PL EN
PRACA ORYGINALNA
Ocena wpływu gleby na ekstrema NDVI przed i po zbiorach za pomocą uczenia maszynowego
 
Więcej
Ukryj
1
Zakład Gleboznawstwa Erozji i Ochrony Gruntów, Instytut Uprawy Nawożenia i Gleboznawstwa - Państwowy Instytut Badawczy, Polska
 
 
Data nadesłania: 22-11-2023
 
 
Data ostatniej rewizji: 15-03-2024
 
 
Data akceptacji: 01-06-2024
 
 
Data publikacji online: 01-06-2024
 
 
Data publikacji: 01-06-2024
 
 
Autor do korespondencji
Artur Łopatka   

Zakład Gleboznawstwa Erozji i Ochrony Gruntów, Instytut Uprawy Nawożenia i Gleboznawstwa - Państwowy Instytut Badawczy, Czartoryskich 8, 24-100, Puławy, Polska
 
 
Soil Sci. Ann., 2024, 75(2)189540
 
SŁOWA KLUCZOWE
STRESZCZENIE
Zaobserwowano, że różnica maksymalnych i minimalnych wartości NDVI w okresie zbliżonym do żniw (odpowiednio mxNDVI i mnNDVI), określana jako wskaźnik haNDVI (amplituda NDVI związana ze żniwami), koreluje z rolniczą jakością gleby i udziałem zasiewów. NDVI ulega nasyceniu, gdy wartości wskaźnika powierzchni liści (LAI) znacznie przekraczają jeden, więc za przestrzenne zróżnicowanie haNDVI odpowiadają głównie wartości minimalnego NDVI po zbiorach (mnNDVI). Aby wyjaśnić zmienność wartości mnNDVI, sformułowano trzy hipotezy o: i) wpływie doboru upraw, ii) wpływie wielkości pola oraz iii) wpływie gleby. Aby określić, która z tych hipotez miała największy wpływ na zmienność mnNDVI, opracowane modele uczenia maszynowego tego wskaźnika poddano testowi usuwającemu z nich poszczególne zmienne objaśniające. Usunięcie zmiennej nie powoduje istotnego wzrostu błędu modelu, jeśli zmienna nie wnosi do modelu użytecznych informacji. Test ten wykazał, że wskaźnik mnNDVI zależy prawie wyłącznie od wskaźnika uprawy, który był medianą mnNDVI dla upraw, a nie bezpośrednio od zmiennych glebowych, takich jak rolnicza jakość gleby czy wilgotność gleby. W związku z tym odrzucono hipotezę o bezpośrednim wpływie gleby. Wyjaśnieniem obserwowanej korelacji haNDVI z jakością gleby jest praktyka rolnicza polegająca na wyborze upraw o niskim mnNDVI (zboża, rzepak) przy lepszych warunkach glebowych oraz upraw o wysokim mnNDVI (rośliny pastewne, użytki zielone) przy gorszych warunkach glebowych.
 
REFERENCJE (31)
1.
ADMS IUNG, 2023. Agricultural Drought Monitoring System, Soil moisture monitoring. https://susza.iung.pulawy.pl/m....
 
2.
Angström, A., 1925. The albedo of various surfaces of ground. Geografiska Annaler 7, 323-327. https://doi.org/10.2307/519495.
 
4.
Breiman L., 2001. Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010....
 
5.
Faber, A., 2007. Przegląd wskaźników rolnośrodowiskowych zalecanych do stosowania w ocenie zrównoważonego gospodarowania w rolnictwie. [In:] Harasim, A. (Eds.) Sprawdzenie przydatności wskaźników do oceny zrównoważonego gospodarowania zasobami środowiska rolniczego w wybranych gospodarstwach, gminach i województwach. „Studia i Raporty IUNG-PIB” 5, 9-24. (in Polish) https://doi.org/10.26114/sir.i....
 
6.
Friedman, J., Tibshirani, R., Hastie, T., 2010. Regularization Paths for Generalized Linear Models via Coordinate Descent. Journal of Statistical Software 33(1), 1–22. https://doi.org/10.18637/jss.v....
 
7.
Gao, F., Anderson, M.C., Hively, W.D., 2020. Detecting cover crop end-of-season using VENµS and Sentinel-2 Satellite imagery. Remote Sensing 12, 3524. https://doi.org/10.3390/rs1221....
 
8.
 
9.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sensing of Environment 202, 18–27. https://doi.org/10.1016/j.rse.....
 
10.
Harasim, A., 2013. Metoda oceny zrównoważonego rolnictwa na poziomie gospodarstwa rolnego. Studia i Raporty IUNG-PIB 32(6), 25-75. (in Polish) https://doi.org/10.26114/sir.i....
 
11.
Jędrejek, A., Jadczyszyn, J., Pudełko, R., 2023. Increasing accuracy of the soil-agricultural map by Sentinel-2 images analysis—Case study of maize cultivation under drought conditions. Remote Sensing 15, 1281. https://doi.org/10.3390/rs1505....
 
12.
Jones, H.G., Vaughan, R.A., 2010. Remote sensing of vegetation – Principles, techniques, and applications. Oxford University Press, New York, 353 pp., ISBN: 9780199207794.
 
13.
Julien, Y., Sobrino, J. A., 2008. NDVI seasonal amplitude and its variability. International Journal of Remote Sensing 29(17-18), 4887-4888. https://doi.org/10.1080/014311....
 
14.
Kuhn, M., 2008. Building Predictive Models in R Using the caret Package. Journal of Statistical Software 28(5), 1–26. https://doi.org/10.18637/jss.v....
 
15.
Liaw, A., Wiener, M., 2002. Classification and Regression by randomForest. R News, 2(3), 18-22. https://CRAN.R-project.org/doc....
 
16.
Liu, R, 2017. Compositing the Minimum NDVI for MODIS Data. [In:] IEEE Transactions on Geoscience and Remote Sensing 55(3), 1396-1406. https://doi.org/10.1109/TGRS.2....
 
17.
Liu, W., Baret, F., Gu, X.F., Tong, Q., Zheng, L., Zhang, B., 2002. Relating soil surface moisture to reflectance. Remote Sensing of Environment 81, 238-246. https://doi.org/10.1016/S0034-....
 
18.
Lobell, D., Asner, G., 2002. Moisture Effects on Soil Reflectance. Soil Science Society of America Journal 66, 722-727. https://doi.org/10.2136/sssaj2....
 
19.
MChAS 2023, Monitoring Chemizmu Gleb Ornych Polski, GIOŚ. https://www.gios.gov.pl/chemiz....
 
20.
Łopatka, A., Koza, P., 2020. Crop production intensity and haNDVI indicator – amplitude of NDVI related to harvest. Polish Journal of Agronomy 42, 24–33. https://doi.org/10.26114/pja.i....
 
21.
Panek, E., Gozdowski, D., 2020. Analysis of relationship between cereal yield and NDVI for selected regions of Central Europe based on MODIS satellite data. Remote Sensing Applications: Society and Environment 17, 100286. https://doi.org/10.1016/j.rsas....
 
22.
R Core Team, 2023. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.
 
23.
Riley, S., Degloria, S., Elliot, S.D., 1999. A terrain ruggedness index that quantifies topographic heterogeneity. International Journal of Science 5, 23-27.
 
24.
Rouse, J.W, Haas, R.H., Scheel, J.A., and Deering, D.W., 1974. Monitoring Vegetation Systems in the Great Plains with ERTS. Proceedings, 3rd Earth Resource Technology Satellite (ERTS) Symposium, vol. 1, p. 48-62. https://ntrs.nasa.gov/citation....
 
25.
Sicre, M.C., Inglada, J., Fieuzal, R., Baup, F., Valero, S., Cros, J., Huc, M., Demarez, V., 2016. Early detection of summer crops using high spatial resolution optical image time series. Remote Sensing 8, 591. https://doi.org/10.3390/rs8070....
 
26.
Schauberger, B., Archontoulis, S., Arneth, A. et al., 2017. Consistent negative response of US crops to high temperatures in observations and crop models. Nature Communications 8, 13931. https://doi.org/10.1038/ncomms....
 
27.
Tenreiro, T.R., García-Vila, M., Gómez, J.A., Jiménez-Berni, J.A., Fereres, E., 2021. Using NDVI for the assessment of canopy cover in agricultural crops within modelling research. Computers and Electronics in Agriculture 182, 106038.
 
28.
Tibshirani, R., 1996. Regression Shrinkage and Selection via the lasso. Journal of the Royal Statistical Society. Series B (methodological), 58(1), 267–88. https://doi.org/10.1111/j.2517....
 
29.
Tucker C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing and Environment 8, 127–150. https://doi.org/10.1016/0034-4....
 
30.
Witek, T., 1993. Waloryzacja rolniczej przestrzeni produkcyjnej Polski według gmin. IUNG Puławy, Seria (A) 56. (in Polish).
 
31.
Zhao, Q., Yu, L., Li, X., Peng, D., Zhang, Y., Gong, P., 2021. Progress and trends in the application of Google Earth and Google Earth Engine. Remote Sensing 13, 3778. https://doi.org/10.3390/rs1318....
 
eISSN:2300-4975
ISSN:2300-4967
Journals System - logo
Scroll to top