Componente-I (A) - Detalhes pessoais

Função Nome Afiliação

Investigador principal Prof.MasoodAhsanSiddiqui Departamento de Geografia,

JamiaMilliaIslamia, Nova Deli
Coordenador de papel, se houver Dr. MP Punia Chefe do Departamento de Sensoriamento

Remoto, Birla Instituto de Investigação

Científica, Jaipur

Conteúdo escritor / autor (CW) Kaushal Panwar Senior Research Fellow, Birla Instituto de
Investigação Científica,
Jaipur
Conteúdo Viajante (CR) Dr. MP Punia Chefe do Departamento de Sensoriamento

Remoto, Birla Instituto de Investigação

Científica, Jaipur

Editor de Idiomas (LE)

Componente-I (B) - Descrição do Módulo

Unid Descrição do Módulo

Nome do assunto Geografia

Nome do papel Sensoriamento remoto, GIS, GPS

Módulo Nome / Título Aplicações de Sensoriamento Remoto na Agricultura

módulo Id RS / GIS 15

Pré-requisitos

Objetivos • Estudante vai conhecer RS ​análise ajuda no campo da agricultura.

• Estudante irá adquirir habilidade como estudar os dados e seus algoritmos

no setor da agricultura.

• Estudante será equipado com conhecimentos para um estudo mais aprofundado sobre as

aplicações.
 1.
Palavras-chave

Aplicações de Sensoriamento Remoto na Agricultura

Esboço

• Introdução sobre o papel de sensoriamento remoto na agricultura eo impacto sobre

economia indiana.

• aplicação Remote Sensing na agricultura.

• Cortar previsão de produção.

• Avaliação de danos nas culturas e progresso das culturas.

• Horticultura, Análise de sistemas de cultivo.

• Avaliação de Impacto Ambiental do Sistema Agrícola.

 • poluição não pontual.

• Impacto da Mudança do Clima no sistema agrícola.

• recuperação parâmetro biofísico e modelagem do processo.

• Demonstração de técnica de Pragas aviso prévio e doenças.

• Missão nacional

• previsão de produção nacional (FASAL).

• Cortar Avaliação de Tecnologia de Identificação para remoto

Detecção (CITARS).

• Conclusão.

Introdução

observações da Terra (EO), que compreende por satélite, antena, e em sistemas in situ, sejam

cada vez mais reconhecida como ferramenta fundamental para o estudo e monitoramento de recursos naturais

recursos e desdobrando o comportamento intricado da dinâmica da Terra complexo

processos. A pesquisa Sensoriamento Remoto tem evoluído como tema multidisciplinar

dedicada ao desenvolvimento de aplicações da tecnologia de sensoriamento remoto da Terra

questões oceano e atmosfera abordar geológicos, botânicos e hidrológicos em

escalas nacionais, regionais e locais específicas.

A agricultura desempenha papel dominante na economia de quase todas as nações. Se

agricultura representa um setor de comércio substancial para um economicamente forte

país ou simplesmente sustento para a fome um, superpovoado, que desempenha um importante

papel em quase todas as nações. A produção de alimentos é importante para todos e

produção de alimentos de uma maneira custo-efetiva é o objetivo de cada agricultor, em larga escala

gerente da fazenda e agência agrícola regional. Um fazendeiro precisa ser informado para

ser eficiente, e isso inclui ter o conhecimento e produtos de informação para

forjar uma estratégia viável para as operações agrícolas. Estas ferramentas vão ajudá-lo

compreender a saúde de sua colheita, a extensão da infestação ou estresse danos, ou

potenciais condições de rendimento e do solo. corretores de commodities também estão muito interessados ​em

bem como explorações estão a produzir, como rendimento (quantidade e qualidade) estimativas para todos

produtos de preço controle e comerciais em todo o mundo. Os decisores políticos estão interessados ​em

aproveitando as melhores ferramentas disponíveis para otimizar o uso dos recursos, minimizando o

danos / perdas e assegurar o benefício social. componente mais importante do

tais decisões é a informação agrícola e aliada na melhor resolução possível

de escalas espaciais e temporais. Técnicas de sensoriamento remoto vir a calhar para

alcançar tal objectivo. As diversas condições climáticas agro dar origem a

cultivos de grande número de colheitas. As informações sobre a sustentabilidade a longo prazo

impactos ambientais vis-à-vis exige informações sazonal e anual de

variante, bem como recursos invariantes. As diversas condições de cultura em desenvolvimento acoplado

com incertezas da situação climática exige muito mais informação cultura mais fino

precisa na escala temporal e espacial.

Durante as últimas duas décadas técnicas de sensoriamento remoto e GIS são aplicadas a

explorar aplicações agrícolas, como a identificação de culturas, a estimativa da área, colheita

de avaliação do estado, a estimativa da humidade do solo, a estimativa de rendimento, água agricultura

gestão, meteorológico agro e avisos agro. A aplicação de controle remoto

detecção na agricultura, ou seja, em culturas e solos é extremamente complexa, devido

complexidade altamente dinâmico e inerente de materiais biológicos e solos (Myers,

1983). No entanto, a tecnologia de sensoriamento remoto oferece muitas vantagens sobre o

métodos tradicionais de levantamento de recursos agrícolas. As vantagens incluem,

Eu) capacidade de visão sinóptica

ii) potencial de pesquisa rápida

iii) capacidade de cobertura repetitivo para detectar as mudanças

iv) envolvimento de baixo custo

v) maior precisão

vi) Utilização de dados multiespectrais para maior informação, e assim por diante.

Agora, quase toda a parte do espectro eletromagnético é utilizado para agricultura

aplicações em diversas escalas. mudança de crescimento da cultura e os factores associados

dinamicamente e precisam de monitoramento contínuo. Os sub diferentes temas de

agricultura são mostrados na fig. 1 (RS) A teledetecção tecnologia tem potencial para

estimativa da área plantada e produtividade previsão a nível distrital e regional, devido à sua

multiespectral, grande área e cobertura repetitivo. As secções seguintes explicam

os desenvolvimentos ocorrido durante as últimas três décadas, com especial referência

de sensoriamento remoto agrícola na Índia.

 Fig. 1: Applications in Agriculture remoto Sensing

Fonte: https://nrsc.gov.in/Agriculture

Aplicação de Sensoriamento Remoto na Agricultura

Previsão Crop Production

 Fig.2: Colheita Gráfico de Previsão de Produção

Fonte: http://apal.org.au/2015-pome-fruit-crop-forecast/

identificação de culturas agrícolas e estimativa de área tem sido o foco desde

o início do programa RS civil nos EUA no início dos anos 1960. Alguns dos

primeiros estudos conduzidos experimentos foram tal como a tecnologia de colheita Identificação

Avaliação de Sensoriamento Remoto (CITARS) e grande área de corte Inventory

Experiment (LACIE). Explorando o uso do sensoriamento remoto para a agricultura

aplicação na Índia começou com o uso de várias bandas e cores infra vermelhos (CIR)

fotografias aéreas já em 1974-1975. Mais conhecimento sobre a assinatura da cultura foi

recolhidas através de experimentos de campo cientificamente projetados usando vários banda

radiômetro no âmbito do Programa Satellite-utilização de sensoriamento remoto do Índio (IRS-

UP) em:

i) previsão de produção da colheita

ii) detecção da colheita de stress, e

iii) Colheita de modelagem de rendimento. Muitos desses estudos levaram à operacionalização

da metodologia e conduta de projetos de nível nacional.

Lançamento do Índio Remote Sensing Satélites (IRS-1A, IB & 1C) linear transportando

sensores de auto-exploração de imagem (LISS I, II e III) proporciona-se um impulso muito necessário

para aplicações agrícolas. IRS-1C transportado a bordo de uma combinação única de três

sensores de saber, (i) Campo Largo Sensor (WiFS) com 188 milhões espacial, duas bandas espectrais. -

vermelho e de infravermelho próximo, 810 km de faixa e um repetivity de 5 dias, (ii) linear Imagiologia

Sensor análise Auto (LISS-III), com 23,5 milhões resolução espacial no vermelho, verde e

região do infravermelho próximo, e 70,5 m na região do infravermelho médio, e 140 km de largura,

e (iii) Panchromatic câmera (PAN) com 5.8m resolução espacial, faixa 70 km

e capacidade de estéreo. O lançamento do RISAT encheu outra dimensão à

sensoriamento remoto agrícola, toda a capacidade de tempo de dados é agora a realidade da

satélite indiano.

previsão de produção de culturas compreende de identificação de culturas, a estimativa de área cultivada

e previsão do seu rendimento. Identificação de culturas e discriminação baseia-

o fato de que cada cultura tem um padrão de reflectância único em diferentes partes do

espectro eletromagnético que é denominado como assinatura espectral. o general

resposta espectral de um dossel da cultura na região do visível e é caracterizada por NIR

absorção no 0,35-0,5 hum e 0,6 a 0,7 hum regiões (devido a clorofila

pigmentos), alta reflectância na região do verde (cerca de 0,54 hum), um aumento acentuado

na reflexão no 0,7-0,74 hum e alta reflectância em 0,74-1,3 hum região

devido à estrutura celular interna das folhas. A absorção a 1,45, 1,95 e 2,6

hum bandas espectrais é devido ao teor de água na folha. A resposta variável das culturas

deriva do facto de que vários factores tais como o tipo de cultura, a etapa de cultura,

arquitetura da copa, por cobertura do solo cento, as diferenças de práticas culturais, colheita

condições de stress, fundo solo / água, etc, contribuem para a resposta compósito.

Cada cultura tem sua própria arquitetura, período de crescimento, etc. permitindo, assim,

discriminação através de dados de sensoriamento remoto. Se existem duas colheitas com semelhante

assinaturas espectrais em uma determinada data (culturas confusão), os dados são usados ​para Multidata

discriminá-los Vigor da cultura se manifesta na absorção no vermelho e

refletância nas regiões espectrais infravermelhas próximas. Tem sido observado que o rácio

de infravermelho próximo ao brilho vermelho é um bom indicador do vigor da cultura. Alguns

destas propriedades são utilizados na identificação de culturas, de avaliação do estado e colheita

rendimento de previsão. O procedimento geral utilizado para a estimativa das superfícies cultivadas é mostrado

na ilustração abaixo. Os dados são analisados ​aplicando Maximum Likelihood

técnica de classificação supervisionada (outros classificadores são também usados), onde se limitando

informações campo chamado 'ground truth' é usado para gerar a assinatura treinamento. Dentro

caso de dados de enumeração completas para análise foi seleccionado através da sobreposição do

máscara limite da área sobre as imagens de sensoriamento remoto. Quando foi estendido

a grande área técnica de amostragem estratificada foi desenvolvida onde a área foi primeiro

dividido com uma grade que representa o tamanho de amostragem armação (5 X 5 km) e, em seguida, os dados

pertencentes a segmentos da amostra seleccionadas é extraída (20%) são analisados. o

as amostras são recolhidas aleatoriamente proporcional ao tamanho de cada estrato. estimativa de área é

feita a partir da proporção de colheita presente na amostra.

 Fig. 3: Procedimento para Lotes Estimativa utilizando técnicas de amostragem

Fonte: auto

Desde que a tecnologia espacial tem avançado e variedade de sensores de espacial diferente,

espectral e resoluções temporais está disponível e há uma necessidade contínua para a cultura

informação durante todo o período de crescimento (Fig. 3), uma monitorização frequente é viável

em diversas escalas. Percebendo a importância da informação de múltiplas fontes, como

tempo, econométrica e levantamento de campo para uma abordagem robusta para múltiplos

previsões de uma série de culturas, um novo conceito foi formulado: FASAL

(Previsão de produção agrícola usando espaço, meteorologia Agro- e baseados terra

observações) (fig. 4). Implementação de FASAL foi iniciado em 2007-08.

 Fig. 4: necessidade de informação e fontes no monitoramento da cultura frequentes

Fonte: https://www.crcpress.com/GIS-Applications-in-Agriculture/Pierce-

Clay / p / livro / 9780849375262

Avaliação de danos nas culturas e progresso da colheita

Danos para colheita devido à humidade stress é uma ocorrência comum em sequeiro arroz

crescendo região. O perfil de retroespalhamento característica de arroz usando SAR temporais

dados é útil na caracterização da condição de cultura como normal e sub-normais. Inundar

é um fenômeno comum em muitas regiões de cultivo de arroz, especialmente em monção

estação. dados Temporal SAR é encontrada não só para mapear afectadas pelas cheias campos de arroz, mas

também para modelar duração e grau de submersão. submersão completa de arroz

em qualquer dado período de crescimento diminuir a retrodifusão. O grau de submersão

foi modelada com referência à altura da colheita e o seu desvio a partir da referência

perfil de crescimento normal. O modelo, portanto, pode detectar os campos completamente submersas

bem como parcialmente submerso campos. Está bem estabelecido que as datas de semeadura ter um

efeito significativo sobre as plantações de biomassa e rendimento. dados temporais do SAR é usado para
categorizar os campos como normal, tarde e muito tarde semeado que é adicional

componente de avaliação da colheita precisa que permite identificar as razões para a demora.

Esforços semelhantes foram feitas que para derivar a variação regional do arroz

perfil de crescimento usando dados óptico (Fig. 6)

padrão de crescimento 5a.crop em fevereiro 2016: Fig

Fig: 5b. padrão de crescimento das culturas em abril 2016

 padrão de crescimento 5c.crop em outubro 2016: Fig

O - H OBSERVADA -
PUNJAB
AP TN
modelado

J&K

Fig. 6: Arroz perfil espectral de diferentes regiões da Índia derivadas utilizando multidata

dados ópticos

Fonte: Sensoriamento Remoto do Meio Ambiente, John R. Jensen

modelos rendimento das culturas

Fig.7: modelo de rendimento da colheita

Fonte: https://www.slideshare.net/grssieee/luoigarss20112385ppt

Fora dos dois constituintes da produção agrícola, ou seja, área plantada de culturas e culturas

rendimento, a avaliação do último é mais complexa por causa da alta variabilidade

envolvidos. A informação sobre o rendimento da cultura é um importante contributo para a produção

estimativa mostrado na Fig (7). Cada genótipo colheita tem potencial determinado rendimento, que

pode ser conseguido (para uma aproximação) no campo experimental com óptima

condições. Contudo, no mundo real, o rendimento da cultura é condicionada por vários

parâmetros como solo, clima e cultivo práticas, como a data da sementeira,

a irrigação e fertilizantes. o rendimento da cultura também é influenciado por tensões bióticos como doença

e pragas. Enquanto a variabilidade do clima explicam a maior parte da variabilidade anual

durante um curto período de tempo, as práticas de cultivo e novas variedades explicar mais

da variabilidade ao longo de um período de 10 a 20 anos. Para períodos mais longos de tempo,

alterações climáticas ou melhoria dos solos ou de degradação são os principais factores

influenciar o rendimento da cultura No entanto, o facto de todos estes factores são

interdependentes faz a avaliação de rendimento uma tarefa mais complexa. Assim, de uma forma

de previsão do rendimento é a compreensão da variabilidade nos parâmetros acima referidos

e definindo a sua relação com o rendimento da cultura final. remoto por satélite

detecção proporciona uma alternativa adequada para a condição colheita e avaliação de rendimento /

previsão, pois dá uma oportuna, precisa, sinóptica e da estimativa objectiva de

vários parâmetros de cultura. Os modelos de tendência e arima base séries temporais foram

desenvolvido no início do projeto Cabo com base em dados de produtividade distrito-wise de

DES, que foram usadas para calcular a produção multiplicando com as RS derivadas

estimativas de área. Além disso modelo agrometeorologia, modelos espectrais e combinação

destes modelos foram testados e utilizados para uma variedade de condições, as culturas e regiões.

As entradas agrometeorologia foram chuvas predominantemente significativa no quinzenal

intervalos, temperaturas mínimas e máximas, etc, que se formam parte de

correlação ponderada modelo de regressão. A entrada RS, NDVI (data única ou derivado

a partir de perfis de integração) em tais modelos foram utilizados para o desenvolvimento do modelo. o

biomassa arroz tem alta correlação com retroespalhamento SAR e, por conseguinte, o rendimento.

O vigor da cultura é uma indicação do rendimento da cultura. O vigor da colheita pode ser avaliada

índices de vegetação utilizando derivados de diferentes partes do espectro. o

índice de vegetação normalizado é um tal índice que representa a biomassa verde

da planta. O NDVI pode ser directamente correlacionada com o rendimento da cultura e esta

relação pode ser usada para estimar o rendimento. Uma variedade de modelos envolvendo

combinação de fatores de tempo e espectrais parâmetros foram desenvolvidos

e utilizado em conjugação com área cultivada derivada detecção remota para fornecer
estimativas de produção. modelos de simulação de crescimento de plantas têm sido utilizados para

monitorar o crescimento das culturas, saúde mostrado na Fig (8) e prevendo rendimento .No entanto,

seu uso em grande áreas tem sido limitada porque a maioria dos modelos de crescimento de plantas foram

desenvolvido nas escalas de campo eo desempenho dos modelos não é tão

satisfatórios quando eles são estendidos de campo para escalas regionais.

Fig.8: Detecção de culturas Estresse

Fonte: http://www.cornandsoybeandigest.com/soybeans/detect-crop-stress-

Thermal-mapas

Aplicações de Sensoriamento Remoto - Horticultura

Índia é agraciado com variada agro-clima que é altamente favorável para o cultivo

um grande número de culturas hortícolas, tais como frutas, vegetais, tubérculo raiz,

ornamentais, plantas aromáticas, especiarias e medicinal, culturas de plantação tais como de coco,

ARECA porca, caju e cacau. A Índia é o maior produtor de frutas (49.36 MT) e

segundo maior produtor de legumes (93 MT) no mundo. horticultura ocupa

cerca de 12 por cento da área total cultivada no país, e contribui com cerca de
25 por cento da exportação agrícola total. tecnologia de detecção remoto ajuda na

geração de inventário colheita de grandes culturas hortícolas, a análise do local adequação

para a expansão / introdução, planejamento de infra-estrutura para a exigência de pós-colheita,

detecção de doenças e planejamento de precisão para a horticultura. A abordagem geral

envolve a utilização de alta resolução / alto dados temporais (LISS-III) para identificar o

culturas de interesse e informações de garantia relevante (ou seja, solo, água, clima,

infra-estrutura etc) e processamento para o agrupamento lógico para a tomada de decisões.

estudos de viabilidade que demonstram a tecnologia de sensoriamento remoto em horticultura

setor foram realizadas. Inventário de pomares como maçã, uva, manga,

coco, banana e legumes, como batata, cebola foi efectuado em diferentes

regiões agroclimáticas do país.

O planejamento de infra-estrutura pós-colheita e otimização de câmara frigorificada para

gestão pós-colheita de batata tem sido demonstrada. Além destes cedo

A evolução da produção nacional de batata de inverno do país é regularmente trouxe

para inferir sobre as perspectivas nacionais / estaduais de produção e identificação de áreas com

mudança significativa.

Análise de Sistemas de cultivo

Um sistema de cultivo é definido como o padrão de cultivo e da sua gestão para derivar

beneficia de uma dada base de recursos sob uma condição ambiental específica. este

requer a identificação de culturas e áreas onde as mudanças nos padrões de cultivo sejam

desejável. Isto exige uma etapa inicial de criação de um banco de dados atualizado do

actuais sistemas de cultivo do país e simular os efeitos a longo prazo, tendo

em consideração a base de recursos e condição climática agro. remoto por satélite

sensing (RS) e Sistema de Informação Geográfica têm um papel crucial a desempenhar na

neste sentido. Os dados multidata satélite é útil na determinação de cultivo sazonal

padrão, padrão de semeadura, a rotação de culturas, indicadores de eficiência e outros relacionados

parâmetros.

Avaliação de Impacto Ambiental do Sistema Agrícola

Avaliação de Impacto Conceito de Meio Ambiente do Sistema Agrícola: Fig 9.

Fonte: Environmental Impact Review.v.28

A agricultura tem transformado a partir objetivo sustento simples de intensive-

forma comercial esgotando assim e degradar os recursos ambientais.

A pressão sobre alta produção levou à intensificação da agricultura. intensivo

Agricultura, a sustentabilidade a longo prazo e qualidade dos recursos naturais, assim é a matéria

de compromisso e preocupação. Agrícola é um importante reservatório e no transformador

ciclos globais de carbono, azoto e água. A agricultura intensiva conduz à erosão

dos recursos do solo, perda de biodiversidade, a alienação de nichos ecológicos, temporária

desequilíbrio em funcionamento microbiana do solo, associado efeitos a longo prazo sobre microbiana
processos e alterações nos ciclos bioquímicos. actividades agrícolas contribuem

cerca de 70% de todos os N antropogénico 2 emissões de O e cerca de 65% de todos antropogénico

CH 4 emissões. a perda de nutrientes a partir de agricultura é a principal causa de degradação

de águas subterrâneas, águas de superfície e estuários e sistemas marinhos costeiros, e através

a atmosfera afeta outros sistemas terrestres. nitrato de contaminação

água subterrânea é comum em áreas agrícolas ao redor do mundo. Alguns dos

componentes específicos incluem fertilizantes e pesticidas toxicidade residual, planta / solo

exsudados metabólicas, tais como metano / óxido nitroso no micro / macro imediato

meio Ambiente. Metano e forma de óxido nitroso componentes importantes de uma tal

interface. O padrão de GHG que também está disponível por meio de sensores a bordo

satélites está também a ser estudados em pormenor que é claramente mostrado na figura (8).

A metodologia foi desenvolvida para gerar mapa emissão de metano anual total

das áreas de arroz da Índia e seu padrão temporal, levando em consideração o

diversas condições em que o arroz é cultivado. A metodologia foi desenvolvida

para os componentes variedade no uso de dados RS para a estratificação, espacial e temporal

estratégia de amostragem, o desenvolvimento do método indígena de amostragem e up-scaling

de metano. Os resultados mostraram que a maior estrato emergiu como o sequeiro seca

propensa com 42,8 por cento do total de terras de arroz (estação chuvosa) e encontrado em muitos estados.

Pecuária constitui um componente integral da agricultura indiana. Índia possui

maior população de gado total mundial de 485 milhões, o que representa

cerca de 57% e 16% de populações de búfalo e de gado em todo o mundo, respectivamente. UMA

inventário de emissões de metano / nível distrital estado detalhada para o gado diferente

Categorias foi feita usando o padrão de alimentação específico do país e indiano baseado

coeficientes de emissão de metano, que são baseados em diretrizes do IPCC, e as últimas

disponível censo pecuário. A emissão total de metano incluindo entérico

fermentação e manejo de dejetos foi estimada em 11,75 Tg para o ano

2003 (Chhabra et al. 2008, 2009). contas de fermentação entéricos para ~ 92% ou 10,65

Tg do total, enquanto que a gestão de estrume contribui apenas 8% ou 1,09 Tg.

poluição não pontual

Agricultura tem sido identificado como o maior contribuinte de fonte não-ponto (NPS)

poluição dos sistemas de águas subterrâneas e superficiais globalmente (Thorburn et al., 2003).

Fertilizantes, que são utilizados como insumos importantes na agricultura para abastecer essencial

nutrientes como azoto (N), fósforo (P) e potássio (K), também, servir como um

poluente importante fonte não-ponto. Uma metodologia integrada foi desenvolvido para

quantificação de diferentes formas de perdas de azoto a partir de cultura de arroz, utilizando remoto

detecção entradas derivados, os dados do campo de aplicação do fertilizante, de dados de garantia de solo e

coeficientes de precipitação e a perda de azoto derivados de dinâmica de azoto de publicados

kharif e estações rabi. As perdas de azoto através da lixiviação em forma de ureia-N,

amónio-N (NH 4- N) e nitrato-N (NO 3- N) são dominante sobre amoníaco

volatilização. Os resultados do estudo indicam que a perda de azoto através de lixiviação em

kharif e arroz rabi é da ordem de 34,9% e 39,8% do azotado aplicada

fertilizantes na região planície Indo-Ganges. Este estudo fornece uma significativa

visão para o papel de fertilizantes nitrogenados como um poluente importante fonte não-ponto

da agricultura.
Impacto da Mudança do Clima no sistema agrícola

Fig.10: Impacto das alterações climáticas na agricultura

Fonte: http://www.mdpi.com/2071-1050/7/7/8437/htm

A mudança climática é um dos temas mais discutidos nas últimas duas décadas mostrado

na fig (10). Ele impacto sobre os sistemas agrícolas com entradas a partir de múltiplas fontes

foram estudos com modelos de simulação. Os modelos de equilíbrio CropSyst e água

juntamente com as previsões climáticas usando GCMs, RCM e estatística downscaled

modelo (no cenário diferente) para a compreensão do impacto das mudanças climáticas

em sistemas agrícolas foram estudados. O impacto das alterações climáticas projectadas pela

o RCM-PRECIS (cenário A1B) no sistema arroz-arroz de Bengala Ocidental mostrou

redução rendimento variando 7,88-18,84% .O estudo de adaptação em arroz-arroz

sistema foi sementeira cedo por um período de 12 dias para aumentar o rendimento em 2020 e

compensar a redução de rendimento, em 2050. A análise dos eventos extremos climáticos

sob cenário de mudanças climáticas do HadCM3 através de diferentes temperaturas e

índices de precipitação foi levada a cabo.

recuperação parâmetro biofísico e modelagem do processo

O satélite produtos derivados biofísicos é um dos principais desenvolvimentos tomadas

colocar durante as últimas duas décadas. As investigações sobre derivando estes produtos foram

realizado na Índia por meio de sensores indianos e outros. O NDVI, FAPAR, insolação,

LAI, LST etc, são alguns deles em que R & D foram realizadas. A área foliar

Índice (LAI) é uma variável biofísico chave usado por Fitofisiologistas e

modeladores para estimar a cobertura da folhagem e do crescimento de plantas e biomassa. o

modelagem regional dos processos de crescimento, tais como a evapotranspiração (ET) e líquida

CO 2 assimilação exigem recuperação de algumas variáveis ​fundamentais, como a superfície da terra

temperatura (LST), índice de área foliar (LAI), albedo e da humidade do solo, etc .. O campo escala

(Local) e à escala regional (zona agro-climática) modelos empíricos não-lineares são

desenvolvido para o índice de área da folha do trigo (LAI) com base na diferença normalizada

índice de vegetação (NDVI) usando IRS 1D LISS-III.

Demonstração da técnica para pragas de advertência e Doenças

As pragas de sensoriamento remoto e doenças manteve-se um desafio devido à

complexidade de ocorrência, sobreposição com outros factores, variar e magnitudes

manifestação sutil. A mostarda de afídeos (Lypaphis erysimi) modelos de infestação

têm sido desenvolvidos, desde a temperatura do ar na proximidade da superfície e humidade relativa de

Sonda de dados (por exemplo TOVS), e datas de semeadura (Bhattacharya et al, 2007) e

validado através de um estudo de colaboração com Centro Nacional de Pesquisa em

Colza e mostarda (NRCRM), Bharatpur, Rajasthan. Estes modelos foram posteriormente

-se dimensionada e extrapolada usando SPOT-VGT para mapear as datas de início pulgão (Dutta et ai,
2008, Fig.). Uma nova metodologia de monitoramento multi-estágio de Sclerotinia podridão

(Sclerotinia sclerotiorum) doença em uma grande região de mostarda que cresce sobre dentro

distrito de Bharatpur foi conceituada e demonstrados.

Missões Nacionais:

FASAL: previsão de produção nacional

Observações
da terra

condição de culturas área cultivada

área de cultivo e
das superfícies cultivadas
Produção

área de cultivo e
o rendimento da cultura
Produção

MÚLTIPLO PREVISÃO na temporada

pré-temporada EarlySeason Estado Estado preharvest Revisto danos

midseason pré-colheita Distrito Avaliando

Fig.11: Conceito de FASAL

Fonte: https://nrsc.gov.in/Forecasting_Agricultural_Output_using_Space_Agro-

meteorology_Land_based_Observations

Várias previsões de trigo na temporada usando multi-data dados IRS WiFS e semanal

variáveis ​meteorológicas no sub-divisões meteorológicas nos principais estados produtoras de trigo

da Índia estão sendo feitas a nível nacional mostrado na figura (11). Sete grandes wheat-

estados produtores, Uttar Pradesh, Punjab, Madhya Pradesh, Haryana, Rajasthan,

Gujarat e Bihar formar a área de estudo. Esses estados representam mais de 90% dos
a produção de trigo. A estratificação de nível três da área com base em agro-climáticas

zonas, uma área e cultura proporção agrícola é feita. Uma grade de 5X5 km é

sobrepostos nas imagens de satélite e quinze por cento amostra aleatória (cada um de tamanho

5 * 5 km) é selecionado dentro de um estado. Os segmentos de amostra são classificadas usando em-

ground truth temporada e um (baseado em regras de decisão) classificador hierárquico. O Estado

estimativas de área cultivada de nível são então estatisticamente agregados para chegar a nível nacional

estimativas área plantada de trigo. A metodologia para o estado rendimento nível de previsão é

vários modelos de regressão com base na temperatura, usando uma correlação ponderada

abordagem de regressão. As estimativas nacionais área cultivada nível e rendimento são, então,

combinados para fornecer Nacional previsão de produção.

Investigações usando espaço suportados dados SAR começou com uso limitado de dados de

JERS, sensores SIR C. radar no entanto, a possibilidade de espaço examinar suportados

de dados para aplicação agrícola grande área foi realizado com o lançamento bem-sucedido

de ERS-1 Synthetic Aperture Radar (SAR) (SAC, 1997). Devido ao problema de

tempo nublado durante a estação chuvosa, as estimativas de produção das culturas de arroz kharif no

principais de arroz crescendo estados estão sendo gerados usando multi-data de Abertura Sintética

Os dados de radar (fig. 11a). Arroz ambiente ou de gestão crescendo práticas garante

que não está em pé de água sob o dossel, pelo menos por um curto período durante

safra. Esta informação é usada para caracterizar a cultura do arroz em um temporal,

domínio (fig. 11b). A taxa de mudança e direcção de alteração da resposta de SAR

auxilia na construção de regra de decisão para a classificação de pixels de arroz. A aleatória estratificada

abordagem de amostragem para cada estado é adotado para a área plantada de estimação com uma amostra

tamanho de 5 * 5 km. Uma fração quinze por amostragem cento e verdade rés-do-temporada em

informações dos segmentos da amostra seleccionadas são utilizados. Os segmentos são classificados

usando um classificador regra de decisão seguido de agregação estatística de nível estadual

acreages a nível nacional estimativa arroz área cultivada. A relação estatística entre
rendimento e precipitação durante a época de colheita é usado para previsões de rendimento. o

modelos a nível distrital são combinados com previsões de área cultivada e produção para o

país é feita.

perfil backscattering temporal do Rice & Non-Rice Área

(dB)
co-eficiente(dB)
05

5 6

Retroespalhamentoco-eficiente
-5
1 7
4

de bc
- 10

retroespalhamento
- 15
2
uma

f
- 20

- 25
Eu - 24 0 24 48 72 96 120 144 168

Dias (1 de Julho = 1)

Arroz agua Urbano Herdade outras culturas

gh
1 2 3 4 5 6 7

Campo-preparação empoçamento transplantado Vegetativo Peak-vegetativo título Maturidade

FIG. cor data Três: 12a A Fig. 12b: padrão temporal da cultura do arroz

compósito de dados de digitalização de SAR (

R: G: B: Date1: Date2: Data 3) sobre

o distrito de estudo mostrando distinta

assinatura de arroz (b, c, d, e, f) dentro

diferente fase de crescimento e outros

classes de cobertura terrestre (um: água, H:

floresta e i: urbano).

Fonte: https: //www.researchgate.net/publication/301310407_Special_Issue_Extre

me_Weather_Events_and_Indian_Agricultu.

Cortar Avaliação de Tecnologia de Identificação de Sensoriamento Remoto (CITARS)

CITRAS (Crop Technology Assessment Identificação para Remote Sensing) era um

experiência para quantificar o desempenho de identificação de culturas realizável com várias

técnica de classificação processamento automático de dados .Ele foi realizado a partir de abril

1973 a abril 1975.The cinco objectivos específicos do CITARS foram:

1) Para avaliar os efeitos de aquisição de dados Landsat durante o milho e soja

estação de crescimento sobre o desempenho lavoura-identificação.

2) Para acessar o efeito de diferentes localizações geográficas tendo diferentes do solo,

tempo, práticas de gestão, as distribuições das culturas, e de campo tamanhos em Lavoura-

desempenho de identificação.

3) Para quantificar a variação no desempenho das culturas-identificação utilizando as diferentes

processo de classificação automático de processamento de dados (ADP).

4) Para testar a capacidade de estender as assinaturas de treinamento, selecionados na área de ensaio, a

treinar os classificadores em outras áreas.

5) Para aceder benefícios de identificação de culturas para ser derivado de classificando com

vários dados Landsat adquirir multi-temporal durante o período vegetativo da cultura.

Abordagem técnica

Seis principais tarefas foram concluídas durante CITARS eram:

Eu) Desenho de esquema de amostragem em Illinois e na Índia para milho e soja

utilizando dados Landsat MSS.

ii) Aquisição e de preparação de um conjunto de dados Landsat-1 conjunto com dados auxiliares

suficiente para apoiar os objectivos experimentais e design.

iii) Computador acrescentou processamento deste definido com o selecionado de dados

algoritmos e procedimentos de classificação.

iv) Quantificação dos desempenhos colheita de identificação para avaliar o

capacidade de estes procedimentos para satisfazer aplicações agrícolas

requisitos.

v) A análise estatística para avaliar quantitativamente o impacto dos principais factores

conhecido para afectar o desempenho de identificação de culturas.

 vi) A interpretação dos resultados para determinar os fatores subjacentes responsáveis

para o resultado e para inferência quanto ao estado da tecnologia como

que se refere às aplicações agrícolas.

conclusões

aplicações de detecção remota da agricultura expandidos em diferentes domínios e

ainda muitos deles cresceu para níveis mais elevados de maturidade durante a última vinte e cinco

anos. A previsão de produção de culturas, por exemplo, iniciado a partir experimental

fase e transferiu-se a fase operacional. As aplicações mais recentes da agricultura

e sua avaliação ambiente também foram exploradas. Com disponibilidade de SAR

sensores, monitoramento da colheita durante a estação kharif tornou-se uma realidade. A Índia é um

líder global em aplicações agrícolas de sensoriamento remoto e levou a cabo

capacitação em não só cientista indiano, mas também de cientistas de outros

países da Índia, bem como do lado de fora. As ferramentas e técnicas específicas têm

foi desenvolvido para atender às necessidades e operacionalização acima. Quase tudo

sensores que medem toda a gama de EMS utilizado na aplicação RS têm sido

estudados e exército deles foram exibidos. A ênfase no futuro deve

ser no sector dos produtos e serviços abrangendo mais decifráveis ​e pronto

ao conhecimento baseado produtos RS usados. A análise ecossistemas agro e

impactos das mudanças climáticas seria o tema focal no qual variedade de

componentes pode vir de dados RS. A horticultura e site specific

gestão exigiria muito mais algoritmos e serviços complexos

produtos orientados. As tecnologias RS e de comunicação se fundiriam no

futuro para fornecer o serviço quase em tempo real a todos os atores do setor agrícola.