In the EU, aquaculture ponds cover an area of 360,000 ha and are a crucial part of the rural landscape. As many ecosystem services (e.g., habitats for protected wildlife, nutrient cycling, etc.) are correlated with the proportion of reed beds relative to open-water areas, it is important in environmental studies to be able to accurately estimate the extent and the temporal dynamics of reed cover. Here, we propose a method for mapping reed cover in fish ponds from freely available Sentinel-2 imagery using the normalized difference vegetation index (NDVI), which we applied to Hungary, the third largest carp producer in the EU. The dynamics of reed cover in Hungarian fish ponds mapped using satellite imagery show a high degree of agreement with the ground-truth points, and when compared with data reported in the annual aquaculture reports for Hungary, it was found that the calculation of reed cover based on the NDVI-based approach was more consistent than the estimates provided in the report. We discuss possible applications of this remote sensing technique in estimating reed-like vegetation cover in fish ponds and the possible use of the results for climate change studies and ecosystem services assessment.

This paper presents geospatial datasets, figures, and tables illustrating i) the location and total area of fish farms under cultivation; and ii) the spatiotemporal dynamics of reed cover in Hungarian fishponds generated from the published study of Sharma et al., [1]. Preliminary data for fish farm locations were obtained from the Institute of Agricultural Economics (AKI), followed by significant refinement based on high-resolution Google Earth Pro-imagery. The fishpond area dataset was validated against the values reported in annual statistical reports on aquaculture. In order to map reed vegetation freely available Sentinel-2 imagery (between 2017 and 2021) was accessed from the Copernicus Open Access Hub [2] and emergent macrophyte cover was classified using the NDVI-based threshold values [1]. Scientists, policymakers, and fish farmers can all benefit from such geospatial datasets. It could be used to monitor the extent of fishponds in Hungary and to design farm-level reed management plans to optimize the provision of ecological and production services.

Cereal leaf beetle (CLB, Oulema melanopus L.) is an important pest that damages cereals. Insecticide use against CLB could be reduced with targeted treatments. Our aims were to develop a methodology to map CLB damage on cereal fields using remote sensing. We investigated the suitability of four vegetation indices (VIs: the Visible Atmospherically Resistance Index (VARI), the Green Chromatic Coordinate (GCC), the Green Leaf Index (GLI), and the Normalized Green–Red Difference Index (NGRDI)) derived from RGB images (drone (UAV) imagery). Study sites were located in different regions of Hungary in 2024. Images were taken at different phenological stages of cereals. Suitability of VIs was analyzed with ANOVA and MANOVA. Machine learning models were developed to classify damaged field sections with random forest (RF) and Light Gradient Boosting Machine (LightGBM) algorithms. Results show that VARI, GCC, GLI, and NGRDI contain complementary features for early detection of CLB damage. Difference in sample points’ VI from field median is advantageous for the LGBM algorithm (F1_damaged = 0.64–0.72), while the best RF models were obtained with more features (F1_damaged = 0.66). Random test data splits had optimistic results (overall accuracy: RF = 0.63–0.80, LightGBM = 0.63–0.79) compared to spatially controlled test splits (overall accuracy: RF = 0.53–0.70, LightGBM = 0.53–0.62).

A belvíz-veszélyeztetettség alatt azt a valószínűségi változót értjük, ami megadja, hogy adott területen mekkora valószínűséggel következik be a belvízi elöntés. Jelen cikkünkben a területhasználat váltás, a földhasználat racionalizálásának hatásait jelenítjük meg a belvíz-veszélyeztetettség mértékére. A kedvezőtlen vízgazdálkodású területek művelésének felfüggesztésének, a területhasználat megváltoztatásának (pl. erdősítés, lefolyástalan területek tározóvá alakítása, zöldítés stb.) hatását trendvizsgálatok alapján határozzuk meg, felhasználva a CORINE és a NÖSZTÉP adatbázist. A belvíz-veszélyeztetettségi térképezéshez alkalmazott területhasználati osztályértékeket módosítottuk, mellyel a területhasználatban bekövetkező feltételezett változás hatását jelenítjük meg. Az elemzés során a környezeténél mélyebb fekvésű (~450 ezer ha), erősen belvíz-veszélyeztetett területeket vettük figyelembe. A síkvidéki területeken a változás kismértékűnek tűnik, de ha a mélyfekvésű területekhez mérjük a területhasználat racionalizálását a területek 12,13%-ban csökkentette, illetve 8,42%-ban növelte a belvíz-veszélyeztetettséget. Megállapításaink szerint az egyes mezőgazdasági területek természeti adottságai által keletkező belvíz hajlam kimutathatóan csökkenthető a vízgazdálkodási körülményeket figyelembe vevő területhasználattal. Mindezek alapján kijelenthető, hogy a gazdálkodás során a talajtani és vízgazdálkodási adottságokhoz kell igazítani a művelési ágakat.

A kutatás témája az átmeneti vízborítottság őszi búzára gyakorolt hatásának vizsgálata kontrollált, liziméteres körülmények között. A kutatás beállítása különböző (vízszinteken) 0 cm (kétfázisú talaj), -30 cm (a felszíntől -30 cm-en beállított vízszint) és -60 cm (a felszíntől -60 cm-en beállított vízszint) és tartósságok (3, 6, 9, 12 nap) mellett elemezzük a növény válaszreakcióit, a hozam és a Zeleny-érték szempontjából. A kutatás során alkalmazott statisztikai módszerek MANOVA, ANOVA, Welch-próba, Games-Howell post-hoc teszt valamint többváltozós korreláció segítettek az eredmények szignifikáns különbségeit feltérképezni. A Pearson-féle korrelációs mátrix magasan szignifikáns, erős pozitív korrelációt igazolt a minőségi mutató között (r = 0,955-0,989, p < 0,001), míg a hozam gyenge pozitív korrelációt mutatott a minőségi paraméterrel (r = 0,155). A Games-Howell post-hoc tesztek szerint a Zeleny-érték esetében a mérsékelt stressz, különösen a 9 napos kezelés a -60 cm-es vízszintnél, szignifikánsan javította a minőséget (pl. 2021, -60 cm, 9 nap szemben a 3 és 6 nap: p = 0,031 és p = 0,004). Ugyanezen körülmények között (pl. 2021, -60 cm, 9 nap), a hozam nem mutatott szignifikáns eltérést a kontrollhoz képest a Welch-féle t-próba szerint (p = 0,4032). A minőségjavulás nem feltétlenül társul hozamnövekedéssel, sőt, más esetekben a hozam csökkenhet is. A 2021-es évben a 0 cm-es vízszint mellett a 6 napos kezelés szignifikánsan csökkentette a hozamot (p = 0,0496), míg a 9 és 12 napos kezelések növelték (p = 0,009, p = 0,034). Zeleny-érték: 2020-ban -60 cm-en a folyamatos kezelés szignifikánsan rosszabb volt, mint a 12 napos (p = 0,004). Míg 2019-ben ugyanezen vízszintnél a folyamatos kezelés szignifikánsan jobb volt, mint a 3 napos (p < 0,0001). A hozam 2021-ben -60 cm-en a folyamatos elárasztás szignifikánsan alacsonyabb hozamot eredményezett, mint a 12 napos kezelés (p = 0,005). Viszont 2020-ban -60 cm-en a folyamatos kezelés szignifikánsan jobb volt, mint a 3 napos (p = 0,026) és a 9 napos (p = 0,003) kezelés. Ez a mintázat aláhúzza a folyamatos kezelés kockázatos és évjárat-specifikus jellegét.

Red clover is the second most valuable and intensively produced leguminous fodder crop in Hungary. Optimum harvesting should start when 75-80 per cent of seed-heads are brown and 90 per cent or more of the seeds are past the hard-dough stage of maturity. Harvesting must be done before an appreciable amount of seed-head deterioration begins. On fall plantings the first-year crop normally matures during the months of August and September. Seed from second-year stands, if not cut back, will mature somewhat earlier. The harvesting of red clover is divided into two distinct operations: (1) the curing or preparation and (2) the hulling and separation of the seed. The curing is by windrowing or contact desiccant spraying. It is the timing of each step that can make all the difference between a good yield and a mediocre one. The agronomists decide those actions with personal on-site inspections of the heads. Their decisions rely on random point sampling. A trend has developed with the recent interest in the harvesting time estimation of red clover in seed production to meet the demands of sustainable and precise agriculture. Unmanned aerial systems (UAS) are one of the current state-of-the-art tools when it comes to supporting farm-scale phenotyping trials. In this examination, we explored the red clover seed heads classification using deep learning on a UAS RGB aerial image. We assessed different ripening status of the flower heads with a single-shot detector (SSD) deep learning model. It is proposed that drone data collection was suggested to be optimum in this study, closer to the harvest date, but not later than the ageing stage. With SSD model we can calculate the number of heads on the vegetation surface but to differentiate them (e.g., purple-, light-brown-, dark-brown flower heads) with high confidence, we need more examinations, spectral bands or fine adjustments of the model with additional data.