Kiến thức

Ứng dụng & Sử dụng Viễn thám trong Nông nghiệp

29/06/2021 GeoLink Thu Giang 0 Nhận xét

(English below)

Trích từ "100 Ứng dụng & cách Sử dụng đáng ngạc nhiên của Viễn thám"


1. Xác định độ ẩm của đất bằng các cảm biến chủ động và thụ động từ không gian

Độ ẩm của đất đóng góp rất nhiều vào việc hiểu biết các ngành khoa học về Trái đất… Ví dụ, nó giải thích chu kỳ nước của Trái đất, dự báo thời tiết, hạn hán và lũ lụt. Nhưng bạn có biết có hai cách để lấy độ ẩm của đất từ ​​không gian?

Đầu tiên, nó sử dụng cảm biến thụ động và chủ động. Các cảm biến chủ động như Radarsat-2 chiếu sáng mục tiêu của chúng và đo độ tán xạ ngược. Đổi lại, điều này dẫn đến độ phân giải không gian cao nhưng độ chính xác thấp. Thứ hai, các cảm biến thụ động như SMOS đo bức xạ vi sóng phát ra tự nhiên. Không giống như các cảm biến chủ động, nó cho hình ảnh có độ chính xác cao nhưng độ phân giải không gian kém. Làm thế nào chúng ta có thể tận dụng tốt nhất cả hai cách? Đây là điều mà Sứ mệnh của NASA’s Soil Moisture Active Passive (SMAP) cố gắng đạt được.

2. Lập bản đồ các loại đất cho quy hoạch nông nghiệp
Theo thời gian, đá vỡ ra thành nhiều mảnh nhỏ và trở thành đất. Với đất, nước và ánh sáng mặt trời, chúng cùng nhau cung cấp cho thực vật và các sinh vật khác một nơi để sống. Nhưng không phải tất cả các loại đất đều được xây dựng giống nhau. Nhu cầu về thông tin đất chính xác trên khắp thế giới đang tăng cao vì sự gia tăng dân số và an ninh lương thực. Đây là lý do tại sao Trung tâm Thông tin và Tài nguyên Đất Quốc tế (ISRIC) đã đặt việc lập bản đồ đất như một ưu tiên chính. ISRIC đã phát triển một phương pháp luận để dự đoán các đặc tính không gian của đất trong các ô lưới 1 km ở cấp độ toàn cầu - Bản đồ lưới 1 km của ISRIC. Ngoài ra, các nhà khoa học đã sử dụng các hiệp biến như chỉ số khí hậu (dựa trên hình ảnh MODIS) và khảo sát đất thông thường để tạo ra các mô hình dự báo không gian toàn cầu này.

3. Định lượng các điều kiện cây trồng với Chỉ số Thực vật Khác biệt Chuẩn hóa (NDVI)
Nguồn cung cấp lương thực toàn cầu đang được theo dõi bằng hình ảnh vệ tinh và Chỉ số Thực vật Khác biệt Chuẩn hóa (NDVI). Bức xạ cận hồng ngoại đang được sử dụng để phát hiện các thảm thực vật khỏe mạnh trong nông nghiệp. Thảm thực vật khỏe mạnh phản chiếu ánh sáng xanh lục và hấp thụ ánh sáng đỏ và xanh lam. Ánh sáng xanh mà mắt chúng ta nhìn thấy là chất diệp lục do thực vật tạo ra trong quá trình quang hợp. Chất diệp lục sẽ phản xạ nhiều ánh sáng hơn trong quang phổ màu lục và hồng ngoại gần so với các bước sóng khác. Đây là lý do tại sao bức xạ hồng ngoại gần kết hợp với NDVI là một trong những ứng dụng viễn thám chính trong nông nghiệp và môi trường.

4. Tiết kiệm tiền và thời gian trong trang trại với canh tác chính xác
Canh tác chính xác được ví như một mỏ vàng tiềm ẩn trong sản xuất nông nghiệp. Tiết kiệm ước tính 10% trong phân bón. Hơn hết, năng suất cây trồng cũng được cải thiện. Canh tác chính xác sử dụng các bước sóng ánh sáng khác nhau để xem cây trồng khỏe mạnh như thế nào. Các lượng phân bón khác nhau được tạo ra để giữ tiền trong túi của người nông dân. Ngoài ra, viễn thám trong nông nghiệp giúp xác định dịch hại để kiểm soát và quản lý tốt hơn ở trang trại.

----

Remote Sensing Applications & Uses in Agriculture

(Excerpted from 100 Earth-Shattering Remote Sensing Applications & Uses)

1 Determining soil moisture content using active and passive sensors from space

Soil moisture contributes so much to understanding Earth sciences… For example, it explains Earth’s water cycle, weather forecasting, drought, and floods. But did you know there are two ways to derive soil moisture from space? First, it uses passive and active sensors. Active sensors like Radarsat-2 illuminate their target and measures backscatter. In turn, this results in high spatial resolution but low accuracy. Second, passive sensors like SMOS measures naturally emitted microwave radiation. Unlike active sensors, it gives a highly accurate but poor spatial resolution image. How can we get the best of both worlds? This is what NASA’s Soil Moisture Active Passive (SMAP) Mission strives to achieve.

2 Mapping soil types for agriculture planning

Over time, rocks break down into small pieces and become soil. With soil, water, and sunlight, together they give plants and other organisms a place to live. But not all soils were built the same. The need for accurate soil information around the world is soaring because of population growth and food security. This is why the International Soil Resource and Information Centre (ISRIC) has placed soil mapping as a key priority. ISRIC has developed a methodology to predict spatial soil properties in 1 km grid cells at a global level – ISRIC’s 1 km Soils Grid Map. Also, scientists used covariates such as climatic indices (based on MODIS imagery) and conventional soil surveys to create these global spatial prediction models.

3 Quantifying crop conditions with Normalized Difference Vegetation Index (NDVI)
The global food supply is being monitored with satellite imagery and the Normalized Difference Vegetation Index (NDVI). Near-infrared radiation is being used to detect healthy vegetation in agriculture. Healthy vegetation reflects green light and absorbs red and blue light. The green light that our eyes see is chlorophyll created by plants during photosynthesis. Chlorophyll will reflect more light in the green and near-infrared spectrum compared to other wavelengths. This is why near-infrared radiation in combination with NDVI is one of the primary remote sensing applications in agriculture and the environment.

4 Saving money and time on the farm with precision farming

Precision farming is like a hidden goldmine in agricultural production. Savings estimate 10% in fertilizer. On top of that, crop yields are also improved. Precision farming uses different wavelengths of light to see how healthy crops are. Variable amounts of fertilizer are worked out keeping money in farmer’s pockets. Also, remote sensing in agriculture helps identify pests for better control and management on the farm.

Geolink tổng hợp từ Gisgeography

popup

Số lượng:

Tổng tiền: