWorks pentru procesarea imaginilor de teledetecție”, Ed. ARS DOCENDI, Universitatea din București, 2012.

Ball S. T., Konzak C. F. (1993). Relationship between grain yield and remotely-sensed data in wheat breeding experiments. Plant Breed. 110 227–282. 10.1111/j.1439-0523.1993.tb00590.x (https:// onlinelibrary. wiley.c om/doi/abs/10.1111/j.1439-0523.1993.tb00590.x)

Baret F., G. Guyot, 1991, Potentials and limits of vegetation indices for LAI and APAR assessmentRemote Sensing of Environment, 35 (1991), pp. 161-173

Bâlteanu Gheorghe, (2001): Fitotehnie, vol. 1, Editura Ceres, București.

Berbecel O., Stancu M., Ciovică N., Jianu V., Apetroaei Șt., Socor E., Rogodjan I., Eftimescu M., (1970): Agrometeorologie, Editura Ceres, București.

Borhan, M.S., Multispectral and color imaging techniques for nitrate and chlorophyll determination of potato leaves in a controlled environment, Transactions of the ASAE, 2004 Mar-Apr, v. 47, no. 2, p. 599-608.

Bort J., Casadesus J., Nachit M. M., Araus J. L. (2005). Factors affecting the grain yield predicting attributes of spectral reflectance indices in durum wheat: growing conditions, genotype variability and date of measurement. Int. J. Remote Sens. 26 2337–2358. 10.1080/01431160512331337808 (https://www.tandfonline.com/doi/abs/10.1080/01431160512331337808)

Bowman B. C., Chen J., Zhang J., Wheeler J., Wang Y., Zhao W., și colab.(2015). Evaluating grain yield in spring wheat with canopy spectral reflectance. Crop Sci. 55 1881–1890. 10.2135/cropsci2014.08.0533 (https://dl. sciencesocieties.org /publications/cs/ abstracts/55 /5/1881)

BrogeN.H., E. Leblanc, 2000, Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density, Remote Sensing of Environment, 76 (2000), pp. 156-172

Brown J. H.From precision farming to autonomous farming: How commodity technologies enable revolutionary impact, 2013, http://robohub.org/fromprecision-farming-to-autonomous-farming-how-commodity-technologies-enablerevolutionary-impact/, accesat in 15.11.2016

Chen J., 1996 Evaluation of vegetation indices and modified simple ratio for boreal applications Canadian Journal of Remote Sensing, 22 (1996), pp. 229-242

Córcoles, J. I.; Ortega, F.; Hernández, D.; Moreno, M. A. Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle. Biosystems Engineering, v.115, p.31-42, 2013. http://dx.doi.org/10.1016/j.biosystemseng.2013.02.002

Corwin D.L., Plant R.E., Applications of Apparent Soil Electrical Conductivity in Precision Agriculture, Volume 46, Issues 1–3, Pages 1-398 (March 2005);

Deery D., Jimenez-Berni J., Jones H., Sirault X., Furbank R. (2014). Proximal remote sensing buggies and potential applications for field-based phenotyping. Agronomy 5 349–379. 10.3390/agronomy4030349 (http://www.mdpi.com/2073-4395/4/3/349)

Eija Honkavaara, Heikki Saari, Jere Kaivosoja, Ilkka Pölönen, Teemu Hakala, Paula Litkey, Jussi Mäkynen and Liisa Pesonen, 2013. Remote Sensing, 5(10), 5006 -5039; doi: 10.3390 / rs 5105006.

EPURE Doru-Gabriel, Marius BECHERITU, Cristian-Florinel CIOINEAG, 2017, PREDICTION OF DROUGHT RESISTANT LINES OF WINTER WHEAT USING CANOPY TEMPERATURE DEPRESSIONAND CHLOROPHYLL CONTENT ANALYZIS, AgroLife Scientific Journal – Volume 6, Number 1, 2017 ISSN 2285-5718; ISSN CD-ROM 2285-5726; ISSN ONLINE 2286-0126; ISSN-L 2285-5718; http://agrolifejournal.usamv.ro/pdf/vol.VI_1/Art14.pdf

Falkowski, M.J.; Gessler, P.E.; Morgan, P.; Hudak, A.T.; Smith, A.M.S. Characterizing and mapping forest fire fuels using ASTER imagery and gradient modeling. Forest Ecol. Manage. 2005, 217, 129-146

Ferry Bachmanna, Ruprecht Herbstb, Robin Gebbersc, Verena V. Hafnera 2013, „MICRO UAV BASED GEOREFERENCED ORTHOPHOTO GENERATION IN VIS+NIR FOR PRECISION AGRICULTURE”, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-12 (https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-1-W2/11/2013/isprsarchives-XL-1-W2-11-2013.pdf)

Fu W., Huang, M., Gallichand, J., Shao, M. Optimization of plant coverage in relation to water balance in the Loess Plateau of China. Geoderma, v.173-174, p.134-144, 2012. http://dx.doi.org/10.1016/j.geoderma.2011.12.016

Gago J., Douthe C., Coopman R. E., Gallego P. P., Ribas-Carbo M., Flexas J., și colab.(2015). UAVs challenge to assess water stress for sustainable agriculture. Agric. Water Manag. 153 9–19. 10.1016/j.agwat.2015.01.020 (htt ps://w ww.sc iencedirect. com/science/ article/pii/S0378377415000293?via%3Dihub).

Gitelson A.A., 2004, Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation, Journal of Plant Physiology, 161 (2004), pp. 165-173.

Gitelson A.A., Y.J. Kaufman, M.N. Merzlyak, 1996, Use of a green channel in remote sensing of global vegetation from EOS-MODIS, Remote Sensing of Environment, 58 (1996), pp. 289-298

Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction. International Journal of Remote Sensing 23 (2002): 2537−2562.

Gizaw S. A., Garland-Campbell K., Carter A. H. (2016b). Evaluation of agronomic traits and spectral reflectance in Pacific northwest winter wheat under rain-fed and irrigated conditions. Field Crops Res. 196 168–179. 10.1016/j.fcr.2016.06.018(https: //www. sciencedirect. com/ science/article/pii/S0378429016302040?via%3Dihub)

Grevé Anna, Lorenzo Barbanti, Simone Fazio, “Biocombustibil O soluție controversată privind accesul la energie”. 2012 (http://terramileniult rei.ro /wp-content/uploads/2010/02/ bio combusti bilii_ o_solutie_contr oversata1.pdf)

Grift, T. , Qin Zhang, Naoshi Kondo, K.C. Ting, A review of automation and robotics for the bioindustry, Journal of Biomechatronics Engineering Vol. 1, No. 1, (2008) 37-54

Gutierrez M., Reynolds M. P., Raun W. R., Stone M. L., Klatt A. R. (2010). Spectral water indices for assessing yield in elite bread wheat genotypes under well-Irrigated, water-stressed, and high temperature conditions. Crop Sci. 50 197–214. 10.2135/cropsci2009.07.0381 (https:// dl. sciencesocieties. org /publications/cs/abstracts/50/1/197)

Haboudane D., J.R. Miller, E. Pattey, P.J. Zarco-Tejada, I.B. Strachan, 2004, Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture, Remote Sensing of Environment, 90 (2004), pp. 337-352

HălmăjanHoria Victor, 2006, „GHIDUL cultivatorului de rapiță, București

Hardisky, V. Klemas, R.M. Smart, 1983, The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopiesPhotogrammetric Engineering and Remote Sensing, 49 (1983), pp. 77-83

Huete A.R., 1988, A soil adjusted vegetation index SAVI Remote Sensing of Environment, 25 (1988), pp. 295-309

Hunt E. R., Hively W. D., Fujikawa S. J., Linden D. S., Daughtry C. S. T., MCCarty G. W. (2010). Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring.Remote Sens. 2 290–305. 10.3390/rs2010290 (http: //www. mdpi. com /2072-4292 /2/ 1/290)

Hunt, E., C. Daughtry, J. Eitel, and D. Long. "Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index." Agronomy Journal 103, No. 4 (2011): 1090-1099.

Inzamul HaqueMd. Nasir UddinMd S M Tanvir Hassan, 2018, Application of Unmanned Aerial Vehicle Imagery in Precision Agriculture, Conference: Tailor Made Training (TMT): Capacity building for RS & GIS researchers on the use of UAV images and its application in food security, forestry and mangrove, DOI: 10.13140/RG.2.2.23372.10882 https:// www.researchgate. net/publication /324606395_ Application_of_Unmanned_ Aerial_Vehicle_ Imagery_in_ Precision_ Agriculture

Jere Kaivosoja, Liisa Pesonena, Jouko Kleemolab, Ilkka Pölönenc, Heikki Saloc, Eija Honkavaarad, Heikki Saarie, Jussi Mäkynene, Ari Rajalaa, 2013. Remote Sensing for Agriculture, Ecosystems, and Hydrology XV, edited by Christopher M. U. Neale, Antonino Maltese,Proc. of SPIE Vol. 8887, 88870H . SPIE · CCC code: 0277-786X/13/$18 · doi: 10.1117/12.2029165ii

Jiang Z., A.R. Huete, K. Didan, T. Miura, 2008, Development of a two-band enhanced vegetation index without a blue band Remote Sensing of Environment, 112 (2008), pp. 3833-3845

Jordan C.F., 1969, Derivation of leaf area index from quality of light on the forest floor Ecology, 50 (1969), pp. 663-666

Karl, J. W.; Gillan, J. K.; Barger, N. N.; Herrick, J. E.; Duniway, M. C. Interpretation of high-resolution imagery for detecting vegetation cover composition change after fuels reduction treatments in woodlands. Ecological Indicators, v.45, p.570-578, 2014. http://dx.doi.org/10.1016/j.ecolind.2014.05.017

Karthika P., Hema Karthika R., Jayachandra N., Joice Rathinam E., 2014 Estimation of Chlorophyll Content in Papaya Leaf using Mathematical Operations, International Journal of Computer Applications® (IJCA) (0975 – 8887) Machine Learning -Challenges and Opportunities Ahead, MLCONF-2014 http://research.ijcaonline.org/ mlconf/number1/mlconf1002.pdf

Kavvadias Antonis., Emmanouil Psomiadis, Maroulio Chanioti, Nicholas Dercas et al, 2017, „Unmanned Aerial Vehicle (UAV) data analysis for fertilization dose assessment”, Remote Sensing for Agriculture, Ecosystems, and Hydrology, DOI: 10.1117/12.2278152

Kim, M. S., Daughtry, C. S. T., Chappelle, E. W., MCMurtrey III, J. E., Walthall, C. L., The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation (Apar). Proceedings of the 6th Symp. on Physical Measurements and Signatures in Remote Sensing, Jan. 17 – 21, 1994, Val D’Isere, France, pp. 299 – 306.

Laliberte, AS; Goforth, MA; Steele, CM; Rango, A. Multispectral Remote Sensing from Unmanned Aircraft: Image Processing Workflows and Applications for Rangeland Environments, Remote Sensing; NOV, 2011; 3; 11; p2529-p2551

Lelong C. C. D., Burger P., Jubelin G., Roux B., Labbé S., Baret F. (2008). Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots. Sensors 8 3557–3585. 10.3390/s8053557 (http://www.mdpi.com/1424-8220/8/5/3557)

Liebisch F., Kirchgessner N., Schneider D., Walter A., Hund A. (2015). Remote, aerial phenotyping of maize traits with a mobile multi-sensor approach. Plant Methods 11 9 10.1186/s13007-015-00488 (https: //plantmethods.bi omedcentral. com/articles/ 10.1186/ s13007-015-0048-8)

Lobos G. A., Matus I., Rodriguez A., Romero-Bravo S., Araus J. L., Del Pozo A. (2014). Wheat genotypic variability in grain yield and carbon isotope discrimination under Mediterranean conditions assessed by spectral reflectance. J. Integr. Plant Biol. 56 470–479. 10.1111/jipb.12114 (https://onlinelibrary.wiley.com/doi/abs/10.1111/jipb.12114)

Lopes M. S., Reynolds M. P. (2012). Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology.J. Exp. Bot. 63 3789–3798. 10.1093/jxb/ers071 (https: //academic .oup. com /jxb/ article /63/10/3789/542638)

Lorente, D. și colab., Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment, Food and Bioprocess Technology 5 (4) New York: Springer ,2012, 1121-1142

Lymburner L, P.J. Beggs, C.R. Jacobson, 2000, Estimation of canopy-average surface-specific leaf area using Landsat TM data, Photogrammetric Engineering and Remote Sensing, 66 (2000), pp. 183-191

Mahdi M.Ali, Ahmed Al-Ani, DerekEamus and Daniel K.Y.Tan,2012.A New Image Proccessing Based Technique to Determine Nutrient in plants

Marijn Van Der Velde, Fayçal Bouraoui and Alberto Aloe, 2009. Pan-European regional-scale modelling of water and N efficiencies of rapeseed cultivation for biodiesel production, Global Change BiologyVolume 15, Issue 1, pages 24–37.

Mahlein, AK și colab.., Recent advances in sensing plant diseases for precision crop protection, European Journal of Plant Pathology; May, 2012, 133 1, p197- p209, 13p. Special Issue: SI

Mateescu Elena, Povară Rodica, Oprișescu Rodica (1999): Studiul parametrilor agrometeorologici de stres și impactul acestora asupra grâului de toamnă în perioada înspicare-înflorire-umplerea bobului, Lucrări Științifice USAMV București, Seria A, XLII, Nr.1, 1999, ISSN 1221-5339, București, 133-149 pag.

Malveaux Charles, Steven G Hall, Randy Price, “Using Drones in agriculture: Unmanned Aerial Systems for Agricultural Remote Sensing Applications”, Paper number 141911016, 2014 Montreal, Quebec Canada July 13 – July 16, 2014. (doi:10.13031/aim.20141911016)@2014

Meyer George. E. (2011). Machine Vision Identification of Plants, Recent Trends for Enhancing the Diversity and Quality of Soybean Products, Prof. Dora Krezhova (Ed.), ISBN: 978-953-307-533-4, InTech, Available from: http://www.intechopen.com/books/recent-trends-for-enhancing-the-diversity-and-quality-of-soybeanproducts/machine-vision-identification-of-plants

Moorthy S., B. Boigelot and B. C. N. Mercatoris, “Effective segmentation of green vegetation for resource-constrained real-time applications”, 1AgricultureIsLife Platform, Gembloux Agro-Bio Tech, Université de Liège, Belgium, 2Montefiore Institute, Université de Liège, Belgium, 3Biosystem Engineering Department, Gembloux Agro-Bio Tech, Université de Liège,Belgium.

Montazeaud G., Karatoǧma H., Özturk I., Roumet P., Ecarnot M., Crossa J., și colab.(2016). Predicting wheat maturity and stay-green parameters by modeling spectral reflectance measurements and their contribution to grain yield under rainfed conditions. Field Crops Res. 196 191–198. 10.1016/j.fcr.2016.06.021 (https:// www. sciencedirect. com/science/ article /pii/ S0378429016302076?via%3Dihub)

Myneni R.B., Williams D.L., On the relationship between FAPAR and NDVI. Remote Sens. Environ. 49: 200–211, 1994.

Naik NS. și colab.., Precision agriculture robot for seeding function, International Conference on Inventive Computation Technologies (ICICT), 2016, DOI: 10.1109/INVETIVE.2016.7824880

North P.R.J., Estimation of fAPAR, LAI, and vegetation fractional cover from ATSR-2 imagery. Remote Sens. Environ. 80: 114–121, 2002

Olteanu Gh., I. Puiu, A. Bekö, A. Ghinea, Agricultura de precizie – o cale pentru eficientizarea producției de cartof, Sesiunea de comunicări științifice “45 de ani de cercetare-dezvoltare: tradiție, continuitate și viitor pentru agricultura României”, Institutul Național de Cercetare Dezvoltare pentru Cartof și Sfeclă de Zahăr din Brașov, 2012

Olteanu, Gh., Oltean, I.M., Oltean, I., Agricultura de precizie – un nou concept în cercetarea și practica agricolă, Priorități ale cercetării științifice în domeniul culturilor de câmp, Ed. Ceres, București, 99-110, 2002.

Penuelas, J., Pinol, J., Ogaya, R., Filella, I., Estimation of Plant Water Concentration by the Reflectance Water Index WI (R900/R970), International Journal of Remote Sensing. 18:2863-2868, 1997

Pettorelli N., Vik J.O., Mysterud A., Gaillard J.-M., Tucker C.J. & Stenseth N.C., Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution 20: 503–510, 2005.

Popescu Gabriel Șt., 2010, “Fotogrammetria pe înțelesul tuturor”, Ed. MATRIX ROM, București

Povară Rodica, Mateescu Elena, Oprișescu Rodica, (2003): Estimarea influenței deficitului de precipitații din lunile de toamnă asupra stării de vegetație și a recoltei de grâu în județul Vâlcea, Geografia Județului Vâlcea-Teorie și practică, Volumul III, Editura Offsetcolor, Râmnicu Vâlcea, ISBN 973-86352-7-6, 90-98 pag.

Pirna I, Voicu E, Vladut V, TEHNOLOGIA DE CULTIVARE A RAPIȚEI, 2011, INMA București, http://multilingual.bionetsyst.com/images/docs/ 6400677781335502327.pdf

Prasad B., Carver B. F., Stone M. L., Babar M. A., Raun W. R., Klatt A. R. (2007b). Potential use of spectral reflectance indices as a selection tool for grain yield in winter wheat under great plains conditions. Crop Sci. 47 1426–1440. 10.2135/ cropsci2006. 07.0492 (https://dl. sciencesocieties. org/publications /cs/ abstracts/47/4/1426

Puiu, I., Studiul producției de cartof în funcție de diversitatea spațială a resurselor, Teză de doctorat, Universitatea de Științe Agricole și Medicină Veterinară ClujNapoca, Facultatea de Agricultură, 2014.

Puiu I., Olteanu Gh., Ianoși M., Moise A., Ghinea A., Monitorizarea spațială a resurselor și a stării de vegetație la cultura de cartof, Sesiunea de comunicări științifice "Oportunități în modernizarea cercetărilor la cartof, sfeclă de zahăr și plante medicinale", Institutul Național de Cercetare Dezvoltare pentru Cartof și Sfeclă de Zahăr din Brașov, 2011

Qi J., A.L. Chehbouni, A.R. Huete, Y.H. Kerr, S. Sorooshian 1994. A modified soil adjusted vegetation index (MSAVI)Remote Sensing of Environment, 48 (1994), pp. 119-126

Rasmussen J., Ntakos G., Nielsen J., Svensgaard J., Poulsen R. N., Christensen S. (2016). Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently reliable for assessing experimental plots? Eur. J. Agron. 74 75–92. 10.1016/j.eja.2015.11.026 (https://www.sciencedirect.com/science/article/pii/S1161030115300733?via%3Dihub)

Reynolds M., Tattaris M., Cossani C. M., Ellis M., Yamaguchi-Shinozaki K., Pierre C. S. (2015). “Exploring genetic resources to increase adaptation of wheat to climate change,” in Advances in Wheat Genetics: From Genome to Field. Proceedings of the 12th International Wheat Genetics Symposium eds Ogihara Y., Takumi S., Handa H., editors. (Berlin: Springer;) 355–368. 10.1007/978-4-431-55675-6_41(https://link.springer.com/chapter/10.1007%2F978-4-431-55675-6_41)

Richardson A.D., Duigan S.P., Berlyn G.P., 2002. An evaluation of noninvasive methods to estimate foliar chlorophyll content. In: New Phytologist, Vol. 153(1), p. 185-194. http://doi.org/10.1046/j.0028- 646x.2001.00289.x

Roman Gh. Valentin, Epure Lenuța Iuliana, 2013. Fitotehnie – cereale și leguminoase pentru boabe-. Editura „Ceres”, București. ISBN 978-973-40-1018-9

Royo C., Aparicio N., Villegas D., Casadesus J., Monneveux P., Araus J. L. (2003). Usefulness of spectral reflectance indices as durum wheat yield predictors under contrasting Mediterranean conditions. Int. J. Remote Sens. 24 4403–4419. 10.1080/0143116031000150059 (https://www. tandfonline. com/doi/abs/10.1080/0143116031000150059)

Rondeaux, M. Steven, F. Baret 1996, Optimization of soil-adjusted vegetation indices,Remote Sensing of Environment, 55 (1996), pp. 95-107

RougeanJ.L., F.M. Breon, 1995, Estimating PAR absorbed by vegetation from bidirectional reflectance measurementsRemote Sensing of Environment, 51 (1995), pp. 375-384

Rouse J.W., Haas R.H., Schell J.A. & Deering D.W. 1974, Monitoring vegetation systems in the Great Plains with ERTS. In: Fraden S.C., Marcanti E.P. & Becker M.A. (eds.), Third ERTS-1 Symposium, 10–14 Dec. 1973, NASA SP-351, Washington D.C. NASA, pp. 309–317

Sandino Juan D., Ramos-Sandoval Olga L., Darío Amaya-Hurtado, 2016, Método para estimar a cobertura foliar das plantas de morango usando processamento de imagem digital, Rev. bras. eng. agríc. ambient. vol.20 no.8 Campina Grande Aug. 2016, http://dx.doi.org/10.1590/1807 1929/agriambi.v20n8p716-721

Sankaran S., Khot L. R., Espinoza C. Z., Jarolmasjed S., Sathuvalli V. R., Vandemark G. J., și colab.(2015). Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: a review. Eur. J. Agron. 70 112–123. 10.1016/j.eja.2015.07.004 (https:// www. sciencedirect .com/science/article/pii/S1161030115300095?via%3Dihub)

Son N. T., Chen C. F., Chen C. R., Minh V. Q., Trung N. H. (2014). A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation. Agric. For. Meteorol. 197 52–64. 10.1016/j.agrformet. 2014.0 6 .007 (https://www.sciencedirect.com/ science/article /pii/S016819231400149X?via%3 Dihub)

Suess S., Van der Linden S., Okujeni A., Schwieder M., Leitão P.J., Hostert P., 2015. Using classprobabilities to map gradual transitions in shrub vegetation maps from simulated EnMAP data. Remote Sens. 7, p. 10668-10688.

Suhartono, 2016, An Identification of Chlorophyll Content using Image Processing Technique and Fuzzy Mamdani Method, Indian Journal of Science and Technology, Vol 9(29), DOI: 10.17485/ijst/2016/v9i29/58582, August 2016

Stafford John V., 2000, Implementing Precision Agriculture in the 21st Century, Journal of Agricultural Engineering Research, Volume 76, Issue 3, July 2000, Pages 267-275, https://doi.org/10.1006/jaer.2000.0577

StanVasilica „Protecția mediului prin agricultura durabilă” , partea I , 2005, Ed. CERES

Steven M.D., 1998, The sensitivity of the OSAVI vegetation index to observational parameters Remote Sensing of Environment, 63 (1998), pp. 175-181

Stoica Andreea, Oana-Alexandra Oprea, Dumitru Anghel Administrația Națională de Meteorologie andreea.stoica@meteoromania.ro, ANALIZA PARAMETRILOR AGROMETEOROLOGICI SPECIFICI PENTRU AGRICULTURĂ, ÎN ANUL AGRICOL SEPTEMBRIE 2015-AUGUST 2016, REVISTA STIINTIFICA 2017.

Tattaris M., Reynolds M. P., Chapman S. C. (2016). A direct comparison of remote sensing approaches for high-throughput phenotyping in plant breeding. Front. Plant Sci. 7:113110.3389/fpls.2016.01131 (https:// www.frontiersin .org/articles/ 10.3389/fpls. 2016. 01131/full)

Trif Alexandra, Mihai Doru, 2014, EFFECT OF CLIMATE CHANGE ON DOBROGEA AGRICULTURAL AREA. Scientific Papers. Series E. Land Reclamation, Earth Observation & Surveying, Environmental Engineering, Vol. III, Print ISSN 2285-6087, 137-140.

Trif Alexandra, Gîdea Mihai, Penescu A. 2016, Evaluation of the modern methods of assessing the damage suffered by rapeseed crops at the end of winter. AgroLife Scientific Journal, Volume 5, Number 2, ISSN 2285-5718, 151-155.

Trif Alexandra, Gîdea Mihai, 2016, The Evaluation of Rapeseed Culture at the end of the Cold Season Using Aerospace Techniques, Agriculture and Agricultural Science Procedia Volume 10, 2016, Pages 118-122 https://doi.org/10.1016/j.aaspro.2016.09.031

Tucker, C.J. & P.J. Sellers, 1986. Satellite remote sensing of primary production. Int J Remote Sens 7: 1395–1416.

Tucker, C.J., 1979. Red and photographic linear combinations for monitoring vegetation. Remote Sens Env 8: 127–150.

Tucker C.J., 1980, A spectral method for determining the percentage of green herbage material in clipped sampleRemote Sensing of Environment, 9 (1980), pp. 175-181

Ujjwal Mahajan and Bharat Raj Bundel, Drones for Normalized Difference Vegetation Index (NDVI), to Estimate Crop Health for Precision Agriculture: A Cheaper Alternative for Spatial Satellite Sensors; International Conference on Innovative Research in Agriculture, Food Science, Forestry, Horticulture, Aquaculture, Animal Sciences, Biodiversity, Ecological Sciences and Climate Change (AFHABEC-2016) ISBN-978-93-85822-33-9

Vescovo L., D. Gianelle, 2008, Using the MIR bands in vegetation indices for the estimation of grassland biophysical parameters from satellite remote sensing in the Alps region of Trentino (Italy)Advances in Space Research, 41 (2008), pp. 1764-1772

Verger Aleixandre, Nathalie Vigneau, Corentin Chéron, Jean-Marc Gilliot d,e, Alexis Comar, Frédéric Baret, 2014, “Green area index from an unmanned aerial system over wheat and rapeseed crops”, Article in Remote Sensing of Environment· September 2014;

Verger A., C. Chéron, F. Baret, N. Vigneau3, “THE POTENTIAL OF UNMANNED AERIAL VEHICLES FOR PRECISION AGRICULTURE AND PHENOTYPING”; IEEE International Symposium Geoscience and Remote Sensing, Jul 2014, Quebec, Canada

Veroustraete Frank. “The Rise of the Drones in Agriculture”. EC Agriculture 2.2 (2015): 325-327

Viña Andrés, Anatoly A. Gitelson b, Anthony L. Nguy-Robertson, Yi Peng , “Comparison of different vegetation indices for the remote assessment of green leaf area index of crops”; Remote Sensing of Environment, Volume 115, Issue 12, 15 December 2011, Pages 3468-3478

WartvanJustin K. ChristianKersebaum, ShaobingPeng, MaribethMilner, Kenneth G.Cassman, 2013, Estimating crop yield potential at regional to national scales, Field Crops ResearchVolume 143, 1 March 2013, Pages 34-43

Wiegand, C.L. & A.J. Richardson, 1990. Use of spectral vegetation indices to infer leaf area, evapotranspiration and yield: II. Results. Agron J 82: 623–629.

Sandino Juan D., Ramos-SandovalOlga L. , Darío Amaya-Hurtado, 2016, Método para estimar a cobertura foliar das plantas de morango usando processamento de imagem digital, Rev. bras. eng. agríc. ambient. vol.20 no.8 Campina Grande Aug. 2016, http://dx.doi.org/10.1590/18071929/agriambi.v20n8p716721,(https://link.springer.com/article/10.1007%2Fs11119-012-9274-5)

Yaghoubi S. și colab.., Autonomous Robots for Agricultural Tasks and Farm Assignment and Future Trends in Agro Robots, International Journal of Mechanical & Mechatronics Engineering IJMME-IJENS Vol:13 No:03, pp.1-6, 2013

Yousfi S., Kellas N., Saidi L., Benlakehal Z., Chaou L., Siad D., și colab.(2016). Comparative performance of remote sensing methods in assessing wheat performance under Mediterranean conditions. Agric. Water Manage. 164 137–147. 10.1016/j.agwat.2015.09.016 (https:// www. sciencedirect. com/ science/article/pii/S0378377415301062?via%3Dihub)

Zaman-Allah M., Vergara O., Araus J. L., Terekegne A., Magorokosho C., Zarco-Tejada P. J., și colab.(2015). Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods  11 35 10.1186/ s13007-015-0078 -2 (https:// plantmethods. biomedcentral. com/articles /10.1186 /s13007-015-0078-2)

ZhangNaiqian, MaohuaWang, NingWang, 2002, Precision agriculture—a worldwide overview, Computers and Electronics in AgricultureVolume 36, Issues 2–3, November 2002, Pages 113-132

Zhang C., Kovacs J. M. (2012). The application of small unmanned aerial systems for precision agriculture: a review. Precis Agric. 13 693–712. 10.1007/s11119-012-9274-5

Administrația Națională de Meteorologie – “COD DE BUNE PRACTICI AGRICOLE, ÎN CONTEXTUL SCHIMBĂRILOR CLIMATICE ACTUALE ȘI PREVIZIBILE”, BUCUREȘTI – 2014

Comisia Europeană, 2008: http:// www.cdep.ro /afaceri_ europene/CE /2011/ COM_2 011 _885_RO_ACTE_f.pdf

Elowitz, Mark R. “What is Imaging Spectroscopy (Hyperspectral Imaging)?”. Retrieved November 27, 2013; http://www.markelowitz.com/Hyperspectral.html

Ministerul Mediului și Schimbărilor Climatice – “Cod de bune practici agricole”, 2013

***http://www.caa.ro/page/rpasuavdrone; Accesat la 30 iulie 2016

***https://dronshop.ro/prevederi-legale/; Accesat la 02 februarie 2018

***http://fae-drones.com; Accesat la 26 octombrie 2017

***https://www.sensefly.com; Accesat la 14 mai 2018

***http://www.meteoromania.ro/; Accesat la 15 mai 2018

***http://faostat.fao.org/site/567/default.aspx#ancor; Accesat la 02 octombrie 2015

***https://www.aeroeye.com.au/industries/agriculture/multispectral-imagery-and-vegetation-indices/; Accesat la 01 iunie 2018

*** https://www.dronezon.com; Accesat la 01 iunie 2018

*** http://www.rompos.ro/index.php/en/

***Baza de date agrometeorologice a Administrației Naționale de Meteorologie București, Laboratorul de Agrometeorologie.

*** „UN projects world population to reach 8.5 billion by 2030, driven by growth in developing countries”. United Nations Department of Economic and Social Affairs. 29 iulie 2013. Accesat la 30 noiembrie 2015.

***„World Population Prospects: The 2012 Revision” (XLS). Population Division of the Department of Economic and Social Affairs of the United Nations Secretariat. 1 iunie 2013. Accesat la 7 august 2016.

***https://search.archives.un.org/department-of-economic-and-social-affairs-desa-1955-present, Accesat la 10 august 2016.

***https://ro.wikipedia.org/wiki/GLONASS

***http://www.monitoruloficial.ro/ Accesat la 01 Mai 2018.

***http://blog.seretransilvania.ro/cum-recunoastem-excesul-insuficienta-sau-lipsa-unui-element-de-nutritie-din-planta/ Accesat la 01 Mai 2018.

http://www.spacealliance.ro/articles/view.aspx?id=20121212143121, Accesat la 01 Mai 2018.

https://www.dlg-feldtage.de/de/home/

https://pix4d.com/product/pix4dfields/

https://siagro.ro

ANEXE

Anexa1. Imagini aeriene preluate cu ajutorul dronei DJI Phantom 3 Professional și indicele NDVI (rapiță)

Anexa 2. Imagini aeriene clasificate conform raportului zona verde/suprafața totală (rapiță)

Anexa 3. Capturi ArcMap – Mod de lucru (rapiță)

Anexa 4. Ortofotoplanuri DJI Phantom 4 Professional și Pleiades 1,5m și clasificare conform aceleiași legende (rapiță)

Anexa 5. Compararea imaginilor satelitare și cele provenite de la UAV în vederea determinării zonelor afectate

Anexa 6. Plan centralizat cu valori chimice sol cu Layere suprapuse (grâu)

Anexa 7. Întocmire ortofotoplan Agisoft FAE FIXED WING (rapiță)

Anexa 8. Plan suprafețe afecate rapiță în vederea resemănării (rapiță)

Anexa 9. Plan suprafețe afectate rapiță în vederea resemănării suprafețelor evidențiate (rapiță)