-
Correo electrónico
ustc_sc@163.com
-
Teléfono
18020740586
-
Dirección
Habitación 1503, edificio a04, tercera fase del parque de software del distrito jimei, ciudad de xiamen, Provincia de Fujian
Acerca de nosotros
Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
Aopu Tiancheng ath9010 ayuda a la producción agrícola
Fecha:2025-12-01Leer:0
El trigo es uno de los tres principales cultivos alimentarios de China (trigo, arroz y maíz) y es la clave de la seguridad de la estrategia alimentaria nacional. Sin embargo, las plagas y enfermedades de los cultivos (más de 20 enfermedades comunes) ponen en grave peligro la seguridad de la producción de trigo. Brotes explosivos y epidemias regionales de Roya de rayas causadas por la Roya de rayas de trigo. En los años epidémicos, la Roya de rayas puede reducir la producción de trigo en más del 40% o incluso perder la cosecha. Por lo tanto, el control de la Roya de rayas de trigo es crucial para la seguridad alimentaria. Solo monitoreando con precisión las enfermedades del trigo podemos prevenir y controlar eficazmente y minimizar las pérdidas.
Tradicionalmente, las enfermedades de los cultivos se monitorean visualmente, con limitaciones importantes como una pequeña cobertura y una fuerte subjetividad de los investigadores. Por lo tanto, se necesita un método de monitoreo eficiente y no destructivo de enfermedades de cultivos para reemplazar los métodos tradicionales. Después de años de desarrollo, la teleobservación se ha convertido en una tecnología eficaz para monitorear las enfermedades de los cultivos. La ventaja de la teleobservación es que puede evaluar la distribución espacial de las enfermedades de los cultivos a bajo costo, lo que permite un mejor control de las enfermedades.
La teleobservación hiperespectral es una tecnología relativamente avanzada. En comparación con la tecnología multiespectral, puede proporcionar una rica información de banda estrecha. Estudios anteriores han abordado las ventajas de la teleobservación hiperespectral sobre el multiespectro en diversas aplicaciones. La ventaja de la tecnología hiperespectral en el monitoreo de enfermedades de los cultivos es que puede capturar ciertos cambios fisiológicos causados es es por enfermedades (como pigmentos y contenido de agua). En estudios anteriores, muchas enfermedades de los cultivos han sido monitoreadas a través de teledetección hiperespectral, incluyendo Roya amarilla de trigo, moho en polvo, moho rojo de fusarium, mancha de hoja de maní, marchitez de la mancha de tomate y peste bacteriana de arroz.
El índice de vegetación (vi) ha mostrado un buen rendimiento de monitoreo de enfermedades de cultivos en estudios anteriores, y VI es sensible a los cambios fisiológicos en el interior de las hojas causados por la enfermedad, pero no puede representar cambios en las características de la superficie de las hojas. La textura es una característica que refleja los cambios externos causados por enfermedades y ha demostrado tener un buen rendimiento en el monitoreo de enfermedades de cultivos. Estudios anteriores han combinado características espectrales y de textura para mejorar la capacidad de caracterizar enfermedades. Estos estudios confirman la efectividad de vi, características de textura (tf) y sus combinaciones en el monitoreo de enfermedades de cultivos. Sin embargo, la mayoría de los estudios anteriores sobre la detección de enfermedades de cultivos con características espectrales e imágenes de fusión se llevaron a cabo a escala de hojas, y la viabilidad de este método para detectar enfermedades a escala de campo aún no se ha confirmado.
La tecnología de teleobservación de drones combina las ventajas de alta flexibilidad, bajo costo y operación simple, compensando las deficiencias de la teleobservación tradicional por satélite. Al transportar equipos de teleobservación en drones, la información de Teleobservación Espacial de alta resolución espacio - temporal se puede recopilar rápidamente, y luego el procesamiento de datos, el modelado y el análisis de aplicaciones se pueden realizar. Esto proporciona un importante apoyo técnico para el desarrollo de la gestión inteligente de las tierras agrícolas.
Para estudiar este problema en profundidad, se utilizaron drones equipados con sensores hiperespectrales para monitorear múltiples etapas de infección de la Roya amarilla del trigo a diferentes escalas espaciales. Los objetivos de la investigación son: (1) evaluar el rendimiento de vi, TF y sus combinaciones obtenidas utilizando imágenes hiperespectrales de drones para monitorear la Roya amarilla del trigo a escala de campo; (2) determinar la resolución espacial óptima de la imagen para monitorear la Roya amarilla del trigo utilizando imágenes de drones; (3) utilizar las mejores características y la mejor resolución espacial para establecer un modelo de monitoreo de la Roya amarilla en las etapas tempranas, intermedias y tardías de la infección a escala de campo.
Figura 1 hojas normales de trigo (izquierda) y hojas de trigo oxidadas amarillas (derecha)
2,Ideas técnicas y contenidos principales
2.1. Adquisición y preprocesamiento de imágenes de teleobservación
Se utilizan sistemas de drones equipados con sensores de imagen hiperespectrales (figura 2) para capturar imágenes de trigo. El sistema de imágenes hiperespectrales del dron consta de cuatro partes, incluyendo el sistema de drones eléctricos de seis rotores, el sistema de adquisición de datos hiperespectrales, la Plataforma de Estabilización de tres ejes y el sistema de procesamiento de datos.
Figura 2 sensores de drones
El dron vuela a una altura de 30 m y a una velocidad de 4 m / s, con un grado de superposición hacia adelante de alrededor del 80% y un grado de superposición lateral de alrededor del 60%. A una altura de vuelo de 30 m, Obtuvimos imágenes hiperespectrales con una resolución espacial de 1,2 cm y una resolución espectral de 4 nm. La adquisición de datos hiperespectrales de drones requiere un clima soleado, sin viento o con poca velocidad del viento. El período de recolección de imágenes en este estudio es de 11: 00 a 13: 00 horas.
Durante el período crítico del crecimiento del trigo, realizamos seis pruebas de observación hiperespectral basadas en drones el 25 de abril, el 4 de mayo, el 11 de mayo, el 18 de mayo, el 24 de mayo y el 30 de mayo, correspondientes a los 7, 16, 23, 30, 36 y 42 días posteriores a la vacunación (dpi), respectivamente. La figura 3 muestra el desarrollo de la Roya amarilla del trigo en diferentes períodos de infección.
Figura 3 fotos del trigo en diferentes períodos
Se tomaron un total de 24 muestras cada vez, de las cuales 8 fueron tomadas en parcelas saludables y 16 en parcelas de vacunación. Se obtuvieron un total de 144 muestras en seis ensayos, incluidas 57 muestras sanas y 87 muestras infectadas con óxido amarillo.
La gravedad de la Roya amarilla del trigo se describe en el índice de enfermedad (di). Se seleccionaron al azar 40 plantas de trigo de cada parcela de 1 m2 para evaluar la gravedad de la enfermedad con la primera y segunda hoja de trigo en la parte superior de la planta seleccionada. Un total de 80 hojas fueron seleccionadas para calcular di en cada parcela. según el Código Nacional de investigación y pronóstico de enfermedades de cultivos (gb / T 15795 - 2011), la incidencia de hojas se divide en 9 grados (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), de los cuales el 0% es saludable, el 1% es enfermedad de grado 1 y El 10% es enfermedad de grado 2...... El 100% es enfermedad de grado 8. La evaluación de la incidencia de la Roya amarilla se realiza inmediatamente después de que el dron tome la imagen y la realiza el mismo personal bajo la dirección y supervisión de un profesional.
2.2. Métodos experimentales
Se estableció un modelo de monitoreo de la Roya amarilla del trigo con plsr. El plsr se ha aplicado previamente al monitoreo del crecimiento de los cultivos y a la estimación de parámetros fisioquímicos. El plsr es un método de modelado clásico que incluye las características de tres métodos: pca, análisis de correlación canónica y análisis de regresión lineal múltiple. En el plsr, la estructura potencial de la variable se determina mediante una proyección del componente que proyecta la variable predictiva y la variable observacional a un nuevo espacio. Por lo tanto, al seleccionar las variables potenciales más & mejores, las variables originales con alta redundancia de datos se convierten en unas pocas variables. El plsr puede expresarse como un modelo lineal que describe la relación entre las variables predictivas y las variables de observación.
2.3. Adquisición de píxeles hiperespectrales
El algoritmo vecino más cercano vuelve a muestrear la imagen original (resolución de 1,2 centímetros) para generar una nueva imagen (resolución de 3, 5, 7, 10, 15, 20 centímetros). Las características de la imagen del dron incluyen plantas de trigo y suelo.
2,4. Punto de muestreo
Este estudio utiliza el método de umbral NDVI para extraer píxeles de trigo de imágenes con resolución espacial de 1,2 cm. El proceso de este método es el siguiente: primero, establezca el umbral NDVI óptimo. El rango NDVI de la vegetación general es de 0,3 a 1,0. Después de muchos intentos, encontramos que el umbral NDVI de 0,42 puede separar con precisión los píxeles de trigo de los píxeles de fondo. En segundo lugar, NDVI superior a 0,42 se convierte en un archivo de máscara para extraer píxeles de trigo. Finalmente, utilizamos el archivo de máscara para cortar la imagen original y obtener una imagen que solo contiene píxeles de trigo. Para garantizar la consistencia de los píxeles de trigo de las diferentes imágenes de resolución espacial, se utilizan archivos de máscara hechos con umbrales NDVI de la imagen original (1,2 cm) para extraer los píxeles de trigo de otras imágenes de resolución espacial. Las imágenes hiperespectrales que contienen solo píxeles de plantas de trigo se utilizan para su posterior procesamiento y análisis para seleccionar estas resoluciones específicas porque representan la mayoría de las imágenes de drones utilizadas para monitorear la salud de los cultivos. La figura 4 muestra un ejemplo de una imagen hiperespectral de un dron con una resolución espacial diferente, que forma parte de la región a de la imagen obtenida el 25 de abril.
Figura 4 imágenes hiperespectrales de drones con diferentes resoluciones espaciales
3,conclusión
Esta aplicación utiliza imágenes hiperespectrales de drones para monitorear la Roya de rayas de trigo a escala de campo, utiliza diferentes características (vi, TF y sus combinaciones) para establecer modelos de monitoreo plsr temprano, medio y tardío de la Roya de rayas de trigo, y evalúa el impacto de diferentes resoluciones espaciales de imagen (1,2 cm, 3 cm, 5 cm, 7 cm, 10 cm, 15 cm y 20 cm) en la precisión del monitoreo. Se obtuvieron las siguientes conclusiones: (1) el modelo basado en VI tiene la mayor precisión de monitoreo en la etapa media de la infección y el modelo basado en TF tiene la mayor precisión de monitoreo en la etapa avanzada de la infección. Sin embargo, el modelo basado en TF no es adecuado para el monitoreo de la Roya de rayas en las primeras etapas de la infección, y la precisión máxima de monitoreo es de solo 0,28 r2. (2) durante los tres períodos de infección, la precisión de monitoreo del modelo basado en VI - TF fue mayor que la del modelo basado en VI y tf, y la precisión de monitoreo fue la más alta en el período posterior a la infección (r2 = 0,88). además, la precisión de monitoreo del modelo basado en VI - TF en la etapa inicial de la infección también mejoró significativamente, lo que es adecuado para la detección temprana de enfermedades. (3) la resolución espacial tiene un menor impacto en la precisión del monitoreo del modelo basado en VI y un mayor impacto en el modelo basado en TF. la resolución espacial óptima para el monitoreo de la Roya de rayas del modelo basado en VI - TF es de 10 cm.
Figura 5 resultados de identificación