Концептуальна модель геоiнформацiйної системи для сiльського господарства

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2019.2(35).149-155

Ключові слова:

Геоiнформацiйна система, фотографiї посiвiв, iндекс вегетацiї

Анотація

Концептуальна модель геоiнформацiйної системи для сiльського господарства. Зростання населення та вимог до якостi харчування є причиною загострення боротьби за обмеженi земельнi ресурси. Актуальним є рацiональне використання земель для збереження та збiльшення їх продуктивностi i пiдтримки життя в екосистемах. Планування використання земельних ресурсiв є одним iз ключових iнструментiв для ефективного використання земельних ресурсiв. Важливими пiдзадачами планування використання земельних ресурсiв є монiторинг стану посiв та прогнозування їх врожайностi.

Розробцi концептуальної моделi геоiнформацiйної системи для сiльського господарства, яка розв’язує цi пiдзадачi, присвячене дане дослiдження. Розглянуто монiторинг врожайностi як систему спостереження та вимiрювання за станом зростання сiльськогосподарських культур, враховуючи метеорологiчнi, агрометеорологiчнi, фенологiчнi та iншi показники на основi аналiзу зображень часових рядiв, отриманих в результатi фотографування посiвних площ, з метою оцiнювання та прогнозування потенцiйної врожайностi культури. Розглянуто методи для кiлькiсного оцiнювання рослинного покриву використовуючи простий кiлькiсний показник фотосинтетичної активної бiомаси. Розглянуто методи розрахунку нормованого диференцiйного вегетацiйного iндексу. Сформульовано три основнi задачi геоiнформацiйної системи для сiльського господарства: розрахунок значень показникiв часового ряду NDVI на основi знiмкiв, розрахунок показникiв якостi земельних ресурсiв на основi апрiорної iнформацiї про дiлянку та прогнозування показникiв в наступнi моменти часу. Базуючись на сформульованi задачi пропонується трьохмодульна концептуальна модель геоiнформацiйної системи. Концептуальна модель визначає функцiї кожного iз модулiв та показує iнформацiйнi взаємодiї мiж модулями.

Біографії авторів

М. Хуан, Київський національний університет імені Тараса Шевченка

аспірант кафедри інформаційних систем та технологій

Є. Є. Шабала, Київський національний університет будівництва та архітектури

Доцент кафедри кібербезпеки та комп’ютерної інженерії, кандидат технічних наук, доцент

Посилання

  1. Silva, J. G. D. (2015). Revised World Soil Charter. Rome, FAO. Retrieved from http://www.fao.org/3/a-i4965e.pdf
  2. Ziadat, F, Bunning, S. & Pauw E. D. (2018). Land resource planning for sustainable land management. Rome, FAO. Retrieved from http://www.fao.org/3/a-i5937e.pdf
  3. Little, M. (2018). Machine Learning in NASA’s Earth Science Division. Advanced Information Systems Technologies (AIST). Retrieved from https://esto.nasa.gov/files/AIST/AIST_AC_loudAnalytics180221v1short.pdf
  4. FAO. (2008). WINDISP: Map and image display and analysis software. Retrieved from ftp://ftp.fao.org/Public/GIEWS/windisp/Windisp35en.pdf
  5. About ArcGIS. The mapping and analytics platform. Retrieved from http://www.esri.com/software/arcgis
  6. Joia, A. D., & Duncan, M. (2015). What is ”Precision Agriculture” and why is it important. Retrieved from https://soilsmatter.wordpress.com/2015/02/27/what-is-precision-agricultureand-why-is-it-important/
  7. Reed, B. C., White, M., Brown, J. F. (2003). Remote Sensing Phenology. In: Phenology: An Integrative Environmental Science. Schwartz M. D. (eds.). Tasks for Vegetation Science, 39, Springer, Dordrecht, 365–381, https://doi.org/10.1007/978-94-007-0632-3_23
  8. Eerens, H., Haesen, D., Rembold, F., Urbano, F., Tote, C., & Bydekerke, L. (2014) Image time series processing for agriculture monitoring. Environmental Modelling and Software, 53, 154–162, https://doi.org/10.1016/j.envsoft.2013.10.021
  9. Huang, M. (2019). Review of monitoring and forecasting tools of the crop yield. Management of development of complex systems, 38, 161–167, https://doi.org/10.6084/m9.figshare.9788696
  10. Huang, M., & Vatskel, V. (2019). Digital image analysis technologies for decision support systems in agricultural. Management of development of complex systems, 37, 164–167, https://doi.org/10.6084/m9.figshare.9783227
  11. Petitjean, F., Inglada, J., & Gan¸carski, P. (2012). Satellite image time series analysis under time warping. IEEE Trans. Geosci. Remote Sens. 50(8). 3081–3095.
  12. Drone data collection and analytics for agriculture. Quantify plant and soil health, improve productivity and maximize field output. Retrieved from https://www.precisionhawk.com/agriculture
  13. Verbesselt, J., Hyndman, R., Newnham, G., & Culvenor, D. (2010). Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114(1), 106–115.
  14. Earth Observation. Retrieved from http://www.fao.org/giews/earthobservation/index.jsp

##submission.downloads##

Опубліковано

2019-12-19

Як цитувати

Хуан, М., & Шабала, Є. Є. (2019). Концептуальна модель геоiнформацiйної системи для сiльського господарства. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 2(35), 149–155. https://doi.org/10.24144/2616-7700.2019.2(35).149-155

Номер

Розділ

Iнформатика, комп’ютернi науки та прикладна математика