-
E-mail
ustc_sc@163.com
-
Telefone
18020740586
-
Endereço
Sala 1503, Edifício A04, Fase 3, Parque de Software, Distrito Jimei, Xiamen, Província de Fujian
Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
ATH9010 auxilia a produção agrícola
Datas:2025-12-01Leia:0
O trigo é uma das três principais culturas alimentares do país (trigo, arroz e milho) e é fundamental para a segurança alimentar estratégica nacional. No entanto, as doenças e pragas das culturas (mais de 20 doenças comuns) comprometem seriamente a segurança da produção de trigo. Episódios e epidemias regionais de doença da ferrugem causadas por bactérias da ferrugem do trigo. Nos anos de epidemia, a enferrugem pode reduzir a produção de trigo em mais de 40% ou até mesmo a colheita. Portanto, a luta contra a ferrugem do trigo é essencial para a segurança alimentar. Somente o monitoramento preciso das doenças do trigo pode ser eficaz para prevenir e controlar e minimizar as perdas.
Tradicionalmente, as doenças agrícolas são monitoradas visualmente, com limitações significativas como a pequena cobertura e a subjetividade dos investigadores. Portanto, um método eficiente e não prejudicial de monitoramento de doenças agrícolas é necessário para substituir os métodos tradicionais. Após anos de desenvolvimento, a teledetecção tornou-se uma técnica eficaz para monitorar doenças agrícolas. A vantagem da teledetecção é que a distribuição espacial das doenças agrícolas pode ser avaliada de baixo custo para um melhor controle das doenças.
A teledetecção de alto espectro é uma tecnologia relativamente avançada. Em comparação com a tecnologia multiespectral, ele pode fornecer informações ricas de banda estreita. Pesquisas anteriores discutiram as vantagens da teledetecção de alto espectro em uma variedade de aplicações em relação ao multiespectro. A vantagem da tecnologia de alto espectro no monitoramento de doenças das culturas é que ela pode capturar certas mudanças fisiológicas causadas por doenças (por exemplo, pigmentos e teor de umidade). Em estudos anteriores, muitas doenças das culturas foram monitoradas por teledetecção de alto espectro, incluindo a ferrugem amarela do trigo, a pó branco, a maculose falciforme, a maculose de amendoim, o vírus da maculose do tomate e a lacutase bacteriana do arroz.
O Índice de Vegetação (VI) mostrou um bom desempenho de monitoramento de doenças das culturas em estudos anteriores, e VI é sensível às alterações fisiológicas internas das folhas causadas pela doença, mas não representa mudanças nas características da superfície das folhas. A textura é uma característica que reflete as mudanças externas causadas por doenças e tem sido comprovada para ter um bom desempenho no monitoramento de doenças das culturas. Pesquisas anteriores combinaram características espectrais e texturais para melhorar a capacidade de caracterizar a doença. Estes estudos confirmaram a eficácia de VI, características texturais (TF) e suas combinações no monitoramento de doenças das culturas. No entanto, estudos anteriores sobre a detecção de doenças de culturas com características espectrais e de imagem de fusão foram realizados principalmente em escala de folhas, e a viabilidade do método para detectar doenças em escala de campo ainda não foi comprovada.
A tecnologia de teledetecção de drones combina vantagens como alta flexibilidade, baixo custo e facilidade de operação para compensar as deficiências da teledetecção convencional por satélite. Ao colocar equipamentos de teledetecção em um drone, é possível coletar rapidamente informações de teledetecção espacial de alta resolução espacial-temporal para processamento de dados, modelagem e análise de aplicações. Isso fornece um apoio técnico importante para o desenvolvimento da gestão inteligente de terras agrícolas.
Para aprofundar este problema, a aplicação usa drones equipados com sensores de alto espectro para monitorar vários estágios de infecção da enferruga amarela do trigo em diferentes escalas espaciais. Os objetivos do estudo são: (1) avaliar o desempenho da VI, TF e suas combinações obtidas usando imagens de alto espectro de drones para monitorar a enferruga amarela do trigo em escala de campo; (2) Determinar a melhor resolução espacial de imagem para monitorar a enferruga amarela do trigo usando imagens de drones; (3) Estabelecer modelos de monitoramento da enfermidade de ferrugem na fase inicial, média e tardia da infecção em escala de campo usando as melhores características e resoluções espaciais.
Figura 1 Folhas de trigo normais (esquerda) e folhas de trigo da enferruga amarela (direita)
2,Ideias técnicas e principais conteúdos
2.1. Captura e pré-processamento de imagens de teledetecção
Captura de imagens de trigo com um sistema de drones equipado com sensores de imagem de alto espectro (Figura 2). O sistema de imagem de alto espectro de drones é composto por quatro partes, incluindo um sistema de drones elétricos de seis rotores, um sistema de coleta de dados de alto espectro, uma plataforma de estabilidade de três eixos e um sistema de processamento de dados.
Figura 2 Sensores de drones
O drone voa a uma altura de 30 m e a uma velocidade de 4 m/s, com uma sobreposição frontal de cerca de 80% e uma sobreposição lateral de cerca de 60%. A uma altura de voo de 30 m, obtivemos imagens espectrais elevadas com uma resolução espacial de 1,2 cm e uma resolução espectral de 4 nm. A coleta de dados de alto espectro de drones requer clima claro, sem vento ou velocidade menor do vento. O período de coleta de imagens neste estudo foi das 11h00 às 13h00.
Durante o período crítico do crescimento do trigo, realizamos seis testes de observação de alto espectro baseados em drones em 25 de abril, 4 de maio, 11 de maio, 18 de maio, 24 de maio e 30 de maio, correspondendo a 7, 16, 23, 30, 36 e 42 dias após a vacinação, respectivamente. A Figura 3 mostra o desenvolvimento da enferruga amarela do trigo em diferentes períodos de infecção.
Figura 3 Fotos de trigo em diferentes períodos
Um total de 24 amostras foram coletadas de cada vez, 8 em parcelas saudáveis e 16 em duas parcelas de vacinação. Em seis ensaios foram obtidas 144 amostras, 57 saudáveis e 87 infectadas com a enferruga amarela.
A gravidade da enferrugem amarela do trigo é descrita pelo Índice de Condição (DI). A gravidade da doença foi avaliada selecionando aleatoriamente 40 plantas de trigo de cada lote de 1m2 com a primeira e segunda folhas de trigo no topo da planta selecionada. Cada lote seleciona um total de 80 folhas para calcular o DI. De acordo com as Especificações Nacionais de Previsão de Pesquisas de Doenças Agrícolas (GB / T 15795-2011), a incidência de folhas é dividida em 9 níveis (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), dos quais 0% é saudável, 1% é doença de grau 1, 10% é doença de grau 2 ... 100% é doença de grau 8. A avaliação da incidência da ferrugem é realizada imediatamente após a captura das imagens pelo drone e é realizada pela mesma pessoa sob a orientação e supervisão de um profissional.
2.2. Métodos experimentais
Modelo de monitoramento da enferruga amarela do trigo com PLSR. O PLSR foi aplicado anteriormente ao monitoramento do crescimento de culturas e à estimativa de parâmetros fisioquímicos. O PLSR é um método de modelagem clássico que inclui as características de três métodos: PCA, análise de correlação típica e análise de regressão linear múltipla. No PLSR, a estrutura potencial de uma variável é determinada por meio de uma projeção de componentes que projeta variáveis preditivas e observacionais para um novo espaço. Portanto, selecionando a variável potencial melhor e melhor, a variável original com alta redundância de dados é convertida em uma pequena quantidade de variáveis. O PLSR pode ser representado como um modelo linear que descreve a relação entre a variável preditiva e a variável observada.
2.3. Captura de imagens de alto espectro
Algoritmos de vizinhança recente reamostram a imagem original (resolução de 1,2 cm) para gerar uma nova imagem (resolução de 3, 5, 7, 10, 15, 20 cm). As imagens do drone incluem plantas de trigo e solo.
2.4. Ponto de amostragem
Este estudo utilizou o método NDVI para extrair pixels de trigo de imagens com resolução espacial de 1,2 cm. O processo do método é o seguinte: primeiro, definir o limiar NDVI ideal. O NDVI da vegetação geral varia de 0,3 a 1,0. Após várias tentativas, descobrimos que o limiar de NDVI de 0,42 separa com precisão o pixel de trigo do pixel de fundo. Em segundo lugar, um NDVI maior que 0,42 é criado em um arquivo de máscara para extrair pixels de trigo. Finalmente, usamos esse arquivo de máscara para recortar a imagem original para obter uma imagem que contém apenas pixels de trigo. Para garantir a consistência dos pixels de trigo de imagens de diferentes resoluções espaciais, os pixels de trigo de outras imagens de resolução espacial são extraídos com arquivos de máscara produzidos usando o limiar NDVI da imagem original (1,2 cm). Imagens de alto espectro que contêm apenas pixels de plantas de trigo para processamento posterior e análise selecionam essas resoluções específicas porque representam a maioria das imagens de drones usadas para monitorar a saúde das culturas. A Figura 4 mostra um exemplo de imagem de alto espectro de um drone com diferentes resoluções espaciais, que faz parte da área A da imagem obtida em 25 de abril.
Figura 4 Imagens de alto espectro de drones em diferentes resoluções espaciais
Três,conclusão
Esta aplicação utiliza imagens de alto espectro de drones para monitorar a ferrugem de trigo em escala de campo, usando diferentes características (VI, TF e suas combinações) para estabelecer modelos de monitoramento PLSR no início, médio e tardio da ferrugem de trigo e avaliar o impacto de diferentes resoluções espaciais de imagem (1,2 cm, 3 cm, 5 cm, 7 cm, 10 cm, 15 cm e 20 cm) na precisão de monitoramento. A seguinte conclusão foi obtida: (1) O modelo baseado em VI teve a maior precisão de monitoramento no estágio médio da infecção e o modelo baseado em TF teve a maior precisão de monitoramento no estágio tardio da infecção. No entanto, o modelo baseado em TF não é adequado para o monitoramento da ferrugem em fases iniciais da infecção, com a precisão máxima de monitoramento de apenas 0,28 R2. (2) Em três períodos de infecção, a precisão de monitoramento do modelo baseado em VI-TF é maior do que os modelos baseados em VI e TF, e a precisão de monitoramento é mais alta na fase posterior da infecção (R2 = 0,88), além disso, a precisão de monitoramento do modelo baseado em VI-TF também é significativamente melhorada na fase inicial da infecção, aplicável à detecção precoce da doença. (3) A resolução espacial tem um menor impacto na precisão de monitoramento do modelo baseado em VI e um maior impacto no modelo baseado em TF, e a melhor resolução espacial para o monitoramento da ferrugem do modelo baseado em VI-TF é de 10 cm.
Figura 5 Identificação dos resultados