Наукові доповіді Національного університету біоресурсів і природокористування України

Інформаційні технології дистанційної оцінки післядії гербіцидів на посівах ріпаку озимого

Н. Пасічник, О. Опришко, Віталій Лисенко, Д. Комарчук
Завантажити статтю
Анотація

Окрему групу речовин із потенційною фітотоксичністю складають гербіциди. Ці хімічні речовини містять сильнодіючі біологічно активні речовини, призначені для знищення окремих видів рослинності. Залишки окремих із таких речовин можуть зберігатися в ґрунті протягом кількох років, проявляючи взаємодію з іншими речовинами і, що небажано, негативну дію на культурні рослини. Зі збільшенням обсягів застосування і асортименту гербіцидів ризик післядії значно зростає. Чітка характеристика препаратів, механізм їх дії зазначається у регламентах їх застосування. Проте у виробництві, як правило, накладаються суб’єктивні й об’єктивні чинники, а також низка випадкових факторів, що можуть призводити до прояву негативної дії чи післядії препаратів. Для того щоб визначити доцільність використання спектрального моніторингу з платформи БПЛА було ініційоване дослідження на виробничих полях та дослідному стаціонарі НУБіП України. Дослідження здійснювались в оптичному діапазоні з використанням RGB камери та спеціалізованого комплексу Slantrange 3. Для комплексу Slantrange 3 із використанням фірмового програмного забезпечення досліджувались стандартні та надані розробником стресові індекси. Дані отримані від оптичної камери FC200 в форматі RGB обчислювались в математичному пакеті MathCAD. Було встановлено, що на посівах ріпаку озимого в фазі вегетації 5-7 листків в наслідок дії гербіциду відбувається аномальне забарвлення двох нижніх листків рослини. Для ідентифікації цього в оптичному діапазоні найбільш інформативними є червоний та зелений канали. При використанні комплексу Slantrange 3 найбільш інформативними із вбудованих стресових індексів ПЗ SlantViewє є індекси Veg. Fraction та Yield potential. Показано, що для підвищення достовірності отриманих даних доцільно провести додаткові дослідження щодо параметрів налагодження вказаної системи

Ключові слова

дистанційний моніторинг, ріпак озимий, цифрова камера, Slantrange, фітотоксична дія гербіцидів

ЦИТУВАТИ
Pasichnyk, N., Opryshko, О., Lysenko, V., & Komarchuk, D. (2021). Information technologies of remote assessment of herbicide consequences on winter rape crop. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 17(2),79-92. https://doi.org/10.31548/dopovidi2021.02.008
Використані джерела
  1. Alberto, D., Serra, A-A., Sulmon, C., Gouesbet, G., & Couée, I. (2016). Herbicide-related signaling in plants reveals novel insights for herbicide use strategies, environmental risk assessment and global change assessment challenges. Science of The Total Environment, 569-570, 1618-1628.
  2. Dumas, E., Giraudo, M., Goujon, E., Halma, M., Knhili, E., Stauffert, M., Batisson, I., Besse-Hoggan, P., Bohatier, J., Bouchard, P., Celle-Jeanton, H., Costa Gomes, M., Delbac, F., Forano, C., Goupil, P., Guix, N., Husson, P., Ledoigt, G., Mallet, C., Mousty, C., Prévot, V., Richard, C. et al. (2017). Fate and ecotoxicological impact of new generation herbicides from the triketone family: An overview to assess the environmental risks. TrAC Trends in Analytical Chemistry, 100, 65-81.
  3. Azab, E., Kebeish, R., & Hegazy, A.K. (2018). Expression of the human gene CYP1A2 enhances tolerance and detoxification of the phenylurea herbicide linuron in Arabidopsis thaliana plants and Escherichia coli. Environmental Pollution, 238, 281-290.
  4. Milan, M., Dalla Rovere, G., Smits, M., Ferraresso, S., Pastore, P., Marin, M.G., Bogialli, S., Patarnello, T., Bargelloni, L., & Matozzo, V. (2018). Ecotoxicological effects of the herbicide glyphosate in non-target aquatic species: Transcriptional responses in the mussel Mytilus galloprovincialis. Environmental Pollution, 237, 442-451.
  5. Dumas, E., Giraudo, M., Goujon, E., Halma, M., Knhili, E., Stauffert, M., Batisson, I., Besse-Hoggan, P., Bohatier, J., Bouchard, P., Celle-Jeanton, H., Costa Gomes, M., Delbac, F., Forano, C., Goupil, P., Guix, N., Husson, P., Ledoigt, G., Mallet, C., Mousty, C., Prévot, V., Richard, C. et al. (2017). Fate and ecotoxicological impact of new generation herbicides from the triketone family: An overview to assess the environmental risks. Journal of Hazardous Materials, 325, 136-156.
  6. D'Alessio, M., Durso, L.M., Miller, D.N., Woodbury, B., Ray, C., & Snow, D.D. (2019). Environmental fate and microbial effects of monensin, lincomycin, and sulfamethazine residues in soil. Environmental Pollution, 246, 60-68.
  7. de Mol, F., Winter, M., & Gerowitt, B. (2018). Weather determines the occurrence of wheat stem base diseases in biogas cropping systems. Journal of Hazardous Materials, 325, 136-156.
  8. Arshad, M., Amjath-Babu, T.S., Aravindakshan, S., Krupnik, T.J., Toussaint, V., Kächele, H., & Müller, K. (2018). Climatic variability and thermal stress in Pakistan's rice and wheat systems: A stochastic frontier and quantile regression analysis of economic efficiency. Ecological Indicators, 89, 496-506.
  9. Xiangying, X., Ping, G., Xinkai, Z., Wenshan, G., Jinfeng, D., Chunyan, L., Min, Z., & Xuanwei, W. (2019). Design of an integrated climatic assessment indicator (ICAI) for wheat production: A case study in Jiangsu Province, China. Ecological Indicators, 101, 943-953.
  10. Sharif, B., Makowski, D., Plauborg, F., & Olesen, J.E. (2017). Comparison of regression techniques to predict response of oilseed rape yield to variation in climatic conditions in Denmark. European Journal of Agronomy, 82(Part A), 11-20.
  11. Poisson, E., Mollier, A., Trouverie, J., Avice, J.-C., & Brunel-Muguet, S. (2018). SuMoToRI model simulations for optimizing sulphur fertilization in oilseed rape in the context of increased spring temperatures. European Journal of Agronomy, 97, 28-37.
  12. Cherni, M., Ferjani, R., Mapelli, F., Boudabous, A., Borin, S., & Ouzari, H.-I. (2019). Soil parameters drive the diversity of Citrus sinensis rhizosphere microbiota which exhibits a potential in plant drought stress alleviation. Applied Soil Ecology, 135, 182-193.
  13. Yufeng, L., Alan, W., Hongyu, L., Juan, W., Gang, W., Yuqing, W., & Lingjun, D. (2019). Land use pattern, irrigation, and fertilization effects of rice-wheat rotation on water quality of ponds by using self-organizing map in agricultural watersheds. Agriculture, Ecosystems & Environment, 272, 155-164.
  14. Doltra, J., Gallejones, P., Olesen, J.E., Hansen, S., Frøseth, R.B., Krauss, M., Stalenga, J., Jończyk, K., Martínez-Fernández, A., & Pacini, G.C. (2019). Simulating soil fertility management effects on crop yield and soil nitrogen dynamics in field trials under organic farming in Europe. Field Crops Research, 233, 1-11.
  15. Minoli, S., Egli, D.B., Rolinski, S., & Müller, C. (2019). Modelling cropping periods of grain crops at the global scale. Global and Planetary Change, 174, 35-46.
  16. Würschum, T. (2019). Chapter 11 Modern field phenotyping opens new avenues for selection. Applications of Genetic and Genomic Research in Cereals. Woodhead Publishing Series in Food Science, Technology and Nutrition, 233-250.
  17. Bečka, D., Prokinová, E., Šimka, J., Cihlář, P., Bečková, L., Bokor, P., & Vašák, J. (2016). Use of petal test in early-flowering varieties of oilseed rape (Brassica napus L.) for predicting the infection pressure of Sclerotinia sclerotiorum (Lib.) de Bary. Crop Protection, 80, 127-131.
  18. Lantao, L., Jianwei, L., Shanqin, W., Yi, M., Quanquan, W., Xiaokun, L., Rihuan, C., & Tao, R. (2016). Methods for estimating leaf nitrogen concentration of winter oilseed rape (Brassica napus L.) using in situ leaf spectroscopy. Industrial Crops and Products, 91, 194-204.
  19. Peng, Y., Zhu, T., Li, Y., Dai, C., Fang, S., Gong, Y., Wu, X., Zhu, R., & Liu, K. (2019). Remote prediction of yield based on LAI estimation in oilseed rape under different planting methods and nitrogen fertilizer applications. Agricultural and Forest Meteorology, 271, 116-125.
  20. Senthilnath, J., Kandukuri, M., Dokania, A., & Ramesh, K.N. (2017). Application of UAV imaging platform for vegetation analysis based on spectral-spatial methods. Computers and Electronics in Agriculture, 140, 8-24.
  21. Mengxin, H., Runmin, C., Xinyu, L., Huazhu, F., & Jianjun, L. (2018). Joint spatial-spectral hyperspectral image classification based on convolutional neural network. Pattern Recognition Letters. https://doi.org/10.1016/j.patrec.2018.10.003.
  22. Ponomaryova, G., Nevlydov, I., Filipenko, O., & Volkova, M. (2018). Mems-based inertial sensor signal and machine learning methods for classifying robot motion. IEEE Second International Conference on Data Stream Mining & Processing (DSMP 2018), 13-16.
  23. Nevliudov, I., Ponomaryova, G., Bortnikova, V., Maksymova, S., & Kolesnyk, K. (2018). MEMS accelerometer in hexapod intellectual control. 14th International Conference on Perspective Technologies and Methods in MEMS Design, MEMSTECH, 146-151.
  24. Korobiichuk, I., Lysenko, V., Opryshko, O., Komarchyk, D., Pasichnyk, N., & Juś, A. (2018). Crop monitoring for nitrogen nutrition level by digital camera. Automation 2018. Advances in Intelligent Systems and Computing, Vol 743. Springer, Cham, 595-603.
  25. Lysenko, V., Opryshko, O., Komarchuk, D., Pasichnyk, N., & Zaets, N. (2018). Information support of the remote nitrogen-monitoring system in agricultural crops. International Journal of Computing, 17(1), 47-54.
  26. Komarchuk, D., Lysenko, V., Opryshko, O., & Pasichnyk, N. (2019). Monitoring the condition of mineral nutrition of crops using UAV for rational use of fertilizers. Advanced Agro-Engineering Technologies for Rural Business Development. A volume in the Advances in Environmental Engineering and Green Technologies (AEEGT), 293-319.
  27. Enciso, J., Avila, C.A., Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., & Chavez, J.C. (2019). Validation of agronomic UAV and field measurements for tomato varieties. Computers and Electronics in Agriculture, 158, 278-283.
  28. Cao, S., Danielson, B., Clare, S., Koenig, S., Campos-Vargas, C., & Sanchez-Azofeifa, A. (2019). Radiometric calibration assessments for UAS-borne multispectral cameras: Laboratory and field protocols. ISPRS Journal of Photogrammetry and Remote Sensing, 149, 132-145.
  29. Shvorov, S.A., Komarchuk, D.S., Pasichnyk, N.A., Opryshko, O.A., Gunchenko, Y.A., & Kuznichenko, S.D. (2018). UAV navigation and management system based on the spectral portrait of terrain. IEEE 5th International Conference on Methods and Systems of Navigation and Motion Control, MSNMC 2018 – Proceedings, 68-71.
  30. Agrisuelas, J., García-Jareño, J.J., Perianes, E., & Vicente, F. (2017). Use of RGB digital video analysis to study electrochemical processes involving color changes. Electrochemistry Communications, 78, 38-42.
  31. Agrisuelas, J., García-Jareño, J.J., & Vicente, F. (2018). Quantification of electrochromic kinetics by analysis of RGB digital video images. Electrochemistry Communications, 93, 86-90.
  32. Willers, J.L., Wu, J., O'Hara, C., & Jenkins, J.N. (2012). A categorical, improper probability method for combining NDVI and LiDAR elevation information for potential cotton precision agricultural applications. Computers and Electronics in Agriculture, 82, 15-22.