Многовременной и спектральный анализ гиперспектральных аэрофотоснимков высокого разрешения для точного земледелия: оценка качества зерна пшеницы. Урожайность и содержание белка в зерне

Francelino A. Rodrigues Jr. 1,* ID, Gerald Blasch 2 ID , Pierre Defourny 3, J. Ivan Ortiz-Monasterio 1, Urs Schulthess 4, Pablo J. Zarco-Tejada 5, James A. Taylor 2 and Bruno Gérard 1
1 International Maize and Wheat Improvement Center—CIMMYT, Texcoco 56237, Mexico; I.Ortiz-Monasterio@cgiar.org (J.I.O.-M.); B.Gerard@cgiar.org (B.G.)
2 Food and Rural Development, School of Agriculture, Newcastle University, Newcastle NE1 7RU, UK; Gerald.Blasch@newcastle.ac.uk (G.B.); James.Taylor6@newcastle.ac.uk (J.A.T.)
3 Earth and Life Institute, Université Catholique de Louvain, Croix du Sud L5.07.16, B-1348 Louvain-la-Neuve, Belgium; Pierre.Defourny@uclouvain.be
4 International Maize and Wheat Improvement Center—CIMMYT, Henan Agricultural University, 63 Nongye Road, Zhengzhou 450002, Henan, China; U.Schulthess@cgiar.org
5 Instituto de Agricultura Sostenible (IAS), Consejo Superior de Investigaciones Científicas (CSIC), 14004 Cordoba, Spain; Pablo.Zarco@csic.es
*Correspondence: f.a.rodrigues@cgiar.org; Tel.: +52-595-102-0222

Аннотация: В данном исследовании оценивается потенциал гиперспектральных аэрофотоснимков высокого разрешения для регистрации внутриполевой изменчивости урожайности зерна твердой пшеницы (GY) и содержания белка в зерне (GPC) на двух коммерческих полях в долине Яки (северо-запад Мексики). В ходе еженедельных/двухнедельных авиационных полётов мы получили 10 мозаик с помощью микрогиперспектрального датчика Vis-NIR в диапазоне длин волн от 400 до 850 нанометров (нм). Непосредственно перед уборкой вручную были получены 114 образцов зерна с географической привязкой. Используя спектральный разведочный анализ, мы рассчитали узкополосные физиологические спектральные индексы — нормализованный разностный спектральный индекс (NDSI) и спектральный индекс отношения (RSI) — для каждой отдельной гиперспектральной мозаики, используя полные комбинации длин волн два на два. Для многовременного гиперспектрального разведочного анализа мы применили два метода: (a) временной главный компонентный анализ (tPCA) для длин волн по всем изображениям и (b) интеграция вегетационных индексов по времени на основе расчёта площади под кривой (AUC). Для GY наилучшие значения R2 (0,32) были получены с использованием как спектрального (NDSI — Ri, 750–840 нм и Rj, ±720–736 нм), так и многовременного разведочного анализа AUC (EVI и OSAVI через AUC). Для GPC все протестированные методы разведочного анализа выявили (a) низкий или очень низкий коэффициент детерминации (R2 ≤ 0,21), (b) относительно низкую общую ошибку прогнозирования (RMSE: 0,45–0,49%) по сравнению с результатами других литературных исследований, и (c) что подход спектрального разведочного анализа немного лучше, чем многовременные подходы, с NDSI в начале сезона 700 при 574 нм и NDSI в конце сезона 707 при 523 нм в качестве лучших индикаторов.

Используя карты остатков, полученные в результате регрессионного анализа NDSI и GPC, мы визуализировали внутриполевую изменчивость GPC и показали, что до 75% площади поля можно картировать с относительно хорошей предсказуемостью (остаточный класс: от −0,25 до 0,25%), что, таким образом, демонстрирует потенциал дистанционного зондирования для регистрации внутриполевой изменчивости GPC при традиционных методах ведения сельского хозяйства.


1. Введение

Пшеница (Triticum sp.) – одна из трёх важнейших зерновых культур, выращиваемых в мире, наряду с кукурузой (Zea mays) и рисом (Oryza sp.). Она также является одной из важнейших сельскохозяйственных культур в Мексике, выращиваемой на площади более 723 559 га в 2016 году со средней урожайностью 5,3 млн га−1 [1]. Управление посевами является ключом к прибыльному и устойчивому производству пшеницы и должно учитывать пространственную и временную изменчивость почвы и климата с целью повышения урожайности зерна (УЗ) и его качества.

Точная и своевременная оценка внутриполевых колебаний УЗ и содержания белка в зерне (СЗ) в течение сельскохозяйственного цикла обеспечивает разную степень потенциала для управления/доступности азота и воды, как указано в [2] и [3], а также в качестве стратегии выборочной уборки [4–7]. GY и GPC – два основных фактора производства пшеницы, где последний является важным фактором, определяющим конечную потребительскую ценность [8]. GPC – это функция превращения азота (N) в зерне в белок (подробнее см. в источниках [9,10]), которая зависит от генотипа и сильно зависит от факторов окружающей среды, таких как сроки и количество внесения азота, доступ к воде и температура, особенно в период налива зерна [11–15]. Эти факторы влияют на скорость и продолжительность развития зерна пшеницы, накопление белка и отложение крахмала [16–18].

Наиболее влияющим фактором окружающей среды на качество пшеницы является доступность почвенного азота, которая, в свою очередь, зависит от внесения азотных удобрений. Поэтому правильное управление азотными удобрениями имеет важное значение для обеспечения высококачественного производства пшеницы.
При разработке режимов внесения удобрений необходимо учитывать различные факторы (например, норму, размещение, сроки и распределение) с целью оптимизации как GY, так и GPC пшеницы [19]. Например, внесение азотного удобрения в период колошения увеличивает GPC, не снижая GY [20,21]. Следовательно, важно связать внесение азотного удобрения с усвоением азота растением.

Наибольшее усвоение азота начинается в период колошения и достигает плато к моменту колошения. Усвоение азота, накопление азота и дальнейшее распределение азота внутри растения – все это важные процессы, определяющие GY и GPC [22,23]. Усвоение азота, которое оказывает большое влияние на зеленый полог культуры и на то, как азот контролирует рост и старение полога, зависит от стадии развития культуры – до, во время и после выхода в трубку. Размер полога определяет долю перехваченного солнечного света и напрямую связан с сухим веществом и зеленой биомассой, причем последняя, ​​как было показано, тесно связана с GY [24]. Различия в поглощении N между периодами до и после цветения могут влиять на распределение N на уровне растения [21] и содержание N в зерне, поскольку оно происходит из двух разных источников: выделение из вегетативных органов N, усвоенного на стадиях до цветения, и поглощение N из почвы после цветения. Понятно, что N, накопленный до цветения, является основным источником азота в зерне. У пшеницы от 50 до 95% содержания N в зерне обеспечивается распределением N, запасенного в побегах и корнях до цветения, при этом листья и стебли являются наиболее важными источниками азота для зерна [25].

Широко известно, что содержание азота в растениях связано с отражательной способностью полога из-за его связи с содержанием хлорофилла (хлорофилл a и b; Ca+b) [3,26,27]. Технологии дистанционного зондирования стали менее дорогими в последние годы, и это повысило их потенциал для оперативных целей. Дистанционные методы мониторинга растительности используют два основных метода для оценки биофизических и биохимических характеристик полога. Первый основан на извлечении параметров посредством моделирования отражательной способности растительного полога, в то время как второй подход фокусируется на разработке эмпирических соотношений между дистанционно измеренной отражательной способностью полога и биофизическими переменными.
Второй подход, который находится в центре нашего внимания, направлен на установление эмпирических соотношений между биофизическими переменными растений и вегетационными индексами (ВИ). VI, по сути, представляют собой способ объединения многоспектральных наблюдений в единую метрику, направленную на минимизацию влияния внешних факторов на спектральные данные и получение характеристик полога [28], тогда как эти внешние факторы, влияющие на значения отражательной способности, могут быть связаны с яркостью почвы, цветом почвы, атмосферными эффектами, калибровкой датчиков и различиями в спектральных откликах датчиков на двунаправленные эффекты [29].
Для минимизации этих внешних эффектов и более точной передачи информации о растительном пологе было разработано большое количество индексов VI [29,30]. Индексы, основанные как на соотношениях, так и на формулах нормализации, называются индексами спектральных отношений (RSI) и нормализованными разностными спектральными индексами (NDSI), которых было разработано множество вариантов, объединяющих длины волн различных частей электромагнитного спектра (EMS).

Индексы VI, связанные с хлорофиллом, также были разработаны в связи с его связью с азотом сельскохозяйственных культур, как упоминалось ранее.

Комбинации индексов VI, таких как модифицированный индекс поглощения хлорофилла при отражении (MCARI), деленный на оптимизированный индекс вегетации с поправкой на почву (OSAVI), показали хорошие результаты для описания концентрации хлорофилла в листьях [31]. Кроме того, было показано, что более пигментоспецифичные VI, такие как нормализованная разность пигментов c (PSNDc), простое отношение пигментов для хлорофилла a и b (PSSRa; PSSRb) и каротиноиды (PSSRc) [32], являются индикаторами азотного статуса растений. Исходя из этого, отражательная способность полога на определенных стадиях развития растений может служить косвенным показателем GY и GPC и может быть косвенно измерена с помощью технологий дистанционного зондирования.

Существует пространственная изменчивость GY и GPC в пределах сельскохозяйственного поля, обусловленная пространственной изменчивостью почвы, микроклиматическими условиями и агротехникой [4,33–35]. Оценка урожайности сельскохозяйственных культур с использованием дистанционного зондирования считается полезной [36–40]; однако хорошо известно, что некоторые нормализованные индексы, такие как нормализованный индекс разности вегетации (NDVI) [41], достигают насыщения при высоких значениях индекса листовой поверхности (LAI) и на них также влияют другие факторы, такие как почвенный фон, тени полога, освещенность, атмосферные условия и вариации концентрации хлорофилла в листьях [28,42,43]. Что касается GPC, существует лишь несколько исследований, связывающих его со спутниковыми снимками [2,3,44–46] или низковысотными воздушными и наземными проксимальными зондированиями [2,27,47–49].

Большинство этих исследований основано на многоспектральных широкополосных сигналах, полученных в экспериментальных проектах или в региональном масштабе. Обычно наблюдается более широкий диапазон вариации переменной отклика в региональном масштабе, чем в полевом масштабе [50]. В нескольких исследованиях этот широкий диапазон был вызван, например, в случае ГПХ с различными уровнями внесения азота [2,3,27,46,47,49]. Насколько нам известно, в литературе нет подробного описания данных ГПХ in situ, полученных с помощью снимков дистанционного зондирования. Также существует лишь несколько исследований, изучающих, как многовременная информация может улучшить оценку ГГХ и/или ГПХ в региональном масштабе с использованием широкополосных мультиспектральных изображений [46,49,51,52].

Новые методы, использующие гиперспектральное дистанционное зондирование, способствуют дальнейшему спектральному исследованию сигнала, позволяя рассчитывать ряд других узкополосных VI, которые предлагаются как потенциально полезные для точного земледелия [42,53]. Помимо VI, представленных в настоящее время в литературе, гиперспектральные сигналы могут быть использованы для расчета полных комбинаций всех доступных длин волн с использованием общих формул, например, NDSI и RSI [54–59]. Используя гиперспектральный сигнал, многовременной спектральный исследовательский анализ открывает новые возможности для оценки внутриполевой информации и определения наиболее подходящих комбинаций спектральных длин волн и оптимального времени получения изображения для конкретных приложений точного земледелия.

В настоящем исследовании анализируется соответствующий вклад спектральных, узкополосных физиологических вегетативных индексов и временных измерений гиперспектрального сигнала в оценку внутриполевой пространственной изменчивости GY и GPC на двух коммерческих пшеничных полях. Возможность проведения данного исследования основана на многовременном и спектральном разведочном анализе.

2. Материалы и методы

2.1. Место проведения полевых работ и сбор данных

Данное исследование проводилось на пшеничном поле в долине Яки недалеко от Сьюдад-Обрегон (штат Сонора), на северо-западе Мексики (27◦23′43.83” с.ш. и 109◦55′0.90” з.д.) во время посева пшеницы в 2014 году. Поле состояло из двух бороздовых орошаемых участков площадью 43 га (обозначенных как «A» и «B») (рис. 1). Участки были засеяны сортом Cirno-C2008 в январе 2014 года, а урожай собран в конце мая 2014 года. Климат в долине Яки полузасушливый (подтип «Bsh» по классификации климата Кеппен) с переменным количеством осадков, составляющим в среднем 280 мм в год, и среднесуточной температурой 24 ◦C. Почвы в этом регионе представляют собой крупнозернистую песчано-глинистую смесь с монтмориллонитовой глиной. Два основных типа почв в долине Яки — это глинистые и аллювиальные почвы в соотношении 3:2 [60].

Проводилась еженедельная/двухнедельная кампания по облёту, начиная с фазы выхода в трубку (GS31; 14 февраля; [61]) и до непосредственно перед уборкой урожая (GS92; зерно твёрдое, 7 мая), в результате чего было получено 10 мозаичных изображений с воздуха (таблица 1). Они были получены с помощью микрогиперспектрального датчика изображений с толкающим щёточным зондом (модель Micro-Hyperspec VNIR, Headwall Photonics, Болтон, Массачусетс, США) (спектральный диапазон: 400–850 нм; 250 каналов), пролетавшего на высоте 1200 м над землёй на пилотируемом самолёте, что обеспечило дальность наземной выборки около 1 м.

Таблица 1. Даты съемки и соответствующие им стадии роста сельскохозяйственных культур.

Наземные контрольные точки (GCP) были созданы с помощью 3 × 3 м длиной и 1 м толщиной из полиэтиленовых листов, покрытых алюминиевой фольгой, закреплённых клейкой лентой, и размещены вокруг исследуемых участков (рисунок 1) и геопривязаны с помощью приёмника глобальной навигационной спутниковой системы (ГНСС) с использованием метода кинематики в реальном времени (RTK) (система Trimble R4 GNSS, Trimble, Саннивейл, Калифорния, США) для обеспечения точности. Геопривязка каждого изображения проводилась с учётом среднеквадратических ошибок (СКО) ниже разрешения изображения.

Ручной отбор проб зерна [69] проводился непосредственно перед уборкой урожая с использованием полурегулярной и полустратифицированной сетки из 50 точек отбора проб в блоке B (всего 100 точек). Перераспределение 10% точек регулярной сетки на более короткие расстояния, чем исходная сетка, было сделано для минимизации отношения наименьшего к наибольшему расстоянию отбора проб [70,71]. Это было сделано с целью определить диапазон пространственной зависимости [72] переменных отклика. В блоке A 14 точек отбора проб были выбраны на основе визуального осмотра карты кажущейся электропроводности (ECa) почвы [73], чтобы охватить весь диапазон колебаний ECa. Решение о различном количестве точек в каждом блоке было обусловлено бюджетными ограничениями и необходимостью иметь как минимум разумное количество точек (100) на одном из полей для фиксации его пространственной изменчивости и возможности картирования с помощью вариографии [74]. Каждая точка отбора проб основывалась на рамке площадью 2 м2 с центром в точке с географическими координатами, где все растения пшеницы были собраны, обмолочены и измерены GY. Отобрана проба зерна для лабораторного анализа качества, где ГПХ (%) и содержание влаги (%) определялись методом ближней инфракрасной спектроскопии (NIR Systems 6500, Foss, Хиллерёд, Дания), калиброванной в соответствии с официальными стандартными методами AACC 39–10 и 46–11A [75]. Значения GY и ГПХ были приведены для влажности 12,5%. Описательная статистика образца была рассчитана с использованием соответствующих переменных.
Спектральное биннингирование выполнялось для каждой мозаики до 7,5 нм FWHM (полная ширина, половина максимума) для уменьшения шумовых эффектов, в результате чего было получено 62 длины волны. Из них длины волн 751, 759, 766 и 773 нм были удалены из-за поглощения кислорода сенсором. В итоге 58 длин волн были использованы для последующего анализа. Спектральная информация извлекалась из каждого изображения, используя точку выборки из обоих блоков (n = 114). Извлечение производилось путем усреднения окна размером 3 × 3 пикселя (9 м²) вокруг каждой точки выборки для учета незначительного смещения изображений во время обработки ортофотоплана. Полученный усредненный набор спектральных данных использовался для последующего статистического и дистанционного анализа в отношении GY и GPC.

2.2. Описание данных in situ — описательная статистика GY и GPC, корреляционный анализ и гиперспектральные характеристики

Данные GY и GPC из блока B были интерполированы на 3-метровую сетку (пиксели 9 м²) с использованием глобального блочного кригинга, что позволило подобрать наилучшую глобальную вариограмму в соответствии с пространственной изменчивостью данных в VESPER [76]. Целью данного картографирования была визуализация внутриполевой пространственной изменчивости переменных отклика. Картографирование было выполнено с использованием программного пакета ArcGIS (версия 10.1; ESRI, Редлендс, Калифорния, США).

Взаимосвязь между GY и GPC анализировалась с использованием коэффициента корреляции Пирсона. Как отмечают многие авторы [4,21,77–80], GY обычно отрицательно коррелирует с GPC. Однако [80] продемонстрировало, что эта корреляция может варьироваться от отрицательной до положительной в пределах поля фермера из-за пространственной изменчивости почвы и взаимодействия методов агротехники. Исходя из этого контекста, мы решили дополнительно исследовать внутриполевые взаимоотношения GY и GPC, применив метод скользящего окна для проверки пространственной локальной корреляции между обеими переменными. Метод скользящего окна был применён только к блоку B из-за его более плотной выборки данных (100 точек выборки). Он состоял из окна размером 150 × 150 м, которое перемещалось по блоку, собирая соседей внутри этого окна, используя в качестве основы те же 100 точек выборки. Размер окна был выбран таким образом, чтобы обеспечить в среднем 10 степеней свободы для корреляционного анализа. Результаты корреляции считались значимыми при p < 0,05.

Гиперспектральные характеристики только самых высоких и самых низких точек выборки GY и GPC были извлечены для каждого изображения и построены на одном графике для каждой переменной отклика. Решение ограничить график этими двумя откликами и не строить средний или медианный отклик было принято, чтобы визуализировать возможные различия в отражательной способности для обоих уровней (самого высокого и самого низкого) переменных отклика, избегая создания перегруженного и непонятного графика.

Для анализа данных полученных гиперспектральных временных рядов изображений были выбраны два подхода к исследовательскому анализу: (a) спектральный подход; и (b) многовременной подход. Метод спектрального исследовательского анализа основан на полной комбинации двух всех доступных длин волн в спектральные индексы NDSI и RSI (SI). Для подхода многовременного исследовательского анализа были протестированы два метода: временной главный компонентный анализ (tPCA) и интеграция VI во времени с использованием подхода площади под кривой (AUC).

2.3. Спектральный исследовательский анализ с использованием узкополосных физиологических спектральных индексов

 Для спектрального исследовательского анализа мы использовали два типа общих формул для генерации SIs. Используя полные комбинации спектральных длин волн два на два, были рассчитаны спектральный индекс отношения (RSI) и нормализованный разностный спектральный индекс (NDSI). RSI (уравнение (1)) и NDSI (Уравнение (2)) определяются как:

где Ri и Rj – коэффициенты отражения для длин волн i и j соответственно. Индексы RSI и NDSI представлены в виде PSSRa и NDVI, где оба индекса используют длины волн NIR и R. Спектральные индексы, основанные на полных комбинациях гиперспектрального сигнала два на два, были получены путем применения формул RSI и NDSI, аналогично исследованиям [54–59]. Впоследствии регрессионный анализ был выполнен с использованием индексов RSI и NDSI в качестве предикторов для всех точек данных GY и GPC. Были построены контурные карты коэффициента детерминации (R2), описывающие взаимосвязи этих SI с GY и GPC. Эти карты предоставляют исчерпывающую информацию об оптимальной паре длин волн для оценки обеих переменных отклика на протяжении всего цикла развития культуры [54, 55].

2.4. Многовременной спектральный аналитический анализ

2.4.1. Временной анализ главных компонент (tPCA)

Относительно высокое временное разрешение полётной кампании (в данном случае: 10 гиперспектральных мозаик в течение одного сельскохозяйственного цикла — с февраля по май) позволило применить многовременной подход к анализу важности мозаик и длин волн на протяжении всего сельскохозяйственного цикла и на определенных фенологических стадиях (стадиях роста сельскохозяйственных культур). Для этой цели был применён стандартизированный главный компонентный анализ (PCA) к каждойотдельной длине волны на 10 изображениях, при этом для каждой длины волны было зарегистрировано 10 главных компонент (ГК). Первые две ГК рассматривались в корреляционном анализе Пирсона с GY и GPC. Матрицы собственных векторов и собственных значений были оценены, чтобы определить, какое изображение и длина волны в течение сельскохозяйственного цикла несут наибольшую долю дисперсии в наборе данных.

2.4.2. Интеграция VIs с течением времени

Для дальнейшего исследования данных были выбраны четыре конкретных VIs для каждой переменной-ответа в соответствии с их потенциалом предоставления структурной и хлорофильной информации (Таблица 2). Кроме того, связь VIs с GY и GPC была критерием отбора, как представлено в предварительных результатах [73,81]. Как структура полога, так и его зеленость являются индикаторами азотного статуса растений, где листья и стебли являются наиболее важными источниками азота для зерна [25].

Были нанесены временные профили, основанные на самых высоких, средних и низких значениях GY и GP в пределах поля.На основании этой информации была рассчитана площадь под кривой(AUC) с использованием трапециевидного метода (интегральные показатели Римана) для каждого выбранного объекта наблюдения с целью интеграции временной информации о цикле выращивания с учетом различных стадий роста  (Таблица 3).

Таблица 3. Диапазон стадий роста сельскохозяйственных культур, используемый для расчета площади под кривой (AUC) для различных индексов вегетации.

Были рассчитаны значения AUC для каждого VI и стадии роста культуры, а также проведена регрессия площади относительно GY и GPC с использованием линейной регрессии (программное обеспечение R: пакет «plyr» для AUC и пакет «stats» для регрессионного анализа; [86,87]). Результаты регрессии считались значимыми, если p < 0,05.

3. Результаты и обсуждение

3.1. Описание данных in situ — описательная статистика GY и GPC, корреляционный анализ и гиперспектральные профили

Как GY, так и GPC показали распределение со средними и медианными значениями, близкими друг к другу. Это отражает в целом симметричное (нормальное) распределение, хотя и с высоким значением эксцесса для GPC (таблица 4). Данные GPC сосредоточены между 12,03% (1-й квартиль) и 12,56% (3-й квартиль) со средним значением 12,32%. Относительно низкие диапазоны GPC могут наблюдаться на орошаемых полях в естественных условиях и при использовании традиционных методов ведения сельского хозяйства, поскольку N и вода применяются равномерно и в больших количествах по всему полю, а пространственная изменчивость почвы может оказывать ограниченное влияние на изменчивость полога. Однако более высокие диапазоны GPC были зарегистрированы на полях с неполивным земледелием, где пространственная изменчивость почвы сильно влияет на доступность воды и N [80].

С помощью картографического упражнения (рис. 2) можно визуализировать внутриполевые пространственные изменчивости для GY и GPC, которые варьировались от примерно 4,6 до 8 Мгга−1 и от 11 до почти 15% соответственно. Пороговое значение 12,5% для GPC было выбрано на основе рекомендации фермера для дифференциации низкого и высокого качества пшеницы на основе премиального качества и более высоких рыночных цен. Хотя максимальное значение 14,96% для GPC может считаться выбросом, после нескольких анализов (данные не показаны) мы решили сохранить эту точку данных. Не было никаких дополнительных доказательств того, что это значение было ошибкой измерения. Значения GPC около 14–15% на фермерских полях и в региональном масштабе упоминаются в литературе [4,45,80]. Самые высокие и самые низкие точки GY и GPC были выявлены среди выбранных точек данных и карт и впоследствии использовались в качестве эталонов для извлечения отражений из изображений во время цикла выращивания урожая.

GY и GPC не показали значимой корреляции (r = −0,09; p = 0,49) при использовании всех точек данных из всего поля. Однако локальные пространственные вариации корреляции между GY и GPC, полученные с помощью метода скользящего окна, показали коэффициенты корреляции, варьирующиеся от −0,76 до +0,61. Среди остальных 97 коэффициентов только два отрицательных коэффициента были значимыми с вероятностью 5% (−0,76 и −0,69) и один положительный (0,61) с вероятностью 10% (таблица 5).

Эти результаты согласуются с результатами, полученными в работе [80], где были оценены данные GY и GPC (полученные с датчиков, установленных на комбайнах на 27 полях в течение 3 сезонов). Большинство этих полей показали большие области отрицательных локальных корреляций для первых двух сезонов и положительные для третьего сезона; однако значительная часть площади имела незначимые коэффициенты для всех сезонов/полей. Области в пределах поля, где GY и GPC имели отрицательную корреляцию, могли представлять условия, где эффективный доступ к N был относительно однородным, но с ограниченным доступом к воде из-за пространственной изменчивости структуры почвы, что ограничивало рост зерен. Области с положительными коэффициентами могли представлять больший доступ к воде, но ограниченную доступность N [80]. Кажущаяся электропроводность почвы (ECa), которая может быть приблизительным показателем доступной для растений влагоемкости (PAWC, [88]), была довольно изменчивой в этом поле [73]. Это подтверждает внутриполевую пространственную изменчивость корреляции между GY и GPC и усиливает необходимость изучения обеих переменных по отдельности.

Ранее выявленные самые высокие и самые низкие точки GY и GPC (рис. 2a, b) были использованы для извлечения гиперспектрального сигнала из мозаики. Профиль отражения самой высокой (пунктирные линии) и самой низкой (сплошные линии) области GY представлен на рисунке 3a. Темно-красные пунктирные и сплошные линии (14 февраля) представляют стадию GS31, которая является критической, поскольку это стадия, на которой часто применяется N, и ранняя стадия, на которой может проводиться диагностика стресса, связанного с питательными веществами, у пшеницы. Темно-зеленые (пунктирные и сплошные) линии представляют собой период цветения (28 марта), предположительно пик вегетативного развития. В GS31 обнаруживается небольшая разница отражения в области NIR. Эта разница увеличивается до 15 апреля, и уменьшается в период физиологической зрелости (GS87, 25 апреля) и при отвердении зерна (GS92, 7 мая).

Профиль отражения (рисунок 3b) от самой высокой (пунктирные линии) и самой низкой (сплошные линии) области GPC показал схожее спектральное поведение от 400 до 770 нм, за исключением мозаики от 25 апреля (конец стадии налива зерна), которая показала некоторую разницу в отражении в области R (около 680 нм). При 840 нм (ближний ИК) он показал некоторые различия в отражении для самой высокой и самой низкой области GPC.

Зарко-Техада и др. [42] обнаружили схожее поведение отражательной способности для хлопчатника с низким и высоким ростом. В случае пшеницы наилучшее время для диагностики GY — начало выхода в трубку (GS31), а для GP — около стадии колошения/цветения, поскольку именно тогда GPC можно увеличить с помощью азотного управления [20]. Следовательно, выявление различий в отражательной способности на ранней стадии (GS31) и во время
колошения/цветения позволяет диагностировать азотный стресс, пока еще есть время для повышения GY и GPC посредством агротехники.

3.2. Спектральный исследовательский анализ с использованием узкополосных физиологических спектральных индексов

 Поскольку результаты регрессионного анализа с использованием RSI и NDSI были очень похожи, здесь показаны только результаты NDSI. Контурные карты коэффициентов детерминации (R2) показаны на рисунке 4 и 5, которые представляют собой результаты регрессионного анализа индексов NDSI в сравнении с GY и GPC, соответственно.

Используя карты контуров R2, можно сделать вывод о том, какая комбинация длин волн показала лучшие результаты при оценке GY и GPC (рисунки 4 и 5). Взаимосвязь между урожайностью и индексами урожайности широко изучалась в литературе. Многие авторы сообщали о хороших корреляциях между урожайностью основных товарных культур, таких как пшеница, кукуруза и хлопок, на основе многоспектральных широкополосных данных изображений и, в основном, с использованием комбинаций ближнего ИК, красного и зеленого (G) спектральных диапазонов [36–40, 89, 90]. В текущем исследовании мозаика вокруг выхода в трубку и цветения привела к наибольшей связи с GY (рисунок 4). R2 варьировался от 0,22 до 0,32 (от выхода в трубку до цветения; GS41–GS65; 11–28 марта).

Наилучшие результаты на этих изображениях были получены при использовании комбинаций между широкими участками ближнего ИК-диапазона (Ri, 750– 840 нм — за исключением 751, 759, 766 и 773 нм, которые ранее были удалены) и узкими полосами области RE (Rj, ±720–736 нм). В этих областях отражательная способность связана с биомассой, которая, как было показано, связана с GY [91–93]. За этими результатами следуют комбинации широких участков ближнего ИК-диапазона и видимого диапазона спектра. Здесь все длины волн от 400 до 680 нм (Rj) в сочетании с ближним ИК-диапазоном дали несколько меньшие корректировки, чем комбинации ближнего ИК- и RE-диапазона с пиками в ближнем ИК-диапазоне (Ri) и синем (B)/G-диапазонах (Rj). Аналогичные результаты были отмечены в исследованиях [30,94]. Помимо выявления комбинаций между длинами волн в ближнем ИК-, РК- и видимом спектральных областях, также были обнаружены взаимосвязи между комбинациями, находящимися исключительно в видимом спектре. Хотя при более низком значении R2, области G/R (Ri) в сочетании с B (Rj) показали устойчивые взаимосвязи на всех трёх изображениях, полученных от фазы трубкования до цветения. Корреляции между GY и комбинациями в видимом спектре подтверждаются тем фактом, что хлорофилл (Ca+b) имеет два пика поглощения света в областях B и R [95]. Кроме того, каротиноиды демонстрируют пик поглощения в области B [96].

GPCI является функцией преобразования содержания азота в растениях в белок, поэтому ожидается, что концентрация азота в растениях, оцененная с помощью методов дистанционного зондирования, может частично объяснить изменение GPC [45]. В нескольких исследованиях сообщалось о потенциальном использовании отдельных длин волн и/или различных ВИ, таких как PPR ([R550-R450]/[R550 + R450]), NDVI ([R810-R680]/[R810 + R680]), RVI (R810/R680), GNDVI ([R810-R560]/[R810 + R560]) и GRVI (R810/R560) для описания состояния азота и GPC [3,27,45–47,49]. Во всех предыдущих исследованиях использовались VIS, полученные на основе G, R и NIR длины волн с помощью нормализованных и простых формул соотношения. В нашем исследовании, например, NDVI не входил в число 10 лучших коэффициентов с помощью GPC для изображений и стадий роста. Однако большинство предыдущих исследований проводились в контролируемых условиях с низким и высоким уровнем внесения азота (на участке или в опытном режиме). В отличие от этого, данное исследование проводилось на орошаемом фермерском поле без внесения азота (соответственно, в естественных условиях), что привело к низкому диапазонуGPC–вариабельность (12,03-12,56% от 1-го до 3-го квартиля; таблица 4). Это может объяснить довольно низкие коэффициенты детерминации (R2 ≤ 0,21), полученные в результатах.

С помощью карт контура R2 (рис. 5) также можно визуализировать область длин волн, где R2 был преимущественно высоким, например, от 574 до 700 нм на Ri и от 400 до 574 нм на Rj перед выходом в трубку (27 февраля), и от 707 до 840 нм на Ri и от 486 до 530 нм на Rj после физиологической зрелости (7 мая). Все даты показывают небольшие различия R2 в этих областях спектра. Самые высокие значения R2 на изображениях от 27 февраля (перед выходом в трубку; GS41) (R2: 0,20) и 7 мая (зерно твердое; GS92) (R2: 0,21) были получены с помощью комбинаций узких полос в областях RE и G (27 февраля: 700, 574 нм; 7 мая: 707, 523 нм). В период трубкования растения увеличивают поглощение азота, а физиологическая зрелость наступает в конце периода налива зерна, когда азот перераспределяется из фотосинтетических тканей в GPC [97].

Хотя полные комбинации двух длин волн обеспечили улучшенные SI для оценки GPC по сравнению с более традиционными VI, результаты показывают, что видимая ближняя инфракрасная (VNIR) часть электромагнитного спектра может быть недостаточно эффективна для оценки GPC на уровне поля. Коротковолновая инфракрасная (SWIR) часть электромагнитного спектра, где содержание воды является основным фактором, определяющим спектральное поведение листьев [98], может быть полезна для этого специфического признака. Для разработки технологий полученная информация должна помочь в выборе длины волны для разработки сенсора, предназначенного для измерения GPC; однако, возможно, также потребуется учитывать различные факторы окружающей среды, такие как засуха и жара.

Подводя итог, можно сказать, что полные комбинации спектральных длин волн (представленные в виде
карт R2-контура) оказались простым и надежным методом исследования гиперспектральных данных. В данном случае было показано, что объединение спектральных длин волн ближнего ИК-диапазона и RE в нормализованную формулу более подходит для оценки GY, а комбинации RE и G – для оценки GPC. Для оценки GY и GPC лучшие результаты были достигнуты с изображениями, полученными во время цветения (GY), в период выхода в трубку и сразу после физиологической зрелости (GPC).

3.3. Многовременной спектральный анализ

3.3.1. Временной главный компонентный анализ

Вклад каждого полученного главного компонента в общую дисперсию для каждой длины волны показан на Рисунке 6. На всех длинах волн все главные компоненты имели схожий характер флуктуаций: (a) отсутствие шума данных, (b) более низкие доли на длинах волн в фиолетовой (V) (~400 нм), G (~530 нм) и красной (RE) (~720 нм) областях, и (c) более высокие доли на длинах волн в B (~485 нм), R (~685 нм) и NIR (~830 нм) областях электромагнитного спектра. Тем не менее, поскольку первые главные компоненты вносят больший вклад, чем последние главные компоненты, как правило, большая часть шума данных сохраняется в последних главных компонентах (здесь: от PC6 до PC10) из-за процесса преобразования главных компонентов. PC1 (40–50% вариации в каждой длине волны, за исключением некоторых длин волн в областях V, G и RE) и PC2 (>25%, за исключением некоторых длин волн в областях V, G и RE также) объясняли большую часть вариации в каждой длине волны. PC1 внесла наибольший вклад в длины волн в областях R и NIR, а PC2 – только в области R. В общей сложности >75% было получено в диапазоне длин волн от 610 до 700 нм (область R). Согласно этим результатам и с учетом критерия Кайзера [99] для выбора PC (собственное значение > 1), PC1 и PC2 для каждой длины волны были выбраны для последующего статистического анализа.

Чтобы определить, какая мозаика по всему циклу выращивания имеет наибольшую долю дисперсии в наборе данных, были вычислены матрицы собственного вектора и собственных значений. Для PC1 и PC2 на рис. 7a,b показан процентный вклад в общую дисперсию для каждой длины волны каждого изображения. Для PC1 (рис. 7а) все изображения (за исключением изображений от 25 апреля и 7 мая) следовали ранее описанному курсу колебаний на всех длинах волн с пиками в областях B, R и NIR и понижениями в областях V, G и RER. Их вклады колеблются почти одинаково - от ~10 до 18%. Непрерывно почти на всех длинах волн наибольший процент (~18%) был получен на изображениях от 11 марта (загрузка; GS41) и 17 марта (направление; GS55), за которыми следуют изображения от 14 февраля (удлинение стержня).; GS31) до 27 февраля (предварительная загрузка; GS41), 28 марта (сбор урожая; GS65) и 7 апреля (заполнение зерном; GS71) (~10-15%). Очень низкий процент (~5%) был получен на снимках, сделанных 15 апреля (поздний сбор молока; GS77) до 7 мая (grain hard, GS92), за исключением областей RE и NIR на изображении15 апреля (~10%). Известно, что в спектральной области B и R наблюдаются пики поглощения Ca+b. Инфракрасный спектр обладает высокими показателями отражения от здоровых вегетативных органов с четкой внутренней клеточной геометрией. На стадии всходов (GS41) рост растений пшеницы достигает примерно 40% от максимального, а усвоение азота значительно увеличивается. Между тем, стадия колошения (GS55) наступает как раз перед тем, как растение достигнет своего максимального индекса зеленой площади, который влияет на отражательную способность кроны и поглощение азота и показывает важность обеих стадий в развитии культуры (97).

В отличие от PC1, на рисунке 7b показано, что, основываясь на PC2, снимки сделаны в конце сезона в период с 15 апреля (поздний молочный период; GS77) и 25 апреля (физиологическая зрелость; GS87) имеют очень высокую долю различий (~20-30%) практически на всех длинах волн (за исключением БИК-области от 15 апреля). Кроме того, на предыдущих (основанных на PC1) снимках с более низким коэффициентом полезного действия с 14 февраля (удлинение стержня; GS31) по 27 февраля (предварительная загрузка; GS41) показывают высокие проценты с пиками в областях V, G и RE (~10-20%). Более низкие проценты (<10%) были обнаружены в изображениях, полученных в период с 11 марта (загрузка; GS41) по 7 апреля (заполнение зерен; GS71) практически на всех длинах волн, за исключением областей RE (~720 нм) и NIR (~830 нм). На поздней стадии созревания (GS77) начинается старение и быстрое перераспределение растворимых запасов, что определяет размер и вес зерна, в то время как после физиологической зрелости (GS87) зерно будет продолжать терять влагу до тех пор, пока не будет готово к сбору урожая.

Коэффициент корреляции Пирсона был рассчитан для понимания взаимосвязи каждой длины волны -0,4 ≤ r ≤ − для выбранных PC с GY и GPC соответственно. С GY PC1 имел слабо значимые
 (-0,4 ≤ r ≤ -0,3) корреляции почти на всех длинах волн от области B до области R, за исключением области G. Умеренно значимые коэффициенты корреляции (около +0,5) были обнаружены в основном для длин волн ближнего ИК-диапазона (рис. 8а). Для PC2 значимых корреляций обнаружено не было (-0,2 ≤ r ≤ +0,2) -0,2 ≤ r ≤ +0,2) почти на всех длинах волн, за исключением очень слабых корреляций (±0,2 < r ≤ ±0,3) почти на всех длинах волн, за исключением очень слабых корреляций (±0,2 < r ≤ ±0,3) с некоторыми значениями RE и NIR −длины волн (рис. 8б). В целом, наиболее сильная взаимосвязь была выявлена с PC2 при использовании длины волны RE 722 нм (-0,6), где изображения от 17 марта (GS55, заголовок) и 28 марта (GS65, антезис) выявлены самые высокие нагрузки - 37% и 33% соответственно. слабо (±0,2 < r ≤ ±0,25) при использовании некоторого количества RE и всех NIR
−

 С помощью GPC PC1, а также PC2 слабо коррелировали (±0,2 < r ≤ ±0,25) с использованием некоторого RE и всех NIR длины волн, причем длина волны 729 нм от PC1 имеет самый высокий коэффициент (-0,25), а окружающие ее длины волн (722, 736 и 744 нм) немного отличаются друг от друга. Изображения от 14 и 27 февраля и 11 марта имели самую высокую загрузку (17%, 15% и 16% соответственно). Общим для обоих PC является отсутствие корреляций на всех длинах волн от V до R-диапазона (рис. 8c, d).

В целом, как PC, так и их корреляции с GY и GPC продемонстрировали плавное поведение во всем доступном спектре длин волн, где пики коэффициентов корреляции наблюдались в областях B, R и ближнего ИК-спектра на PC1 для GY, с аналогичным, хотя и незначительным, инвертированным поведением для GPC. Хотя PC2 демонстрировал некоторые шумовые длины волн в областях G и RE для GPC, он все же продемонстрировал непрерывный характер поведения во всем доступном спектре.

3.3.2. Интеграция визуальных показателей (VI) во времени

Другой подход к проведению временного разведочного анализа временных рядов гиперспектральных изображений— это интеграция визуальных показателей во времени посредством расчета площади под кривой (AUC). Временные профили для минимальных, медианных и максимальных значений GY и GPC в пределах поля показаны на рисунке 9.

Для GY все временные профили VI показали, что кривые наивысшего, среднего и самого низкого GY следовали очень схожему ходу в течение вегетационного сезона с (a) увеличением значений VI на ранних стадиях роста (от выхода в трубку до фазы перед трубкованием; GS31–GS41; 14–27 февраля), (b) пиками в фазах трубкования (GS41; 11 марта) и цветения (GS65; 28 марта), (c) небольшим снижением в фазе колошения (GS55; 17 марта) и d) сильной нисходящей реакцией, начиная с позднего молочного периода (GS77; 15 апреля) до твердого зерна (GS92; 7 мая). Кроме того, самые высокие значения GY всегда демонстрировали более высокие значения VI, и наоборот, что ожидаемо из-за их структурной информации о растении и ее корреляции с биомассой и, следовательно, с GY [91–93].

В отличие от GY, временные профили VI для GPC демонстрируют различную картину с течением времени для каждого VI. За исключением медианной кривой GPC, самые высокие и самые низкие кривые GPC следовали схожему ходу, при этом — начиная с фазы перед трубкой (GS41; 27 февраля) — самые низкие значения GPC всегда связаны с более высокими значениями VI. Низкий диапазон колебаний GPC (см. раздел 3.1) может быть причиной «шумового» эффекта в отклике VI медианного GPC. Пики различаются: для PSNDc и PSSRc в период цветения (GS65; 28 марта), для MCARI/OSAVI в период физиологической зрелости (GS87; 25 апреля) и для TCARI в период трубкования (GS41; 11 марта) и позднего молочного периода (GS77; 15 апреля). Индексы VI MCARI/OSAVI и TCARI указывают на более высокий потенциал оценки GPC в конце сезона, PSNDc и PSSRc – в середине сезона. Показано, что VI, связанные с пигментами, отрицательно связаны с хлорофиллом на определенных стадиях развития растений [27], чего достаточно, чтобы объяснить высокую реакцию VI на самое низкое значение GPC.

Чтобы понять прогностический потенциал многовременного анализа гиперспектральных изображений для GY и GPC, статистически оценены взаимосвязи между AUC выбранных временных профилей VI и значениями GY и GPC на разных стадиях развития культуры (AUC1–AUC8; таблица 3). В таблице 6 представлены следующие 2 результата поиска значений между AUC и выбранными VIP-файлами с GY и GPC.

В целом, независимо от стадий развития культуры (AUC1–AUC8), взаимосвязь между всеми временными профилями VI была слабой для GY (R2 ≤ 0,32) и очень слабой для GPC (R2 ≤ 0,1).

Однако при анализе GY наилучшие значения R2 были получены для AUC1 с использованием EVI и OSAVI (R2: 0,32), за которыми следуют AUC4 (R2:0,28; PSSRc), AUC7 (R2:0,27; TCARI) и AUC3 (R2:0,26; PSSRc). Это означает, что потенциал прогнозирования немного улучшился (всего на 4–6%) при использовании 10 гиперспектральных мозаик для всего цикла вегетации (AUC1) по сравнению с использованием 2 мозаик между колошением и цветением (AUC4) или 3 мозаик между наливом зерна и физиологической зрелостью (AUC7) или выходом в трубку и цветением (AUC3).

Таким образом, это может не оправдать такие инвестиции в высоковременные серии изображений. Наилучшие результаты для GPC были получены с использованием временных профилей VI TCARI и MCARI/OSAVI для следующих AUC: AUC5 (R2: 0,1; TCARI, MCARI/OSAVI), AUC2 (R2: 0,09; TCARI) и AUC3 (R2: 0,08; MCARI/OSAVI). Это указывает на то, что наиболее интересный период приходится на начало-середину сезона, соответственно, от удлинения пара (GS31) до цветения (GS65). Это также период, когда происходит наибольшее поглощение азота (около 60%), и период наибольшей фотосинтетической активности [100], которая влияет на расширение полога и, следовательно, на индекс зеленой площади [97]. Этот же подход AUC использовался для всех комбинаций NDSI (данные не показаны). Результаты не показали никакого улучшения по сравнению с подходом NDSI для одной мозаики (раздел спектрального разведочного анализа).

AUC1 — весь временной ряд изображений; AUC2 — изображения от удлинения стебля (GS31) до выхода в трубку (GS41); AUC3 — изображения от выхода в трубку (GS41) до цветения (GS65); AUC4 — изображения от выколашивания (GS55) до цветения (GS65); AUC5 — изображения от удлинения стебля (GS31) до цветения (GS65); AUC6 — изображения от налива зерна (GS71) до спелости (GS77); AUC7 — изображения от налива зерна (GS71) до физиологической зрелости (GS87); AUC8 — изображения от налива зерна (GS71) к графическому изображению (GS92). # обозначает количество мозаик, использованных в каждом AUC. Жирный шрифт в квадрате значим при p < 0,05.

Другие авторы использовали данные дистанционного зондирования, полученные в течение сезона, для разработки спектральных профилей роста на основе VI. Используя NDVI в качестве индикатора, Дубей и др. [101] обнаружили, что площадь под профилем роста объясняет почти 69% (R2 около 0,47) изменчивости GY в районах выращивания пшеницыв индийских штатах. Аналогичным образом, Сюэ и др. [49] проанализировали кумулятивные VI для различных периодов роста сельскохозяйственных культур (выход в фазу созревания, выход в трубку, выколашивание) для оценки GPC. Однако в нашем случае использование накопленных VI не показало значительного улучшения корреляций с GPC по сравнению с отдельными VI.

Подводя итог, можно сказать, что многовременной спектральный разведочный анализ продемонстрировал свой потенциал для определения оптимального времени съемки в зависимости от цикла урожая и длин волн отражения. Временной анализ показал, что спектральная информация в диапазонах B, R и NIR на стадиях вегетации и созревания сельскохозяйственных культур несла наибольшую дисперсию в наборе данных, за которой следовали изображения позднего сезона практически во всех длинах волн, за исключением NIR. Более того, этот подход показал плавное поведение спектра в зависимости от цикла урожая, где пики коэффициентов корреляции приходились в спектральных областях B, R и NIR на PC1 для GY, с аналогичным инвертированным поведением для GPC. Независимо от стадий урожая, подход AUC, основанный на временных профилях VI, продемонстрировал для всех профилей слабые связи с GY (R2≤0,32) и очень слабые связи с GPC (R2≤0,1), благодаря чему были определены наиболее подходящие VI и наилучшее временное окно для оценки GPC. Для решения основной задачи данного исследования — возможности своевременной оценки содержания белка в зерне для управления растениеводством, а также для выборочной уборки урожая — и поскольку общая ценность белка в зерне для фермеров выше, чем урожайность, в этом разделе рассматривается только оценка содержания белка в зерне. Из всех ранее представленных методов моно- и многовременного спектрального исследовательского анализа был выбран результат, наилучшим образом подходящий для оценки GPC (рисунок 10).

 При использовании метода спектрального исследовательского анализа были достигнуты самые высокие корреляции с GPC  используя NDSI для комбинации 700 и 574 нм со снимка от 27 февраля (R2: 0,19; RMSE: 0,46, среднеквадратичная ошибка) и комбинации 707 и 523 нм со снимка от 7 мая (R2: 0,21; RMSE: 0,45).  На следующем рисунке представлены оба варианта, поскольку изображение от 27 февраля содержит информацию о начале всходов (начале сезона), что является подходящим временным интервалом для проведения мероприятий по управлению растениеводством, направленных на коррекцию показателей урожайности. Изображение от 7 мая, полученное после достижения физиологической зрелости  (твердое зерно, поздний сезон), что открывает возможности для селективных стратегий сбора урожая.

В рамках метода многовременного исследовательского анализа тестируемыми методами были tPCA и AUC выбранных ВИ. Для метода tPCA длина волны 729 нм в пределах PC1 показала наибольшую корреляцию с GPC. Корректировка линейной регрессии, хотя и была статистически значимой при значении p < 0,05, показала, что R2 равен 0,06, а RMSE - 0,49. Для метода AUC индекс TCARI и индекс MCARI/OSAVIratio, равный AUC5, который представляет собой площадь под кривой для индексов реакция от удлинения при паровом вызревании (GS31) до цветения  (GS65), выявила наибольшую взаимосвязь с GPC (R2: 0,10; Таблица 6). Из-за количества используемых длин волн и простоты для дальнейшего представления был выбран только AUC5-TCARI (R2: 0,10; RMSE: 0,49).
Сравнение соотношений между GPC и наилучшим соответствием каждого метода разведочного анализа выявило (а) общий низкий или очень низкий коэффициент детерминации (R2), (б) общую относительно высокую общую ошибку прогнозирования (RMSE), учитывая низкий диапазон изменчивости GPC для данного поля, и (в) что подход спектрального разведочного анализа превосходит многовременной подход.

Как отмечалось во введении, большинство исследований дистанционного и проксимального зондирования для оценки GPC были проведены на (а) полях и/или регионах с естественно более высокой вариабельностью GPC [3,45,46] и/или (б) полях с различными уровнями обработки, вызывающими более высокую вариабельность GPC [2,3,27,47–50]. Как правило, более широкий диапазон параметров калибровки позволяет лучше настроить модель для более точных результатов прогнозирования.

В качестве примера, при изучении относительно высокой точности прогнозирования GPC Ван и др. [46] продемонстрировали в региональном масштабе потенциал анализа многовременных спектральных изображений с использованием объединённых многоспектральных широкополосных спутниковых данных для периода роста сельскохозяйственных культур от образования соцветий до цветения (R2: 0,64). Хотя общая ошибка прогнозирования нашего исследования (RMSE: 0,45–0,49%) была относительно высокой для условий изучаемой территории, выбранные методы, по-видимому, являются относительно более точными по сравнению с другими исследованиями, основанными на данных проксимального и дистанционного зондирования ([47], RMSE: 0,4–0,79%; [48], RMSE: 0,89–0,96%; [46], RMSE: 1,28–2,86%).

На рисунке 11 представлены три карты GPC, основанные на: (a) измеренных данных ГПХ, полученных из образцов in situ и лабораторного анализа, (b) оценочных данных GPC, полученных из спектральной комбинации NDSI 700/574 нм изображения от 27 февраля, (c) оценочных данных GPC, полученных из спектральной комбинации NDSI 707/523 нм изображения от 7 мая, и соответствующих им остаточных картах (разница между оценочной картой и интерполированной картой, полученной с использованием наземных измерений).

Для выявления зон с более низким (<12,5%) и более высоким (≥12,5%) качеством зерна пшеницы в пределах поля, обе оценочные карты показывают очень похожий размер и распределение зон классов, при этом области с более высоким GPC были оценены на основе изображения позднего сезона. Карта оценки GPC позднего сезона отражает более реалистичную ситуацию с ГПХ во время уборки (как показано на кригированной карте GPC, основанной на данных измерений in situ).
В целом, параметры качества прогнозирования (R2, RMSE) указывают на общий низкий потенциал прогнозирования, но без какой-либо конкретной информации о внутриполевой изменчивости. Напротив, карты остатков блока B (рисунок 11) дают пространственно детальную картину потенциала прогнозирования, позволяя визуализировать внутриполевые вариации GPC. Используя спектральную комбинацию NDSI 700/574 нм снимка от 27 февраля, 61,7% общей площади поля удалось отобразить с относительно хорошим прогнозом (остаточный класс: −0,25–+0,25%), а ещё большую площадь поля (74,9% общей площади поля) используя спектральную комбинацию NDSI 707/523 нм снимка от 7 мая. Переоценки (остаточный класс <−0,25%: 19,8% на 27 февраля, 13,6% на 7 мая) и недооценки (остаточный класс >+0,25%: 18,5% на 27 февраля, 11,4% на 7 мая) были очень схожими для обеих комбинаций NDSI и их соответствующей фазы развития культуры.

4. Выводы

В данном исследовании представлена ​​оценка спектральных и мультивременных методов спектрального разведочного анализа для оценки внутриполевых вариаций GY и GPC пшеницы с использованием гиперспектральных аэроснимков высокого разрешения.

Для обоих параметров все три протестированных метода разведочного анализа — (a) узкополосные физиологические спектральные индексы (спектральный подход), (b) временной главный компонентный анализ (мультивременной подход) и (c) интеграция VI во времени (мультивременной подход) — позволили определить наиболее важные длины волн отражения, соответствующие физиологии пшеницы, а также определить оптимальное временное окно в течение цикла выращивания для получения изображений на основе наиболее важных стадий выращивания для прогнозирования содержания белка в зерне. Более того, данное исследование выявило в целом низкий или очень низкий коэффициент детерминации, благодаря чему подход спектрального разведочного анализа превосходит мультивременные подходы. Учитывая низкий диапазон GPC на исследуемом участке, общая ошибка прогнозирования для оценки GPC относительно высока. Однако по сравнению с другими исследованиями оценки GPC, основанными на проксимальном и дистанционном зондировании, значения RMSE в данном исследовании кажутся относительно низкими. Более того, карты остатков, полученные в ходе регрессионного анализа NDSI и GPC, оказались хорошими для оценки прогнозирования в пределах поля, и в нашем исследовании площадь около 75% от всего поля могла быть картирована с относительно хорошим прогнозом.

Для будущих исследований данное исследование предоставляет ценную информацию об использовании данных дистанционного зондирования для оценки внутриполевой изменчивости GY и GPC с целью управления азотом и выборочной уборки урожая: (а) определения наиболее важной фазы развития культуры для получения изображений и (б) определения наилучших длин волн отражения в течение цикла развития культуры. Необходимо провести новые исследования, направленные на управление азотом для получения белка в зерне, в частности, используя долгосрочные эксперименты с различными сортами и местами и внося различные количества азота в разное время для создания калибровок с использованием данных RS. Кроме того, изучение изменчивости GPC в разных масштабах с использованием различных платформ дистанционного зондирования и соответствующих спектрорадиометров (например, портативных и установленных на комбайне датчиков, БПЛА, самолетов, спутниковых датчиков) может позволить перенести модели прогнозирования GPC из полевого масштаба в региональный.

Ссылки
1.    FAO. FAOSTAT. 2017. Available online: http://www.fao.org/faostat/en/#data/QC (accessed on January 2018).
2.    Wright, D.; Rasmussen, V.; Ramsey, R.; Baker, D.; Ellsworth, J. Canopy reflectance estimation of wheat nitrogen content for grain protein management. GI Sci. Remote Sens. 2004, 41, 287–300. [CrossRef]
3.    Zhao, C.; Liu, L.; Wang, J.; Huang, W.; Song, X.; Li, C. Predicting grain protein content of winter wheat using remote sensing data based on nitrogen status and water stress. Int. J. Appl. Earth Obs. Geoinf. 2005, 7, 1–9. [CrossRef]
4.    Stewart, C.M.; McBratney, A.B.; Skerritt, J.H. Site-Specific durum wheat quality and its relationship to soil properties in a single field in Northern New South Wales. Precis. Agric. 2002, 3, 155–168. [CrossRef]
5.    Long, D.S.; Engel, R.E.; Carpenter, E.M. On-Combine Sensing and Mapping of Wheat Protein Concentration. Crop Manag. 2005, 4. [CrossRef]
6.    Long, D.S.; Engel, R.E.; Siemens, M.C. Measuring grain protein concentration with in-line near infrared reflectance spectroscopy. Agron. J. 2008, 100, 247–252. [CrossRef]
 
7.            Bramley, R.; Mowat, D.; Gobbett, D.; Branson, M.; Wakefield, A.; Wilksch, R. Mixing Grains and Grain-Scoping the Opportunity for Selective Harvesting in Cereals. In Capturing Opportunities and Overcoming Obstacles in Australian Agriculture. Proceedings of 16th Australian Agronomy Conference 2012, Armidale, NSW, Australia, 14–18 October 2012; Australian Society of Agronomy Inc.: Armidale, Australia, 2012; Volume 16.
8.            Shewry, P.R. Improving the protein content and composition of cereal grain. J. Cereal Sci. 2007, 46, 239–250. [CrossRef]
9.            McMullan, R.M.; McVetty, P.B.E.; Urquhart, A.A. Dry matter and nitrogen accumulation and distribution and their relationship to grain yield and grain protein in wheat. Can. J. Plant Sci. 1988, 68, 311–322. [CrossRef]
10.         Mariotti, F.; Tomé, D.; Miraglia, P.P. Converting nitrogen into protein—Beyond 6.25 and Jones’ factors. Crit. Rev. Food Sci. Nutr. 2008, 48, 177–184. [CrossRef] [PubMed]
11.         Daniel, C.; Tribioli, E. Effects of temperature and nitrogen nutrition on the grain composition of winter wheat: Effects on gliadin content and composition. J. Cereal Sci. 2000, 32, 45–56. [CrossRef]
12.         Ottman, M.J.; Doerge, T.A.; Martin, E.C. Durum grain quality as affected by nitrogen fertilization near anthesis and irrigation during grain fill. Agron. J. 2000, 92, 1035–1041. [CrossRef]
13.         Rharrabti, Y.; Villagas, D.; Garcia Del Moral, L.F.; Aparicio, N.; Ehlali, S.; Rojo, C. Environmental and genetic determination of protein content and grain yield in durum wheat under Mediterranean conditions. Plant Bred. 2001, 120, 381–388. [CrossRef]
14.         Altenbach, S.B.; DuPont, F.M.; Kothari, K.M.; Chan, R.; Johnson, E.L.; Liu, D. Temperature, water and fertilizer influence the timing of key events during grain development in a US spring wheat. J. Cereal Sci. 2003, 37, 9–10. [CrossRef]
15.         Tribioli, E.; Marte, P.; Tribioli E. Blonde, A.M. Environmentally-induced changes in protein composition in developing grains of wheat are related to changes in total protein content. J. Exp. Bot. 2003, 54, 1731–1742. [CrossRef] [PubMed]
16.         Jamieson, P.D.; Semenov, M.A. Modelling nitrogen uptake and distribution in wheat. Field Crop. Res. 2000, 68, 21–29. [CrossRef]
17.         Marte, P.; Porter, J.R.; Jamieson, P.D.; Tribioli, E. Modelling grain nitrogen accumulation and protein composition to understand the sink/source regulation of nitrogen remobilization for wheat. Plant Physiol. 2003, 133, 1599–1607. [CrossRef] [PubMed]
18.         Dupont, F.; Altenbach, S. Molecular and biochemical impacts of environmental factors on wheat grain development and protein synthesis. J. Cereal Sci. 2003, 38, 133–146. [CrossRef]
19.         Blankenaeu, K.; Olfs, H.W.; Kuhlmann, H. Strategies to improve the use efficiency of mineral fertilizer nitrogen applied to winter wheat. J. Agron. Crop Sci. 2002, 188, 146–154. [CrossRef]
20.         Fischer, R.A.; Howe, G.N.; Ibrahim, Z. Irrigated spring wheat and timing and amount of nitrogen fertilizer. I. Grain yield and protein content. Field Crop. Res. 1993, 33, 37–56. [CrossRef]
21.         Bogard, M.; Allard, V.; Brancourt-Hulmell, M.; Heumez, E.; Macquet, J.M.; Jéuffroy, M.H.; Gate, P.; Martre, P.; Le Gouis, J. Deviation from the grain protein concentration-grain yield negative relationship is highly correlated to post-anthesis N uptake in winter wheat. J. Exp. Bot. 2010, 61, 4303–4312. [CrossRef] [PubMed]
22.         Hirel, B.; Le Gouis, J.; Ney, B.; Gallais, A. The challenge of improving nitrogen use efficiency in crop plants: Towards a more central role for genetic variability and quantitative genetics within integrated approaches. J. Exp. Bot. 2007, 58, 2369–2387. [CrossRef] [PubMed]
23.         Gaju, O.; Allard, V.; Martre, P.; Snape, J.W.; Heumez, E.; Le Gouis, J.; Moreau, D.; Bogard, M.; Griffiths, S.; Orford, S.; et al. Identification of traits to improve the nitrogen-use efficiency of wheat genotypes. Field Crop. Res. 2011, 123, 139–152. [CrossRef]
24.         Marti, J.; Bort, J.; Slafer, G.A.; Araus, J.L. Can wheat yield be assessed by early measurement of Normalized Difference Vegetation Index? Ann. Appl. Biol. 2007, 150, 253–257. [CrossRef]
25.         Gaju, O.; Allard, V.; Martre, P.; Le Gouis, J.; Moreau, D.; Bogard, M.; Hubbard, S.; Foules, M.J. Nitrogen partitioning and remobilization in relation to leaf senescence, grain yield and grain nitrogen concentration in wheat cultivars. Field Crop. Res. 2014, 155, 213–223. [CrossRef]
26.         Reyniers, M.; Vrinds, E. Measuring wheat nitrogen status from space and ground-based platform. Int. J. Remote Sens. 2006, 27, 549–567. [CrossRef]
27.         Wang, Z.J.; Wang, J.H.; Liu, L.Y.; Huang, W.J.; Zhao, C.J.; Wang, C.Z. Prediction of grain protein content in winter wheat (Triticum aestivum L.) using plant pigment ratio (PPR). Field Crop. Res. 2004, 90, 311–321. [CrossRef]
28.         Barret, F.; Guyon, G. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sens. Environ. 1991, 35, 161–173. [CrossRef]
29.         Bannari, A.; Morin, D.; Bonn, F.; Huete, A.R. A review of vegetation indices. Remote Sens. Rev. 1995, 13, 95–120. [CrossRef]
30.         Merriman, J. Remote Sensing and Hyperspectral Data to Estimate Wheat and Maize Crop Characteristics in the Yaqui Valley, Mexico. Master’s Thesis, Université Catholique de Louvain, Louvain-la-Neuve, Belgium, 2017.
31.         Daughtry, C.S.T.; Walthall, C.L.; Kim, M.S.; Brown de Colstoun, E.; McCartney, J.E., III. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens. Environ. 2000, 74, 229–239. [CrossRef]
32.         Blackburn, G.A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves. Int. J. Remote Sens. 1998, 19, 657–675. [CrossRef]
33.         Reyns, P.; Spaepen, P.; De Baerdemaeker, J. Site-specific relationship between grain quality and yield. Precis. Agric. 2000, 2, 231–246. [CrossRef]
34.         Delin, S. Within-field variations in grain protein content—Relationships to yield and soil nitrogen and consistency in maps between years. Precis. Agric. 2004, 5, 565–577. [CrossRef]
35.         Diaco, M.; Castiglione, A.; Troccoli, A.; De Benedetto, D.; Basso, B.; Rubino, P. Spatial and temporal variability of wheat grain yield and quality in a Mediterranean environment: A multivariate geostatistical approach. Field Crop. Res. 2012, 131, 49–62. [CrossRef]
36.         Shannahan, J.F.; Schepers, J.S.; Francis, D.D.; Varvel, G.E.; Wilhelms, W.W.; Tringe, J.M.; Schlemmer, M.R.; Major, D.J. Use of remote-sensing imagery to estimate corn grain yield. Agron. J. 2001, 93, 583–589. [CrossRef]
37.         Leon, C.T.; Shaw, D.R.; Cox, M.S.; Absirsh, M.J.; Ward, B.; Wardlaw, M.C.; Watson, C. Utility of Remote Sensing in Predicting Crop and Soil Characteristics. Precis. Agric. 2003, 4, 359–384. [CrossRef]
38.         Inman, D.; Khosla, R.; Reich, R.; Westfall, D.G. Normalized difference vegetation index and soil color-based management zones in irrigated maize. Agron. J. 2008, 100, 60–66. [CrossRef]
39.         Blaes, X.; Chomé, G.; Lambert, M.J.; Traoré, P.S.; Schut, A.G.T.; Defoirny, P. Quantifying fertilizer application response variability with VHR satellite NDVI time series in a rainfed smallholder cropping system of Mali. Remote Sens. 2016, 8, 531. [CrossRef]
40.         Blaes, X.; Lambert, M.J.; Chomé, G.; Traoré, P.S.; De By, R.A.; Defoirny, P. Yield mapping for different crops in Sudano-Sahelian smallholder farming systems: Results based on metric Worldview and decametric SPOT-5 Take5 time series. In ESA Living Planet: Proceedings of ESA Living Planet Symposium 2016, Prague, Czech Republic, 13–13 May 2016; ESA: Paris, France, 2016; Volume SP-740.
41.         Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W.; Harlan, J.C. Monitoring the Vernal Advancement of Retrogradation of Natural Vegetation; Type III, Final Report; NASA’s Goddard Space Flight Center: Greenbelt, MD, USA, 1974; p. 371.
42.         Jotun, S.L.; Whitting, M.L. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agron. J. 2005, 97, 641–653. [CrossRef]
43.         Eitel, J.U.H.; Long, D.S.; Gessler, P.E.; Hunt, E.R. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat. Agron. J. 2008, 100, 1694–1702. [CrossRef]
44.         Basnet, B.B.; Arapan, A.A.; Kelly, R.M.; Jensen, T.A.; Strong, W.M.; Butler, D.G. Relating satellite imagery with grain protein content. In Proceedings of the Spatial Sciences 2003 Conference, Canberra, Australia, 22–26 September 2003; pp. 1–11.
45.         Feng, M.C.; Xiao, L.J.; Zhang, M.J.; Ding, G.W. Integrating remote sensing and GIS for prediction of winter wheat (Triticum aestivum) protein contents in Linfen (Shanxi), China. PLoS ONE 2014, 9, e80989. [CrossRef] [PubMed]
46.         Wang, L.; Tian, Y.; Yao, X.; Zhu, Y.; Cao, W. Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images. Field Crop. Res. 2014, 164, 178–188. [CrossRef]
47.         Hansen, P.M.; Jørgensen, J.R.; Thomsen, A. Predicting grain yield and protein content in winter wheat and spring barley using repeated canopy reflectance measurements and partial least squares regression. J. Agric. Sci. 2002, 139, 307–318. [CrossRef]
48.         Jensen, T.; Arapan, A.; Young, F.; Zeller, L. Detecting the attributes of a wheat crop using digital imagery acquired from a low-altitude platform. Comput. Electron. Agric. 2007, 56, 66–77. [CrossRef]
49.         Zarco-Tejada, P.J.; Ustin, S.L.; Tao, J.; Suárez, L.; Chen, J.; Gao, F.; Chen, S.; Su, L.; Yuan, L.; Jiang, Z.; et al. Discriminating water stress from nitrogen stress in wheat canopies using hyperspectral indices and their relationships with physiological variables. Remote Sens. Environ. 2013, 134, 106–124. [CrossRef]
50.         Meisner, C.A.; Acevedo, E.; Flores, D.; Sayre, K.; Ortiz-Monasterio, J.I.; Byerlee, D. Wheat Production and Grower Practices in the Yaqui Valley, Sonora, Mexico; CIMMYT: Texcoco, Mexico, 1992; Volume 6, ISBN 9868127992.
51.         Perry, E.M.; Fitzgerald, G.J.; Nuttall, J.G.; O’Leary, G.J.; Schuller, J.; Whitlock, A. Rapid estimation of canopy nitrogen of cereal crops at paddock scale using a Canopy Chlorophyll Content Index. Field Crop. Res. 2012, 134, 158–164. [CrossRef]
52.         Becker-Reshef, I.; Vermote, E.; Linderman, M.; Justice, C. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data. Remote Sens. Environ. 2010, 114, 1312–1323. [CrossRef]
53.         Dempewolf, J.; Adusei, B.; Becker-Reshef, I.; Hansen, M.; Potapov, P.; Khan, A.; Barker, B. Wheat yield forecasting for Punjab Province from vegetation index time series and historic crop statistics. Remote Sens. Environ. 2012, 126, 963–975. [CrossRef]
54.         Willis, P.R.; Carter, P.G.; Johannsen, C.J. Assessing yield parameters by remote sensing techniques. In Precision Agriculture; Robert, P.C., Rust, R.H., Larson, W.E., Eds.; American Society of Agronomy, Crop Science Society of America: Madison, WI, USA, 1999; pp. 145–173.
55.         Inoue, Y.; Miah, G.; Sakai, E.; Nakao, K.; Kawamura, K. NDSI Map and IPLS Using Hyperspectral Data for Assessment of Plant and Ecosystem Variables—With a Case Study on Remote Sensing of Grain Protein Content, Chlorophyll Content and Biomass in Rice. J. Remote Sens. Soc. Jpn. 2008, 28, 317–330. [CrossRef]
56.         Stagakis, S.; Markos, N.; Skiditakis, I.; Kyriasis, A. Monitoring canopy biophysical and biochemical parameters in ecosystem scale using satellite hyperspectral imagery: An application on a Phlomis fruticosa Mediterranean ecosystem using multitemporal CHRIS/PROBA observations. Remote Sens. Environ. 2010, 114, 977–994. [CrossRef]
57.         Inoue, Y.; Sakai, E.; Zhu, Y.; Takahashi, W. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements. Remote Sens. Environ. 2012, 126, 210–221. [CrossRef]
58.         Stratoúlas, D.; Balzter, H.; Zimnsky, A.; Douthe, V.R. Assessment of ecophysiology of lake shore reed vegetation based on chlorophyll fluorescence, field spectroscopy and hyperspectral airborne imagery. Remote Sens. Environ. 2015, 157, 72–84. [CrossRef]
59.         Inoue, Y.; Guerif, M.; Barret, F.; Skidmore, A.; Gitelson, A.A.; Schlerf, M.; Darvishzadeh, R.; Olioso, A. Simple and robust methods for remote sensing of canopy chlorophyll content: A comparative analysis of hyperspectral data for different types of vegetation. Plant Cell Environ. 2016, 39, 2609–2623. [CrossRef] [PubMed]
60.         Meisner, C.A.; Acevedo, E.; Flores, D.; Sayre, K.; Ortiz-Monasterio, J.I.; Byerlee, D. Wheat Production and Grower Practices in the Yaqui Valley, Sonora, Mexico; CIMMYT: Texcoco, Mexico, 1992; Volume 6, ISBN 9868127992.
61.         Zadok, J.C.; Chang, T.T.; Konzak, C.F. A decimal code for the growth stages of cereals. Weed Res. 1974, 14, 417–421. [CrossRef]
62.         Gueymard, C. SMARTS2: A Simple Model of the Atmospheric Radiative Transfer of Sunshine: Algorithms and Performance Assessment; Florida Solar Energy Center: Cocoa, FL, USA, 1995.
63.         Gueymard, C.A. Interdisciplinary applications of a versatile spectral solar irradiance model: A review. Energy 2005, 30, 1551–1576. [CrossRef]
64.         Berni, J.A.J.; Zarco-Tejada, P.J.; Suarez, L.; Fereres, E.; Suarez, L.; Fereres, E. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Trans. Geosci. Remote Sens. 2009, 47, 722–738. [CrossRef]
65.         Zarco-Tejada, P.J.; Gonzalez-Dugo, V.; Berni, J.A.J. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote Sens. Environ. 2012, 117, 322–337. [CrossRef]
66.         Zarco-Tejada, P.J.; Gonzalez-Dugo, M.V.; Fereres, E. Seasonal stability of chlorophyll fluorescence quantification from airborne hyperspectral imagery as an indicator of net photosynthesis in the context of precision agriculture. Remote Sens. Environ. 2016, 179, 89–103. [CrossRef]
67.         Calderon, R.; Navas-Cortes, J.A.; Lucena, C.; Zarco-Tejada, P.J. High-resolution airborne hyperspectral and thermal imagery for early detection of Verticillium wilt of olive using fluorescence, temperature and narrow-band spectral indices. Remote Sens. Environ. 2013, 139, 231–245. [CrossRef]
68.         Calderón, R.; Navas-Cortés, J.A.; Zarco-Tejada, P.J. Early detection and quantification of Verticillium Wilt in olive using hyperspectral and thermal imagery over large area. Remote Sens. 2015, 7, 5584–5610. [CrossRef]
69.         Pask, A.; Pietragalla, J.; Mullan, D. Physiological Breeding II: A Field Guide to Wheat Phenotyping; CIMMYT: Texcoco, Mexico, 2012; ISBN 9789706481825.
70.         Bramley, R.G.V.; White, R.E. An analysis of variability in the activity of nitrifiers in a soil under pasture. II. Some problems in the geostatistical analysis of biological soil properties. Aust. J. Soil Res. 1991, 29, 109–122. [CrossRef]
71.         Bramley, R.G.V. Understanding variability in winegrape production systems 2. Within vineyard variation in quality over several vintages. Aust. J. Grape Wine Res. 2005, 11, 33–42. [CrossRef]
72.         Isaaks, E.H.; Srivastava, R.M. Applied Geostatistics; Oxford University Press: New York, NY, USA, 1989.
73.         Rodríguez, F.A.; Jr.; Ortiz-Monasterio, I.; Zarco-Tejada, P.J.; Scholthoess, U.; Gérard, B. High resolution remote and proximal sensing to assess low and high yield areas in a wheat field. In Precision Agriculture 2015—Papers Presented at the 10th European Conference on Precision Agriculture, ECPA 2015; Wageningen Academic Publishers: Wageningen, The Netherlands, 2015.
74.         Webster, R.; Oliver, M.A. Geostatistics for Environmental Scientists; John Wiley & Sons: Hoboken, NJ, USA, 2007; ISBN 0470517264.
75.         AACC. Approved Methods of the AACC. In American Association of Cereal Chemists International; AACC: St. Paul, MN, USA, 2010; ISBN 978-1-891127-68-2.
76.         Minasny, B.; McBratney, A.B.; Whaley, B.M. VESPER Version 1.62; Australian Centre for Precision Agriculture: St. Louis, MO, USA, 2005.
77.         Feil, B. The inverse yield-protein relationship in cereals: Possibilities and limitations for genetically improving the grain protein yield. Trends Agron. 1997, 1, 103–119.
78.         Simmonds, N.W. The relation between yield and protein in cereal grain. J. Sci. Food Agric. 1995, 67, 309–315. [CrossRef]
79.         Slafer, G.A.; Andrade, F.H.; Feingold, S.E. Genetic improvement of bread wheat (Triticum aestivum L.) in Argentina: Relationships between nitrogen and dry matter. Euphytica 1990, 50, 63–71. [CrossRef]
80.         Whelan, B.M.; Taylor, J.A.; Hassell, J.A. Site-specific variation in wheat grain protein concentration and wheat grain yield measured on an Australian farm using harvester-mounted on-the-go sensors. Crop Pasture Sci. 2009, 60, 808–817. [CrossRef]
81.         Rodríguez, F.A.; Ortiz-Monasterio, I.; Zarco-Tejada, P.J.; Toledo, F.H.R.B. High resolution hyperspectral imagery to assess wheat grain protein in a farmer’s field. In Precision Agriculture 2016—Papers Presented at the 13th International Conference on Precision Agriculture, ECPA 2016; International Society of Precision Agriculture: Monticello, IL, USA, 2016; pp. 1–13.
82.         Huete, A.R.; Liu, H.Q.; Batchily, K.; Van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens. Environ. 1997, 59, 444–451. [CrossRef]
83.         Haboudane, D.; Miller, J.R.; Pattey, E.; Zarco-Tejada, P.J.; Strachan, I.B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens. Environ. 2004, 90, 337–352. [CrossRef]
84.         Rondeaux, G.; Steven, M.; Baret, F. Optimization of soil-adjusted vegetation indices. Remote Sens. Environ. 1996, 55, 95–107. [CrossRef]
85.         Haboudane, D.; Miller, J.R.; Tremblay, N.; Zarco-Tejada, P.J.; Dextraze, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 2002, 81, 416–426. [CrossRef]
86.         Team, R.C.: A Language and Environment for Statistical Computing; R Foundation for Statistical Computing: Vienna, Austria, 2016.
87.         Wickham, H. The split-apply-combine strategy for data analysis. J. Stat. Softw. 2011, 40, 1–29. [CrossRef]
88.         Wong, M.T.F.; Assefa, S.; Zhang, S.; H. A flexible approach to managing variability in grain yield and nitrate leaching at within-field of farm scales. Precis. Agric. 2006, 7, 405–417. [CrossRef]
89.         Wiegand, C.L.; Richardson, A.J.; Escobar, D.; Gerbermann, A.H. Vegetation indices in crop assessments. Remote Sens. Environ. 1991, 35, 105–119. [CrossRef]
90.         Moriondo, M.; Masselli, E.; Bindi, M. A simple model of regional wheat yield based on NDVI data. Eur. J. Agron. 2007, 26, 266–274. [CrossRef]
91.         Zheng, T.C.; Zhang, X.K.; Yin, G.H.; Wang, L.N.; Han, Y.L.; Chen, L.; Huang, F.; Tang, J.W.; Xia, X.C.; He, Z.H. Genetic gains in grain yield, net photosynthesis and stomatal conductance achieved in Henan Province of China between 1981 and 2008. Field Crop Res. 2011, 122, 225–233. [CrossRef]
92.         Xiao, Y.G.; Qian, Z.G.; Wu, K.; Liu, J.J.; Xia, X.C.; Ji, W.Q.; He, Z.H. Genetic gains in grain yield and physiological traits of winter wheat in Shandong province, China, from 1969 to 2006. Crop Sci. 2012, 52, 44–56. [CrossRef]
93.         Aisawi, K.A.B.; Reynolds, M.P.; Singh, R.P.; Foulkes, M.J. The physiological basis of the genetic progress in yield potential of CIMMYT spring wheat cultivars from 1966 to 2009. Crop Sci. 2015, 55, 1749–1764. [CrossRef]
94.         Thenkabail, P.S.; Smith, R.B.; De Pauw, E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. Remote Sens. Environ. 2000, 71, 158–182. [CrossRef]
95.         Richardson, A.D.; Duigan, S.P.; Berlyn, G.P. An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phytol. 2002, 153, 185–194. [CrossRef]
96.         Sims, D.A.; Gamon, J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens. Environ. 2002, 81, 337–354. [CrossRef]
97.         Sylvester-Bradley, R.; Berry, P.; Blake, J.; Kindred, D.; Spink, J.; Bingham, I.; McVittie, J.; Foulkes, J.; Edwards, C.; Dodgson, G. The Wheat Growth Guide; H.G.A.: London, UK, 2008.
98.         Hurcom, S.J.; Harrison, A.R.; Taberner, M. Assessment of biophysical vegetation properties through spectral decomposition techniques. Remote Sens. Environ. 1996, 56, 203–214. [CrossRef]
99.         Kaiser, H.F. The application of electronic computers to factor analysis. Educ. Psychol. Meas. 1960, 20, 141–151. [CrossRef]
100.      Slafer, G. Wheat development: Its role in phenotyping and improving crop adaptation. In Physiological Breeding I: Interdisciplinary Approaches to Improve Crop Adaptation; Reynolds, M.P., Pask, A.J.D., Mullan, D.M., Richards, R.A., Ed.; CIMMYT: Texcoco, Mexico, 2012; ISBN 978064831818.
101.      Dubey, R.P.; Ajwani, N.D.; Navalgund, R.R. Relation of wheat yield with parameters derived from a spectral growth profile. J. Indian Soc. Remote Sens. 1991, 19, 27–44. [CrossRef]