Добро пожаловать Клиент!

Членство

Помощь

Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
Заказчик производитель

Основные продукты:

instrumentb2b> >Статья

Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd

  • Электронная почта

    ustc_sc@163.com

  • Телефон

    18020740586

  • Адрес

    Сямынь, провинция Фуцзянь

Свяжитесь сейчас
Компания ATH9010 помогает сельскому хозяйству
Дата:2025-12-01Читать:2

Пшеница является одной из трех основных продовольственных культур в нашей стране (пшеница, рис, кукуруза) и является ключом к национальной продовольственной стратегической безопасности. Однако вредители и болезни сельскохозяйственных культур (более 20 распространенных заболеваний) серьезно угрожают безопасности производства пшеницы. Вспышки и региональные эпидемии ржавчины, вызванные грибами пшеницы. В годы эпидемии ржавчина может сократить производство пшеницы более чем на 40% или даже уничтожить урожай. Поэтому борьба с ржавчиной пшеничной палочки имеет решающее значение для продовольственной безопасности. Только путем точного мониторинга заболеваний пшеницы можно эффективно предотвращать и контролировать, минимизировать потери.

Традиционно болезни сельскохозяйственных культур используют визуальный мониторинг, и существуют серьезные ограничения, такие как небольшой охват и сильная субъективность следователей. Поэтому вместо традиционных методов необходим эффективный и безвредный подход к эпиднадзору за сельскохозяйственными вредителями. После многих лет развития дистанционное зондирование стало эффективной технологией мониторинга заболеваний сельскохозяйственных культур. Преимущество дистанционного зондирования заключается в том, что оно позволяет с меньшими затратами оценивать пространственное распределение болезней сельскохозяйственных культур и тем самым более эффективно бороться с ними.

Гиперспектральное дистанционное зондирование является относительно передовой технологией. По сравнению с многоспектральными технологиями, он может предоставить обширную узкополосную информацию. Преимущества гиперспектрального дистанционного зондирования по сравнению с многоспектральным в различных областях применения обсуждались в предыдущих исследованиях. Преимущество гиперспектральных технологий в мониторинге заболеваний сельскохозяйственных культур заключается в том, что они улавливают некоторые физиологические изменения, вызванные болезнью (например, содержание пигмента и влаги). В предыдущих исследованиях многие заболевания сельскохозяйственных культур контролировались с помощью гиперспектрального дистанционного зондирования, включая желтую ржавчину пшеницы, порошок белой муки, серповидную геморрагию, пятнистость арахиса, вирус пятнистой увядания помидоров и бактериальный листовой асбест риса.

Индекс растительного покрова (VI) показал хорошие результаты мониторинга заболеваний сельскохозяйственных культур в предыдущих исследованиях, и VI чувствителен к физиологическим изменениям внутри листьев, вызванным болезнью, но не может представлять изменения поверхностных характеристик листьев. Текстура является характеристикой, отражающей внешние изменения, вызванные болезнью, и доказала свою эффективность в мониторинге заболеваний сельскохозяйственных культур. Предыдущие исследования объединили спектральные и текстурные характеристики, чтобы улучшить способность представлять болезнь. Эти исследования подтвердили эффективность VI, текстурных характеристик (TF) и их комбинаций для мониторинга заболеваний сельскохозяйственных культур. Тем не менее, большинство предыдущих исследований по спектроскопическому и графическому профилированию слияний для обнаружения заболеваний сельскохозяйственных культур проводились на уровне лопастей, и возможность обнаружения заболеваний в полевых масштабах не была подтверждена.

Технология дистанционного зондирования с помощью беспилотных летательных аппаратов сочетает в себе преимущества высокой гибкости, низкой стоимости и простоты эксплуатации, компенсируя недостатки традиционного спутникового дистанционного зондирования. Устанавливая оборудование дистанционного зондирования на БПЛА, можно быстро собирать информацию о космическом дистанционном зондировании с высоким пространственно - временным разрешением, а затем обрабатывать данные, моделировать и анализировать применение. Это обеспечивает важную техническую поддержку для развития интеллектуального управления сельскохозяйственными угодьями.

Для углубленного изучения этого вопроса используются беспилотные летательные аппараты с гиперспектральными датчиками для мониторинга нескольких стадий заражения желтой ржавчиной пшеницы в различных пространственных масштабах. Целью исследования является: (1) оценка эффективности VI, TF и их комбинаций, полученных с помощью гиперспектральных изображений беспилотных летательных аппаратов для мониторинга желтой ржавчины пшеницы в полевых масштабах; 2) Определение оптимального пространственного разрешения изображений для мониторинга желтой ржавчины пшеницы с помощью изображений с беспилотных летательных аппаратов; (3) Модели мониторинга желтой ржавчины в полевых масштабах на ранних, промежуточных и поздних стадиях инфекции с использованием наилучших характеристик и оптимального пространственного разрешения.


图片图片

Рисунок 1 Нормальные листья пшеницы (слева) и листья желтой ржавчины пшеницы (справа)



2.Технические идеи и основное содержание



2.1. Получение и предварительная обработка изображений дистанционного зондирования


Для получения изображений пшеницы используется беспилотная система, оснащенная гиперспектральными датчиками изображения (рисунок 2). Система гиперспектральной визуализации БПЛА состоит из четырех частей, включая шестироторную электрическую систему БПЛА, гиперспектральную систему сбора данных, трехосную стабильную платформу и систему обработки данных.

图片

Рисунок 2 Датчики беспилотных летательных аппаратов


Высота полета БПЛА составляет 30 м, скорость полета 4 м / с, переднее перекрытие около 80%, боковое перекрытие около 60%. На высоте полета 30 м мы получили гиперспектральные изображения с пространственным разрешением 1,2 см и спектральным разрешением 4 нм. Сбор гиперспектральных данных БПЛА требует ясной погоды, отсутствия ветра или меньшей скорости ветра. Время сбора изображений в этом исследовании - с 11: 00 до 13: 00.

В критический период роста пшеницы мы провели шесть гиперспектральных наблюдений с использованием беспилотных летательных аппаратов 25 апреля, 4 мая, 11 мая, 18 мая, 24 мая и 30 мая, в течение 7, 16, 23, 30, 36 и 42 дней после вакцинации (DPI). На рисунке 3 показано развитие желтой ржавчины пшеницы в различные периоды инфекции.

图片

Фотографии пшеницы разных периодов

Каждый раз было взято 24 образца, в том числе 8 на здоровых участках и 16 на двух вакцинированных участках. В шести испытаниях было взято 144 образца, из которых 57 здоровых и 87 зараженных желтой ржавчиной.

Тяжесть желтой ржавчины пшеницы описывается индексом состояния (DI). Из каждого участка площадью 1 м2 было случайно отобрано 40 растений пшеницы, чтобы оценить тяжесть заболевания по первой и второй листьям пшеницы на вершине выбранного растения. Каждый участок выбирает в общей сложности 80 лопастей для расчета DI. В соответствии с « Национальными нормами обследования и прогнозирования заболеваний сельскохозяйственных культур» (GB / T 15795 - 2011), заболеваемость листьев делится на 9 ступеней (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), из которых 0% являются здоровыми, 1% являются болезнью 1 степени, 10% - болезнью 2 степени... 100% являются болезнью 8 степени. Оценка заболеваемости желтой ржавчиной проводится сразу же после того, как дрон получает изображение, и проводится тем же сотрудником под руководством и наблюдением специалиста.

2.2. Экспериментальный метод


Модель мониторинга желтой ржавчины пшеницы с использованием PLSR. Ранее PLSR применялся для мониторинга роста сельскохозяйственных культур и оценки физиохимических параметров. PLSR - классический метод моделирования, который включает в себя три метода: PCA, типичный корреляционный анализ и мультилинейный регрессионный анализ. В PLSR потенциальная структура переменных определяется проекцией компонентов, которая проецирует прогнозные и наблюдаемые переменные в новое пространство. Поэтому, выбирая наиболее & оптимальные потенциальные переменные, исходные переменные с высокой избыточностью данных преобразуются в несколько переменных. PLSR может быть представлена как линейная модель, описывающая взаимосвязь между прогнозируемыми и наблюдаемыми переменными.

2.3. Получение гиперспектральных изображений


Алгоритм ближайших соседей повторно отбирает исходные изображения (с разрешением 1,2 см) для получения новых изображений (с разрешением 3, 5, 7, 10, 15, 20 см). На изображениях беспилотников изображены растения пшеницы и почва.

2.4. Место отбора проб


В этом исследовании используется метод порога NDVI для извлечения пикселей пшеницы из изображений с пространственным разрешением 1,2 см Процесс этого метода заключается в следующем: во - первых, установить оптимальный порог NDVI. Диапазон NDVI для общей растительности составляет 0,3 - 1,0. После нескольких попыток мы обнаружили, что порог NDVI 0,42 точно отделяет пиксели пшеницы от фоновых пикселей. Во - вторых, NDVI, превышающий 0,42, превращается в файл маски для извлечения пикселей пшеницы. Наконец, мы используем этот файл маски для обрезки оригинального изображения, чтобы получить изображение, содержащее только пиксели пшеницы. Чтобы обеспечить согласованность пикселей пшеницы на изображениях с различным пространственным разрешением, файлы маски, созданные с использованием порога NDVI исходного изображения (1,2 см), были извлечены из пикселей пшеницы на других изображениях с пространственным разрешением. Гиперспектральные изображения, содержащие только пиксели растений пшеницы, используются для последующей обработки и анализа, поскольку они представляют собой большинство изображений дронов, используемых для мониторинга здоровья сельскохозяйственных культур. На рисунке 4 показан пример гиперспектрального изображения БПЛА с различным пространственным разрешением, которое является частью области А на снимке, полученном 25 апреля.

图片

Рисунок 4 Гиперспектральные изображения беспилотных летательных аппаратов с различным пространственным разрешением


3.заключение


Это приложение использует гиперспектральные изображения БПЛА для мониторинга ржавчины пшеницы в полевых масштабах, использует различные характеристики (VI, TF и их комбинации) для создания ранних, среднесрочных и поздних моделей мониторинга ржавчины пшеницы PLSR и оценивает влияние различных пространственных разрешений изображения (1,2 см, 3 см, 5 см, 7 см, 10 см, 15 см и 20 см) на точность мониторинга. Получен следующий вывод: (1) Модель, основанная на VI, имеет самую высокую точность мониторинга в середине инвазии, а модель, основанная на TF, имеет самую высокую точность мониторинга на поздней стадии инвазии. Однако модель, основанная на TF, не подходит для мониторинга ржавчины полости на ранней стадии инвазии с максимальной точностью мониторинга только R2 0,28. (2) В течение трех периодов инвазии точность мониторинга модели на основе VI - TF выше, чем у моделей на основе VI и TF, и самая высокая точность мониторинга на более поздних стадиях инвазии (R2 = 0,88). Кроме того, модель на основе VI - TF также значительно улучшила точность мониторинга на ранних стадиях инвазии и подходит для раннего обнаружения заболевания. (3) Пространственное разрешение оказывает меньшее влияние на точность мониторинга моделей на основе VI и большее влияние на модели на основе TF, а оптимальное пространственное разрешение для мониторинга ржавчины на основе модели VI - TF составляет 10 см

图片

Рисунок 5 Результаты идентификации