Использование мультиспектральной визуализации Уав для мониторинга урожая и почвы в проектах гражданского сельского хозяйства

Введение в мультиспектральную визуализацию БПЛА в сельском хозяйстве

Беспилотные летательные аппараты (БПЛА), широко известные как беспилотные летательные аппараты, изменили подход современных сельскохозяйственных проектов к мониторингу сельскохозяйственных культур и почвы. Оборудовав эти платформы мультиспектральными датчиками, фермеры, агрономы и гражданские инженеры могут собирать данные, намного превышающие то, что может воспринимать человеческий глаз. Многоспектральная визуализация захватывает свет, отраженный от растений и почвы в нескольких узких диапазонах длин волн, обычно включая синий, зеленый, красный, красный край и ближний инфракрасный диапазон (NIR). Эта спектральная информация затем обрабатывается в растительные индексы, такие как Нормализованный индекс разности растительности (NDVI), который обеспечивает количественную меру здоровья растений. Способность покрывать сотни акров в одном полете и производить многоспектральную визуализацию БПЛА практический, масштабируемый инструмент для крупномасштабных проектов гражданского сельского хозяйства.

Проекты гражданского сельского хозяйства, начиная от поддерживаемых правительством ирригационных схем и заканчивая крупными частными операциями на сельскохозяйственных угодьях, требуют точных, своевременных данных для принятия обоснованных решений о посадке, ирригации, оплодотворении и борьбе с вредителями. Традиционные наземные обследования являются трудоемкими, медленными и часто обеспечивают только несколько точечных образцов на поле. Спутниковые изображения, в то время как более широкие, страдают от более низкого пространственного разрешения и нечастых повторных посещений. БПЛА преодолевают этот разрыв, предлагая разрешение на уровне сантиметра и планирование полета по требованию. В этой статье рассматриваются технические основы, ключевые приложения, преимущества, проблемы и будущие направления использования многоспектральной визуализации БПЛА в гражданском сельском хозяйстве.

Основы технологии мультиспектрального изображения

Как работают мультиспектральные датчики

Многоспектральные датчики захватывают электромагнитное излучение, отраженное от поверхностей в нескольких различных спектральных диапазонах. В отличие от стандартных RGB-камер, которые записывают только красный, зеленый и синий свет, мультиспектральные датчики добавляют полосы в ближнем инфракрасном и иногда тепловом инфракрасном диапазонах. Каждая полоса соответствует определенному диапазону длин волн, выбранному для ее релевантности к растительности или анализу почвы. Например, полоса красного края (700-730 нм) особенно чувствительна к содержанию хлорофилла, в то время как полоса NIR (750-900 нм) выделяет изменения в структуре листовых клеток. Когда солнечный свет поражает лист, здоровая растительность поглощает большинство видимого света для фотосинтеза, но отражает большую часть излучения NIR. Эта разница формирует основу для таких показателей, как NDVI: (NIR - красный) / (NIR + красный). Значения NDVI варьируются от -1 до +1, с более высокими положительными значениями, указывающими более плотную, зеленую растительность.

Виды мультиспектральных датчиков для БПЛА

Для интеграции БПЛА доступно несколько коммерческих мультиспектральных камер. Серия Micasense RedEdge, Parrot Sequoia+ и мультиспектральная камера DJI P4 обычно используются в сельском хозяйстве. Эти датчики обычно включают пять или шесть полос: синий, зеленый, красный, красный край, NIR, а иногда и термальный диапазон. Они легкие (до 200 граммов) и оснащены глобальными затворными механизмами, чтобы избежать искажений во время полета. Некоторые модели также включают датчики освещения в нижнем течении (DLS) для компенсации изменяющихся условий солнечного света, обеспечивая радиометрическую согласованность по линиям полета. Для мониторинга почвы датчики с тепловой способностью могут обнаруживать дефицит влаги и колебания температуры в голой почве.

Приобретение данных и обработка рабочего процесса

Рабочий процесс для многоспектральной визуализации БПЛА включает в себя несколько этапов:

Планирование полетов: Используя программное обеспечение, такое как DJI Pilot, Pix4Dcapture или DroneDeploy, операторы определяют область обзора, проценты перекрытия (90% вперед, 75% сбоку), высоту (обычно 30-120 метров) и расстояние отбора проб земли (GSD).
Сбор данных: БПЛА летит автономно, захватывая изображения с заданным интервалом. Для обеспечения возможности радиометрической калибровки перед полетом или после него визуализируется калибровочная панель (мишень отражения).
Сшивание изображений и орторектификация: Программное обеспечение для фотограмметрии, такое как Pix4Dmapper, Agisoft Metashape или DJI Terra, обрабатывает необработанные изображения в геореферендованную ортомозаику и цифровую модель поверхности (DSM).
Расчет индексов растительности: Ортомозаика обрабатывается для создания индексных карт — NDVI, NDRE (нормализованный красный край разницы), SAVI (индекс растительности с поправкой на почву) и т. Д. Эти карты подчеркивают изменчивость здоровья сельскохозяйственных культур, статуса питательных веществ и содержания воды.
Анализ и отчетность: Карты индексов импортируются в ГИС или программное обеспечение для управления фермами (например, QGIS, ArcGIS, FarmWorks) для создания карт рецептов для приложений с переменной ставкой, выявления проблемных зон и отслеживания изменений с течением времени.

Узнайте больше о NDVI из USGS

Применение в проектах гражданского сельского хозяйства

Мониторинг здоровья растений и обнаружение стресса

Многоспектральная визуализация превосходит обнаружение ранних признаков стресса урожая, прежде чем они станут видимыми невооруженным глазом. Стресс воды, дефицит питательных веществ (особенно азота), заражение вредителями и болезни могут проявляться как тонкие изменения спектральной отражательной способности. Например, дефицит азота снижает содержание хлорофилла, понижая поглощение красного и понижая значения NDVI. Путем регулярных полетов (еженедельно или раз в две недели), агрономы могут создавать временные ряды карт индексов, которые раскрывают развивающиеся горячие точки и позволяют целенаправленное разведывание. В гражданских проектах сельского хозяйства, таких как крупные поместья сахарного тростника, пшеничные поля или сады по государственным контрактам, эта способность уменьшает потери урожая и оптимизирует использование ресурсов.

Анализ почвы и подготовка земель

Перед посадкой мультиспектральные и тепловые изображения могут оценивать свойства почвы. Отражательная способность почвы в видимых и NIR полосах коррелирует с содержанием органического вещества, текстурой и влагой. Например, почвы с высоким содержанием органического вещества кажутся темнее и имеют более низкую отражательную способность NIR. Зоны уплотнения почвы часто сохраняют влагу по-разному, видимую в тепловых изображениях как более холодные или более теплые области. Эти данные помогают в проектировании переменной глубины обработки почвы, улучшения дренажа или обработки недр. В гражданских проектах сельского хозяйства, которые включают выравнивание земель или террасирование для сохранения воды, до и после строительства мультиспектральные исследования контролируют структуру перераспределения и эрозии почвы.

Точность сельского хозяйства и технологии переменных ставок

Применение переменной скорости (VRA) удобрений, пестицидов и семян является краеугольным камнем точного земледелия. Многоспектральные индексные карты служат в качестве входных данных для создания рецептурных карт. Например, карта рецептурного азота может быть создана из значений индекса NDRE или хлорофилла — области с низкими индексами получают более высокие скорости азота, в то время как области с высоким индексом получают меньше или вообще не получают. Этот подход не только снижает затраты на вход, но и минимизирует экологический стоок. В гражданских сельскохозяйственных проектах, финансируемых банками развития, демонстрируя эффективное использование входных данных через VRA на основе БПЛА, часто соответствует критериям устойчивости, необходимым для финансирования. Руководящие принципы ФАО по точному сельскому хозяйству подчеркивают роль дистанционного зондирования в достижении целей устойчивого развития.

Прогнозирование урожайности и моделирование урожая

Повторяющиеся многоспектральные полеты в течение вегетационного периода приводят к моделям роста урожая, которые оценивают конечную урожайность. Индексы растительности, накопленные с течением времени, особенно на ключевых фенологических этапах, таких как цветение или заполнение зерна, сильно коррелируют с урожайностью. В сочетании с данными о погоде и почвенными картами, данные на основе БПЛА могут давать прогнозы урожайности, точные до 5-10% от фактического урожая. В крупномасштабном гражданском сельском хозяйстве такие прогнозы позволяют лучше планировать логистику, рыночные цены и оценки продовольственной безопасности. Правительства и НПО могут использовать эти прогнозы для распределения ресурсов помощи в районах, подверженных засухе.

Управление ирригацией и эффективность использования воды

Термические мультиспектральные датчики обнаруживают температуру навеса, которая обратно связана с скоростью транспирации. Подстрессованные водой культуры близки к устьицам, что приводит к более высоким температурам листьев. Индекс стресса воды на полях (CWSI), полученный из измерений температуры и температуры воздуха, указывает, где требуется орошение. Связывание этого с NDVI помогает отличить напряженные растения от умирающей или мертвой растительности. В гражданских ирригационных проектах, таких как системы больших каналов или орошаемые поля, изображения БПЛА позволяют точно планировать и обнаруживать утечки или неравномерное распределение воды. Это экономит воду и энергию при сохранении урожайности сельскохозяйственных культур.

Преимущества традиционных методов мониторинга

Пространственное и временное разрешение

Многоспектральная визуализация БПЛА предлагает уникальную комбинацию высокого пространственного разрешения (2-10 см GSD) и гибкого временного покрытия. Спутники могут возвращаться каждые 5-16 дней и могут быть затрудняемы облаками. Кампании самолетов дороги и запланированы за несколько недель. С БПЛА команда может летать на одном и том же поле в тот же день, когда идет дождь, при необходимости, захватывая данные до изменения условий. Эта отзывчивость имеет решающее значение для коротких оконных вмешательств, таких как контроль заболеваний или оценка ущерба после шторма.

Эффективность затрат

Для полей площадью до нескольких сотен гектаров мониторинг на базе БПЛА дешевле пилотируемых самолетов и зачастую дешевле интенсивного отбора проб грунта, когда учитываются труд, время и оборудование. Один квадрокоптер с мультиспектральной камерой стоит от 10 000 до 30 000 долларов США, в то время как подписка на программное обеспечение и обучение добавляют повторяющиеся расходы. В течение вегетационного периода экономия от оптимизированных входов (сбережение удобрений 15-30%, экономия воды 20-40%) часто окупает стоимость оборудования в течение одного или двух лет.

Безопасность и доступность

БПЛА устраняют необходимость в том, чтобы рабочие пересекали поля пешком или в транспортных средствах, снижая риски от тепла, химикатов или пересеченной местности. Затопленные, мутные или крутые районы становятся доступными с воздуха. Для проектов гражданского сельского хозяйства в отдаленных или затронутых конфликтом регионах беспилотные летательные аппараты могут предоставлять полевые данные, не подвергая опасности персонал.

Интеграция данных и автоматизация

Современные программные платформы БПЛА легко интегрируются с информационными системами управления фермами (FMIS). Обработанные ортомозаики и индексные карты могут быть загружены на облачные панели мониторинга, где алгоритмы автоматически помечают проблемные области и отправляют оповещения на мобильные устройства. Это позволяет использовать систему поддержки принятия решений в режиме реального времени, которая особенно ценна для крупных проектов с несколькими заинтересованными сторонами.

Проблемы и соображения

Регулятивные ограничения

В каждой стране есть свои собственные правила полетов БПЛА, касающиеся высоты полета (часто ограничена 120 м / 400 футов над землей), за пределами визуальной линии видимости (BVLOS) операций и лицензирования пилотов. В гражданских сельскохозяйственных проектах, которые охватывают обширные, смежные районы, полеты BVLOS будут более эффективными, но отказы в настоящее время трудно получить во многих юрисдикциях. Операторы также должны регистрировать беспилотные летательные аппараты и соблюдать бесполетные зоны вблизи аэропортов, военных баз или населенных пунктов.

Объем данных и сложность обработки

Один многоспектральный полет может захватывать тысячи изображений, в результате чего получаются десятки гигабайт необработанных данных. Обработка требует мощных компьютеров, специализированного программного обеспечения для фотограмметрии и квалифицированного персонала. Неправильная калибровка или плохое планирование полета могут привести к ортомозаике с артефактами, такими как бандажирование или смещение, что делает анализ ненадежным. Тренировка операторов как в пилотировании дронов, так и в обработке данных имеет важное значение.

Погода и экологическая чувствительность

Многоспектральная визуализация требует согласованных условий окружающего света. Облака, дымка или внезапные изменения угла солнца вносят изменчивость, которую необходимо корректировать с помощью радиометрических калибровочных панелей. Высокие ветры (выше 20 км/ч) снижают стабильность полета и качество изображения. Дождь запрещает полеты. В тропическом климате узкие погодные окна могут задерживать критический сбор данных.

Требования к экспертизе

Для правильной интерпретации мультиспектральных данных необходимы знания физиологии растений, почвоведения и дистанционного зондирования. Неправильная интерпретация изменений NDVI (например, смешивание закрытия навеса со стрессом) может привести к дорогостоящим ошибкам. Многие проекты гражданского сельского хозяйства сотрудничают с агротехническими фирмами или нанимают специалистов по дистанционному зондированию для преодоления разрыва. Рекомендуется инвестировать в непрерывное образование и сертификацию для персонала.

Тематические исследования: успешные реализации

Масштабный мониторинг пшеницы на индо-гангетских равнинах

В Индии правительственный проект, охватывающий 100 тыс. га пшеницы, использовал мультиспектральные БПЛА для мониторинга азотного статуса. Еженедельные карты NDRE позволили фермерам применять азот только там, где это необходимо, сократив общее использование на 18% при одновременном увеличении урожайности на 6% по сравнению с общим применением. Проект также обучил местных операторов беспилотников, создав занятость в сельских районах.

Ирригационная оптимизация сахарного тростника в Бразилии

Кооператив сахарного тростника в Сан-Паулу развернул многороторные БПЛА с тепловыми датчиками для обнаружения стресса воды. В сочетании с датчиками влажности почвы данные сообщили о графике орошения, который сократил потребление воды на 22% без потери урожайности. Кооператив теперь пролетает 500 гектаров в день и интегрировал данные в свою систему ERP.

Мониторинг эрозии почв на горных террасах Руанды

После строительства террас для кофе и кукурузы Руандийский совет по сельскому хозяйству использовал многоспектральные исследования БПЛА для отслеживания восстановления растительности и стабильности почвы. Сравнивая показатели NDVI и голой почвы в течение двух сезонов, они определили районы, требующие обслуживания, прежде чем эрозия ухудшилась. Программа снизила показатели отказов террас на 40% и была включена в национальный план адаптации к климату.

Будущие перспективы и технологические тенденции

Гиперспектральная визуализация

Гиперспектральные датчики захватывают сотни узких полос, обеспечивая еще более тонкую спектральную дискриминацию. В то время как в настоящее время дорогие и громоздкие, миниатюризация вскоре сделает их практичными для БПЛА. Гиперспектральные данные могут различать сорта сельскохозяйственных культур, обнаруживать конкретные патогены и отображать минеральный состав почвы - все с высокой точностью.

Интеграция ИИ и машинного обучения

Алгоритмы компьютерного зрения, обученные на массивных наборах данных, могут автоматически обнаруживать заболевания, сорняки и дефицит питательных веществ в мультиспектральных изображениях. Модели глубокого обучения, такие как сверточные нейронные сети (CNN), могут обрабатывать ортомозаику за считанные минуты и выводить карты лечения без вмешательства человека. Это снижает барьер для неспециалистов для эффективного использования технологии.

Теплые операции

Скоординированные рои нескольких дронов могут покрыть тысячи гектаров за одну сессию полета, при этом каждому дрону назначается подзона. Рои сокращают время полета на единицу площади и обеспечивают избыточность в случае индивидуального отказа дрона. Достижения в области связи и предотвращения столкновений привносят возможности роя в коммерческое сельское хозяйство в течение пяти лет.

Обработка в реальном времени на борту

Краевые вычисления на дронах позволяют в режиме реального времени вычислять показатели растительности во время полета. БПЛА может затем корректировать свой полет, чтобы повторно посещать подозрительные районы, или отправлять немедленные оповещения наземным командам. Это замыкает петлю между получением данных и действием до часов, а не дней.

Регуляторная эволюция

Многие страны работают над расширением разрешений BVLOS для сельскохозяйственных целей через основанные на риске рамки. Стандартизированные системы дистанционного удостоверения личности и автоматизированные системы авторизации полетов (например, UPP - UAS Traffic Management) сделают крупномасштабные операции БПЛА более безопасными и более рутинными. По мере созревания нормативных актов проекты гражданского сельского хозяйства смогут развертывать беспилотные летательные аппараты в беспрецедентных масштабах.

Заключение

Многоспектральная визуализация БПЛА зарекомендовала себя как ценный инструмент для мониторинга сельскохозяйственных культур и почв в гражданских сельскохозяйственных проектах. Объединив спектральные данные высокого разрешения с гибкими полетными операциями, он позволяет более раннее обнаружение стресса, более эффективное управление входами и более сильные прогнозы урожайности. Хотя проблемы, связанные с регулированием, обработкой данных и опытом, остаются, текущие технологические достижения и снижение затрат делают этот подход более доступным. Для руководителей проектов, агрономов и политиков инвестирование в мультиспектральные возможности БПЛА является шагом к более устойчивым, производительным и устойчивым сельскохозяйственным системам. Будущее сельского хозяйства не только цифровое, но и воздушное.