• GNSS - lokalizace externalit
• GIS - zpracování a vyhodnocování dat v prostoru, tvorba výnosových map
• sklizňové a analytické senzory
  • CANBAS SYSTÉM - počítačem řízený automatizovaný systém k ovládání zemědělské techniky - aplikace poznatků
  • vzorkování půdy v síti / interpolace
  • odběr půdních vzorků za účelem jištění zásoby živin v půdě a inventarizace půd

• Individuální přístup k danému místu díky znalosti prostředí → různá (přesnější) množství hnojiv a herbicidů tam, kde je potřeba
• snížení nákladů, ekonomická a ekologická pozitiva
• snížení nákladů na výrobu zemědělských produktů
• zvýšení efektivnosti vynakládaných vstupů prostřednictvím optimalizovaných a lokalizovaných vstupů
• nižší zatížení životního prostředí

• Tradiční hospodaření – min. plocha pro agrotechnický zásah – pole
• Precizní hospodaření – sleduje se časová a prostorová variabilita pole
• Evidence využití strojů
• Kontrola pracovníků

• tradiční postupy
  • vychází z dlouholetých agronomických výzkumů
  • v praxi zavedené postupy s jednoznačnou interpretací pro rozhodování
  • vysoká přesnost stanovení daného znaku (laboratorní analýzy)
  • pro prostorové mapování příliš nákladné a náročné
• senzorové metody
  • moderní postupy využívající fyzikálních vlastností půdy a porostů
  • vysoké prostorové pokrytí (opakovatelnost měření bez dodatečných nákladů)
  • nižší přesnost stanovení dané vlastnosti

• měření EC a letecké snímky vykázaly podobný potenciál (působení faktorů zrnitost-vlhkost-organická hmota)
• komplexní působení faktorů ztěžuje identifikaci zdrojů variability,
• umožňuje ale získat celkový obraz heterogenity půdních podmínek - toho lze např . využít při optimalizaci vzorkování půdy
• senzorové metody umožňují mapování porostů s dostatečným prostorovým pokrytím, které vychází z opakovatelnosti měření bez dodatečných nákladů
• v praxi jsou nejrozšířenější postupy využívající spektrálního chování vegetace
• kombinované působení mnoha faktorů = obtížná identifikace pouze jednoho z nich
• metody DPZ jsou limitovány povětrnostními podmínkami – použití online systémů (Yara Ntester ,…)
• nízká nákladnost a vysoké prostorové pokrytí senzorových metod = ideální vlastnosti pro efektivní mapování variability pozemků
• využitelnost těchto metod v praxi je ale limitována absencí agronomicky relevantní interpretace pro tvorbu doporučení
• komplexní působení mnoha faktorů znesnadňuje identifikaci příčin variability
• z toho důvodu jsou v současnosti senzorové metody kombinovány s tradičními metodami

• indikuje utužení půdy na základě mechanického odporu
• prováděno ve 150m bodové síti přístrojem Eijkelkamp Penetrologger do hloubky 0,8 m

• využívá geofyzikálních vlastností půdy
• ověřováno bezkontaktní měření elektromagnetické konduktivity přístrojem Geonics EM38 a GF Instruments CMD-1
• kontinuální (on-the-go) měření – tažením za vozidlem nebo chůzí
• hloubka dosahu měřícího signálu až 1,5 m
• bezkontaktní senzory
  • využívající elektromagnetickou indukci
  • nepřicházejí do přímého styku s půdou
  • skládají se z vysílací jednotky generující indukční elektromagnetické pole, které se přenáší do půdy, a z přijímací jednotky, která měří odezvu
• kontaktní senzory
  • měří elektrickou vodivost půdy elektrodami, které jsou v přímém kontaktu s půdou
  • stejnosměrný či střídavý elektrický proud o nízké frekvenci
  • vliv zahloubení elektrod na výsledky měření byl zanedbatelný
• vztahy mezi elektrickou vodivostí (EC) a dalšími vlastnostmi půd, které vysoce ovlivňují produkční schopnost půd, kapilární vodní kapacitou, hloubkou ornice, iontovou výměnnou kapacitou, obsahem organických látek, obsahem živin, podložím
• porovnání map EC s dalšími vrstvami (výnosová mapy, mapy zásobení půdy živinami, půdní průzkumy)
• → snížit náklady vstupů (osiva, hnojiva x chemické přípravky), zatížen ŽP
• → zvýšit výnosy

• identifikace variability půdy dle spektrálních vlastností půdy
• kvantifikace parametrů porostu dle jeho spektrálního chování
• významné části spektra: červená (chlorofyl) a blízce infračervená (biomasa)
• základní hodnocení pomocí vegetačního indexu NDVI
• Normalizovaný diferenční vegetační index (Normalized Difference Vegetation)
• hodnoty v intervalu (-1, +1)
• korelují především s obsahem zelené hmoty v ploše pixelu
• odstraněno dělení nulou
• umožňují identifikaci ploch s podprůměrným nebo nadprůměrným stavem porostů

• skupina poměrně jednoduchých aritmetických operací s dvěma či více pásmy
• vegetační indexy - vztah mezi odrazivostí v intervalu červené viditelné části spektra (600 – 700 nm) a v blízké infračervené části spektra (přibližně 700 – 900 nm)
• na základě znalosti spektrálního chování zvýrazní vegetační složku v obraze
• některé vypovídají i o vlastnostech půdního substrátu
• určování kvantitativních ukazatelů, jako je množství zelené biomasy v ploše pixelu
• poměrové indexy - dávají do vztahu jednoduchým nebo normalizovaným poměrem odrazivost povrchů v červené viditelné a blízké infračervené části spektra
• mohou významně korelovat s některými dalšími parametry vegetační složky krajiny
• Jednoduchý poměrový vegetační index (RVI-Ratio Vegetation Index)
  • rozsah hodnot od 0 do 30 ale i více
  • standardní hodnoty v intervalu (2,8)
  • neumožňuje odstranit dělení nulou
  • zásadní vliv na hodnoty RVI - odrazivost světlých půd, která hodnoty snižuje.
  • problém většiny poměrových indexů
• Transformovaný vegetační index (TVI-Tansformed Vegetation Index)
  • pro odstranění záporných hodnot je k NDVI přičtena konstanta 0,50 a výsledek je poté odmocněn
• Index listové pokryvnosti (leaf area index, LAI)
  • kvantitativním ukazatelem celkové listové plochy
  • celková plocha horní strany listů na horizontální jednotku plochy
• ortogonální indexy
  • lineární kombinací původních pásem multispektrálního obrazu
  • index PVI (perpendicular vegetation index)
    • lze do značné míry odlišit odrazivost vegetace a půdního substrátu
  • Tasseled Cap – GVI (Green Vegetation Index)
    • původně navržen pro pásma skeneru MSS, lze aplikovat i na ™
    • pásma zvýrazňují určitou specifickou informaci korelující s vlastnostmi půdy a vegetace
    • první pásmo (index Brightness) - orientováno ve směru maximálního rozptylu hodnot odrazivosti půdy
    • druhé pásmo (index Greeness) - kolmé k 1P – ukazatel množství zeleně
    • třetí pásmo (index Wetness) - koreluje s vlhkostí pudy a vegetace

• využívá spektrálních charakteristik rostlin a vztahu mezi obsahem chlorofylu a potřebou N hnojení
• kontaktní pozemní měření v bodové síti
• měření přístroji Yara Ntester a PSI PlantPen PRI200 v bodové síti 150m
• zjišťování informace o výživném stavu rostlin na částech listů

• finální výsledek agrotechnických opatření
• vstupní informace pro následnou plodinu (hnojení)
• stanovení výnosové úrovně na pozemku z historických výnosových dat

• odebírání vzorků půdy a rostlin ve zvolené vzorkovací síti (40×40 m)
• vyhodnocování výnosu z výnosového senzoru na sklízecí mlátičce
• měření výnosů pomocí nárazového čidla
• data se ukládají na PCMCIA kartu každé 3 sekundy,
• sw Albyd převod o XLS tabulky → statisticky upraví → uloží do db
• na základě snímkování porostu (letecké, družicové snímky)

• Senzory na sklízecích strojích kombinují informace o výnosu, místě a čase.
• Tyto informace mohou sloužit jako vstup pro variabilní aplikaci

• Hydro N-Senso
  • vyvinutý pro variabilní dávkování dusíkatých hnojiv pro zemědělské plodiny na základě optického měření obsahu chlorofylu a hustoty porostu
  • optické senzory měří “za pohybu” intenzitu a spektrální složení světla odraženého od porostu
  • naměřené údaje jsou korigovány o agronomická data (odrůda, vývojová fáze…)
  • podle kalibrační křivky stanovena optimální aplikační dávku dusíku pro příslušnou část pozemku
  • doporučená dávka „on-line“ přenesena do řídicího počítače rozmetadla nebo postřikovače

• 3-10 dnů před plánovanou aplikací hnojiv - navigovaný letecký průlet se snímkováním požadovaných ploch
• analýza leteckých multispektrálních snímků - do 48 hodin zpracována a vyhodnocena
• při zpracování brán v úvahu průběh počasí (srážky, teplot)
• aktuální vývojová fáze plodiny
• specifické odrůdové vlastnosti ⇒ sada aplikačních map pro variabilní aplikaci dusíku - patrná potřeba dusíkatých hnojiv pro dohnojení, minimální a maximální doporučené dávky a také podrobný popis zjištěné variabilit
• Nastavení se dají upravit podle potřeb a podle znalostí místních podmínek a většina agronomů této možnosti využívá
• Konečné a konzultované aplikační mapy slouží jako podklad pro automatické dávkování hnojiv řízené počítačem rozmetadla nebo postřikovače.
• Veškerá aplikační technika je vybavena přijímačem GPS, řídícím počítačem a dávkovacím systémem pro proměnlivé dávkování.
• Udaje o variabilitě z připravené mapy a údaje o aktuální poloze stroje z GPS zpracovává palubní počítač a upravuje dávkování hnojiv podle potřeby
• některé stroje vybaveny vícekomorovým zásobníkem s nezávislým dávkováním ⇒ aplikace několik druhů hnojiv současně a přesto nezávisle - podle rozdílných aplikačních map
• u všech strojů - zpětný záznam o provedeném hnojení a dávkách – využití jako protokolu o spotřebovaných hnojivech

• polní průzkum výskytu pcháče pro variabilní herbicidní postřik
• vytvořena čtvercová bodová síť 18 x 18m
• počet a oblasti výskytu pcháče zjišťovány na jednotlivých bodech sítě (s GPS)
• získaná data vyhodnocena v GIS a zakreslena do mapy
• na základě této mapy byl realizován variabilní postřik pcháče
• postřikovač byl ovládán manuálně
• začátek a konec postřiku byl určen body stanovenými na kolejových řádcích podle výskytu/nevýskytu pcháče

• Fenologie = nauka zabývající se studiem časového průběhu periodicky se opakujících životních projevů - fenologických fází rostlin a živočichů a studiem vazeb fenologických fází na střídání klimatických a půdních podmínek během ročního období
• Fenologické fáze (fenofáze) = dobře rozeznatelný a zpravidla každoročně se opakující projev orgánů vývoje sledovaných rostlin (Ellenberg, 1954 modif. Pfume a Bruelheide, 1994)
• Aspekty fenologického pozorování
  • časový aspekt
  • nástupy fenofází a délka trvání
  • časová variabilitou fenofází – posun nástupů, extrémy
  • prostorový aspekt
  • charakter reliéfů (nadmořská výška, členitost, orientace)
  • klimatická oblast (teplotní charakter území, množství srážek, apod.)

• Metoda umožňuje předpovídat místní fáze fenologického vývoje ve studovaném území bez vyrovnání fenologických zákonitosti závisejících na topografických variacích malého měřítka (Tichý, 1999)
• výsledek přináší efekt při plánování nástupu zvířat na pastvu v jednotlivých oblastech CHKO, kdy lze na základě pozorování v jedné části území odhadnout daleko přesněji, v porovnání s použitím klasické mapy klimatických oblastí, fenologický rozvoj pastvin pro celé území CHKO
• představená modifikace Ellenbergovy metody fenologického mapování připouští redukci terénní práce na několik lokalit a výrobu mapy pomocí prostorové interpolace
• v krajině topograficky složité, se zdá že začlenění PDSI modelu poskytuje rozumnou interpolaci
• PDSI model je snadno spočitatelný z DEM
• důležité pro spolehlivou interpolaci na zkracujících se vzdálenostech bodů se známými LSPD hodnotami kvůli rostoucí standardním chybám regrese svahů
• kvůli zatížení bodů s přímými LSPD pozorováními, budou mít okolní body v jejich těsném sousedství mít sklon k identické hodnotě navzdory možné topografické variabilitě.
• → žádné zákonitosti, který nejsou očividné z terénních dat, a vycházejí pouze z interpolace by měly být interpretovány s velkou opatrností a ověřením v terénu, i když i ony mají ekologický smysl
• → skutečné hodnoty LSPD zaznamenané v terénu jsou přesně zakresleny do fenologické mapy, aby se vyznačily lokality se spolehlivými LSPD výpočty

• referenční lokality s různým lokálním stupněm fenologického rozvoje (LSPD)
• měly by zahrnovat potenciální extrémně teplé a extrémně studené stanoviště
• dle fenologického rozvoje seřazeny a ohodnoceny od 1 (nejvíce pokročilá) až po 5 (nejvíce opožděná)
• na každé lokalitě zaznamenán fenologický stupeň každého druhu stromu, křoví a bylin s použitím 10 stupňové fenologické stupnice
• hodnocení fenologického stupně vegetativních a generativních orgánů odděleně
• záznamy shrnuty v tabulku cca 40 druhů shodných (svým výskytem, nikoliv fází) ⇒ referenční klíč k identifikaci LSPD v jiných částech oblasti

• model Irrad © Doc. Tichý (MUNI)
• založen na DEM
• poměrný denní součet PDSI v ekvinokciální bodu* zahrnující reprezentativní jarní iradiační vztahy
• Jedna čtyřiadvacetina zdánlivého slunečního dne (mezi jedním a následujícím polednem, nebo jedním a dalším západem Slunce)

vypočtený jako orientace a inklinace dělený denní sumou PDSI dosahovaných na rovinných površích denní suma = součet 120 hodnot následných rovností počítaných v 15 min. intervalech

• p - prostupnost ovzduší
• zt - stupeň slunečního zenitu v čase t
• at - úhel mezi místní normálou na povrch a směrem přicházejícího přímého záření v čase t
• Bt - úhel mezi místní vertikálou a směrem přicházející přímého slunečního záření v čase t.
• čas t byl sestaven z 15 min. intervalů , tj. pro azimut 1200 slunce

• jednoduchá interpolace LSPD hodnot se stejně reagujícím povrchem z pozorovaných lokalit by poskytovala nesprávné výpočty v místech se složitým reliéfem, kde suma teplot silně reaguje na kolísání přímého slunečního záření
• použita interpolační metoda - založená na lokálních vztazích mezi LSPD a PDSI
• lineární regrese LSPD na PDSI vypočtena zvlášť pro každou buňku DEM
• pro zdůraznění místních aspektů - vztahů mezi proměnnými pozorovaných vektorů [PDSI;LSPD] uvažovány vzdálenosti k buňce k, pro kterou regrese byla počítána
• vektor pro nejbližší buňku s LSPD pozorováním byl obsažen v regresi 100x a vektory pro jiné body byli obsaženy od 100x do 0x - závisejíc na jejich vzdálenost od buňky k.
• LSPD hodnoty pro každou buňku k - vypočteny ze známé PDSI v buňce za použití rovnosti regrese pro tuto buňku
• počet opakování vzdálených buněk v regresi ubyl s koeficientem wi

• dmin - vzdálenost od buňky k, pro kterou je regrese počítána, k nejbližší buňce s LSPD pozorováním
• di - vzdálenost od buňky k k i-té buňce s LSPD pozorování

• pastevní plochy musí být odolné úměrnému sešlapu, který závisí vedle pedoklimatických podmínek na druhu zvířat, na intenzitě pastvy, na délce pastevní sezóny apod.
• zatížení lokality by mělo být optimální - aby nedocházelo k přebytkům biomasy na lokalitě, ale ani k spasení veškeré biomasy.
• velice specifické - odvíjí se od komplexu přírodních poměrů
• nížinná oblast-asi 12 ks / ha-1,2 DJ
• podhorská oblast-asi 10 ks na ha -1,0 DJ
• horská oblast do 1200 m.n.m - okolo 8 ks na ha - 0,8 DJ
• horská oblast od 1200 do 1600 m.n.m - asi 3 ks na han - 0,3 DJ
• 1 kráva masného plemene = 5 bahnic s odchovem

• sw analyzující pastevní možnosti na daném území pro potřeby zemědělství a v rámci udržitelného rozvoje
• integrování vstupních parametrů (např. krmné plodiny, druh dobytka)
• schopnost vyjádřit možnosti výchozích zdrojů
• analýza území a pastevních možností
• odhad úživnosti území pro živočišnou výrobu - především pro extenzivních hospodářství
• vyhodnocení vývoje píce, zvláště jejich dopad na pastevní zdroje a produktivitu živočišstva
• sledování pasteveckých zdrojů a odhad jednotlivých pastevních jednotek v rámci oblasti
• sledování trendů v produktivitě píce a modelově odhadnuté spotřeby píce v rámci každého bloku a pastviny během série let
• stanovení optimálních poměrů živočišných druhů
• zjištění ideálních poměrů pícních druhů
• zhodnocení změn ve využití území (např. dopad lesnictví na živočišnou produkci)
• odhad dopadu dlouhodobého poklesu/zlepšení výnosnosti pastvin v závislosti na únosnosti počtu živočichů
• vlastnosti:
  • množství nástrojů s bohatými možnostmi analýz a vstupních nastavení
  • řada uživatelských úrovní
  • všechny analýzy jsou uskutečnitelné s časovou periodou přibližně 7 dní
  • vstupní a výstupní návaznost s GIS (csv, xls)
  • do systému mohou vstupovat i faktory jako dovoz krmení z míst mimo zkoumanou oblast, popř. možnost dočasné pastvy mimo zájmovou oblast
  • výsledky jsou shrnuty jak textově, tak graficky
  • velké množství vstupních parametrů (nutné všechny znát a taky časově náročné)
  • možnost úpravy většiny vstupních parametrů