Ứng dụng công nghệ UAV (drones) theo dõi và hỗ trợ cảnh báo sớm dịch hại vùng canh tác lúa tỉnh Sóc Trăng
,
,
,
và
Article Sidebar
Full Text: 
PDF
Abstract
The Mekong Delta, often referred to as “Vietnam’s Rice Bowl”, is the biggest rice producing region in Vietnam with the majority of its land area used for cultivating paddy rice. However, the intensification of rice cultivation over many years has produced more pests and diseases. The research is conducted to monitor and support early warning of rice pests and diseases using unmanned aerial vehicle (UAV) technology. The researcher did analyze the relationship between the level of pest infestation and the values of Normalized Difference Vegetation Index (NDVI), Normalized Difference Red Edge Index (NDRE - Normalized Difference Red Edge Index), and field survey data. The results show that there are 4 levels of pest infestations: heavy, medium, light and no pest infection with a total infected area of 11.37 ha, in which heavy infection is 2.1 ha, medium infection is 2.76 ha, light infection is 6.51ha and no infection accounts for 12.33 ha. It shows that there is potential to apply UAV technology in monitoring rice pests and diseases, which contributes to improve the efficiency of rice production in Soc Trang province in particular and in the Mekong River Delta in general.
Tóm tắt
Đồng bằng sông Cửu Long là vùng canh tác lúa trọng điểm của cả nước, tuy nhiên việc thâm canh tăng vụ trong nhiều năm đã làm cho tình hình sâu bệnh diễn biến phức tạp. Nghiên cứu được thực hiện nhằm ứng dụng công nghệ máy bay không người lái (UAV - unmanned aerial vehicle) để theo dõi và cảnh báo sớm dịch hại. Nghiên cứu phân tích mối quan hệ giữa mức độ nhiễm dịch hại trên lúa dựa trên chỉ số khác biệt thực vật (NDVI - normalized difference vegetation index), chỉ số khác biệt rìa đỏ (NDRE - normalized difference red edge index), và số liệu điều tra thực địa được thu thập tại thời điểm chụp ảnh. Kết quả phân tích đã phân loại được 4 mức độ nhiễm dịch hại trên lúa: nhiễm dịch hại nặng, nhiễm dịch hại trung bình, nhiễm dịch hại nhẹ và không nhiễm dịch hại với tổng diện tích nhiễm là 11,37 ha. Trong đó, nhiễm nặng chiếm 2,1 ha, nhiễm trung bình chiếm 2,76 ha, nhiễm nhẹ chiếm 6,51 ha và không nhiễm là 12,33 ha. Qua đó cho thấy khả năng ứng dụng công nghệ UAV trong theo dõi và hỗ trợ cảnh báo sớm dịch hại trên cây lúa mang lại nhiều hiệu quả, góp phần nâng cao hiệu quả sản xuất lúa tại tỉnh Sóc Trăng nói riêng và vùng Đồng bằng sông Cửu Long nói chung.
Article Details
Tài liệu tham khảo
Aylor, D. E., Boehm, M. T., & Shields, E. J. (2006). Quantifying aerial concentrations of maize pollen in the atmospheric surface layer using remote-piloted airplanes and Lagrangian stochastic modeling. Journal of Applied Meteorology and Climatology, 45(7), 1003–1015.
Chosa, T., Miyagawa, K., Tamura, S., Yamazak, K., Iiyoshi, S., Furuhata, M., & Motobayash, K. (2010). Monitoring rice growth over a production region using an unmanned aerial vehicle: Preliminary trial for establishing a regional rice strain. IFAC Proceedings Volumes (IFAC-PapersOnline), 43(26), 178-183.
Duan, B., Fang, S., Zhu, R., Wu, X., Wang, S., Gong, Y., & Peng, Y. (2019). Remote Estimation of Rice Yield With Unmanned Aerial Vehicle (UAV) Data and Spectral Mixture Analysis. Frontiers in Plant Science, 10(26), 204-217.
Barnes E. M., Clarke T. R., Richards S. E., Colaizzi P. D, Haberland J., Kostrzewski M., Waller P., Choi C., Riley E., Thompson T., Lascano R. J., Li H., Moran M. S. (2000). Coincident Detection Of Crop Water Stress, Nitrogen Status And Canopy Density Using Ground-Based Multispectral Data. Proceedings of the Fifth International Conference on Precision Agriculture, 16(19), 1-15.
Filho, F. H. I., Heldens, W. B., Kong, Z., & De Lange, E. S. (2019). Drones: Innovative technology for use in precision pest management. Journal of Economic Entomology, 113(1), 1–25.
Hunt Jr, E. R., Daughtry, C., Walthall, C., III, J. E., & Dulaney, W. (2003). Agricultural Remote Sensing using Radio-Controlled Model Aircraft. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(11), 4566 - 4571.
Sinha J. P., Kushwaha H. L., Kushwaha D., Singh N., & Purushottam M. (2016). Prospect of Unmanned Aerial Vehicle (UAV) Technology for Agricultural Production. Agricultural and Food Engineering Department, 53–66.
Kameyama, S., & Sugiura, K. (2020). Estimating Tree Height and Volume Using Unmanned Aerial Vehicle Photography and SfM Technology, with Verification of Result Accuracy. Drones, 4(2), 19.
Kitpo, N., & Inoue, M. (2018). Early Rice Disease Detection and Position Mapping System using Drone and IoT Architecture. PublisherInstitute of Electrical and Electronics Engineers Inc, 1–5.
Matese, A., Toscano, P., Di Gennaro, S. F., Genesio, L., Vaccari, F. P., Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., & Gioli, B. (2015). Intercomparison of UAV, aircraft and satellite remote sensing platforms for precision viticulture. Remote Sensing, 7(3), 2971–2990.
MicaSense (2018). Hướng dẫn của nhà cung cấp sản phẩm. Truy cập ngày 26/2/2020 từ https://micasense.com/
Ngadiman, N., Kaamin, M., Sahat, S., Mokhtar, M., Ahmad, N. F. A., Kadir, A. A., & Razali, S. N. M. (2018). Production of orthophoto map using UAV photogrammetry: A case study in UTHM Pagoh campus. AIP Conference Proceedings, 1–6.
Norasma, C. Y. N., Abu Sari, M. Y., Fadzilah, M. A., Ismail, M. R., Omar, M. H., Zulkarami, B., Hassim, Y. M. M., & Tarmidi, Z. (2018). Rice crop monitoring using multirotor UAV and RGB digital camera at early stage of growth. IOP Conference Series: Earth and Environmental Science, 158-169.
Norasma, C. Y. N., Fadzilah, M. A., Roslin, N. A., Zanariah, Z. W. N., Tarmidi, Z., & Candra, F. S. (2019). Unmanned Aerial Vehicle Applications in Agriculture. IOP Conference Series: Materials Science and Engineering, 692-702.
Yacine B., Pierre B., Thuy N. X., Claire G., Carl B., Louis L., & Philippe V. (2018). Pest Detection on UAV Imagery using a Deep Convolutional Neural Network. Remote Sensing, 52(19), 17–31.
Sow, M. T., (2014). Using ANOVA to Examine the Relationship between Safety & Security and Human Development. Journal of International Business and Economics, 2(4), 101–106.
Strange, R. N., & Scott, P. R. (2005). Plant Disease: A Threat to Global Food Security. Annual Review of Phytopathology, 43(1), 83–116.
Swain, K., Jayasuriya, H., & Salokhe, V. (2007). Suitability of low-altitude remote sensing images for estimating nitrogen treatment variations in rice cropping for precision agriculture adoption. Journal of Applied Remote Sensing, 1(1), 254-276.
Tucker, C. J., (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(3), 127–150.