Drony nejsou jen pro zábavu a pole lze obhospodařovat i na dálku. Tak by se dal shrnout moderní přístup k zemědělské výrobě za pomoci metod dálkového průzkumu Země.
V roce 2016 bylo území České republiky tvořeno z 53 % zemědělskou půdou 1), ve stejném roce bylo vyprodukováno přes 8,5 mil. t obilovin, zemědělská produkce v tomto období vygenerovala zisk přes 73 mld. korun a celý zemědělský sektor (zemědělství, lesnictví a rybářství) v daném roce zaměstnával téměř 100 000 lidí 2). Zmíněná fakta z nedávné minulosti svědčí o tom, že zemědělská výroba patří mezi tradiční a významná odvětví národního hospodářství 3). S postupnou automatizací výrobních procesů v průmyslu a mohutným rozvojem nejrůznějších „chytrých“ řešení, aplikovaných v rozličných oblastech lidské činnosti se však nelze ubránit dojmu, že oblast zemědělství je stále v řadě otázek poněkud konzervativní.
O jistou reformu tohoto oboru usiluje precizní zemědělství. Tento pojem se poprvé objevil v 90. letech a usiluje o zlepšení managementu zemědělských vstupů (energie, voda, přípravky na ochranu rostlin, hnojiva) na základě jejich inteligentní aplikace v prostoru a čase. Oproti konvenčnímu přístupu, kde jsou vstupy aplikovány uniformně, se pozemek při moderním (precizním) přístupu dělí na menší celky. Tyto celky se od sebe vzájemně liší hodnotami zkoumané veličiny (např. množstvím N) a při následné aplikaci vstupu (např. N hnojiva) je tento rozváděn na pozemek heterogenně, v různém množství na základě zjištěné potřeby v daném místě 4).
Vstupní informace pro inteligentní aplikaci vstupů na pole není pořizována časově i finančně náročným terénním průzkumem, ale pomocí metod dálkového průzkumu Země (DPZ). Tyto metody se zabývají analýzou ploch či objektů na zemském povrchu bez přímého kontaktu s danou plochou či objektem. Ke snímkování zemského povrchu se v současné době používají satelitní družice, snímkovací letadla 5) či v současné době mohutně se rozvíjející bezpilotní letouny, tzv. drony. Tyto prostředky jsou vybaveny senzory pro zaznamenání intenzity odraženého slunečního záření od zemského povrchu, resp. dané plodiny 4). Na základě intenzity odrazu slunečního záření v různých vlnových délkách elektromagnetického spektra (nejčastěji používané jsou oblasti viditelného světla, resp. infračerveného záření) se získává spektrální charakteristika daného povrchu a ta následně slouží k tvorbě aplikačních map pro precizní zemědělství. Spektrální charakteristiku zdravého porostu, půdy bez vegetačního krytu a vodní plochy ukazuje graf níže 6).
Odrazivost vody, půdy a vegetace v různých částech elektromagnetického spektra 6)
Praktické uplatnění metod DPZ v oblasti zemědělství je poměrně široké – od monitoringu vodního stavu rostlin za účelem cíleného zavlažování, zjišťování obsahu živin v půdě, přes predikci výnosu až po mapování výskytu chorob v porostu.
V České republice v posledních několika letech v souvislosti s globální změnou klimatu přibývá dlouhých období zcela bez srážek, což je v létě umocněno mimořádně vysokými teplotami. Dalším fenoménem je celkové ubývání vody v krajině, což se v běžném životě nejviditelněji projevuje nízkými stavy hladin řek a vysycháním domácích studen 7). Tento komplexní problém lze řešit opatřeními na zadržení vody v krajině (budování tůní apod.) a též omezením plýtvání vodou. K uvědomělému nakládání s tímto mimořádně cenným vstupem mohou přispět i metody DPZ. Dálkový monitoring vodního stavu rostlin s rozlišením několik centimetrů pomůže snadno a rychle vytvořit zavlažovací mapu, dle které lze nadále řídit proces zavlažování v jednotlivých podoblastech, resp. jednotlivých rostlin. Podobný monitoring byl proveden v provincii Yunnan na jihu Čínské lidové republiky na ploše 4,7 ha osázené révou vinnou a to pomocí dronu s multispektrálním senzorem a rozlišením 4 cm 8), další aplikace proběhla na olivovnících v jižní Itálii 9), resp. na porostech citrusů v oblasti Floridy, USA 10).
Ovšem nejen dostatečné zásobení plodin vodou je klíčem ke kvalitní a dlouhodobě udržitelné zemědělské produkci. Odběr živin pěstováním a sklizní zemědělských plodin se z dlouhodobého hlediska negativně projevuje na půdní úrodnosti 11). Z hlediska obsahu přístupných živin (P,K Mg,Ca) v orných půdách se v současné době potýkáme s jejich úbytkem, kterému lze čelit změnou způsobu hospodaření – střídání plodin, zapravování posklizňových zbytků, aplikace organických hnojiv, pravidelné doplňování odčerpaných živin minerálními hnojivy aj. 12). V případě zjišťování množství dostupných živin v půdě, resp. jejich doplňování zpět do půdy mohou pomoci metody DPZ. Dusík, nezbytný pro řádný vývoj rostlin, byl pomocí termálního snímkování (= detekce množství záření emitovaného objektem) analyzován v porostech kukuřice za účelem jeho inteligentní aplikace během růstu a to na ploše necelých 10 ha 13). Obdobná studie byla provedena na příkladu brambor, kde byla jako v prvním případě rozdělena testovací plocha dle tří různých intenzit aplikace dusíku. Největší výzvou pro větší rozšíření metod DPZ při aplikaci živin je obrovská rozmanitost podmínek při snímání daného pozemku – typ půdy, druh a růstová fáze plodiny a v neposlední řadě vliv počasí 14). V další studii bylo za účelem detailního zmapování využito nejen dronu, ale i brýlí s rozšířenou realitou (tzv. chytré brýle). Dron rozdělil pozemek o rozloze 7 ha na 8 rozdílných bloků a každý blok byl dále manuálně vzorkován s využitím brýlí, tj.7-8 vzorkovacích bodů/blok 15).
Inspekce zemědělských ploch na dálku může profesionálům pomoci též při sledování zdravotního stavu porostu či v predikci výnosu. V tomto odvětví využívání metod DPZ jsou uplatňovány též tzv. spektrální indexy, které dostaneme provedením určité matematické operace s hodnotami odrazivosti ve dvou či více různých pásmech elektromagnetického spektra. Jedním z nejznámějších a nejvyužívanějších je Normalizovaný diferenční vegetační index NDVI, který využívá vysoké absorpce slunečního záření rostlinami (resp. chlorofylem) v oblasti viditelného světla (Red) a naopak vysoké odrazivosti v blízké infračervené oblasti elektromagnetického záření (NIR) 16). Vzorec pro výpočet NDVI a vztah zjištěných hodnot indexu ke zdravotnímu stavu vegetace ukazuje obrázek níže 22).
Výpočet indexu NDVI a hodnoty indexu pro zdravou, resp. poškozenou vegetaci 22)
Výše zmíněného indexu bylo využito při sledování růstových fází pšenice, kdy bylo zjištěno, že hodnoty NDVI pořízené z dronu korelují s hodnotami NDVI získanými pozemním měřením spíše ve fázích kvetení a zrání (koeficient determinace R2=0,79-0,90), než-li ve fázích dřívějších (R2=0,38-0,42). Vztah mezi získanými hodnotami NDVI (ať už pozemní cestou či dronem) a výnosem zrna ukazuje na silnou lineární závislost v období zrání, přičemž rozdíl mezi ranou (R2=0,81) a pozdní fází zrání (R2=0,89) není příliš velký 17).
S výše zmiňovaným zdravotním stavem sledovaných plodin je úzce spojena i problematika rostlinných chorob. Snímání porostu pomocí dronu bylo využito při monitoringu houbového onemocnění rzi plevové v ozimé pšenici 18). Vzhledem k nepravidelnému, někdy až epidemickému výskytu tohoto onemocnění, které způsobuje významné ztráty na výnosu (v neošetřeném porostu i přes 50 %) jsou právě metody DPZ ideálním prostředkem k včasnému odhalení tohoto onemocnění v porostu, resp. k cílené aplikaci fungicidního prostředku 19). Rzi způsobují mj. pokles obsahu chlorofylu v listech, což má dopad na změnu odrazivých vlastností a toho je využíváno při odhalování výskytu rzí v porostu. Ve studii bylo dosaženo přesnosti téměř 90 % ve všech analyzovaných úrovních napadení, tj. zdravý porost, mírně napadený porost a porost silně napadený rzí plevovou, to vše při rozlišení 1-1,5 cm/pixel 18). Obdobně byly využity metody DPZ při zjišťování odolnosti proti plísni bramborové, resp. míry napadení porostu. V tomto případě bylo pro inspekci využito viditelné části elektromagnetického spektra a na testované ploše ve sledovaném období (42×23 m, 17.7.-15.8., 11 snímků) byla zjištěna poměrně silná lineární závislost mezi hodnotami zjištěnými pomocí dronu a mezi těmi, které byly získány vizuálním hodnocením napadeného porostu (koeficient determinace R2=0,77) 20).
Dálkový průzkum Země je moderní způsob získávání informací o zemském povrchu a výše uvedené zahraniční studie dokazují, že v oblasti zemědělské produkce má obrovský potenciál. Tato metoda má ovšem mnohem širší využití – monitoring přírodních katastrof (požárů, povodní aj.), změna využívání krajiny (těžba nerostných surovin, odlesňování aj.) či pouhé mapování krajiny pro potřeby územního plánování, ochranu přírody, ozbrojených sil či zpravodajství 5).
Dron vybavený zařízením snímajícím porost 21)
zdroje:
1) Souhrnné přehledy o půdním fondu z údajů katastru nemovitostí České republiky, cit.: 21.12.2018, dostupné online: https://www.cuzk.cz/Periodika-a-publikace/Statisticke-udaje/Souhrne-prehledy-pudniho-fondu/Rocenka_pudniho_fondu_2017.aspx, str. 17
2) Zemědělství 2017-souhrnná zpráva, Ministerstvo zemědělství ČR, cit.: 21.12.2018, dostupné online: http://eagri.cz/public/web/file/591564/Zemedelstvi_2017.pdf, str.5, 11
3) Zemědělská výroba, Ministerstvo zemědělství ČR, cit.: 21.12.2018, dostupné online: http://eagri.cz/public/web/mze/zemedelstvi/zemedelstvi.html
4) Mulla, David. J. (2012): Twenty five years of remote sensing in precision agriculture: Key advantages and remaining knowledge gaps, Biosystems engineering 114 (2013), str. 358-371
5) Schowengerdt, Robert A. (2007): Remote sensing: Models and methods for image processing, Elsevier (2007)
6) SEOS: Introduction to Remote Sensing, 1. Physical basis – Spectral reflectance properties, cit.: 21.12.2018, dostupné online: http://www.seos-project.eu/modules/remotesensing/remotesensing-c01-p05.html
7) ČT24: Studny jsou skoro bez vody, obce vydávají zákazy zalévání i napouštění bazénů, cit.: 21.12.2018, dostupné online: https://ct24.ceskatelevize.cz/domaci/2566522-nedostatek-pitne-vody-kvuli-suchu-zatim-nehrozi-zalevani-zahrad-uz-ale-zakazalo-skoro
8) Romero M. et al. (2018): Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management, Computers and Electronics in Agriculture 147 (2018), str. 109-117
9) Rallo G. (2014): Detecting crop water status in mature olive groves using vegetation spectral measurements, Biosystems engineering 128 (2014), str. 52-68
10) Waldo Laura J., Shumannn Arnold W. (2009): Alternative methods for determining crop water status for irrigation of citrus groves, University of Florida
11) Hlušek J. a Richter R.: Bilance živin v rostlinné výrobě ČR a potřeba hnojení, cit.: 28.12.2018, dostupné online https://biom.cz/cz/odborne-clanky/bilance-zivin-v-rostlinne-vyrobe-cr-a-potreba-hnojeni
12) Smatanová M. (2018): Současný stav agrochemického zkoušení půd, vývoj obsahu přístupných živin a půdní reakce, cit.: 28.12.2018, dostupné online: https://www.agromanual.cz/cz/clanky/vyziva-a-stimulace/hnojeni/soucasny-stav-agrochemickeho-zkouseni-pud-vyvoj-obsahu-pristupnych-zivin-a-pudni-reakce
13) Khanal S. et al. (2018): Integrating aerial images for in-season nitrogen management in a corn field, Computers and Electronics in Agriculture 148 (2018), str. 121-131
14) Nigon Tyler J. et al. (2015): Hyperspectral aerial imagery for detecting nitrogen stress in two potato cultivars, Computers and Electronics in Agriculture 112 (2015), str. 36-46
15) Huuskonen J. a Oksanen T. (2018): Soil sampling with drones and augmented reality in precision agriculture, Computers and Electronics in Agriculture 154 (2018), str. 25-35
16) Normalised difference vegetation index (NDVI), NASA-Earth observatory, cit.: 4.1.2019, dostupné online: https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_2.php
17) Hassan M. A. et al. (xxxx): A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform, Plant Science, article in press
18) Su J. et al. (2018): Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery, Computers and Electronics in Agriculture 155 (2018), str. 157-166
19) Hanzalová A. a Bartoš P. (2017): Rzi na pšenici – dlouhodobý problém, cit.: 4.1.2019, dostupné online: https://www.agromanual.cz/cz/clanky/ochrana-rostlin-a-pestovani/choroby/rzi-na-psenici-dlouhodoby-problem
20) Sugiura R. et al. (2016): Field phenotyping system for the assessment of potato late blight resistence using RGB imagery from an unmanned aerial vehicle, Biosystems engineering 148 (2016), str. 1-10
21) 2016 Starting Lineup for UAS Equipment in the Ag Industry, cit.: 4.1.2018, dostupné online: https://www.precisionfarmingdealer.com/articles/2130-2016-starting-lineup-for-uas-equipment-in-the-ag-industry
22) Normalised difference vegetation index, cit.: 13.1.2018, dostupné online: http://www.ece.montana.edu/seniordesign/archive/SP15/OpticalWeedMapping/ndvi.html
