Гиперспектральная съемка с БПЛА для оценки индекса листовой поверхности и хлорофилла пшеницы для прогнозирования урожайности

0

Martin Kanning1, Insa Kühling2, Dieter Trautz3, Thomas Jarmer1

1 Institute of Computer Science, Working Group, Remote Sensing and Digital Image Analysis, University of Osnabrück, Wachsbleiche 27, D-49090 Osnabrück, Germany

2 Institute of Agricultural and Nutritional Sciences, Department of Agronomy and Organic Farming, Martin Luther University Halle-Wittenberg, D-06120 Halle (Saale), Germany

3 Faculty of Agricultural Sciences and Landscape Architecture, Working Group Sustainable Agro-Ecosystems, Osnabrück University of Applied Sciences, D-49090 Osnabrück, Germany

Аннотация: Эффективное использование азотных удобрений является актуальной проблемой современного сельского хозяйства. Внесение удобрений должно быть сведено к минимуму, чтобы уменьшить воздействие на окружающую среду, но оптимально, без негативного влияния на урожайность. В июне 2017 года контролируемый эксперимент с восемью различными методами азотной обработки был применен к озимой пшенице и проведены исследования с помощью гиперспектральной камеры Resonon Pika-L (400-1000 нм), установленной на БПЛА. Система в сочетании с точным инерциальным измерительным блоком (IMU) и точным гиростабилизатором была очень стабильной и способной получать гиперспектральные изображения высокого спектрального качества и пространственного разрешения. Кроме того, в полевых условиях были проведены измерения 48 образцов (индекс листовой поверхности (LAI), хлорофилл (CHL) и спектры отражения), которые были равномерно распределены по различным методам азотной обработки. Эти измерения использовались для прогнозирования урожайности зерна, поскольку сам параметр не оказывал прямого влияния на спектральное отражение растений. Поэтому мы представляем косвенный подход, основанный на оценках LAI и хлорофилла на основе полученных гиперспектральных данных с использованием регрессии частных наименьших квадратов (PLSR). Полученные модели показали достоверную предсказуемость для этих параметров (R2 LAI = 0,79; RMSELAI [м2м-2] = 0,18; R2 CHL = 0,77, RMSECHL [mg см-2] = 7,02). Предварительные расчеты LAI и CHL использовались впоследствии для калибровки модели множественной линейной регрессии для оценки урожайности зерна (R2yield = 0,88, RMSEyield [dt ha-1] = 4,18). С помощью этой модели было выполнено пиксельный предварительный расчет гиперспектрального изображения. Проверка полученных оценок урожайности показала, что при превышении определенного количества внесенного азота дальнейшее внесение удобрений не обязательно приводит к увеличению урожайности.

  1. Введение

Эффективное производство продуктов питания требует баланса между минимизацией экологического ущерба и максимизацией урожайности. Широкое использование азота (N) для удобрения является одной из ключевых проблем в современном сельском хозяйстве. Излишний азот вымывается в подземные воды и, следовательно, ставит под угрозу качество питьевой воды. Кроме того, загрязненные подземные воды стекают в реки и озера, способствуя эвтрофикации этих водоемов.

С точки зрения фермера, наиболее важным экономическим параметром является достигнутая урожайность. Передозировка азотных удобрений в допустимых пределах приводит к увеличению затрат без увеличения добавленной стоимости. Дальнейшие возможные правила применения удобрений должны оказывать лишь ограниченное негативное влияние на урожайность. С помощью контролируемых экспериментов, непосредственно сравнивающих урожайность, полученную в результате различных применений N, можно выявить эффекты от снижения внесения удобрений. Более того, новые концепции мониторинга этих эффектов во время вегетации позволяют разрабатывать приложения для точного земледелия, особенно для эффективного внесения азота.

Технология дистанционного зондирования различных масштабов часто оказывается подходящим инструментом для мониторинга сельскохозяйственных культур. В частности, дистанционное зондирование с помощью БПЛА позволяет осуществлять очень точный мониторинг отдельных районов за счет более низких высот полета и данных с высоким разрешением. В последние годы достигла быстрого прогресса разработка гиперспектральных систем на базе БПЛА. По сравнению с системами на базе пилотируемых летательных аппаратов сенсоры стали меньше, легче и дешевле для  съемки и обработки.

Гиперспектральные камеры системы snapshot часто используются, так как с ними легче обращаться по сравнению с камерами системы pushbroom, особенно при создании мозаики изображений. Другая проблема заключается в ортотрансформировании снимков камеры pushbroom во время предварительной обработки, поскольку качество исходных данных в значительной степени зависит от точности измерения инерциального измерительного блока (IMU), общей стабильности подвеса и условий ветра. Многие исследования уже показали возможности и ограничения этих наборов данных. Если эти препятствия преодолеть, то использование систем pushbroom предпочтительно, так как такие камеры  способны записывать значительно меньше шумовых спектров с более высоким разрешением (пространственным и спектральным), чем системы snapshot, благодаря более узкой линейной апертуре камеры и более высокому разрешению сенсора.

Поскольку урожайность зерновых не сказывается на отражательной способности сельскохозяйственных культур, ее следует определять косвенно путем оценки других биофизических параметров. Среди других свойств растений содержание хлорофилла (CHL) и индекс листовой поверхности (LAI) коррелируют с урожайностью зерна, что можно достоверно оценить по данным дистанционного зондирования различных масштабов и с различных платформ. Кроме того, минеральный азот в почве, естественно, оказывает сильное влияние на развитие растений и, следовательно, на выработку хлорофилла и площадь листьев, и, следовательно, эти параметры также могут быть приняты в качестве индикаторов поглощения растений азотом.

LAI является одним из наиболее важных параметров для описания состояния растений в сельском хозяйстве. Его можно использовать, например, для получения информации о биомассе, питательных веществах, стадии роста и оценке урожайности. Возможности гиперспектральных данных дистанционного зондирования для оценки LAI уже были проведены в различных исследованиях в разных масштабах. С помощью гиперспектральных полевых спектрометров можно LAI с хорошей вероятностью. Воздушные гиперспектральные сенсоры также успешно использовались для прогнозирования LAI. Во многих недавних публикациях о системах с БПЛА, часто использовались мультиспектральные датчики для определения LAI. Тем не менее, эффективное использование гиперспектральных датчиков на базе стало возможным только в течение последних лет, поэтому доступно лишь несколько исследований, которые оценивают LAI по таким данным. В [Yue, J.; Feng, H.; Jin, X.; Yuan, H.; Li, Z.; Zhou, C.; Yang, G.; Tian, Q. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera. Remote Sens. 2018, 10, 1138] использовалась гиперспектральная snapshot камера (450–950 нм), установленная на БПЛА для оценки LAI озимой пшеницы на разных фазах роста. Для этой цели различные индексы рассчитывались по спектрам, а LAI оценивался с помощью регрессия методом дробных наименьших квадратов (PLSR) или «случайного регрессионного леса», что приводило к посредственным результатам (R2 = 0,59). Другое исследование из [Yuan, H.; Yang, G.; Li, C.;Wang, Y.; Liu, J.; Yu, H.; Feng, H.; Xu, B.; Zhao, X.; Yang, X. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models. Remote Sens. 2017, 9, 309] сравнивало различные методы регрессии и отбора проб для прогнозирования LAI соевых бобов с данными с той же гиперспектральной камеры. Были получены аналогичные надежные результаты (R2 = ~ 0,70) для всех методов, используя измерения, полученные по всей фенологии. Напротив, работая с данными, взятыми только один раз на этапе роста, были получены менее надежные модели.

Концентрация CHL является чрезвычайно важным биохимическим параметром, поскольку он является прямым индикатором здоровья растений, наличия питательных веществ и стресса растений. Этот параметр был тщательно исследован с помощью гиперспектрального дистанционного зондирования в поле и на с воздуха, в то время как получение CHL по гиперспектральным данным с БПЛА является относительно редким из-за того, что это довольно новая технология. В [Mozgeris, G.; Jonikaviˇcius, D.; Jovarauskas, D.; Zinkeviˇcius, R.; Petkeviˇcius, S.; Steponaviˇcius, D. Imaging from manned ultra-light and unmanned aerial vehicles for estimating properties of spring wheat. Precis. Agric. 2018, 19, 876–894] получены гиперспектральные снимки с яровой пшеницы и предсказано содержание хлорофилла с использованием метода регрессии наименьших квадратов, в результате чего были получены модели среднего качества. Они также сравнили эти результаты с прогнозами на основе обычных изображений RGB и не смогли найти большого преимущества для использования гиперспектральных данных.

Поскольку получение обоих параметров, насколько известно, до сих пор изучалось лишь в ограниченных масштабах с использованием гиперспектрального сенсора с высоким разрешением на базе БПЛА, целью данного исследования было изучить потенциал таких данных для оценки CHL и LAI озимой пшеницы. Поэтому мы изучили, можно ли преодолеть вышеупомянутые препятствия с помощью гиперспектральных сенсоров на базе БПЛА и какое качество данных можно ожидать от этой технологии. Кроме того, косвенная оценка урожайности зерна была достоверно возможной из оцененных CHL и LAI. Наконец, было изучено влияние различных азотных удобрений на эти оценки и на урожайность зерна на участке исследования.

  1. Материалы и методы

2.1. Район исследования и агротехника

Полевые данные по озимой пшенице были собраны на тестовом поле (небольшая площадь около 830 м2) в Университете прикладных наук Оснабрюка в Бельме (52.31_N, 8.11_E), в северо-западной Германия. Первоначальная цель исследования состояла в том, чтобы оценить влияние различных стратегий внесения азотных удобрений на качество питьевой воды. Рельеф местности очень ровный, колеблется от 110 м над уровнем моря на северо-востоке до 109 м над уровнем моря на юго-востоке. Климатические условия умеренно-океанические (Cfb) со среднегодовым количеством осадков 883 мм и среднегодовой температурой воздуха 9,4° С. В таблице 1 приведены основные агротехнические показатели.

Таблица 1. Агротехнические показатели в экспериментальном сезоне 2016/2017. DAS: дни после посева

  Озимая пшеница
Дата посева 14.10.2016
Сорт Anapolis
Посевная норма 300 зерен на м2
Дата сбора урожая 31.07.2017 (290 DAS)
Тип почв Подзолистые окультуренные
Количество азота в почве перед посевом 49 kg ha-1
Внесение азотных удобрений 1-е 152 DAS (кущение)
2-е 187 DAS (удлинение колоса)
3-е 220 DAS (выход в трубку)

 

Эксперимент включал восемь процессов с шестью уровнями внесения азота при трех повторах (таблица 2, рисунок 1). Оптимальная обработка («opt») следовала официальным региональным рекомендациям Сельскохозяйственной палаты, тогда как пониженная оптимальная обработка («opt–») отражала ограничение внесения удобрений для защиты подземных вод (Таблица 2, Рисунок 1). Все другие уровни азотных удобрений были выбраны одинаковыми между 0 и 150 кг/ га.

Таблица 2. Распределение нормы внесения азотных удобрений в кг/га в зависимости от различных обработок. m: минеральные удобрения (нитрат кальция-аммония, 27% N), o: органические удобрения (свиной навоз, 4,52% N), opt: оптимальная норма азотных удобрений, рассчитанная в соответствии с официальными рекомендациями; opt–: opt уменьшен на 10%.

N level 0 50 100 125 (opt–) 141 (opt) 150
N type m m m m m + o m m + o m
First application 29 29 50 47 + 20 54 47 + 20 43
Second application 21 43 25 38 + 20 33 47 + 27 64
Third application 28 50 54 43
Soil mineral nitrogen 49 49 49 49 49 49 49 49
Sum 49 99 149 174 174 190 190 199

 

remotesensing-10-02000-g001

Рисунок 1. Обзор тестового полигона; каждый участок окрашен в соответствии с обработкой, пронумерован и помечен нанесенными количествами N и N типов. m: минерал, о: органический.

2.2. Данные и обработка

2.2.1. Полевые данные

Во время полевой кампании 20 июня 2017 года (252 DAS) было проведено 48 измерений CHL и LAI, по два с каждого экспериментального участка (рис. 1). Таким образом, было проведено 10 одинаково распределенных измерений CHL и 5 равномерно распределенных измерений LAI в пределах площадок 0,25 м2. Измерения CHL проводились с помощью измерителя хлорофилла SPAD-502 Plus от Konica Minolta. Измерения SPAD были выполнены на 10 полностью развитых листьях на каждом участке. После этого значения SPAD были преобразованы в mg см-2. Измерения LAI проводились с помощью анализатора листового полога LAI-2200C от Li-Cor. Кроме того, каждый участок наблюдался с помощью полевого спектрометра SVC HR-1024i, установленного на штативе.

Для определения свежей биомассы на 24 участках были собраны растения в стадии физиологической зрелости путем ручной резки на четырех случайно выбранных участках площадью 0,25 м2 на каждом участке. Эти области не совпадали с местоположениями ранее упомянутых мест отбора проб. Сбор (14,7 м2) производился с помощью экспериментального комбайна Hege. Данные по урожайности представлены на уровне 86% сухого вещества.

2.2.2. Гиперспектральные данные с БПЛА

В этом исследовании был использован калиброванный по яркости гиперспектральный сенсор с ручным управлением Resonon Pika-L. Он имеет 281 спектральный канал, охватывающий спектральный диапазон от 400 до 1000 нм. Максимальное спектральное разрешение составляет 2,1 нм. Оборудованный объектив имеет поле зрения 17,6 градусов. Камера была установлена на октокоптере DJI S1000 + с трехосным карданом и Ellipse-N IMU от SBG Systems с точностью 0,1градус для крена и тангажа и 0,5 градуса для курса (рисунок 2). Полная система БПЛА весила 11,2 кг и обеспечивала общее время полета около 7 минут.

remotesensing-10-02000-g002Рисунок 2. Октокоптер с установленной камерой (a) и трехосным карданом для камеры и инерциальным измерительным блоком (IMU) (b)

Съемка была проведена в июне 2017 года в условиях безоблачной погоды. Три контрольные панели по 0,25 м2 с различной яркостью (95% белого, 40% серого и 5% черного) были помещены в зону исследования для последующей обработки и измерены полевым спектрометром SVC HR-1024i. При высоте полета 100 м была охвачена полоса грунта 31 м. Это привело к первоначальному пространственному разрешению примерно 3 см, которое было уменьшено до 10 см в процессе орторектификации. Затем изображение было привязано с помощью полевых знаков. Все этапы предварительной обработки проиллюстрированы на рисунке 3. Поскольку система камер в сочетании с трехосным карданным подвесом оказалась очень надежной и стабильной, геометрия изображения исходных данных уже была близка к реальной ситуации (рисунок 4).

remotesensing-10-02000-g003Рисунок 3. Обзор всех этапов во время предварительной обработки и анализа

Спектральное качество гиперспектральных изображений оценивалось путем расчета средних расстояний между полевыми данными и спектрами изображения наблюдаемых участков площадью 0,25 м2. Первоначально белая контрольная панель использовалась для преобразования данных о яркости в отражение. Сравнение спектров изображения и полевых данных показало относительно высокие различия между 400 и 450 нм и более 900 нм (рис. 5а) из-за шума в данных изображения. Это указывало на необходимость исключения определенных полос данных изображения в начале и конце наблюдаемого спектрального диапазона и радиометрической коррекции. Кроме того, для радиометрической коррекции была выполнена эмпирическая линейная коррекция с использованием спектров изображения и полевых данных эталонных панелей и измерений пшеницы. Чтобы уменьшить шум, спектральные данные были ограничены спектральным диапазоном от 450 до 900 нм и привязаны к 106 спектральным каналам каждый с 4 нм. Поскольку на спектры по-прежнему воздействовал некоторый шум, было выполнено преобразование минимальной доли шума (MNF) и инвертировано с первыми 14 полосами MNF. Эти выполненные шаги привели к меньшему шуму и меньшим отклонениям от полевых спектров (рисунок 5b, пожалуйста, рассмотрите различное масштабирование оси Y по сравнению с рисунком 5а). Пространственно, данные изображения были уменьшены до истинного размера исследуемой области (рисунок 1), исключая проход в середине и защитных растениях пшеницы вокруг экспериментального участка. Также одна линия пикселей от границ исследуемых графиков была исключена для дальнейшего анализа, чтобы избежать спектрально смешанных пикселей.

remotesensing-10-02000-g004Рисунок 4. Сырое изображение (a) и ортотрансформированное изображение (b)

remotesensing-10-02000-g005Рисунок 5. Разница между полевыми данными и сырым спектральным изображением по каждой полосе (a) и разница межу полевыми данными и спектральным изображением с уменьшенными шумами по каждой полосе (b)

2.3. Методология

На первом этапе спектры каждой тестовой выборки 0,25 м2 каждого из 48 участков были извлечены из изображения с использованием координат измерения LAI. Эти спектры были усреднены, что привело к набору 48 спектров изображений, соответствующих измерениям LAI и CHL.

Две модели PLSR были откалиброваны с использованием извлеченных спектров с измерениями LAI и CHL соответственно. Поскольку каждая обработка азотом применялась на трех участках, один из этих участков был исключен из калибровки модели и использован для независимой проверки. График валидации всегда был таким, который имел наибольшее пространственное расстояние до двух других. В результате было получено 32 образца для калибровки и 16 для проверки. Максимум 10 скрытых переменных были включены в модели с использованием R2 и среднеквадратичной ошибки (RMSE) в качестве показателей качества. Получившиеся модели с наилучшими характеристиками с самым низким среднеквадратичным средним значением были впоследствии проверены с помощью проверочных образцов. Остатки были проверены на нормальное распределение и значимость с помощью t-критерия с одним образцом. Чтобы получить оценки для всей территории исследования, модели были использованы для прогнозирования содержания CHL и CHL для всего изображения.

Поскольку информация о урожайности была доступна только отдельно для каждого графика, оценки LAI и CHL по данным изображения были усреднены для каждого из них. После этого была проведена множественная линейная регрессия (MLR) для прогнозирования урожайности по LAI и CHL. В этом случае для проверки модели использовалась перекрестная проверка с пропуском (leave-one-out cross validation — LOOCV), поскольку количество выборок (n = 24) было слишком мало для независимой проверки. LOOCV исключает каждый образец один раз из калибровки модели PLSR (n-1) и вместо этого прогнозируется из модели как показатель качества. Модель была применена к каждому отдельному пикселю данных изображения, чтобы предсказать урожай зерна для каждого пикселя в изображении. Все описанные шаги были выполнены с использованием статистической среды R. Пошаговая иллюстрация методологии показана на рисунке 3.

  1. Результаты

3.1. Анализ данных

Исследованные 48 участков произрастания пшеницы показали относительно низкий уровень LAI в диапазоне от 1,13 до 2,70 со средним значением 2,17 и стандартным отклонением (SD) 0,42. CHL имел больший разброс от 19,82 до 77,18 mг см-2. В среднем содержание CHL составляло 46,02, а SD — 15,59 mг см-2. 24 образца урожая зерна варьировались от 18,61 до 62,71 ц / га со средним значением 46,94 ц / га и SD = 12,30 ц / га. Разнообразие урожая зерновых существенно зависело от количества внесенного азотного удобрения (рис. 6). Оба измерения для CHL и LAI показали высокую положительную корреляцию с измеренным урожаем зерна (CHL / урожай = 0,79, LAI / урожай = 0,90). Таким образом, оба параметра считались очень подходящими для прогнозирования урожайности.

remotesensing-10-02000-g006Рисунок 6. Средние результаты сбора урожая (три образца в каждом) для шести уровней N с выходом зерна при 86% сухого вещества. Столбики ошибок указывают стандартную среднюю ошибку

3.2. PLSR и MLR

The independently validated PLSR model for LAI resulted in a R2 = 0.79 with an RMSE of 0.182 (Figure 7). The regression line was close to the 1:1 line with a slope close to 1. Residuals were normally distributed (pLAI = 0.41) and t-tests on the residuals showed no significant difference from zero (pLAI = 0.26). Over- and underestimations amounted to a maximum of around 0.5. The LAI measurements of the plots without any fertilization were far below the remaining measurements and therefore had a considerable influence on the model quality. However, one of the plots showed an LAI close to 2. Plots with higher fertilization had relatively similar LAI values between 2 and 2.5. According to the PLSR loadings, the most relevant wavelengths ranges were located at the red edge between 710 and 760 nm (loadings at ~0.2). The infrared plateau (760–900 nm) was also considered as an important wavelength range from the model (loadings at ~0.15). The visual part of the spectrum contributed less relevantly to the resulted model (loadings at ~0.05).

Независимо подтвержденная модель PLSR для LAI привела к R2 = 0,79 с RMSE 0,182 (рисунок 7). Линия регрессии была близка к линии 1: 1 с наклоном, близким к 1. Невязки были нормально распределены (pLAI = 0,41), и t-тесты на невязках не показали существенного отличия от нуля (pLAI = 0,26). Переоценка и недооценка составили максимум около 0,5. Измерения LAI на участках без какого-либо внесения удобрений были намного ниже остальных измерений и, следовательно, оказали значительное влияние на качество модели. Однако на одном из графиков LAI был близок к 2. Графики с более высоким уровнем внесения удобрений имели относительно похожие значения LAI между 2 и 2,5. Согласно нагрузкам PLSR, наиболее важные диапазоны длин волн были расположены на красной границе между 710 и 760 нм (нагрузки при ~ 0,2). Инфракрасное плато (760–900 нм) также рассматривалось как важный диапазон длин волн от модели (нагрузки при ~ 0,15). Визуальная часть спектра оказала меньшее влияние на полученную модель (нагрузки ~ 0,05).

remotesensing-10-02000-g007Рисунок 7. Диаграмма рассеяния независимо подтвержденных моделей PLSR для LAI с линией регрессии (непрерывная) и линией 1: 1 (пунктирная линия)

Модель для CHL была откалибрована с R2 0,77 и RMSE 7,016 mг см-2 (рис. 8). Наблюдения CHL были равномерно распределены по всему наблюдаемому диапазону данных. Переоценка и недооценка составляли максимум около 20 mг см-2. Наклон 0,87 и смещение 8,77 указывают на переоценку более низких значений, в то время как более высокие значения CHL, превышающие 70 mг см-2, как правило, недооцениваются. Было дано нормальное распределение остатков (pCHL = 0,96), и the t-тест на остатках также не показал существенного отличия от нуля (pCHL = 0,08). Нагрузки PLSR показали значительные длины волн в синей (450 нм) и красной (660 нм) частях электромагнитного спектра. Обе области показали нагрузки на уровне около 0,18. Зеленая зона (550 нм) не имела отношения к модели. Красный край и инфракрасное плато также не имели существенного значения и демонстрировали шумные колебания ниже и выше нагрузок 0.

Прогноз для LAI по всей области исследования (рис. 9) показал воспроизводимые результаты. Очень низкие значения LAI, близкие к нулю, в основном отмечались на узких полосах между участками и участками, где пшеница не произрастала. Из-за влияния соседних пикселей для этих дорожек были оценены значения LAI, все еще немного больше нуля. Оценки LAI ниже единицы были расположены в районах без дополнительного внесения удобренйи (участки № 3, 17 и 21). Значения между одним и двумя преимущественно встречались на участках с 50 кг / га внесенного азотного удобрения (участки № 4, 9 и 14). У большинства других участков был LAI между двумя и тремя. Участки со смесью минеральных и органических удобрений 125 и 141 кг / га (участки № 5, 7, 13, 15, 16 и 19) имели более низкие значения LAI, чем участки с минеральным удобрением с аналогичными количествами. В целом, оценки LAI имели тенденцию к увеличению с увеличением количества внесенного удобрения. Оценки LAI, превышающие три, были получены на участках с внесением минеральных удобрений от 125 до 150 кг / га, незначительно увеличиваясь при увеличении количества. В целом, даже в контролируемых условиях этого эксперимента, некоторые графики были заметно неоднородными (например, график № 16). Также была небольшая разница в прогнозах LAI между западной и восточной половиной участка исследования, даже в пределах тех же классов лечения. Например, график № 22 с 100 кг / га показал более высокие оценки LAI, чем график № 11 и 12 с идентичной обработкой азотом.

remotesensing-10-02000-g008Рисунок 8. Диаграмма рассеяния независимо подтвержденных моделей PLSR для CHL с линией регрессии (непрерывная) и линией 1: 1 (пунктирная линия)

remotesensing-10-02000-g009Рисунок 9. Пространственное прогнозирование LAI на основе модели PLSR

Прогнозы CHL (рис. 10) для разных графиков были в целом более отчетливыми, чем для LAI, и показали заметную неоднородность на участках одной и той же обработки. Самые слабые прогнозы CHL (0–20 mг / см2) были расположены на дорожках между участками. Значения больше нуля были вызваны смешанными спектрами от соседних пикселей. Значения примерно между 20 и 40 mг / см2 в основном присутствовали на участках без дополнительного внесения удобрений (участки № 3, 17 и 21) и участках с внесенным удобрением 50 кг / га. Более высокий уровень CHL (40–60 mг / см2) был предсказан при обработке минеральных и органических смесей весом 141 кг / га (графики № 2, 18 и 20). На участках с 125 кг / га комбинированного минерального и органического удобрения было меньше CHL (участки № 5, 7 и 13), чем на тех же количествах исключительно минерального удобрения (участки № 1, 6 и 8). Самый высокий уровень CHL (> 80 mг / см2) был предсказан на графиках с обработкой 125, 141 и 150 кг / га, заметно увеличиваясь в этом порядке. Опять же, на некоторых участках с одинаковой обработкой были выявлены различия в зависимости от их местоположения в экспериментальной установке (например, графики № 11 и 12 против 22).

remotesensing-10-02000-g010Рисунок 10. Прогноз CHL на основе модели PLSR

Перекрестная проверочная модель MLR с 24 образцами (только по одному для каждого графика) показала значительную предсказуемость урожайности зерна, прогнозируемой по LAI и CHL, и урожайности зерна, определенной при уборке урожая (R2 = 0,88) (рисунок 11). Среднеквадратическая ошибка, составляющая примерно четыре ц / га, доказала хорошую предсказуемость урожайности зерна с этими двумя предикторами. Линия регрессии была очень близка к линии 1: 1 с наклоном, близким к единице, и с незначительным смещением d0.10 ц / га. Переоценка и недооценка были равномерно распределены по всему наблюдаемому диапазону данных. Остатки были нормально распределены (р = 0,18), и t-тест не выявил существенных отличий от нуля (р = 0,96).

Применение модели MLR для прогнозирования урожайности зерна по изображению привело к приемлемой оценке. Внутренняя изменчивость графика для прогноза урожайности зерна была очень выразительной. Увеличение урожая зерна с более высокой долей внесения удобрения (Рисунок 12) было видно в этом прогнозе. Без какой-либо обработки, зерновые культуры дали самый низкий урожай зерна, около 20 ц / га (сюжеты № 3, 17 и 21). Немного более высокие урожаи (до 40 ц / га) имели место при обработке удобрениями на 50 кг / га (графики № 4, 9 и 14). Участки с внесенным удобрением 100 кг / га обеспечили урожайность зерна около 60 ц / га. Подобные обработки, такие как 125 кг / га минеральных удобрений  (участки № 1, 6 и 8) и 125 кг / га органических удобрений (участки № 5, 7 и 13), показали четкие различия в оценке урожайности зерна Этот эффект также был заметен при обработке 141 кг / га, но с более высоким общим урожаем зерна. Самые высокие урожаи зерна были оценены при обработке 150 кг / га до 80 ц / га (сюжеты № 10, 23 и 24), с несколькими более высокими оценками, превышающими 80 ц / га.

remotesensing-10-02000-g011Рисунок 11. Диаграмма перекрестной проверочной модели MLR с линией регрессии (непрерывная) и линией 1: 1 (пунктирная линия)

remotesensing-10-02000-g012Рисунок 12. Пространственный прогноз урожайности зерна по модели MLR

 4. Обсуждение

Это полевое испытание на небольшом участке с хорошо документированной пространственной дифференциацией шести различных уровней азота позволило провести тематическое исследование для оценки урожайности на основе прогнозов CHL и LAI на основе данных гиперспектральной камеры, установленной на БПЛА. По сравнению с другими исследованиями, использующими аналогичное техническое оборудование, полученные изображения были геометрически очень стабильными даже до ортотрансформирования по данным IMU. В основном это было достигнуто благодаря очень устойчивому и точному трехосному кардану и хорошим полетным свойствам платформы БПЛА. Даже при том, что ось была теоретически устаревшей при постоянной настройке камеры, настроенной на надир, карданные поправки для этой оси не позволили камере улавливать вибрации платформы и, следовательно, уменьшали помехи в данных.

Относительно низкие измерения LAI были обоснованными в исследуемый день после посева (252), с состоянием Задокса в пределах 77. При противодействии достижению урожайности зерна (рис. 7) на каждом этапе внесения удобрений, в среднем, была только небольшая выгода от внесенного количества 125 кг / га, по крайней мере, учитывая участки минеральных удобрений. CHL неудобренных участков были самыми низкими наблюдаемыми значениями, но они не были столь же заметно ниже, чем значения LAI на этих участках. Это можно объяснить, так как эти растения, хотя они и недопулачали подкормку, были здоровые, но имели меньше листьев, что привело к низким показателям LAI. Кроме того, довольно редкое количество растений на этих участках, возможно, привела к более раннему созреванию более низких уровней листьев, что могло привести к общему уменьшению площади листьев.

Наблюдаемые измерения LAI коррелировали с извлеченными соответствующими спектрами изображения из того же местоположения, используя регрессию PLSR. Модель, полученная для LAI, оказалась достаточно надежной. Уже многими исследованиями было показано, что предсказание LAI по гиперспектральным данным возможно в разных масштабах. Наиболее релевантные длины волн были расположены в полосах «крайней красной» и инфракрасной. Поскольку было несколько более низких измерений LAI (расположенных на неудобренных полях), прогноз этих значений оказал сильное влияние на качество модели. Небольшое отклонение прогнозов LAI на участках с более высокой обработкой азотом (125, 141 и 150 кг / га) указывало на то, что более высокие количества азота, доступного для растений, значительно не увеличивали рост листьев. Следовательно, один только LAI не был способен предсказать урожайность для различных обработанных участков. Поэтому для более надежного дифференцирования, было выполнено моделирование CHL, чтобы включить его в более позднюю оценку урожайности.

Модель PLSR для CHL также была высокого качества. Релевантные длины волн были расположены в основном в интервале от  450 до 650 нм, что и следовало ожидать из-за известных особенностей поглощения хлорофилла в этих областях. Более низкие значения CHL, как правило, слегка завышены моделью. Однако по сравнению с LAI данные измерений КХЛ были распределены гораздо более равномерно. В частности, более сильная дифференциация между минеральными, а также органическими и чисто минеральными удобренными участками может быть важным компонентом в оценке урожайности.

Пространственный прогноз LAI позволил провести очень точное различие между различными видами обработками удобрений, и прогнозируемые значения были разумными. Как и ожидалось, LAI для каждого участка в прогнозируемом изображении увеличивался при возрастающем внесении удобрений, аналогично модели PLSR. В целом, разделение между группами было возможно в большинстве случаев. Тем не менее, участки с очень похожим количеством удобрений (например, 125 и 141 кг / га) нельзя было различить без какой-либо дополнительной информации. Это может быть объяснено очень похожими полевыми измерениями LAI для этих обработок, указывающими на то, что нельзя ожидать сильного увеличения LAI при количестве удобрений более 125 кг / га. Исследование изменчивости внутреннего графика показало надежность предложенных результатов. Некоторые участки с одинаковой обработкой различались в зависимости от их местоположения. Различия между участками с 100 кг / га могут зависеть от рельефа местности. Поскольку на двух соседних эквивалентных участках 11 и 12 был небольшой уклон к юго-востоку, небольшие количества питательных веществ могли быть вымыты, что снизило бы их доступность по сравнению с участком 22 и повлияло на развитие растений.

Пространственное предсказание CHL указывало на различные структуры и отношения, что позволяет дифференцировать графики с другой точки зрения. Участки с аналогичным внесением удобрений, которые показали низкую дисперсию в LAI, такие как участки с 125 м кг / га и 125 м + о кг / га, было легче различить при исследовании CHL. Напротив, участки без внесения удобрений было сложнее разделить с относительно похожим прогнозом, как для участков с 50 кг га / 1. Участки с частично органическим внесением имели меньше CHL, чем участки с полным минеральным внесением. Что было заметно, так это очень низкий уровень CHL в объединенных областях с минеральными и органическими удобрениями (125 м + о, 141 м + о). Различия для чисто минеральных удобренных участков того же количества были гораздо более выраженными, чем при LAI. Учитывая, что органический азот не является полностью усваиваем и должен быть предварительно минерализован, эти растения были менее развиты, чем растения с минеральной обработкой. Напротив, на графиках 3 и 4 были обнаружены сходные CHL, но различались LAI. CHL также, казалось, был меньше на внутренних сторонах участков, так как на этой стороне экспериментальные участки не имели защитной ненаблюдаемой области. Частично, центр графиков 18-24 имел очень высокий CHL в двух линейных структурах, расположенных на разных участках. Те же самые структуры стали видны на участках 1 и 2, но были менее четкими. Это могло быть вызвано небольшими неточностями во время внесения удобрений.

Чтобы извлечь выгоду из обеих различных оценок для LAI и CHL, средние значения каждого параметра для каждого графика использовались, чтобы калибровать MLR, для предсказания урожая зерна. Эта модель оказалась качественной. Модель следует тенденции, показанной на рисунке 7, что большая подкормка удобрениями также ведет к более высокой урожайности с менее резким увеличением при более высоких нормах азота. Наибольшая неопределенность существовала для площадей, с количеством с 125 м + о кг / га, которые были явно завышены или недооценены в двух из трех случаев. Этот эффект может быть объяснен тем фактом, что модель PLSR для LAI уже сильно недооценила один из 125 м + о кг / га участков. Кроме того, график, взятый для проверки, мог иметь эффекты, которые не могли быть смоделированы с помощью двух графиков, используемых для калибровки. Таким образом, это могло быть вызвано исключительно выбором стратегии проверки. Из-за небольшого размера выборки и сильного влияния очень низких урожаев зерна, к этим результатам следует относиться с некоторой осторожностью.

Пространственный прогноз урожайности зерна позволил очень хорошо различить все виды обработки. Графики, которые имели сходные значения LAI, но отличались значениями CHL (графики № 5, 6, 7 и 8) и наоборот, демонстрировали четкие различия в урожайности зерна. Это показало, что путем объединения оценок для CHL и LAI была возможна надежная пространственная оценка урожайности. Изменчивость урожайности на отдельных участках также стала очевидной в этот момент. Особенно в юго-западной части района исследований, урожайность в середине участков была значительно выше. Эти эффекты могли быть вызваны защитным действием окружающих растений, а также уже упоминавшейся возможностью слегка неравномерного внесения удобрения. В начале эксперимента оставшийся азот в почве был измерен с 49 кг / га. Предполагалось, что это значение верно для всей области исследования, хотя в действительности суммы, вероятно, были распределены неравномерно и поэтому могли также вызывать изменения в развитии растений.

Визуальное сравнение карт прогнозирования для LAI (рис. 9), CHL (рис. 10) и урожайности зерна (рис. 12), а также представление RGB набора гиперспектральных данных (рис. 4) показало явное структурное сходство. Они, вероятно, были основаны на биофизике. Темно-зеленые области в данных изображениях имели более высокие значения LAI и CHL, чем более яркие области. Это связано с тем, что более плотная и многослойная листва (более высокая LAI) поглощала больше света, чем менее плотно растительные части. Следовательно, в этих регионах также было более высокое содержание CHL. Эти аспекты также были в конечном итоге отражены в оценке урожайности.

  1. Выводы

Основные выводы и соответствующие результаты, представленные в этом исследовании, имеют три аспекта. Во-первых, мы представили гиперспектральную сканирующую систему на базе беспилотного летательного аппарата, способную получать данные высокого разрешения с высоким спектральным и пространственным качеством. Система подходит для исследований, особенно на небольших территориях, например, на отдельных полях в точном земледелии. С помощью представленной комбинации аппаратных средств мы смогли показать, что вышеупомянутые препятствия могут быть преодолены при использовании гиперспектральных камер с ручным управлением на БПЛА. Кроме того, сильные стороны по сравнению с системами моментальных снимков могут быть использованы эффективно. Камера Resonon Pika-L способна записывать высококачественные спектральные сигналы от 450 до 900 нм. Однако за пределами 900 нм сигнал был шумным и поэтому не использовался для этого исследования. Также было показано, что радиометрическая коррекция с применением эмпирической коррекции значительно улучшает качество сигнала. При работе с гиперспектральными ручными сканерами на беспилотных летательных аппаратах рекомендуется уделять особое внимание дополнительным аппаратным компонентам. Это было особенно важно для использованного карданного подвеса. Высокоточная трехосная стабилизация важна для того, чтобы свести к минимуму движения камеры и поглотить вибрации от БПЛА. Кроме того, IMU должен быть прикреплен непосредственно к камере внутри кардана. Это позволяет очень точно записывать ориентацию камеры, которая полностью независима от движения БПЛА. Во-вторых, мы показали, что прогнозы LAI и CHL на основе гиперспектральных данных полученных с помощью БПЛА с высоким пространственным разрешением были многообещающими. Различение графиков с различными обработками, даже если они были частично схожими, всегда было возможно либо с прогнозом LAI, либо с CHL. При таком подходе возможно применение фенотипирования и точного земледелия для пространственного прогнозирования параметров растений. Эта информация может быть использована до внесения удобрений для расчета оптимального количества необходимого азота и точного его применения и, следовательно, снижения ущерба окружающей среде без потери урожая. В-третьих, многообещающий прогноз урожайности зерна был реализован с использованием преимуществ прогнозов LAI и CHL, которые показали сильную корреляцию с различными методами лечения. Для будущих исследований этот подход можно использовать для изучения наиболее подходящего момента в фенологии для прогнозов урожайности зерна путем получения плотных временных рядов. Представленная здесь методология была выполнена на основе измерений LAI и CHL с относительно высокой вариабельностью из-за различных обработок азотом. Эта изменчивость может не возникать в такой форме в реальных полевых условиях. Поэтому в будущем важно проверить представленный метод на других, более однородных данных и адаптировать его при необходимости.