(English below)

Kể từ cuộc cách mạng nông nghiệp xảy ra ở châu Âu và châu Mỹ trong thế kỷ 18, việc sử dụng công nghệ để cải thiện hiệu quả và hiệu quả của các hoạt động canh tác đã tăng lên rất nhiều. Những khám phá trong lĩnh vực khoa học và công nghệ đã giúp người nông dân sử dụng hiệu quả đầu vào để tối đa hóa năng suất.

Những tiến bộ này đã được hỗ trợ rất nhiều bởi việc sử dụng máy móc phức tạp, thực hành trồng trọt, sử dụng phân bón, thuốc diệt cỏ và thuốc trừ sâu, v.v. Tuy nhiên, ở thời điểm hiện tại, sự thành công của canh tác quy mô lớn phụ thuộc rất nhiều vào công nghệ thông tin địa lý thông qua cái được gọi là canh tác chính xác.

Nông nghiệp chính xác là gì?
Do đó, nông nghiệp chính xác, hay canh tác chính xác, là một khái niệm canh tác sử dụng thông tin địa lý để xác định sự biến đổi của đồng ruộng nhằm đảm bảo sử dụng tối ưu đầu vào và tối đa hóa sản lượng từ trang trại (Esri, 2008). Nông nghiệp chính xác trở nên phổ biến sau khi nhận ra rằng các lĩnh vực đất đai đa dạng có các đặc tính khác nhau. Những vùng đất rộng lớn thường có sự thay đổi về không gian của các loại đất, độ ẩm, sự sẵn có của chất dinh dưỡng, v.v. Do đó, với việc sử dụng viễn thám, hệ thống thông tin địa lý (GIS) và hệ thống định vị toàn cầu (GPS), người nông dân có thể xác định chính xác hơn những yếu tố đầu vào cần đặt ở đâu và với số lượng bao nhiêu. Thông tin này giúp nông dân sử dụng hiệu quả các nguồn tài nguyên đắt tiền như phân bón, thuốc trừ sâu và thuốc diệt cỏ, đồng thời sử dụng hiệu quả hơn tài nguyên nước. Cuối cùng, nông dân sử dụng phương pháp này không chỉ tối đa hóa sản lượng mà còn giảm chi phí vận hành, do đó tăng lợi nhuận. Do đó, trên cơ sở đó, bài viết này sẽ tập trung vào việc sử dụng công nghệ địa không gian trong canh tác chính xác. Để đạt được điều này, bài báo sẽ tập trung vào cách dữ liệu địa không gian được thu thập, phân tích và sử dụng trong quá trình ra quyết định để tối đa hóa sản lượng.

Thu thập, phân tích và diễn giải dữ liệu địa không gian cho các mục đích nông nghiệp
Công nghệ không gian địa lý không thể thành công nếu dữ liệu chính xác không được thu thập và phân tích một cách hiệu quả. Để đạt được điều này, một số kỹ thuật đã được cải tiến, hầu hết đều dựa trên viễn thám. Viễn thám rất cần thiết trong việc phân chia một trang trại lớn thành các khu quản lý (Grisso, 2009). Mỗi khu vực có các yêu cầu cụ thể yêu cầu sử dụng GIS và GPS để đáp ứng nhu cầu của khu vực đó. Do đó, bước đầu tiên của canh tác chính xác là chia đất thành khu quản lý. Việc phân chia vùng đất này thành các khu chủ yếu dựa trên:

• Các loại đất
• tỷ lệ pH
• Sâu bệnh phá hoại
• Sự sẵn có của chất dinh dưỡng
• Độ ẩm của đất
• Yêu cầu về khả năng sinh sản
• Dự đoán thời tiết
• Đặc điểm cây trồng
• Phản hồi kết hợp

Thông tin này có thể được truy cập bằng cách xem xét các hồ sơ có sẵn. Hầu hết các trang trại thường có hồ sơ về bản đồ khảo sát thổ nhưỡng, đặc điểm lịch sử của cây trồng và hồ sơ thể hiện thực hành canh tác của các vùng. Ngoài ra, có thể sử dụng ảnh hàng không và ảnh vệ tinh trong quá trình này. Ví dụ, trong mẫu hình ảnh dưới đây được chụp vào ngày 30 tháng 1 năm 2001, ba thông số được phân tích từ cảm biến Daedalus trên một máy bay của NASA. Các trường riêng lẻ được đánh số trong mỗi hình ảnh. Hình ảnh trên cùng (chủ yếu là màu vàng) cho thấy mật độ thực vật. Sự khác biệt về màu sắc biểu thị mật độ cây trồng với màu xanh lam đậm và xanh lá cây cho thảm thực vật tươi tốt và màu đỏ cho các khu vực có đất trống (được gọi là “Chỉ số thực vật khác biệt bình thường”, hoặc NDVI). Hình ảnh giữa phân tích sự phân bố nước với các khu vực màu xanh lá cây và xanh lam đo đất ướt và các khu vực màu đỏ cho biết đất khô. Hình ảnh ở giữa được lấy từ các phép đo độ phản xạ và nhiệt độ từ cảm biến Daedalus. Hình ảnh cuối cùng ở dưới cùng đo độ căng thẳng của cây trồng với các điểm ảnh màu đỏ và vàng cho biết các khu vực căng thẳng cao. Dữ liệu thu thập được từ việc phân tích những khác biệt này
Ngoài ra, người ta có thể tạo ra các bức ảnh chụp từ trên không và vệ tinh cập nhật về trang trại trong các khoảng thời gian khác nhau trong năm hoặc các mùa. Với thông tin này, người nông dân có thể xác định năng suất của các khu vực quản lý khác nhau. Đồng thời, mô hình tăng trưởng và năng suất của các khu vực khác nhau trong trang trại cũng có thể được xác định. Điều kiện không cho phép người nông dân quản lý vi mô việc sử dụng nước để giải quyết tốt nhất các điều kiện đất khác nhau và sự phát triển của thực vật.

Các kỹ thuật viễn thám khác nhau có thể được sử dụng để tăng hiệu quả của quá trình này. Kỹ thuật viễn thám phổ biến nhất đã được áp dụng trong nhiều năm là quan sát bằng mắt người. Với sự trợ giúp của công nghệ hiện đại, bất kỳ quan sát nào được thực hiện bằng phương pháp này thường được tham chiếu địa lý vào cơ sở dữ liệu GIS. Phần lớn nông nghiệp chính xác dựa vào dữ liệu dựa trên hình ảnh từ viễn thám, chẳng hạn như xác định độ xanh của đồng ruộng bằng cách sử dụng một kỹ thuật để xác định năng suất / sản lượng của các khu vực quản lý khác nhau (Brisco và cộng sự, n.d.). Kỹ thuật này dựa trên mối quan hệ nảy sinh từ việc so sánh sự phản xạ của ánh sáng đỏ và ánh sáng hồng ngoại gần. Dữ liệu từ RADARSAT cũng đã cung cấp cho nông dân thông tin đáng tin cậy về các thông số xác định điều kiện đất và năng suất cây trồng.

Dữ liệu được thu thập từ viễn thám đóng vai trò như một nguồn dữ liệu điểm. Từ các xu hướng và tần suất đã được ghi lại, bộ dữ liệu này có thể dễ dàng được chuyển đổi thành dữ liệu không gian phản ánh tình hình của tất cả các khu vực quản lý trong trang trại với việc sử dụng các kỹ thuật và công cụ GIS khác nhau. Kriging là một ví dụ về phương pháp có thể được sử dụng để chuyển đổi dữ liệu điểm từ viễn thám thành dữ liệu không gian (Brisco et al, n.d.). Dữ liệu không gian sau đó có thể được sử dụng để xác định các vấn đề có thể xảy ra trong các khu vực quản lý khác nhau. Điều này giúp người nông dân có cơ hội đưa ra các quyết định sáng suốt và hiệu quả để giảm bớt các vấn đề đang tồn tại nhằm thúc đẩy sản xuất chung của trang trại.

----

Geospatial Technologies in Precision Agriculture
Since the agrarian revolution that hit Europe and America during the 18th century, the use of technology to improve the effectiveness and efficiency of farming practices has increased tremendously. Discoveries in the field of science and technology have enabled farmers to effectively use their input to maximize their yield.

These advancements have been greatly assisted by the use of sophisticated machineries, planting practices, use of fertilizers, herbicides and pesticides and so on. At the present moment however, the success of large-scale farming highly relies on geographic information technology through what is know as precision farming.

What is Precision Agriculture?
Precision agriculture, or precision farming, is therefore a farming concept that utilizes geographical information to determine field variability to ensure optimal use of inputs and maximize the output from a farm (Esri, 2008). Precision agriculture gained popularity after the realization that diverse fields of land hold different properties. Large tracts of land usually have spatial variations of soils types, moisture content, nutrient availability and so on. Therefore, with the use of remote sensing, geographical information systems (GIS) and global positioning systems (GPS), farmers can more precisely determine what inputs to put exactly where and with what quantities. This information helps farmers to effectively use expensive resources such as fertilizers, pesticides and herbicides, and more efficiently use water resources. In the end, farmers who use this method not only maximize on their yields but also reduce their operating expenses, thus increasing their profits. On these grounds therefore, this article shall focus on the use of geospatial technologies in precision farming. To achieve this, the paper shall focus on how geospatial data is collected, analyzed and used in the decision making process to maximize on yields.

Geospatial Data Collection, Analysis, and Interpretation for Agricultural Purposes
Geospatial technology cannot be successful if the correct data is not collected and analyzed effectively. To achieve this, several techniques have been advanced most of which are based on remote sensing. Remote sensing is essential in dividing a large farm into management zones (Grisso, 2009). Each zone has specific requirements that require the use of GIS and GPS to satisfy its needs. Thus, the first step of precision farming therefore is to divide the land into management zone. The division of this land into zones is mainly based on:

• Soil types
• pH rates
• Pest infestation
• Nutrient availability
• Soil moisture content
• Fertility requirements
• Weather predictions
• Crop characteristics
• Hybrid responses

This information can be accessed by reviewing available records. Most farms usually have records of soil survey maps, historical characteristics of crops, and records that show the cropping practices of the regions. Additionally, aerial and satellite photographs can be used in this process. For example, in the image sample below taken on January 30, 2001, three parameters were analyzed from a Daedalus sensor aboard a NASA aircraft.  The individual fields are numbered in each of the images.  The top image (mostly yellow) shows vegetation density.  The color differences indicate crop density with dark blues and greens for lush vegetation and reds for areas with bare soil (known as “Normalized Difference Vegetation Index”, or NDVI).   The middle image analyzed water distribution with green and blue areas measuring wet soil and red areas indicating dry soil.  The middle image was derived from reflectance and temperature measures from the Daedalus sensor.  The last image on the bottom measures crop stress with red and yellow pixels indicating areas of high stress.  The data collected from analyzing these differennt conditions allows the farmer to micromanage the application of water to best address differing soil conditions and vegetation growth.

Additionally, one can generate up-to-date aerial and satellite photographs of the farm during different periods of the year or seasons. With this information, the farmer is able to determine the productivity of different management zones. At the same time, the growth and yield patterns of different zones within the farm can also be identified.

Various remote sensing techniques can be used to increase the effectiveness of this process. The most common remote sensing technique that has been applied over the years is observation with the use of the human eye. With the help of modern technology, any observation that is made using this method is usually geo-referenced into a GIS database. Much of precision agriculture relies on image-based data from remote sensing such as determining the greenness of the field using a technique to determine the productivity/yield of different managemen zones (Brisco et al, n.d.). This technique is based on the relationship that arises from the comparison of the reflection of red light and near infrared light. Data from RADARSAT has also provided farmers with reliable information regarding the parameters that determine soil conditions and crop performance.

The data that is collected from remote sensing acts as a source of point data. From the trends and frequencies that have been recorded, this dataset can easily be converted into spatial data that reflects the situation of all management zones within the farm with the use various GIS techniques and tools. Kriging is an example of a method that can be used to convert point data from remote sensing into spatial data (Brisco et al, n.d.). Spatial data can then be used to determine the possible problems that might be present in various management zones. This gives farmers the chance to come up with informed and effective decisions to alleviate the prevailing problems in order to boost the overall production of the farm.

Geolink tổng hợp từ Gislounge