Достижения в технологии гиперспектрального дистанционного зондирования открыли новые возможности для изучения инновационных способов картирования культур с точки зрения площади и состояния их здоровья. Чтобы создать точные карты сельскохозяйственных и садовых культур, отражающими биофизические и биохимические характеристики, была проведена воздушная гиперспектральная съемка спектрометром AVIRIS-NG в различных агроклиматических регионах, представляющих различные сельскохозяйственные типы Индии. Классификация сельскохозяйственных культур с использованием доступных и разработанных алгоритмов была применена к однородным и неоднородным сельскохозяйственным и садовым культурам. Алгоритмы отображения спектрального угла и максимального правдоподобия показали точность классификации 77–94% для AVIRI-NG и 42–55% для LISS IV. Настроенные схемы классификации на основе глубокой нейронной сети и функции максимального шума (MNF) показали точность 93% и 86% для картирования сельскохозяйственных и садовых культур соответственно. Протокол прямой и инверсионной модели радиационного режима покрова был разработан для получения таких параметров, как индекс площади листа (LAI) и содержание хлорофилла (Cab), с использованием узких полос AVIRIS-NG. Извлеченные LAI и Cab показали отклонение на 19–27% и 23–29% от измеренного среднего значения для однородных и гетерогенных сельскохозяйственных угодий соответственно. Эмпирическая модель на основе индекса положения красной границы и многомерная линейная регрессия нескольких индексов показали максимальную корреляцию 0,62 и 0,93 соответственно для отображения содержания азота в листьях. Индекс состояния воды был разработан с использованием индексов растительности и воды для различения абиотического стресса на водной основе. Болезнь желтой ржавчины пшеницы была идентифицирована в масштабе поля с использованием анализа глубины полосы поглощения при 662–702 и 2155–2175 нм, а затем применена к данным AVIRIS-NG для обнаружения биотического стресса в пространственном масштабе. Это исследование устанавливает, что такие миссии могут повысить точность картирования экономически ценных мелких сельскохозяйственных культур и выработать показатели здоровья для различения биотических и абиотических стрессов в полевых масштабах.
Введение
Требование постоянного и точного мониторинга роста и состояния сельского хозяйства имеет первостепенное значение для разумного использования сельскохозяйственных ресурсов, для управления потенциальным урожаем. Технологические достижения в области дистанционного зондирования доказали свою ценность для характеристики сельскохозяйственных пахотных земель в масштабах от поля до региона. За последние три десятилетия традиционные мультиспектральные широкополосные датчики использовались для оценки площади посевов и межсезонного мониторинга. Однако эти датчики имеют известные ограничения с точки зрения спектральной ширины полос и пространственного разрешения.
Более того, с их помощью затруднительно картировать биофизические и биохимические параметры сельскохозяйственных культур. Это приводит к значительной неопределенности в классификации и мониторинге состояния сельскохозяйственных культур. Для решения такой задачи необходимы конкретные узкие полосы для изучения спектральных свойств с учетом молекулярного состава растительного биоматериала. Гиперспектральное дистанционное зондирование показывает большой потенциал и позволяет улучшить в классификацию различных типов культур, извлекать биофизическое и биохимическое содержимое, оценивать содержание питательных веществ и обнаруживать абиотические и биотические стрессы. Гиперспектральная технология дистанционного зондирования дает возможность картировать различные типы культур с точки зрения морфологических и физиологических характеристик в непрерывных спектральных полосах. Точность классификации будет увеличиваться за счет уменьшения размерности и избыточности гиперспектральных данных. Использование различных методов, таких как анализ главных компонентов (PCA), преобразование максимальной доли шума (MNF), за которым следует индекс чистоты пикселей, может помочь в уменьшении размерности данных и повысить точность классификации. Физические и биохимические параметры культур, такие как индекс площади листьев (LAI), содержание хлорофилла (Cab) и содержание азота (N), обеспечат показатели для оценки физиологического состояния растений в различных условиях. LAI, Cab и N играют непосредственную роль в фотосинтетических процессах сбора света и инициации переноса электронов, и их чувствительность будет меняться в зависимости от степени тяжести биотических и абиотических стрессов. Эти параметры могут быть получены с использованием моделей радиационного режима покрова и различных гиперспектральных индексов растительности. Биофизические и биохимические составляющие растительного покрова прямо выражены в сигнатурах отражательной способности, которые могут быть получены из путем гиперспектральной съемки. Спектральные характеристики показателей жизнедеятельности и контроля растительности позволяют количественно применять спектроскопию для устранения неопределенности агроэкосистемах. Кроме того, спектроскопическое дистанционное зондирование может выступать в качестве моста между полем и регионом, а также служить эталоном для выбора специфичных регионов для проведения глобальных космических миссий дистанционного зондирования.
В Индии при совместном сотрудничестве Индийской организации космических исследований (ISRO), Национального управления аэронавтики (NASA), Лаборатории реактивного движения (JPL) была организована кампания по выполнению гиперспектральной съемки отдельных сельскохозяйственных участков. В рамках этого исследования на борту самолета был установлен бортовой спектрометр видимого / инфракрасного спектра AVIRIS-NG. Он имеет около 425 смежных узких спектральных полос в диапазоне 380–2500 нм с высоким спектральным разрешением около 5 нм и мгновенным полем зрения (IFOV), равным 1 м рад. Полученные от AVIRIS-NG данные использовались для классификации типов культур, а также для получения биофизических и биохимических параметров и создания карт абиотического и биотического стресса.
Район исследования
Для съемки были выбраны однородные и разнородные сельскохозяйственные участки Индии площадью 20–550 кв. км — Кота (Раджастхан), Маддур (Карнатака), Ананд (Гуджарат), Талала (Гуджарат), Джагдиа (Гуджарат), Рупнагар (Пенджаб) и Нагарджуна Сагар (Телангана). Участки были выбраны на основе их уникальных агроклиматических условий, почвенных особенностей, различий сельскохозяйственных культур, богарных и орошаемых сельскохозяйственных условий.
Используемые наборы данных
Полевые данные
Данные об отражающих способностях растений и почвы были получены с помощью спектрорадиометра ASD в спектральных областях 350–2500 нм с интервалом 1 нм на в согласовании со съемкой AVIRIS-NG. Были проведены измерения LAI и индекса хлорофилла для различных культур для всех участков.
Рисунок 1. Расположение районов исследования
Данные аэросъемки
AVIRIS-NG — это спектрометр, имеющий около 425 смежных узких спектральных полос в спектральном диапазоне 380–2500 нм с интервалом 5 нм с высоким отношением сигнал / шум (SNR) (> 2000 @ 600 нм и> 1000 @ 2200 нм) и точность 95% с полем зрения 34 ° и IFOV 1 м рад. GSD зависит от разрешения пикселей от 4 до 8 м для высоты полета 4–8 км для полосы 4–6 км.
Спутниковые данные
Сенсор LISS IV спутника Resourcesat-2 (RS-2 ) обеспечивает три широких спектральных диапазона, а именно, зеленый (520–590 нм), красный (620–680 нм) и NIR (770–860 нм). Данные LISS IV имеют пространственное разрешение 5,8 м и радиометрическое разрешение 10 бит.
Методология
Предварительная обработка данных
В этом исследовании использовались данные об отражательной спосбности поверхности AVIRIS-NG уровня 2. Из спектральных данных линии Фраунгофера были удалены при дальнейшем анализе. Лабораторно рассчитанные функции спектрального отклика трех спектральных полос сенсора RS-2 LISS IV были применены к данным AVIRIS-NG для генерации эквивалентных спектральных полос LISS IV.
Уменьшение размерности
Чтобы уменьшить размерность данных в настоящем исследовании, методы разложения спектральных полос на основе PCA, MNF-преобразований и глубоких нейронных сетей (DNN) были применены к данным AVIRIS-NG.
Методы классификации
Методы классификации, такие как отображение спектрального угла (SAM), классификатор максимального правдоподобия (MLC), агрегатор опорных векторов (SVM), MNF, иерархическое решение, классификация на основе глубины полосы поглощения (ABD) и DNN, применялись с использованием полевых данных и данных AVIRIS-NG для классификации различных сельскохозяйственных и садовых культур. Коэффициент Каппа и общие коэффициенты точности были использованы для оценки точности классификации.
Отображение спектрального угла (SAM): это спектральная классификация, которая использует n-мерный угол для сопоставления пикселей с эталонными спектрами. Алгоритм определяет сходство двух спектров, вычисляя угол между ними, рассматривая спектры как векторы в пространстве с размерностью, равной количеству полос. SAM сравнивает угол между вектором спектра конечного элемента и каждым пиксельным вектором в n-мерном пространстве. Меньшие углы представляют более близкие совпадения с эталонным спектром. Класс, с которым пиксель записывает наименьший угол, является классом, в котором он классифицируется.
Классификация максимального правдоподобия (MLC): помогает в случае перекрывающихся классов и вычисляет вероятность пикселя, принадлежащего определенному классу, на основе его апостериорной вероятности. Если Nc — это число классов и вероятность пикселя p, принадлежащего определенному классу Wi (i = 1, 2, ..., Nc), можно определить в терминах апостериорной вероятности P (Wi / p) и класса, с которым пиксель будет иметь максимальную вероятность, тогда он назначается этому классу.
Агрегатор опорных векторов (SVM): это двоичный классификатор, основанный на статистической теории обучения, для генерации линейной разделяющей гиперплоскости, которая максимизирует разницу между двумя целевыми классами, то есть максимизирует расстояния между ближайшими векторами (также известными как опорные векторы) двух классов , Однако, когда зашумленные данные приводят к смешиванию классов, введение слабых параметров или параметров регуляризации или штрафных параметров, которые создают мягкий запас, позволяющий некоторому количеству обучающих выборок одного класса лежать на другой стороне запаса, делает концепцию более устойчивой и эффективен в обработке зашумленных данных. Мультиклассовые классификаторы SVM — это модифицированные версии двоичных классификаторов SVM, где в основном используется парная стратегия, в которой формируются двоичные классификаторы для каждой возможной пары классов. Метки класса, которые появляются больше всего, назначаются этому пикселю.
Максимальная доля шума (MNF): преобразование MNF использует наиболее распространенные показатели качества изображения, то есть SNR, и выбирает более новые компоненты, так что SNR максимизируется в отличие от PCA. Поскольку набор собственных векторов, полученных после максимизации доли шума, такой же, как и максимизация SNR (только в обратном порядке), MNF максимизирует дисперсию шума по отношению к дисперсии целых данных. Когда исходные данные преобразуются вместе с этими новыми компонентами, MNF будет показывать лучшее качество изображения.
Правило иерархического принятия решения: Индексы растительности (VIs) были объединены с классификацией на основе правил иерархического принятия решения. Индексы растительности были рассчитаны и взяты в качестве входных данных для иерархической классификации на основе правил принятия решений. Использовались различные индексы растительности: нормализованный разностный вегетационный индекс (NDVI), водный индекс (WBI) и нормализованный разностный инфракрасный индекс (NDII).
Глубина полосы поглощения: коэффициент отражения, удаленный от континуума, был получен путем деления исходных значений коэффициента отражения (R) на соответствующие значения линии континуума (RL) для всех каналов в области длин волн между конечными точками элемента поглощения: CR = ( R / RL). Глубина (D) характеристики поглощения была рассчитана как разница между непрерывной линией и минимальным значением в спектральной характеристике с удаленным континуумом BD = (1 - CR).
Глубокая нейронная сеть: после уменьшения размерности методика PCA была применена к шести частям набора данных, и основные компоненты, объясняющие наибольшую изменчивость, были выбраны для участка Anand. Собственные векторы первых двух основных компонентов были использованы для определения значимых полос. Были рассмотрены три набора 10, 25 и 50 значимых полос с высокой частотой отбора в шести подмножествах. Учебные участки были отмечены на изображении с использованием наземных участков урожая, классов растительности и залежных земель. DNN с 391 полосой, тремя скрытыми слоями из 300, 150 и 50 узлов, функцией активации выпрямленной линейной единицы (Relu) и выходным слоем учебных классов использовался для выбора полосы. Полосы, которые часто активировали узлы выходного слоя, были выбраны как наиболее значимые с использованием обратного обхода нейронной сети. Наиболее оптимальный набор полос из обоих методов был выбран на основе общей точности и точности среднего класса. Классификация проводилась с использованием классификатора DNN с выбранными оптимальными полосами и набора обучающих данных. В нейронной сети использовались три скрытых слоя и функция активации Relu. Спектральные профили были получены с использованием участков GT для различных культур, классов растительности и залежных земель. Спектральный профиль прогнозируемого пикселя был сопоставлен с эталонными профилями на основе GT выбранных наземных объектов с евклидовым расстоянием 0,075. Расширенный набор данных был сгенерирован с пикселями, спектральные профили которых соответствовали эталонным профилям. Анализ разделимости между учебными классами проводился для оптимального набора полос, выбранных с использованием методов на основе PCA и DNN. Расстояние Джеффриса – Матуситы (JM) и среднее расстояние JM между классами были рассчитаны и сопоставлены для обоих методов. На основе показателей точности и анализа отделимости был выбран окончательный набор оптимальных полос для классификации.
Извлечение параметров культур
Одномерная имитационная модель радиационного режима покрова PROSAIL, комбинированная форма PROSPECT и SAIL (рассеяние на произвольных наклонных листьях), использовалась в этом исследовании для получения параметров покрова. PROSPECT имитирует отражательную способность на уровне листа, а SAIL учитывает направленность. Модель имитирует отражательную способность с использованием биофизически-химических составляющих листа, таких как параметр структуры листа (N), содержание хлорофилла (a + b) (Cab), эквивалентная толщина листа (Cw), содержание сухого вещества листа (Cm), LAI, наклон листа угол (LIA), параметр горячей точки (SL), горизонтальная видимость (vis), угол солнца к зениту, угол обзора, относительный азимутальный угол и альбедо почвы. Модель CRT была адаптирована для спектральных диапазонов AVIRIS-NG. Модель будет имитировать полосы AVIRIS-NG при прямом моделировании в соответствии с заданными входными данными. Входные параметры моделей были разделены на различные интервалы в пределах их теоретического нижнего и верхнего пределов, чтобы охватить всю динамику посевов в соответствии с наблюдениями на месте и опубликованной литературой. Учитывая их пределы и интервалы, комбинации различных исходных данных привели к различным сценариям для соответствующих типов культур. Функция инверсии (S) была использована для инверсии, которая представляет собой сумму квадратичных разностей между отражательной способностью в пиксельных полосах AVIRIS и отраженными в модели. Функция минимума стоимости была получена с использованием метода наименьших квадратов, который дает уникальное значение LAI и Cab для данного набора наблюдаемых отражений с использованием сгенерированной таблицы поиска (LUT) посредством прямого моделирования. Этот подход аналогичен вариационному методу, в котором разность ошибок минимизируется, но отличается ковариационными матрицами ошибок наблюдения. Это может быть предметом будущих исследований в рамках этого вариационного подхода. В вариационном методе функция стоимости, которая является функцией полной дисперсии, минимизируется.
Рисунок 3. Концептуальный график треугольника водного индекса и индекса NDVI для определения состояния влажности почвы и сельскохозяйственных культур
Абиотический стресс
Чтобы интегрировать состояние влажности и отражательную способность поверхности, был определен индекс состояния воды (WCI) на основе пространства треугольника WIx-VI. WCI связан с состоянием влажности почвы на поверхности / содержанием воды в растительности, где более высокие значения WCI указывают на влажные условия и наоборот (Рисунок 3).
Биотический стресс
Два разных подхода, а именно, на участке Рупнагар использовались классификация по индексу заболеваемости и глубине поглощения, чтобы различать здоровую и зараженную ржавчиной культуру пшеницы. Индексы, такие как индекс тяжести болезни листовой ржавчины (LRDSI) 1 и 2, использовались для классификации.
Результаты и обсуждение
Оптимальный выбор спектральной полосы
Чтобы уменьшить размерность данных для эквивалентных мультиспектральных полос AVIRIS-NG (400–2500 нм) и LISS IV, сгенерированных из AVIRIS-NG, на участке Maddur была применена PCA, представляющая неоднородную сельскохозяйственную зону. Соседние гиперспектральные полосы частот показывали шум, насыщенность и избыточность данных. Поэтому на основе анализа и изменчивости данных предполагается, что чем выше собственный вектор, тем выше значимость полосы. Для AVIRIS-NG и LISS IV пять и две полосы, показывающие высокие собственные значения, соответственно, были использованы для классификации типов культур.
Рисунок 4. Различение типов культур по (a) однородным и (b) разнородным сельскохозяйственным районам с использованием контролируемой классификации SAM
Выбор оптимальных полос проводился с использованием методов отбора полос на основе PCA и DNN на площадке Ананд. Три набора верхних 10, 25 и 50 значимых полос привели к выбору 20, 40 и 80 оптимальных полос соответственно, используя оба метода. Полосы, выбранные методом PCA, лежат в областях СИНИЙ, ЗЕЛЕНЫЙ, КРАСНЫЙ и NIR, тогда как полосы, выбранные методом DNN, располагаются в области SWIR.
Установление различия между манго и сапотой проводилась с помощью 18 полос с высоким SNR в трансформированном MNF пространстве для изображения AVIRIS-NG в районе Talala.
На участке Jhagdia было выполнено смещение континуума (CR) и дальнейшая нормализация для определения спектральной ширины полосы 661–702, 947–998 нм для различения свежего и ратонового сахарного тростника. Кроме того, эти полосы пропускания показали максимальные различия в глубине полосы поглощения во всем вегетативном спектре и отражают свойства пигмента и структуры листьев.
Рисунок 5. Установление различий типов культур по разнородному сельскохозяйственному участку Maddur, штат Карнатака, с использованием (a) SAM и (b) MLC с использованием извилистых данных AVIRIS-NG и LISS-IV
Классификация культур
Алгоритм SAM был применен к данным AVIRIS-NG для классификации типа культур в однородных (участок Kota) и разнородных (участок Jhagdia) сельскохозяйственных районах. Для этого было подготовлено 25 наборов обучающих данных с использованием полевых спектральных наблюдений, свернутых в соответствии со спектральной шириной полосы данных AVIRIS-NG в форме областей интереса для различных типов культур. Сгенерированные классифицированные изображения показали точность классификации 86,4% и 80,8% с коэффициентом каппа 0,84 и 0,77 для сельскохозяйственных участков Kota и Jhagdia, соответственно, с 15 независимыми полевыми данными. Классификация типов культур и спектральное поведение AVIRIS-NG и полевые данные (Рис. 4 a и b) показывают, что кривизна (наклон) обоих спектральных параметров остается одинаковой для различных типов культур, но существует разница в величине. Это может произойти из-за (i) воздействия почвы в навесе растения, (ii) двух или более культур в пределах пикселя и (iii) атмосферных возмущений.
После PCA пять из 420 полос AVIRIS-NG и две из трех полос LISS IV были отобраны для классификации типов культур с использованием алгоритмов SAM и MLC. Классификация на основе AVIRIS-NG показала лучшую точность по сравнению с эквивалентными мультиспектральными данными LISS IV (рисунок 5). Это связано с наличием специфических узких полос в AVIRIS-NG, которые содержат информацию о содержании хлорофилла, белка, лигнина, целлюлозы и азота, а также биофизическую информацию. Принимая во внимание, что LISS IV предоставляет информацию только в широкополосных каналах GREEN, RED и NIR и, таким образом, не может учитывать биохимические и биофизические свойства конкретных культур.
Перекрестная классификация между садами манго и сапоты
Рисунок 6. FCC и классифицированное изображение частей района Anand
Методы, основанные на PCA и DNN, показали, что общая точность для 20, 40 и 80 оптимальных полос составила 96% и 93–98% соответственно, но средняя точность класса варьировалась от 92% до 94% на участке Anand. Всего 3775 и 164 226 пикселей AVIRIS-NG из 12 различных классов были использованы в качестве наборов данных для обучения и проверки соответственно. Общая точность для 20, 40 и 80 оптимальных полос, выбранных с DNN, варьировалась от 93% до 98%, а средняя точность класса варьировалась от 88% до 97%. Максимальная средняя точность, полученная для 40 полос, составила 92% для PCA и 97% для метода отбора на основе DNN.
Различные алгоритмы классификации использовались для классификации однородных садовых культур в регионе Talala с использованием 20 полевых данных в качестве обучающего набора данных и 15 независимых наборов данных для оценки точности. Как MLC, так и SVM обеспечивали точность классификации почти 86% (86,64% для MLC и 85,02% для SVM), а установление различий между манго и сапотой составляла около 100%. Точность классификации, полученная путем применения SAM для данных всех диапазонов AVIRISNG, также была выше, чем ожидалось, для многоспектрального изображения LISS-IV.
Рисунок 7. Спектральные профили классифицированных данных и полевых данных
Рисунок 8. Карта состояния района Talala, созданная на основе AVIRIS-NG
В районе Jhagdia иерархическое дерево решений и глубины поглощения с удаленным континуумом использовались для различения свежего и ратонового сахарного тростника. В общей сложности 15 и 10 наборов полевых данных были использованы для обучения и проверки соответственно. NDVI, WBI и NDII использовались в иерархическом дереве решений. Порог этих показателей был получен из полевых данных. Эти показатели адекватны для описания биохимических или биофизических особенностей. Выявленные спектральные полосы, основанные на глубинах поглощения, рассчитанных на основе нормализации анализа континуума (660–702 нм и 947–998 нм), были использованы для распознавания свежей и ратонной культуры сахарного тростника. Полосы, показывающие максимальную разницу в глубинах поглощения, были отобраны для анализа различий.
Рисунок 9. а) Спектральный профиль посевов сахарного тростника и ратона. b) Пространственное распределение типов сахарного тростника с использованием различных методов классификации
Извлечение параметров культур
На рисунках 10 a) и b) показана одномерная чувствительность модели радиационного режима покрова для LAI и Cab соответственно. Здесь типичные средние значения параметров по наблюдениям на участке Kota были рассмотрены для анализа чувствительности. LAI и Cab варьировались от фиксированного значения 2,5 и 30 мкг / см с приращением и уменьшением 0,5 и 5 соответственно. Отражательная способность в видимой и ближней инфракрасной полосах демонстрировала колебания от –28% до 40% и от –8% до 16% соответственно для разных интервалов LAI. Cab показала чувствительность только к видимой полосе, и отклонение от ее фиксированного значения привело к изменению отражательной способности от –90% до 56%. Анализ показал, что все видимые и ближние инфракрасные диапазоны были чувствительны к LAI и Cab, и их флуктуации можно было зафиксировать с помощью имитированных значений отражательной способности.
Рисунок 10. Анализ чувствительности модели радиационного режима покрова для (a) индекса площади листа (LAI) и (b) содержания хлорофилла
Метод декорреляции показал, что десять спектральных полос имеют максимальную декорреляцию в диапазоне 400–1000 нм. Среди них шесть (451, 551, 677, 797, 857, 882 нм) и четыре (451, 551, 656, 677 нм) узких полос AVIRIS-NG, демонстрирующих максимальную чувствительность к LAI и содержанию хлорофилла, были отобраны для поиска этих параметров. Поиск LAI и Cab был сделан инверсией отражений AVIRIS-NG с использованием сгенерированного LUT. LAI и Cab были найдены в разнородном сельскохозяйственном районе Jhagdia, имеющим такие культуры, как пшеница, сахарный тростник, банан, лук и горох. В 50% сельскохозяйственных угодий преобладают посевы пшеницы и сахарного тростника. LAI и Cab варьировали от 1 до 5 и от 5 до 40 мкг / см соответственно (рис. 11, b и c). Проверка данных в поле показала отклонение на 27,5% и 29,54% от среднего значения для LAI и Cab соответственно (рис. 12) для различных типов культур. LAI и Cab были также определены на однородной сельскохозяйственной территории Kota, покрытой такими культурами, как пшеница, горчица, бобы, чеснок, пажитник, кориандр, горох и лук. Площадь посевов пшеницы составляет около 70%, в то время как 30% покрыто другими культурами. LAI и Cab варьировались от 1 до 7 и от 10 до 23,05% от средних данных для LAI и Cab соответственно на 50 г / см2 (рис. 11 e и f). Среднеквадратичная ошибка и процент от полевых данных показали отклонение 19,75%, а отклонение от среднего было высоким в неоднородной сельскохозяйственной зоне из-за низкой плотности навеса, что приводило к смешению отражательной способности фона почвы с культурой и более чем одной культурой в пикселе.
Рисунок 11. Пространственное распределение LAI и содержания хлорофилла в (a–c) гетерогенных и (d–f) однородных сельскохозяйственных регионах
Рис. 12. Подтверждение извлеченного LAI с использованием измеренного на земле LAI (a) и содержания хлорофилла (b) в однородных и гетерогенных сельскохозяйственных районах
Для получения показателя азот сельскохозяйственных культур, была рассчитана корреляция между измеренным N на участке Anand и узкополосными индексами от AVIRIS-NG. Корреляция с разными показателями варьировала от –0,3 до 0,44. Модель была применена к 12 индексам для создания пространственной карты N для содержания растений на основе данных AVIRIS (рис. 13). Содержание N в растениях в разных культурах варьировало от 0,5 до 4% от сухой массы растения.
Рисунок 13. Пространственное распределение содержания процента N по сельскохозяйственному району Anand
Абиотический стресс
В районе Nagarjuna Sagar на пересаженном рисовом поле (заболоченном) был самый низкий показатель NDVI; однако, он имело самое высокое значение во всех водных индексах. Чтобы зафиксировать непрерывное изменение показателей влажности для данного NDVI, была выбрана часть района исследования, которая демонстрировала широкий диапазон условий влажности и растительного покрова. Соответствующие значения NDVI были нанесены на график в зависимости от WBI, NDWI, NDII и LSWI (рис. 14, а). Форма графика рассеяния между NDVI и индексами воды была аналогична треугольному пространству LST и NDVI. В треугольниках NDII – NDVI наклон мокрого и сухого края был намного круче, чем LSWI – NDWI. Это может быть связано с ограничениями LSWI в смешивании реакции между влажной поверхностью и здоровой культурой. В этом исследовании треугольник NDVI – NDII использовался на всех этапах посева для различения влажных и здоровых посевов.
Рисунок 14. а) Точечная диаграмма зависимости NDVI от WBI, NDWI, NDII и LSWI. b) WBI, NDWI, NDII и LSWI нанесены на график для различных базовых характеристик
Наземные наблюдения показали, что WBI и NDWI были более чувствительными к содержанию воды в почве по сравнению с содержанием воды в культурах при различных значениях NDVI. Нормализация этих показателей была проведена путем выведения WCI. Одним из важных предположений при оценке WCI является то, что влажность почвы и содержание воды в растительности являются основными факторами, способствующими изменению во всех WIx. Сухие и влажные края были рассчитаны с использованием диаграмм рассеяния NDVI и WIx. Используя влажный и сухой край с текущими значениями NDVI, рассчитывают WCI для исследуемой области. Основным преимуществом получения WCI является приведение четырех индексов к единой шкале (рис. 14 b). Среди WCI, WCI-LSWI смог объяснить различия от условий сухой почвы / культуры до влажной насыщенной почвы и здоровых условий культуры. Использование WCI помогло преодолеть насыщение WBI и NDWI при более высоком NDVI. Этот метод также помогал отличать здоровые культуры от стрессовых культур на пике вегетации. LSWI показал всю площадь как здоровую сельскохозяйственную площадь, как показано на рис. 15, хотя она включает в себя здоровую культуру и поля орошаемых паров. Низкие значения WCILSWI (рис. 15 в) указывают на то, что часть урожая находится в напряженном состоянии, а небольшая часть здорова. Окружающее поле влажных паров показало высокую ценность WCILSWI и было в состоянии различить все четыре случая состояния влажности, такие как сухой пар, влажный пар, здоровая культура и стрессовая культура.
Рисунок 15. Распознавание стрессовых и бесстрессовых культур WCILSWI
Биотический стресс
Порог показателей заболеваемости LRDSI-1 и LRDSI-2 в диапазоне 7,5–7,9 и 8–8,4, соответственно, полученных по наблюдаемым на земле спектрам, использовался для распознавания пшеницы, зараженного желтой ржавчиной, на участке Rupnagar. Кроме того, после глубины поглощения непрерывного удаления из наземных спектров и спектров AVIRIS-NG было выявлено, что две характерные спектральные области, каждая в видимой (662–702 нм) и SWIR (2155–2175 нм), были способны различать зараженные культуры (рис. 16 а). Для видимой области 0,25–0,35; 0,20–0,23 и домен SWIR 0,07–0,14; 0.03–0.06, глубина поглощения была выбрана для здоровых и зараженных болезнями культур соответственно. На основе глубины поглощения было получено пространственное распределение здоровых и зараженных болезнями зерновых культур (рис. 16 b). Наземные и классифицированные спектры изображений были использованы для получения оценки соответствия путем применения подбора спектральных характеристик. Это показало 0,91 и 0,93 балла для здоровой и желтой ржавчины пшеницы, соответственно, для классификации по глубине полосы. В некоторых исследованиях также сообщалось, что зараженные пшеничной тлей культуры имеют низкую отражательную способность в ближней инфракрасной области и имеют высокую видимую поверхность по сравнению со здоровыми культурами и центрами определенных полос при 694 нм и 800 нм соответственно.
Рисунок 16. а) Выбор спектральной полосы для идентификации болезни пшеницы. б) Классификация здоровой и больной пшеницы с использованием различных методов классификации.
Заключение
В этом исследовании изучались характеристики гиперспектральных узкополосных данных AVIRIS-NG во многих сельскохозяйственных приложениях, таких как распознавание типов культур, получение биофизических и биохимических параметров сельскохозяйственных культур и оценка стресса. Исследование ясно показало, что гиперспектральные данные обеспечивают лучшую точность классификации по сравнению с мультиспектральными данными в различных сельскохозяйственных условиях. Методы сокращения данных, такие как PCA, MNF и DNN, обеспечивают лучшую точность для классификации культур. Содержание азота в растениях также показало хорошую восстановленную точность при многомерном линейном моделировании конкретных узкополосных гиперспектральных индексов. Уникальные характеристики узкополосных индексов и особенностей поглощения в конкретных полосах были использованы для различения биотических и абиотических стрессов.