-
E-Mail-Adresse
ustc_sc@163.com
-
Telefon
18020740586
-
Adresse
Raum 1503, Gebäude A04, Phase 3, Software Park, Jimei Distrikt, Xiamen, Provinz Fujian
Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
ATH9010 unterstützt die landwirtschaftliche Produktion
Datum:2025-12-01Lesen Sie:1
Weizen ist eine der drei wichtigsten Ernährungspflanzen (Weizen, Reis und Mais) in unserem Land und ist der Schlüssel zur strategischen Nahrungsmittelsicherheit des Landes. Allerdings gefährden Pflanzenkrankheiten und Schädlinge (über 20 häufige Krankheiten) die Sicherheit der Weizenproduktion erheblich. Ausbruch und regionale Epidemie von Streifenrostkrankheiten, die durch Weizenstreifenrostbakterien verursacht werden. In den epidemischen Jahren kann die Rostkrankheit dazu führen, dass die Ernte von Weizen um mehr als 40% reduziert wird oder sogar ausgeschöpft wird. Daher ist die Bekämpfung von Weizenrostkrankheiten von entscheidender Bedeutung für die Ernährungssicherheit. Nur durch die genaue Überwachung von Weizenkrankheiten kann eine effektive Prävention und Kontrolle der Verluste minimiert werden.
Traditionell wurde die visuelle Überwachung von Pflanzenkrankheiten eingesetzt, mit erheblichen Einschränkungen wie geringer Abdeckungsbereich und starker Subjektivität der Ermittler. Daher ist eine effiziente und schädigungsfreie Methode zur Beobachtung von Pflanzenkrankheiten erforderlich, um die herkömmlichen Methoden zu ersetzen. Nach Jahren der Entwicklung ist die Fernerkennung eine effektive Technologie zur Überwachung von Pflanzenkrankheiten geworden. Der Vorteil der Fernerkundung besteht darin, dass die räumliche Verteilung von Pflanzenkrankheiten kostengünstig beurteilt werden kann, um die Krankheit besser zu kontrollieren.
Hochspektrale Fernerkennung ist eine relativ fortgeschrittene Technologie. Im Vergleich zur Multispektralen Technologie bietet es eine reichhaltige Anzahl an Schmalbandinformationen. Frühere Studien haben die Vorteile der hochspektralen Fernerkundung im Vergleich zu multispektralen Anwendungen diskutiert. Der Vorteil der High-Spectrum-Technologie bei der Beobachtung von Pflanzenkrankheiten besteht darin, dass sie bestimmte physiologische Veränderungen erfassen kann, die durch Krankheiten verursacht werden (z. B. Pigment und Feuchtigkeitsgehalt). In früheren Studien wurden viele Pflanzenkrankheiten durch hochspektrale Fernmessung überwacht, darunter Weizenrostkrankheit, Weißpulver-Erkrankung, Sichelerkrankung, Erdnussblattkrankung, Plaka-Virus und Reis-Bakterienlokatose.
Der Vegetationsindex (VI) hat in früheren Studien eine gute Pflanzenkrankheitsüberwachungsleistung gezeigt und VI ist empfindlich für die durch die Krankheit verursachten physiologischen Veränderungen im Inneren der Blätter, repräsentiert jedoch keine Veränderungen in den Oberflächenmerken der Blätter. Die Textur ist ein Merkmal, das die durch Krankheiten verursachten äußeren Veränderungen widerspiegelt und sich bei der Beobachtung von Pflanzenkrankheiten als gut erwiesen hat. Frühere Studien haben Spektrum- und Texturmerkmale kombiniert, um die Fähigkeit zur Charakterisierung der Krankheit zu verbessern. Diese Studien bestätigten die Wirksamkeit von VI, Textur-Charakteristik (TF) und ihre Kombination bei der Beobachtung von Pflanzenkrankheiten. Frühere Studien zur Erkennung von Pflanzenkrankheiten durch Fusionsspektrum und Bildcharakteristiken wurden jedoch vor allem auf Blattskala durchgeführt, und die Machbarkeit dieser Methode zur Erkennung von Krankheiten auf Feldmaßstabe wurde noch nicht bestätigt.
Die Fernerkundungstechnologie von Drohnen vereint Vorteile wie hohe Flexibilität, niedrige Kosten und einfache Bedienung, um die Mängel der herkömmlichen Satellitenfernkennung auszugleichen. Durch den Einsatz von Fernerkundungsgeräten in Drohnen können Raum-Fernerkundungsinformationen mit hoher Raum-Zeit-Auflösung schnell erfasst und anschließend Datenverarbeitung, Modellierung und Anwendungsanalyse durchgeführt werden. Dies bietet eine wichtige technische Unterstützung für die Entwicklung eines intelligenten Landmanagements.
Um dieses Problem zu untersuchen, überwachen Drohnen mit hochspektralen Sensoren mehrere Infektionsstufen der Weizenrosterkrankung auf verschiedenen räumlichen Skalen. Die Ziele der Forschung sind: (1) die Bewertung der Leistung von VI, TF und deren Kombinationen, die mit Drohnen-Hochspektrumbildern erfasst wurden, zur Überwachung der Weizenrostkrankheit auf Feldmaßstabe; (2) Bestimmung der optimalen Bildräumlichen Auflösung für die Überwachung der Weizenrostkrankheit mit Drohnenbildern; (3) Erstellen von Modellen zur Überwachung von Gelbsrostkrankheiten in der frühen, mittleren und späten Phase der Infektion auf Feldskala unter Verwendung der besten Eigenschaften und der besten räumlichen Auflösung.
Abbildung 1 Normale Weizenblätter (links) und Weizenblätter (rechts)
2,Technische Ideen und Hauptinhalte
2.1. Fernerfassung und Vorbearbeitung von Bildern
Weizenbilder wurden mit einem Drohnensystem mit einem hochspektralen Bildgebersensor erfasst (Abbildung 2). Das hochspektrale Bildgebungssystem der Drohne besteht aus vier Teilen, darunter ein sechsrotores elektrisches Drohnensystem, ein hochspektrales Datenerfassungssystem, eine dreiassige Stabilisierungsplattform und ein Datenverarbeitungssystem.
Abbildung 2 Drohnensensoren
Die Drohne fliegt in einer Höhe von 30 m, mit einer Fluggeschwindigkeit von 4 m/s und einer Überlappung von etwa 80% nach vorne und etwa 60% nach der Seite. Bei einer Flughöhe von 30 m erhielten wir ein hochspektrales Bild mit einer räumlichen Auflösung von 1,2 cm und einer spektralen Auflösung von 4 nm. Die Erfassung von hochspektralen Daten durch Drohnen erfordert klares Wetter ohne Wind oder geringere Windgeschwindigkeit. Die Bilderfassungszeiten in dieser Studie waren von 11:00 bis 13:00 Uhr.
In einer kritischen Phase des Weizenwachstums führten wir am 25. April, 4. Mai, 11. Mai, 18. Mai, 24. Mai und 30. Mai sechs hochspektrale Beobachtungstests auf der Grundlage von Drohnen durch, die 7, 16, 23, 30, 36 und 42 Tage nach der Impfung (DPI) entsprechen. Abbildung 3 zeigt die Entwicklung der Weizenrostkrankheit in verschiedenen Infektionszeiten.
Abbildung 3 Fotos von Weizen aus verschiedenen Zeiten
Insgesamt wurden jeweils 24 Proben erhoben, darunter acht Proben für gesunde Plätze und 16 Proben für zwei Impfplätze. Insgesamt wurden 144 Proben in sechs Studien gesammelt, darunter 57 gesunde Proben und 87 Proben mit Gelbrosterkrankungen.
Die Schwere der Weizenrosterkrankung wird durch den Krankheitsindex (DI) beschrieben. Aus jedem 1 m2 großen Grundstück werden 40 Weizenpflanzen zufällig ausgewählt, um den Schweregrad der Erkrankung mit dem ersten und zweiten Weizenblatt an der Spitze der ausgewählten Pflanze zu beurteilen. Jedes Grundstück wählt insgesamt 80 Blätter, um DI zu berechnen. Gemäß der "National Crop Disease Survey Forecasting Specification" (GB / T 15795-2011) ist die Blätter-Inzidenz in 9 Stufen unterteilt (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), von denen 0% gesund ist, 1% Krankheit 1, 10% Krankheit 2 ... 100% Krankheit 8. Die Inzidenzbeurteilung der Gelbsrostkrankheit erfolgt unmittelbar nach der Aufnahme des Bildes durch die Drohne und wird von derselben Person unter Anleitung und Aufsicht eines Fachmann durchgeführt.
2.2. Experimentelle Methoden
PLSR zur Überwachung der Weizenrostkrankheit. PLSR wurde zuvor für die Beobachtung des Pflanzenwachstums und die Schätzung physiochemischer Parameter angewendet. PLSR ist eine klassische Modellierungsmethode, die drei Methoden umfasst: PCA, Typische Korrelationsanalyse und Multilineare Regressionsanalyse. In PLSR wird die potenzielle Struktur einer Variable durch eine Komponentenprojektion bestimmt, die sowohl die Vorhersage- als auch die Beobachtungsvariablen in einen neuen Raum projiziert. Durch die Auswahl der am besten & optimalen potenziellen Variablen werden daher die ursprünglichen Variablen mit hoher Datenredundanz in eine kleine Anzahl von Variablen umgewandelt. PLSR kann als lineares Modell ausgedrückt werden, das die Beziehung zwischen Vorhersage- und Beobachtungsvariablen beschreibt.
2.3. Hochspektrale Bilderfassung
Der Algorithmus der jüngsten Nachbarschaft nimmt das Originalbild (1,2 cm Auflösung) erneut ab, um ein neues Bild (3, 5, 7, 10, 15, 20 cm Auflösung) zu erzeugen. Zu den Objekten in den Drohnenbildern gehören Weizenpflanzen und Boden.
2.4. Probenpunkte
Diese Studie extrahierte Weizenpixel aus Bildern mit einer räumlichen Auflösung von 1,2 cm mit der NDVI-Schwellenmethode. Der Vorgang der Methode ist wie folgt: Erstens wird die optimale NDVI-Schwelle festgelegt. Der NDVI-Bereich für die allgemeine Vegetation liegt zwischen 0,3 und 1,0. Nach mehreren Versuchen stellten wir fest, dass eine NDVI-Schwelle von 0,42 das Weizenpixel von dem Hintergrundpixel genau trennen kann. Zweitens wird ein NDVI größer als 0,42 in eine Maskedatei erstellt, die für die Extraktion von Weizenpixeln verwendet wird. Schließlich nutzten wir diese Maskendatei, um das Originalbild zu schneiden und ein Bild zu erhalten, das nur Weizenpixel enthielt. Um die Kohärenz der Weizenpixel in verschiedenen Bildern mit räumlicher Auflösung zu gewährleisten, extrahieren Sie die Weizenpixel in anderen Bildern mit räumlicher Auflösung unter Verwendung der NDVI-Schwellenwerte des Originalbildes (1,2 cm). Hochspektrale Bilder, die nur Weizenpflanzenpixel enthalten, werden für die Nachbearbeitung und Analyse ausgewählt, weil sie die meisten Drohnenbilder darstellen, die für die Überwachung der Gesundheit von Pflanzen verwendet werden. Abbildung 4 zeigt ein Beispiel für ein hochspektrales Bild einer Drohne mit unterschiedlicher räumlicher Auflösung, das Teil der Region A des am 25. April erhaltenen Bildes ist.
Abbildung 4 Hochspektralbild von Drohnen mit unterschiedlichen räumlichen Auflösungen
3 undSchlussfolgerungen
Diese Anwendung verwendet Drohnen-Hochspektrumbild zur Überwachung von Weizenstreifenrosten auf Feldmaßstab, erstellt PLSR-Überwachungsmodelle für den frühen, mittleren und späten Stadium von Weizenstreifenrosten mit verschiedenen Merkmalen (VI, TF und deren Kombinationen) und bewertet die Auswirkungen verschiedener Bildräumliche Auflösungen (1,2 cm, 3 cm, 5 cm, 7 cm, 10 cm, 15 cm und 20 cm) auf die Überwachungsgenauigkeit. Folgende Schlussfolgerungen wurden erzielt: (1) VI-basierte Modelle haben die höchste Überwachungsgenauigkeit in der mittleren Phase der Infektion und TF-basierte Modelle haben die höchste Überwachungsgenauigkeit in der späten Phase der Infektion. Das TF-basierte Modell ist jedoch nicht geeignet für die Überwachung von Rostkrankheiten im frühen Stadium der Infektion mit einer maximalen Überwachungsgenauigkeit von nur 0,28 R2. (2) Die VI-TF-basierte Modellüberwachungsgenauigkeit ist in allen drei Infektionsphasen höher als die VI- und TF-basierte Modelle und hat die höchste Überwachungsgenauigkeit in der späten Infektionsphase (R2 = 0,88), darüber hinaus ist die VI-TF-basierte Modellüberwachungsgenauigkeit in der frühen Infektionsphase auch deutlich verbessert und eignet sich für die frühzeitige Erkennung der Krankheit. (3) Die räumliche Auflösung hat einen geringeren Einfluss auf die Genauigkeit der Überwachung des VI-basierten Modells und einen größeren Einfluss auf das TF-basierte Modell, und die beste räumliche Auflösung für die Überwachung der VI-TF-basierten Modelle ist 10 cm.
Abbildung 5 Erkennungsergebnisse