השפעת המיקום על יבול גידולי השדהפיתוח מודל גיאוגרפי לניטור וניהול בזמן אמת של חקלאות מדויקת בעזרת חישה מרחוק ומערכות-מידע-גיאוגרפי

Abstract

מטרת מחקר זה היא לפתח מודל גיאוגרפי לניטור וניהול, בזמן אמת, של חקלאות מדויקת בעזרת חישה מרחוק ומערכות­מידע­גיאוגרפי. השערות המחקר הן : (1 (החישה מרחוק מאפשרת למפות את הגורמים המשפיעים על ניטור וניהול הגידול החקלאי, לפי מספר מדדים ספקטראלייס. (2 (שונות היבול בתוך חלקת הגידול מוסברת על­ידי גורמי המיקום (מים, דשן, עשביה) והשפעתם המשתנה תוך כדי התפתחות הצמח. (3 (מיפוי של כל אחד מגורמי המיקום על­ידי שימוש בנתוני החישה מרחוק, יאפשר לנתח את השפעתם בזמן אמת, ולבצע את תהליך הניטור, תוך קבלת מידע על כלל השטח. מטרת מחקר זה היא לפתח מודל גיאוגרפי לניטור וניהול, בזמן אמת, של חקלאות מדויקת בעזרת חישה מרחוק ומערכות­מידע­גיאוגרפי. השערות המחקר הן : (1 (החישה מרחוק מאפשרת למפות את הגורמים המשפיעים על ניטור וניהול הגידול החקלאי, לפי מספר מדדים ספקטראלייס. (2 (שונות היבול בתוך חלקת הגידול מוסברת על­ידי גורמי המיקום (מים, דשן, עשביה) והשפעתם המשתנה תוך כדי התפתחות הצמח. (3 (מיפוי של כל אחד מגורמי המיקום על­ידי שימוש בנתוני החישה מרחוק, יאפשר לנתח את השפעתם בזמן אמת, ולבצע את תהליך הניטור, תוך קבלת מידע על כלל השטח.

על­מנת לבדוק השערות אלו פותח מודל גיאוגרפי המשלב איסוף נתונים צמחיים וספקטראלייס מהצמחיה החקלאית ומיפוי הגורמים השונים המשפיעים על צמחיה זאת (כגון השקיה ודישון על­ידי האיכר, טופוגרפיה ועשבית­פרא). על­ידי התאמה מרחבית (כשהנתונים נמצאים בשכבות שונות באותה מערכת קואורדינטות) ניתן לבצע ניתוח סטטיסטי ולבדוק כיצד מוסברת השונות המרחבית של היבול בעזרת שכבות מידע אלו. ניתוח זה יכול להעשות לאחר הקציר, כדי להסביר את השפעת הגורמים השונים על היבול. יתר על­כן, הוא יגול להעשות גם תוך בדי עונת הגידול, ולאפשר שינוי פעולות החקלאי על­מנת להגדיל את היבול תוד צמצומ ההוצאות. על­מנת שניטור חקלאי בעזרת חישה מרחוק יהיה יעיל, הוא צריך להעשות בזמן אמת. שני ניסויים, שנערכו בכותנה ובחיטה, מראים שאפשר לאסוף את הנתונים, לנתחם ולבצע תהליך של קבלת החלטות תוך פחות מ'48 שעות. פרק זמן קצר זה עומד בדרישות האופרטיביות של המגדלים, ויש בו כדי לאפשר להשפיע על הגידול, במועד. בעיה נוספת העומדת בפני המשתמש בחישה מרחוק היא דיוק המיפוי הנעשה בעזרת הנתונים הספקטראליים. המודל משתמש בשלוש שיטות שונות לבקרת איכות של המיפוי ומראה שרמת ההתאמה של הנתונים למציאות היא0/900­0/850.

ממצאי המחקר נחלקים לשני פרקים. הפרק הראשון מראה כיצד פותחו מדדים ספקטראליים לצורך מיפוי של הצמחית לפי מאפייניה השונים. לפי מדדים אלו, ומדדים טפקטראלייס המוכרים מהספרות, נערכה טבלת פיענוח שמטרתה להראות באיזה מדד להשתמש לצורך מיפוי של מאפיין צמחי מסוים. לצורך הניטור עצמו פותחו שתי נוסחאות ספקטראליות : לחיטה הוכנה נוסחה הממפה את היבול החזוי, בעוד V שלכותנה הוכנה נוסחה המראה את גובה הצמחים בכל תא שטח. הפרק השני בחלק הממצאים מנתח את ההשפעה המרחבית של גורמי המיקום השונים על היבול המתקבל מכל שדה ומראה כיצד משתנה השפעה זו לאורך הזמן. למשל, השפעת גורמי הקרקע (כגון טופוגרפיה, עשביה ודישוני קרקע) חזקה בתחילת עונת הגידול וקטנה ככול שעובר הזמן, בעוד שהשפעת האדם (על­ידי השקיה ודישון) מתחזקת עד מועד מסוים (כחודש­חודשיים לפני סוף עונת הגידול), ואזי היא נחלשת. הבנת ההשפעה של גורמי המיקום אפשרה לבצע ניטור בזמן אמת של גידולי השדה בשני ניסויים שונים : בניסוי בחיטה התקבלו ההחלטות לאור הערכת היבול כפי שנחזתה על­ידי נתוני החישה מרחוק, ובניסוי בכותנה התקבלו ההחלטות לפי הערכת גובה הצמחיה בכל מועד צילום. תוצאות הניסויים הראו כי ניתן לחסוך בהוצאות בהשוואה לחלקות ביקורת או, לחילופין, להגיע ליבול טוב יותר. יותר מכך, במקרה בו לא ייושמו המלצות, המתבססות על נתוני החישה מרחוק, היתה הפחתה ביבול.

המסקנות העיקריות ממחקר זה הן כי אפשר למפות את גורמי המיקום בעזרת החישה מרחוק, ואף ניתן להשתמש בתחום הנראה כדי להגיע לתוצאות טובות של מיפוי וניטור. המדדים הרבים שפותחו במסגרת מחקר זה אינם מאפשרים מיפוי נפרד ומדויק לכל מאפיין של הצמחיה, אך הם מאפשרים ליצור מיפוי, בזמן­אמת, של מאפייני הצמחיה על­ידי התאמת נתוני החישה מרחוק לנתוני הצמחית, תוך פחות מ­48 שעות. בעזרת מיפוי זה התקבלו כל השערות המחקר, ופותח המודל הגיאוגרפי לניטור חקלאי בזמן אמת, שהיה מטרת המחקר.

Alternate abstract:

The goal of this research was to develop a remote sensing and GIS­based precision agriculture geographical model for real­time crop management. The research assumptions were: )1( Crop management based on remote sensing data enables to map the crop­affecting elements, according to varios spectral indices; )2( The yield variance within the crop field is explained by the location elements )water, nitrogen and weed( and their irregular influence during the course of the growing season; )3( Mapping of each spatial element, using remote sensing, enables to analyze its real­time influence and conduct monitoring process, while recieving information from the entire field.

In order to verify these assumptions, a geographical model was developed that combines vegetation and spectral data collection and the mapping of the location­elements )such as irrigation and fertilization(. Geo­spatial statistical analyses, achieved by spatial correlation evaluation between the spectral and location elements layers, explained spatial variability in the crop yield. This analysis may take place after the harvest, to allow the understanding of the different influence to each element. Furthermore, it may also be done in the course of the growing season and thus, guide thefarmer5 s activities, to result it with income increases while reducing his expenses. To deploy efficient remote sensing monitoring, it must be carried out as a real­ time instrument. Two experiments, which were conducted in cotton and wheat, showed that data could be collected and analyzed in less than 48 hours. This short time period, stands within the growers requirements, and enables them to influence the crop growth.

One typical problemof the remote­sensing user is the spectral mapping accuracy. To solve this mapping defficiency, the proposed model uses 3 different methods of quality control and proved its' data to be correlated to reality at the 850/0 to 90o/o level.

The research findings are divided into two groups. The first group presents the development of spectral indices for the vegetation mapping according to its features. With these spacially developed indices, and several others, known from the literature, an interpretation schama was developed, that showed the needed index for mapping a specific vegetation feature. Two spectral formulae were developed for the monitoring process itself: (1) Predicted yield formula, was established for wheat monitoring; )2( Estimating plant height formula was developed for cotton monitoring.

The second group in the result section analyzes spatial influence of the location elements on the crop yield, and presents how this influence changed through time. This change of elements is expressed by the soil factors )e. g. topography, weeds and soil fertilizations( which have a strong influence during the beginning of the growing season. As the growing season progresses, its5 influences decrease. On the other hand, anthropogenic influence )e. g. irrigation and fertilization( increases rapidly till a certain period )about a month or two prior to the endof the growing season( and from then on its influence decreases. The understanding of the influence of the location elements, allowed real­time monitoring processes in two different experiments. In the wheat experiment, decision making took place according to the crop assesment of the remote sensing data, while in the cotton experiment, decision making was made by an estimateof plant height before the eventof photography. Experiments results showed that it is possible to reduce the growing expenses in comparison to the control plots, or at least, achieve a higher crop yield. Furthermore.