Анализ мультиспектральной съемки

Мультиспектральная съемка

Мультиспектральная съемка - осу- ществляется с помощью мультиспек- тральной камеры. При такой съемке фор- мируются одновременно несколько изображений одной и той же территории в различных зонах спектра электромаг- нитного излучения. Различные комбина- ции этих изображений позволяют вы- явить процессы и явления, которые сложно или невозможно определить на снимке в видимом спектре.

 

Рисунок 1: Изображение в видимой обла- сти спектра (сверху), и комбинация изобра- жений ближнего инфракрасного, красного

и зеленого каналов мультиспектральной ка- меры (снизу)

Использование мультиспектральной съемки — это новый шаг в развитии сель- ского        хозяйства, данная технология предоставляет фермерам почти мгновен- ную  максимально  детальную  информа- цию  о  том,  что  происходит  на  поле. Мультиспектральные камеры широко применяются фермерскими хозяйствами по всему миру для мониторинга измене- ний  показателей  растительности  с  ис- пользованием видимого и ближнего ин- фракрасного спектра. Эти данные позво- ляют             обнаруживать изменения расти- тельности задолго до того, как они про- явятся в видимом спектре. Помимо этого, мультиспектральные камеры находят ши- рокое применение в таких областях, как биология,  лесное  хозяйство,  исследова- ния по охране окружающей среды и кон- троль над объектами инфраструктуры.

На сегодняшний день на БПЛА мно- гомоторного и самолетного типов могут устанавливаться два типа камер: модифи- цированныеилимультиспектральные. В моди- фицированной камере линза изменена та- ким образом, чтобы фиксировать отраже- ние в ближней инфракрасной области спектра. Такие камеры дешевле и более доступны, но в данных может присут- ствовать «шум», который негативно ска- жется на качестве интерпретации.

В мультиспектральной камере каж- дая линза, количество которых может доходить до 12 (Tetracam Mini-MCA12), регистрирует излучение в узкой области спектра, исключая возможный «шум», что позволяет более качественно интер- претировать данные и проводить измере- ния. В отличие от модифицированных камер, мультиспектральные позволяют получать гораздо больше комбинирован- ных изображений и рассчитывать боль- шее количество индексов. Однако стои- мость таких камер гораздо выше моди- фицированных, и для обработки снимков

нужно обладать необходимыми навы- ками и более продвинутым программным обеспечением для обработки мультиспек- тральных данных.

 

Рисунок 2: Примеры изображений, получен- ных с модифицированной (сверху) и муль- тиспектральной (снизу) камер

Дистанционная оценка состояния растительности в последние 3-5 лет ак- тивно стала применяться в практике сельского хозяйства. В сравнении с наземными датчиками, съемка с БПЛА предоставляет аналогичные данные о со- стоянии полей. Мониторинг посевов ози- мой пшеницы в разные фазы развития в

МСХА имени К.А. Тимирязева показали, что с применением аэрофотосъемки достига- ется воспроизводимая картина пространствен- ногораспределения индекса NDVI, в высо- кой степени совпадающая с результа- тами наземного сканирования оптиче- ским датчиком GreenSeeker® RT200. Это позволяет  использовать  беспилотную

съёмку в качестве альтернативы обследова- ния оптическими наземными датчиками. По результатам аэрофотосъёмки за несколько минут может быть сформирован файл- предписание для внесения азотных под- кормок по технологии off-line с учетом неоднородности посева.

Кроме этого, были получены анало- гичные результаты в университете сель- ского хозяйства, продовольствия и окру- жающей среды, г. Пиза, где были прове- деныопытыпосравнениюспектральнойотра- жательной способности, полученные с БПЛА и наземного датчика. По результа- там исследований, между показателями, полученных пассивным и активным дат- чиком, совпадает на 88-97% [1,4].

Преимуществами обследования по- лей с помощью беспилотной аэрофото- съёмки являются высокие оперативность и производительность,  достоверность получаемой информации и возможность проводить  оценку  даже  в  таких  усло- виях, когда выезд на поле затруднён, а использование совместно с мультиспек- тральной камерой помогает провести бо- лее подробный анализ о состоянии поля. В  зависимости  от  типа  БПЛА,  за один день можно обследовать от 500 до

5000 га, с высоты от 50 до 500 м.

Использование мультиспектральных данных позволяет составлять карты каче- ства почв для организации дифференциро- ванного внесения удобрений.

Например, Gabriel Torrens пишет об использовании мультиспектральной ка- меры для создания NDVI карт для не- скольких рисовых полей. По этим дан- ным были произведены расчеты по вне- сению азота (рис.3).

Использование данной технологии по- высило урожайность риса на 8%, и снизила количество внесенных азотных удобрений

на 14%, по сравнению с традиционными ме- тодами внесения.

 

Рисунок 3: Зонирование и расчет доз внесения азот- ных удобрений на основе карт NDVI

Результаты опыта демонстрируют, как откалиброванные данные, полученные мультиспектральной камерой, могут суще- ственно дополнять производственный про- цесс, снижая затраты и увеличивая урожай- ность [6].

Кроме этого данные мультиспектраль- ной съемки позволяют выявить сорную рас- тительность на ранних этапах вегетации.

 

 

Рисунок 4: Последовательность дешифриро- вания растительности

Исследования на полях кукурузы в Ис- пании, г. Мадрид показали, что мультиспек- тральные снимки успешно применяются для идентификации сорняков и последую- щего их зонирования. Пример процедуры дешифрирования на каждом шаге представ- лен на рисунке 4 [7].

Мультиспектральная съемка позво- ляет провести анализ условий, которые влияют на рост растительности и после- дующее обследование выбранных участ- ков в поле.

Например, Robert Parker пишет так о применении карт NDVI: «В одной ча- сти поля, карта NDVI отражает здоровый зеленый участок, окруженный клочками желтого цвета. Любой агроном, взглянув на данные, может разумно предполо- жить, что эта область содержит здоро- вый картофель, окруженный менее здо- ровыми растениями. Однако, используя карту в мобильном приложении, (рис.5) специалист непосредственно исследовал этот участок и нашел там бурно расту- щие сорняки».

 

Кроме индексов используют раз- личные цветные композиты, которые по- могают определить причину какой-либо проблемы (рис.6).

 

Рисунок 6: Композит NRG, в отличии от NDVI, отображает более ясно, что причиной гибели растений является чрезмерное обилие воды. Темно-фиолетовый цвет в NRG указывает обла- сти обводненности почвы

Анализ мультиспектральных данных помогает определить участки, зараженные болезнями или вредителями, и предотвра- тить их дальнейшее распространение. Мно- жество исследований доказали успешность применения мультиспектральных камер в этой области. Например, в Канаде провели эксперимент по использованию БПЛА для мониторинга виноградников (рис.7).

 

Рисунок 7: Выявление зараженных растений с по- мощью анализа мультиспектральных данных

Получив снимки с пространственным разрешением 0,25-0,50 м/пиксель, они про- вели анализ лоз. Точность определения зара- женных растений составила более 90% [2].

В июле 2014 года на испытательных полях (Швейцария) проводились опыты с использованием аэрофотосъемки (рис.8).

 

Рисунок 8: Карты NDVI первого полета (сверху) т второго (справа)

На карте NDVI первого полета (17.07.14) отчетливо видны пораженные участки. Выход агронома в поле под- твердил наличие болезни. Дальнейшее распространение можно наблюдать на результатах второго полета (31.07.14). Кроме этого хорошо заметны пробелы в обработке фунгицидами (отмечено бе- лым пунктиром) [8].

Кроме этого, данные аэрофотосъемки помогают оптимизировать внесение СЗР и работу техники на поле за счет комплексной оценки состояния растительности на ос- нове композитов изображений и рассчи- танных вегетационных индексов (рис.9). С помощью мультиспектральной съемки можно определить степень зре- лости и, в конечном счете, рассчитать урожайность.        Уже давно      практикуют применение космоснимков для расчета урожайности.        Исследования показали, что  разница  между  прогнозируемыми значениями      урожайности        и фактиче- скими колеблется от 7,9 до 13,5% (изоб- ражения landsat-8, разрешение 30 м) и от 3,8  до  10,2%  (изображения  Sentinel-2, разрешение 10 м). Снимки с БПЛА, в от- личии от спутниковых  изображений, имеют более высокое разрешение, соот- ветственно  имеют  более  меньшую  по- грешность по расчетам урожайности [3].

Заключение

На сегодняшний день применение БПЛА в сельском хозяйстве начинает бурно развиваться, и вопрос о внедрении в производство этих технологий стано- вится актуальным. Современное техни- ческое обеспечение, такое как мультис- пектральные камеры, делают беспилот- ные технологии более информативными, и значительно расширяют их спектр при- менения.

Изучив положительный опыт при- менения мультиспектральных камер, можно уверенно заявить о том, что даже не смотря на опытно-эксперименталь- ный характер использования, данные технологии будут только развиваться и в скором будущем найдут широкое приме- нение.

Список литературы:

1. Железова С.В., Ананьев А.А., Вью- нов М.В., Березовский Е.В. Мониторинг посевов озимой пшеницы с применением

беспилотной аэрофотосъемки и оптиче- ского датчика GreenSeeker RT200 // Вест- ник Оренбургского государственного университета. 2016. № 6. С. 56-61

2. Adam Beak Innovative approach to curb vineyard threat wins award // 2016 Ре- жим  доступа:

https://blog.bankofthewest.com/blog/2016/  02/04/innovative-approach-to-curb-vine-  yard-threat-wins-award/

3. Al-Gaadi KA, Hassaballa AA, Tola E, Kayad AG, Madugundu R, Alblewi B, et al. (2016) Prediction of Potato Crop Yield Us- ing Precision Agriculture Techniques. PLoS ONE 11(9): e0162219. doi:10.1371/jour- nal.pone.0162219

4. Caturegli L, Corniglia M, Gaetani M, Grossi N, Magni S, Migliazzi M, et al. (2016) Unmanned Aerial Vehicle to Esti- mate Nitrogen Status of Turfgrasses. PLoS ONE 11(6): e0158268.doi:10.1371/jour- nal.pone.0158268

5. Federico Martinelli, Riccardo Sca- lenghe, Salvatore Davino, Stefano Panno, Giuseppe Scuderi, et al.. Advanced methods of plant disease detection. A review. Agron- omy for Sustainable Development, Springer Verlag/EDP Sciences/INRA, 2015, 35 (1), pp.1-25.  <10.1007/s13593-014-0246-1>.

<hal-01284270>

6. Gabriel Torres, Nitrogen recommen- dations // 2016

7. Peña JM, Torres-Sánchez J, de Castro AI, Kelly M, López-Granados F (2013) Weed Mapping in Early-Season Maize Fields Using Object-Based Analysis of Un- manned Aerial Vehicle (UAV) Images. PLoS ONE 8(10): e77151. doi:10.1371/journal.pone.0077151

 

8. S. Nebiker , N. Lack, M. Abächerli, S. Läderach. Light-weight multispectral UAV sensors and their capabilities for predicting grain yield and detecting plant diseases // The International Archives of the Photo-

grammetry, Remote Sensing and Spatial In- formation Sciences, Volume XLI-B1, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic.