Mini İnsansız Hava Aracının Tahıl Islah Parsellerinde Verim Tahmininde Kullanılabilirliği

Yıl 2020, Cilt: 9 Sayı: 2, 280 - 294, 24.12.2020

Mesut Uyaner Muhammet Karaşahin Mesut Bilici İlker Topal Enes Yakışır Ramazan Keleş

Öz

Binlerce parsellerden oluşan ıslah programlarının başarıya ulaşabilmesi, yüksek verimli fenotipleme (HTP) kullanımına bağlıdır. İnsansız hava araçları (İHA) yüksek verimli fenotipik seleksiyon için bir fırsat oluşturmaktadır.
Araştırma sonuçlarına göre İHA ile elde edilen NDVI değerleri ile yersel ölçümlerle elde edilen NDVI değerleri arasındaki ilişkilerin istatistiki olarak önemli olduğu tespit edilmiştir (P<0.05). Yersel ölçümlerle elde edilen değerlerin buğdayda %34’ünün, arpada ise %25’inin İHA NDVI değerleri ile açıklanabileceği görülmüştür. Ancak elde edilen belirtme katsayısı değerleri bu ilişkilerin açıklanmasında yetersiz kaldığını göstermektedir. Kuru şartlarda buğday ve arpa ıslah parsellerinde verim tahmininde İHA kullanımı ile ilgili tavsiyede bulunabilmek için çalışmanın kardeşlenme, sapa kalkma ve çiçeklenme gibi farklı bitki gelişim dönemlerinde yapılarak karar verilmesinin daha doğru bir yaklaşım olduğu varsayılmıştır.

Anahtar Kelimeler

Tahıl ıslahı, mini insansız hava aracı, verim tahmini

Destekleyen Kurum

Bu çalışma Necmettin Erbakan Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü (NEÜBAP) tarafından desteklenmiştir (Proje No: 171216002).

Availability of Small Unmanned Aerial Vehicle for Yield Estimation in Cereal Breeding Nurserie

Öz

To succeed of thousands of parcel breeding programs are depending on using high throughput phenotyping (HTP). Unmanned aerial vehicles (UAV) create an opportunity for high throughput phenotypic selection.
According to the research results, the relationships between NDVI values obtained by UAV and NDVI values obtained by ground measurements were found to be statistically significant (P<0.05). It has been observed that 34% of the values obtained by terrestrial measurements can be explained by UAV NDVI values for wheat and 25% for barley. However, the coefficient of determination values were found insufficient to explaining these relationships. It is assumed that it is a more correct approach to make a decision in different plant development periods such as tillering, stem elongation and flowering in order to give advice on the use of UAV in the yield estimation of wheat and barley breeding plots under rainfed conditions.

Anahtar Kelimeler

Cereal breeding, small unmanned aerial vehicle, yield estimation

Kaynakça

• Araus, J. L., Cairns, J. E. (2014). Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science, 19(1), 52-61. DOI: 10.1016/j.tplants.2013.09.008.
• Asseng, S., Foster, I., Turner, N. C. (2011). The impact of temperature variability on wheat yields. Global Change Biology, 17(2), 997-1012. DOI: 10.1111/j.1365-2486.2010.02262.x.
• Avdan, U., Bilget, Ö., Çömert, R., Savaşlı, E., Önder, O. (2014). İHA yardımı ile tarımsal alanlarda yeşil bant normalize edilmiş bitki indeksi hesaplanması. 5. Uzaktan Algılama-CBS Sempozyumu, 14-17 Ekim 2014, İstanbul.
• Balcı, A., Turgut, İ. (2006). On kendilenmiş atdişi mısır (Zea mays indentata Sturt.) hattının diallel melezlerinde bazı tarımsal ve kalite özelliklerinin kalıtımı. Uludağ. Üniv. Zir. Fak. Derg., 20(1), 67-83.
• Borrell, A. K., Van Oosterom, E. J., Mullet, J. E., George-Jaeggli, B., Jordan, D. R., Klein, P. E., Hammer, G. L. (2014). Stay-green alleles individually enhance grain yield in sorghum under drought by modifying canopy development and water uptake patterns. New Phytologist, 203(3), 817-830. DOI: 10.1111/nph.12869.
• Crain, J. L. (2016). Leveraging the genomics revolution with high-throughput phenotyping for crop improvement of abiotic stresses. Doctor of Philosophy, Kansas State Unıversity, 144 p. Manhattan, Kansas. http://hdl.handle.net/2097/32566.
• Çekiç, C., Savaşlı, E., Önder, O., Dayıoğlu, R., Gökmen, F., Dursun, N., Gezgin, S., Kalaycı, M.H. (2008). Bitkilerin azot kullanma etkinliğini artırmada mevsim içi azotlu gübre yönetiminin önemi. 4. Ulusal Bitki Besleme ve Gübre Kongresi. 8-10 Ekim 2008, 83-89, Konya.
• Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X., Furbank, R. (2014). Proximal remote sensing buggies and potential applications for field-based phenotyping. Agronomy 4(3), 349-379. DOI: 10.3390/agronomy4030349.
• Gitelson, A. A., Vina, A., Arkebauer, A., Rundquist, T. J., Keydan, D. J. G., Leavitt, B. (2003). Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters, 30(5), 1248. DOI: 10.1029/2002GL016450.
• Haghighattalab, A., Gonzalez Perez, L., Mondali, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz‑Monasterio, I., Singh, R. P., Goodin, D., Poland, J. (2016). Application of unmanned aerial systems for high throughput phenotyping of large wheat breeding nurseries. Plant Methods, 12: 1-15. DOI: 10.1186/s13007-016-0134-6.
• Houlie, N., Komorowski, J. C., De Michele, M., Kasereka, M., Ciraba, H. (2006). Early detection of eruptive dykes revealed by normalized difference vegetation index (NDVI) on Mt. Etna and Mt. Nyiragongo. Earth and Planetary Science Letters 246(3-4), 231-240. DOI: 10.1016/j.epsl.2006.03.039.
• Hunt, E. R., Cavigelli, M., Daughtry, C. S. T., McMurtrey, J. E., Walthall, C. L. (2005). Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precision Agriculture, 6: 359-378. https://link.springer.com/article/10.1007/s11119-005-2324-5.
• Jannoura, R., Brinkmann, K., Uteau, D., Bruns, C., Joergensen, R. G. (2015). Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter. Biosystem Engineering, 129: 341-351. DOI: 10.1016/j.biosystemseng.2014.11.007.
• Kandemir, E. (2010). Uzaktan algılama tekniğinde NDVI değerleri ile doğal bitki örtüsü tür dağılımı arasındaki ilişkilerin belirlenmesi üzerine araştırmalar. (Yüksek lisans tezi). Ege Ü. Fen Bil. Enst., Çevre Bilimleri Anabilim Dalı, 78 s. İzmir.
• Kara, Ş. M. (2000). Bazı ekmeklik buğday genotiplerinde adaptasyon ve stabilite analizleri. Turk J Agric For, 24(3), 413-419.
• Karaşahin, M., Samancı, A. (2018). Mini insansız hava aracının tahıl ıslah parsellerinde fenotipik seleksiyonda kullanılabilirliği. Selcuk J Agr Food Sci, 32(3), 616-623.
• Lopes, M. S., Reynolds, M. P. (2012). Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology. J. Exp. Bot. 63(10), 3789–3798. DOI: 10.1093/jxb/ers071.
• Mefford, B. S. (2014). Assessing corn water stress using spectral reflectance. Department of Civil and Environmental Engineering for the Degree of Master of Science, Colorado State University, 129. Fort Collins, Colorado.
• Öğüt, H. (2012). Tarımın ileri teknoloji ile buluşma noktası: Hassas tarım. Türkiye Tohumcular Birliği Dergisi, 38: 38-41.
• Öztürk, A., Akkaya, A. (1996). Kışlık buğdayda verim, verim öğeleri ve fenolojik dönemler arasındaki ilişkiler. Atatürk Ü. Zir. Fak. Der., 27(3), 350-368.
• Pena-Barragan, J. M. (2012). Object-based approach for crop row characterization in UAV images for site-specific weed management. Proceedings of the 4th GEOBIA, May 7-9, 2012, 426-430, Rio de Janerio-Brazil.
• Peñuelas, J., Filella, I., Biel, C., Serrano, L., Save, R. (1993). The reflectance at the 950–970 nm region as an indicator of plant water status. International Journal of Remote Sensing, 14(10), 1887-1905. DOI: 10.1080/01431169308954010.
• Prashar, A., Jones, H. G. (2014). Infra-red thermography as a high-throughput tool for field phenotyping. Agronomy, 4(3), 397–417. DOI: 10.3390/agronomy4030397.
• Rabatel, G., Gorretta, N., Labbe, S. (2014). Getting simultaneous red and near-infrared band data from a single digital camera for plant monitoring applications: Theoretical and practical study. Biosystem Engineering, 117: 2-14. DOI: 10.1016/j.biosystemseng.2013.06.008.
• Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, R. N., Christensen, S. (2016). Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently reliable for assessing experimental plots? Europ. J. Agronomy, 74: 75-92. DOI: 10.1016/j.eja.2015.11.026.
• Reynolds, M., Foulkes, J., Furbank, R., Griffiths, S., King, J., Murchie, E., Parry, M., Slafer, G. (2012). Achieving yield gains in wheat. Plant, Cell & Environment, 35(10), 1799-1823. DOI: 10.1111/j.1365-3040.2012.02588.x.
• Samborskia, S. M., Gozdowskib, D., Olga, S., David, W., Stępiena, M., Edward, S., Tadeusz, D. (2016). Winter wheat genotype effect on canopy reflectance: implications for using ndvi for in-season nitrogen top dressing recommendations. Proceedings of the 13th International Conference on Precision Agriculture July 31, 2016, St. Louis, Missouri, USA.
• Sankaran, S., Khot, L. R., Zuniga Espinoza, C., Jarolmasjed, S., Sathuvalli, V.R., Vandemark, G. J., Miklas, P. N., Carter, A. H., Pumphrey, M. O., Knowles, N. R., Pavek, M. J. (2015). Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review. Europ. J. Agronomy, 70: 112-123. DOI: 10.1016/j.eja.2015.07.004.
• Savaslı, E., Önder, O., Çekici, Ö., Kalaycı, H. M., Dayıoğlu, R., Karaduman, Y., Gökmen, F., Dursun, N., Gezgin, S. (2020). Sensor based calibration study for in-season nitrogen management of winter wheat in Turkey. Asian J. Med. Biol. Res., 6(2), 204-211. DOI: 10.3329/ajmbr.v6i2.48051.
• Shi, Y., Thomasson, J. A., Murray, S. C., Pugh, N. A. vd. (2016). Unmanned aerial vehicles for high-throughput phenotyping and agronomic research. PLOS ONE, 11(7), 1-26. DOI: 10.1371/journal.pone.0159781.
• Swain, K. C., Uz Zaman, Q. (2012). Rice crop monitoring with unmanned helicopter remote sensing images. Remote Sensing of Biomass – Principles and Applications, 253-272.
• Torres-Sanchez J., Lopez-Granados, F., De Castro A. I, Pena-Barragan, J. M. (2013). Configuration and specifications of an unmanned aerial vehicle UAV for early site specific weed management. PLOS ONE, 8(3), 1-15. DOI: 10.1371/journal.pone.0058210.
• Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150. DOI: 10.1016/0034-4257(79)90013-0.
• Usul, M. (2010). Arazi kalite parametrelerinin buğday ürün rekoltesi üzerine etkilerinin uzaktan algılama ve coğrafi bilgi sistemi kullanılarak belirlenmesi, Altınova Tarım İşletmesi örneği. (Doktora tezi). Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Toprak Anabilim Dalı, 142 s. Ankara.
• White, J. W., Andrade-Sanchez, P., Gore, M. A., Bronson, K. F., Coffelt, T. A., Conley, M. M., Feldmann, K. A., French, A. N., Heun, J. T., Hunsaker, D. J., Jenks, M. A., Kimball, B. A., Roth, R. L., Strand, R. J., Thorp, K. R., Wall, G. W., Wang, G. (2012). Field-based phenomics for plant genetics research. Field Crops Research 133: 101-112. DOI: 10.1016/j.fcr.2012.04.003.
• Xiang, H., Tian, L. (2011). Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV). Biosystem Engineering, 108(2), 174-190. DOI: 0.1016/j.biosystemseng.2010.11.010.
• Yıldız, H., Mermer, A., Ünal, E., Akbaş, F. (2012). Türkiye bitki örtüsünün NDVI verileri ile zamansal ve mekansal analizi. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 21(2), 50-56.
• You, L., Rosegrant, M. W., Wood, S., Sun, D. (2009). Impact of growing season temperature on wheat productivity in China. Agric. For. Meteorol. 149(6-7), 1009–1014. DOI: 10.1016/j.agrformet.2008.12.004.