Примеры использования гиперспектральной съемки в сельском хозяйстве

Материал подготовлен специалистами компании «Проксима»

Гиперспектральная съемка предоставляет глубокую аналитику по различным сельскохозяйственным приложениям. В этой статье мы приведем неполный список вариантов использования гиперспектральных изображений.

Мониторинг состояния растительности и сельскохозяйственных культур

Состояние сельскохозяйственных угодий: Гиперспектральная съемка — мощный инструмент для оценки состояния сельскохозяйственных угодий, особенно для выявления стресса растительности. Высокая спектральная точность помогает выявлять едва заметные изменения в состоянии растительности и составе почвы. В частности, узкополосные индексы позволяют выявлять старение — процесс, при котором растительные клетки перестают делиться и начинают разрушаться, что приводит к старению и, в конечном итоге, к гибели. Эта возможность позволяет своевременно принимать меры для решения проблем, связанных с повышением продуктивности и устойчивости сельского хозяйства. Более того, гиперспектральные спутники способствуют обнаружению абиотических стрессоров, таких как неблагоприятные ветры, температура и доступность воды. Хотя эти стрессоры могут возникать из-за местности, окружающей среды или изменения климата, раннее обнаружение позволяет принимать превентивные меры для смягчения их воздействия на здоровье и продуктивность сельскохозяйственных культур.

Анализ структуры полога: гиперспектральные изображения позволяют изучать структуру и плотность растительного полога. Спектральная детализация выявляет изменения, которые могут указывать на различные стадии роста и стрессовые условия, а также выявлять потенциальные проблемы. Например, густой полог может указывать на загущение, что приводит к конкуренции за свет и питательные вещества между растениями, что в конечном итоге влияет на общее состояние и урожайность сельскохозяйственных культур. И наоборот, разреженный полог может указывать на недоразвитость или повреждение вредителями. Понимание этих изменений позволяет принимать управленческие решения, такие как прореживание для улучшения проникновения света и циркуляции воздуха, оптимизируя здоровье и продуктивность сельскохозяйственных культур.

Раннее обнаружение болезней и вредителей: гиперспектральные спутники предлагают приложения для раннего обнаружения и мониторинга болезней и вредителей, поражающих сельскохозяйственные культуры. В частности, это касается их способности обнаруживать едва заметные аномалии в отражательной способности растительности, связанные с симптомами болезней или заражением вредителями. Такое раннее обнаружение позволяет своевременно применять меры контроля, сокращать потери урожая и минимизировать использование химических пестицидов.

Мониторинг физиологии сельскохозяйственных культур и фотосинтеза: каналы VNIR на гиперспектральных изображениях могут дать представление о здоровье и активности растений, точно выявляя тонкие изменения концентрации хлорофилла. Это даёт организациям детальное понимание эффективности фотосинтеза и физиологического состояния сельскохозяйственных культур. Например, снижение содержания хлорофилла может сигнализировать о дефиците питательных веществ или начале заболевания, что требует своевременного вмешательства. Эта возможность, основанная на VNIR, позволяет выращивать более здоровые и устойчивые сельскохозяйственные культуры, поддерживая устойчивые методы ведения сельского хозяйства и, в конечном итоге, повышая производительность и рентабельность.

Фото 1. Индекс старения растений, примененный к гиперспектральным снимкам виноградников в Центральной долине, Калифорния (США), полученным Pixxel. Посевы с высоким индексом старения (красный цвет) указывают на высокий уровень стресса у растений или созревание, что позволяет проводить целенаправленные мероприятия. Спектральные характеристики дополнительно подчеркивают различия между здоровыми (синий цвет) и стареющими (розовый цвет) растениями.

Фенотипирование сельскохозяйственных культур: высокая спектральная точность гиперспектральных изображений позволяет точно количественно оценивать фенотипические признаки, такие как площадь листьев, цвет и сомкнутость листового полога на разных стадиях роста. Например, вариации площади листьев и цвета могут дать представление о здоровье растений, их силе роста и реакции на стресс. Эти комплексные данные дают представление о здоровье растений и их реакции на стресс, поддерживая селекционные программы за счет выявления превосходных признаков для создания более устойчивых сортов сельскохозяйственных культур.

Фото 2. Анализ садовых культур в Центральной долине, Калифорния (США), показывает превосходство гиперспектральных изображений (справа) над мультиспектральными изображениями (слева). При проверке с использованием наборов данных наземных измерений из карты посевов Министерства сельского хозяйства США 2022 года гиперспектральные изображения имели общую точность классификации 89,9% по сравнению с точностью 24,9% при использовании семи каналов снимка Landsat (30 м).

Управление ресурсами и эффективность

Прецизионное орошение и внесение удобрений: Высокое спектральное разрешение гиперспектральных изображений позволяет оценивать влажность почвы и показатели здоровья растений. Каналы коротковолнового ИК-диапазона особенно эффективны для определения влажности почвы, помогая выявлять области водного стресса. В то же время, каналы VNIR анализируют содержание хлорофилла и фотосинтетическую активность, предоставляя информацию о питательном состоянии и общем состоянии сельскохозяйственных культур. Интеграция этих данных позволяет оптимизировать орошение и внесение удобрений, повышая эффективность использования ресурсов, поддерживая устойчивые методы ведения сельского хозяйства, максимизируя потенциал урожайности и способствуя более результативным и эффективным сельскохозяйственным работам.

Прогнозирование урожайности: Благодаря множеству узкополосных индексов гиперспектральные изображения предоставляют ценные данные для точного прогнозирования урожайности сельскохозяйственных культур, выявляя такие индикаторы стресса, как изменения содержания хлорофилла, влажности листьев и отражательной способности полога. Сельскохозяйственные организации могут использовать спектральную информацию для корректировки концентрации и частоты внесения таких факторов, как орошение, удобрения и пестициды, что в конечном итоге повышает общую производительность и рентабельность.

Прогнозирование качества урожая: гиперспектральные датчики регистрируют широкий диапазон длин волн, что позволяет точно определять и количественно оценивать состояние и качество сельскохозяйственных культур. В этом случае диапазоны VNIR контролируют параметры здоровья растений, в то время как диапазоны SWIR оценивают содержание воды и питательных веществ в почве и растениях. Например, оптимальные уровни хлорофилла и влажности прогнозируют более высокую урожайность, а индикаторы стресса позволяют своевременно вмешаться. Анализируя эти показатели, организации могут получить представление о факторах, которые в конечном итоге влияют на качество продукции, и, таким образом, точно прогнозировать результаты.

Анализ питательных веществ и почвы

Сравнительный анализ питательных веществ: Гиперспектральная съемка позволяет составить точную карту распределения питательных веществ путем анализа спектральных характеристик, связанных с концентрациями питательных веществ в почве и растительности. Эта информация информирует о круговороте питательных веществ, их доступности и общем состоянии здоровья, оптимизируя внесение удобрений в обширных сельскохозяйственных ландшафтах.

Биохимический анализ почвы: анализируя спектральные характеристики, связанные с содержанием органического вещества и питательных веществ в почве, гиперспектральная съемка предоставляет комплексное представление о составе и биохимии почвы. Эти ценные данные способствуют применению устойчивых методов управления почвой, таких как выращивание покровных культур, севооборот и внесение органических удобрений, для улучшения здоровья и продуктивности почвы.

Оценка влажности: Гиперспектральная съемка точно определяет и контролирует уровень влажности в почве и листьях, помогая в оценке содержания воды в растениях и управлении орошением. Этот спектральный анализ способствует устойчивому водопользованию, минимизирует водный стресс и повышает качество и урожайность сельскохозяйственных культур.

Мониторинг пожнивных остатков и покровных культур: каналы коротковолнового ИК-диапазона на гиперспектральных снимках эффективно дифференцируют пожнивные остатки, покровные культуры и голую почву благодаря их чувствительности к содержанию влаги и органическому материалу. Организации могут использовать эти данные для точного картирования распределения и покрытия типов почвенного покрова, оценки эффективности мер по охране природы и принятия обоснованных решений по оптимизации стратегий управления почвой.

Фото 3. Анализ рисовых и кукурузных полей в Центральной долине, Калифорния (США), демонстрирует преимущество гиперспектральных изображений (справа) по сравнению с мультиспектральными изображениями (слева) в различении видов. При проверке с использованием наборов данных наземных измерений из карты посевов Министерства сельского хозяйства США 2023 года общая точность классификации гиперспектральных изображений составила 91% по сравнению с точностью 65% при использовании семи каналов снимка Landsat (30 м).

Классификация пахотных земель и управление запасами

Классификация видов сельскохозяйственных культур: гиперспектральные датчики на спутниках наблюдения Земли собирают данные в сотнях узких диапазонов длин волн, обнаруживая уникальные спектральные сигнатуры, на которые влияют биохимические и биофизические свойства. Это позволяет точно классифицировать виды и сорта сельскохозяйственных культур, часто всего по одному изображению. В отличие от традиционных методов, требующих данных временных рядов, гиперспектральная съемка может различать похожие виды, что крайне важно для точного земледелия. Такая точная идентификация обеспечивает прозрачность инвентаризации сельскохозяйственных угодий, препятствует искажению или фальсификации видов сельскохозяйственных культур (и урожайности) с целью получения финансовой выгоды, укрепляет доверие и подотчётность в сельскохозяйственных цепочках поставок и защищает от практик, подрывающих целостность рынка

Мониторинг секвестрации углерода: в отличие от MSI, гиперспектральные изображения предоставляют подробную спектральную информацию для точного анализа органического вещества почвы и состояния растительности. Такой уровень точности позволяет точно определять изменения в запасах углерода с течением времени. Кроме того, в сочетании с методами охраны природы, такими как минимальная обработка почвы и посевы покровных культур, гиперспектральная съемка оценивает их эффективность, помогая оптимизировать стратегии управления земельными ресурсами и повысить потенциал связывания углерода, внося значительный вклад в стратегии смягчения последствий изменения климата.

Эксплуатационные преимущества

Комплексные данные для принятия обоснованных решений: гиперспектральные изображения предоставляют подробную информацию о видах сельскохозяйственных культур, показателях их здоровья и составе почвы, что позволяет принимать обоснованные решения и разрабатывать индивидуальные стратегии управления.

Экологическая информация: эта технология позволяет на ранней стадии выявлять стресс и болезни сельскохозяйственных культур, способствуя своевременному вмешательству и профилактическим мерам для обеспечения продуктивности, и устойчивости.

Эффективное распределение ресурсов: гиперспектральные изображения способствуют эффективному распределению ресурсов, предлагая повышенную точность по сравнению с традиционными датчиками, оптимизируя такие методы ведения сельского хозяйства, как орошение, внесение удобрений и борьба с вредителями.

Экономическая эффективность: возможность охватывать большие площади одним изображением в сочетании с возможностью масштабируемого, объективного и последовательного мониторинга способствует разработке устойчивых и экономически выгодных стратегий ведения сельского хозяйства.

Внутренние свойства продукта

Подробные спектральные характеристики: Гиперспектральные изображения демонстрируют непрерывное спектральное покрытие и позволяют различать тонкие спектральные характеристики, что позволяет точно идентифицировать и картировать различные сельскохозяйственные параметры.

Обилие данных и доступность: Гиперспектральные изображения коммерчески доступны и предоставляют исчерпывающую информацию, помогающую в идентификации и картировании сельскохозяйственных культур для принятия обоснованных решений в сельском хозяйстве.

Улучшенное качество изображений: Высокое разрешение гиперспектральных изображений облегчает выявление тонких различий в состоянии сельскохозяйственных культур и почвенных условиях, что позволяет лучше понять сельскохозяйственные экосистемы и их динамику.

Улучшенные аналитические данные: гиперспектральная съемка предлагает улучшенную основу для глубокого анализа, позволяя глубже понять сложные взаимосвязи между здоровьем сельскохозяйственных культур, факторами окружающей среды и продуктивностью, способствуя внедрению эффективных методов управления.