Ứng dụng công nghệ UAV (drones) theo dõi sinh trưởng và dự báo năng suất lúa tại vùng canh tác lúa tỉnh Hậu Giang
,
và
Article Sidebar
Full Text: 
PDF
Abstract
Research on the effects of soil compaction, the Normalized Difference Vegetation Index (NDVI) and Normalized Difference Red Edge (NDRE) on the growth and yield of rice that is really necessary. In this study, the Pearson's correlation test were applied to analyze the correlation between factors. This research results show that soil compaction that increase with depth, are unevenly distributed in the field; the relationship between the soil compaction at the time of rice with a 26-day seedling age and the growth and yield of rice has not been determined. NDVI and NDRE increase and decrease steadily after reaching the maximum value (0.79-0.86) during the reproductive stage. NDVI and NDRE has a high relationship with the yield components of rice, but has a low relationship with plant height and number of rice shoots. Two Artificial Neural Networks (ANN) were built, trained and tested according to the training algorithm integrated in the Toolbox of Matlab software for predicting rice yield with high reliability.
Tóm tắt
Nghiên cứu ảnh hưởng của độ cứng đất và chỉ số khác biệt thực vật chuẩn hóa (NDVI) và chỉ số khác biệt rìa đỏ (NDRE) đến khả năng sinh trưởng và năng suất thực tế (NSTT) của lúa thật sự cần thiết. Trong nghiên cứu này, kiểm định hệ số tương quan Pearson được áp dụng để phân tích sự tương quan giữa các yếu tố. Kết quả nghiên cứu chỉ ra độ cứng đất tăng dần theo độ sâu và phân bố không đều trên đồng; mối quan hệ giữa độ cứng đất tại thời điểm lúa 26 ngày tuổi với sự sinh trưởng và NSTT của lúa chưa được xác định. NDVI và NDRE tăng và giảm đều khi đạt giá trị lớn nhất (0,79-0,86) trong giai đoạn lúa làm đồng. NDVI và NDRE có mối quan hệ cao với năng suất thành phần của lúa, nhưng thấp với chiều cao cây và số chồi lúa. Hai mạng nơron nhân tạo được xây dựng, huấn luyện và kiểm tra theo thuật toán huấn luyện tích hợp trong bộ công cụ của phần mềm Matlab cho kết quả dự đoán NSTT của lúa với độ tin cậy cao.
Article Details
Tài liệu tham khảo
Bản Đồ Lâm Nghiệp. (2022). Ghép ảnh flycam bằng Agisoft Metashape. Bản Đồ Lâm Nghiệp. Truy cập ngày 13/10/2022 từ https://bandolamnghiep.com/ghep-anh-flycam-bang-agisoft-metashape/
Bui, V. H. ., Ngo, Q. H. ., & Ho, T. A. . (2022). Establishment of a Rice Tiller Number Prediction Model Using Soil Compaction and Days after Transplanting. Asian Journal of Agriculture and Rural Development, 12(2), 130–137. https://doi.org/10.55493/5005.v12i2.4497
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), 3(PART 1). https://doi.org/10.3182/20101206-3-jp-3009.00031
Cropin and AWS. (2021). NDVI and its practical uses in agriculture. Cropin and AWS. Truy cập ngày 26/10/2022 từ https://www.cropin.com/blogs/ndvi-in-agriculture
Đệ, N. N. (2008). Giáo trình cây lúa. Nhà xuất bản Đại học Quốc gia Thành phố Hồ Chí Minh.
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(February), 1–14. https://doi.org/10.3389/fpls.2019.00204
Field, A. (2009). Discovering statistics using SPSS ISM. London, England.
Guan, K., Hien, N. T., Li, Z., & Rao, L. N. (2018). Measuring rice yield from space: the case of Thai Binh province, Viet Nam. SSRN Electronic Journal, 541. https://doi.org/10.2139/ssrn.3188560
Guimarães, C., & Moreira, J. (2001). Soil compaction on upland rice. Pesquisa Agropecuária Brasileira, 36, 703–707.
Huang, J., Wang, H., Dai, Q., & Han, D. (2014). Analysis of NDVI data for crop identification and yield estimation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(11), 4374–4384. https://doi.org/10.1109/JSTARS.2014.2334332
Jeong, S., Ko, J., & Yeom, J. M. (2022). Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea. Science of the Total Environment, 802(2022), 149726. https://doi.org/10.1016/j.scitotenv.2021.149726
Kailou Liu Huiwen Hu, Lijun Zhou, Xiaojun Xiao, Paolan Yu, Y. L. (2015). Estimating rice yield based on Normalized Difference Vegetation Index at heading stage of different Nitrogen application rates in Southeast of China. Journal of Environmental and Agricultural Sciences, 2(September 2016), 13.
Lành, P. T. M., Bảo, H. Đ., & Trưởng, N. Q. (2020). Ứng dụng mạng nơron nhân tạo trong dự báo ống bể trong mạng lưới cấp nước. Khoa Học Kỹ Thuật Thủy Lợi và Môi Trường, 71(12/2020), 93–100.
Minh, V. Q., Hien, T. T., & Chien, H. Van. (2015). Monitoring and delineating the progress of rice sowing and cropping calendar assisting in early warning pest and desease in the Mekong delta. ACRS 2015 - 36th Asian Conference on Remote Sensing: Fostering Resilient Growth in Asia, Proceedings, January 2013.
Murata, K., Ito, A., Hatano, H., & Takahashi, Y. (2016). A study on growth condition analysis of rice using drone. Remote Sensing.
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, 2016(September), 1–6. https://doi.org/10.1063/1.5055514
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, 169(1). https://doi.org/10.1088/1755-1315/169/1/012095
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, 506(1). https://doi.org/10.1088/1757-899X/506/1/012063
Phuong, N. M., Hubert, V., Khoa, L. Van, & Guong, V. T. (2009). Physical soil degradation on intensive rice cultivation areas in the Mekong Delta and the effects of crop rotation on aggregate stability of paddy soils. Journal of Science Can Tho University, 11, 194–199.
Pinheiro, V., Nascente, A. S., Stone, L. F., & Lacerda, M. C. (2016). Seed treatment, soil compaction and nitrogen management affect upland rice. Pesquisa Agropecuária Tropical, 46(1), 72–79. https://doi.org/10.1590/1983-40632016v4638428
Pipatsitee, P., Eiumnoh, A., Tisarum, R., Taota, K., Kongpugdee, S., Sakulleerungroj, K., & Cha-Um, S. (2020). Above-Ground Vegetation Indices and Yield Attributes of Rice Crop Using Unmanned Aerial Vehicle Combined with Ground Truth Measurements. Notulae Botanicae Horti Agrobotanici Cluj-Napoca, 48(4), 2368–2384. https://doi.org/10.15835/48412134
Raza, S. M. H., Mahmood, S. A., Gillani, S. A., Hassan, S. S., Aamir, M., Saifullah, M., Basheer, M., Ahmad, A., Saif-ul-Rehman, & Ali, T. (2019). Estimation of net rice production by remote sensing and multi source datasets. Sarhad Journal of Agriculture, 35(3), 955–965. https://doi.org/10.17582/journal.sja/2019/35.3.955.965
Rehman, T. H., Borja Reis, A. F., Akbar, N., & Linquist, B. A. (2019). Use of normalized difference vegetation index to assess N status and predict grain yield in rice. Agronomy Journal, 111(6), 2889–2898. https://doi.org/10.2134/agronj2019.03.0217
Shouichi, Y., & Thành, T. M. (1981). Cơ sở khoa học cây lúa. Viện nghiên cứu lúa quốc tế (IRRI). https://ci.nii.ac.jp/ncid/BA62259934
Singh, S. P., Jain, A., Anantha, M. S., Tripathi, S., Sharma, S., Kumar, S., Prasad, A., Sharma, B., Karmakar, B., Bhattarai, R., Das, S. P., Singh, S. K., Shenoy, V., Chandra Babu, R., Robin, S., Swain, P., Dwivedi, J. L., Yadaw, R. B., Mandal, N. P., … Henry, A. (2017). Depth of soil compaction predominantly affects rice yield reduction by reproductive-stage drought at varietal screening sites in Bangladesh, India, and Nepal. Plant and Soil, 417(1–2), 377–392. https://doi.org/10.1007/s11104-017-3265-2
Sinha, J. P., Kushwaha, H. L., & Kushwaha, D. K. (2016). Prospect of Unmanned Aerial Vehicle (UAV) technology for agricultural production management SOP project view project robotic planter view project. International Conference on Emerging Technologies in Agricultural and Food Engineering 27 – 30th December, 2016, Agricultural and Food Engineering Department, IIT Kharagpur, December, 53–66. https://www.researchgate.net/publication/312589716
Son, N. T., Chen, C. F., Cheng, Y. S., Toscano, P., Chen, C. R., Chen, S. L., Tseng, K. H., Syu, C. H., Guo, H. Y., & Zhang, Y. T. (2022). Field-scale rice yield prediction from Sentinel-2 monthly image composites using machine learning algorithms. Ecological Informatics, 69(March), 101618. https://doi.org/10.1016/j.ecoinf.2022.101618
Thái, L. X. (2003). So sánh và đánh giá tính ổn định năng suất và phẩm chất gạo của 8 giống lúa cao sản ở ĐBSCL. Đại học Cần Thơ.
Tuấn, Đ. A. (2019). Nghiên cứu tích hợp mạng nơron trí tuệ nhân tạo (AI) vào hệ thống SCADA trạm biến áp để chẩn đoán sự cố. Tạp Chí Khoa Học Công Nghệ Hàng Hải, 37–41.
Tùng, H. V., & Khanh, V. (2021). Đề xuất giải pháp chẩn đoán hư hỏng động cơ điện không xâm lấn ứng dụng mạng GoogLeNet. Tạp Chí Khoa Học Giáo Dục Kỹ Thuật - Trường Đại Học Sư Phạm Kỹ Thuật - TP.HCM, 66, 83–93. https://doi.org/10.54644/jte.66.2021.1070