Francelino A. Rodrigues Jr., Gerald Blasch, Pierre Defourny, J. Ivan Ortiz-Monasterio, Urs Schulthess, Pablo J. Zarco-Tejada, James A. Taylor, Bruno Gérard

Remote Sensing, 2018, 10(6), 930. DOI: 10.3390/rs10060930. Исходная публикация: 26 страниц. Русская версия — научный перевод-изложение с оригинальными иллюстрациями, основными таблицами и значениями; библиографические ссылки [n] сохранены по смыслу.

В работе оценена возможность использования авиационных гиперспектральных изображений высокого пространственного разрешения для определения внутриполевой изменчивости урожайности зерна (GY) и содержания белка в зерне (GPC) твёрдой пшеницы на двух коммерческих полях долины Яки на северо-западе Мексики. В течение вегетации с недельной либо двухнедельной периодичностью получено 10 мозаик в видимом и ближнем инфракрасном диапазоне 400–850 нм. Перед уборкой вручную отобраны 114 проб с географической привязкой. Исследованы узкополосные спектральные индексы нормализованной разности (NDSI) и отношений (RSI), рассчитанные для всех пар длин волн, а также два многовременных подхода: временной анализ главных компонент (tPCA) и интегрирование индексов растительности по времени через площадь под кривой (AUC). Для урожайности наилучшее R² составило 0,32 при использовании NDSI, а также EVI и OSAVI, интегрированных по времени. При прогнозировании белка во всех случаях R² ≤ 0,21, RMSE = 0,45–0,49 процентного пункта; лучшие узкополосные индексы включали сочетания 700/574 нм в начале сезона и 707/523 нм в конце сезона. По картам остатков регрессии авторы показали, что до 75% площади удавалось описать с абсолютным отклонением GPC в пределах 0,25 процентного пункта. Это демонстрирует потенциал метода при одновременном указании на ограничения точности его количественного прогноза.

Ключевые слова: узкополосные спектральные индексы; NDSI; пространственно-временная изменчивость; урожайность пшеницы; белок зерна; анализ главных компонент; временные ряды.

Урожайность зерна и содержание белка — два важных показателя производства пшеницы, причём белок определяет технологическое качество зерна. Оба показателя зависят от генотипа, обеспечения азотом и водой, температуры и агротехнического управления. Азот, накопленный до цветения, впоследствии перераспределяется из вегетативных органов в зерно, поэтому спектральные признаки зелёного покрова могут косвенно отражать его дальнейшее накопление и урожайность [11–27].

Индексы растительности объединяют отражательную способность на выбранных длинах волн и предназначены для уменьшения влияния фоновой почвы, геометрии наблюдения, освещения и атмосферы. Однако NDVI насыщается при высоком индексе листовой поверхности и чувствителен к побочным факторам. Узкополосная гиперспектральная съёмка позволяет не ограничиваться заранее заданными индексами, а систематически исследовать все пары спектральных каналов [28–59].

Цель работы — сравнить вклад спектральной информации и динамики спектра во времени в оценку пространственной изменчивости урожайности и белка на уровне реальных производственных полей, без искусственного создания широкого диапазона уровней азотного питания.

Исследование проведено в 2014 г. в долине Яки (штат Сонора, Мексика) на двух полях A и B площадью по 43 га, орошаемых по бороздам. Высевали твёрдую пшеницу сорта Cirno-C2008 в январе, убирали в конце мая. Климат полузасушливый, средние годовые осадки около 280 мм, среднесуточная температура — около 24 °C. Почвы преимущественно глинистые и аллювиальные.

Рисунок 1. Положение района исследования в Мексике; гиперспектральное изображение двух полей A и B в условных цветах CIR от 14 февраля и опорные точки наземной геопривязки.

Сбор урожая и отбор зерна проводили непосредственно перед уборкой: 100 точек в блоке B по регулярной и стратифицированной схемам и 14 точек в блоке A по карте кажущейся электропроводности почвы. На каждой площадке 2 м² растения срезали, обмолачивали, определяли урожайность; содержание белка и влаги в зерне анализировали лабораторным NIR-спектрометром. Результаты приведены к влажности 12,5%.

С 14 февраля до 7 мая осуществили 10 авиационных съёмок с недельной/двухнедельной периодичностью — от начала выхода в трубку (GS31) до твёрдой спелости зерна (GS92). Использовали линейный гиперспектральный сканер Headwall Micro-Hyperspec VNIR с диапазоном 400–850 нм и 250 спектральными каналами, установленный на пилотируемом самолёте на высоте около 1200 м. Размер пикселя на земле — примерно 1 м. Геопривязка выполнена с использованием RTK-GNSS, радиометрическая калибровка — по лабораторным эталонам, атмосферная коррекция — с моделью SMARTS и данными об аэрозольной оптической толщине.

Спектральные каналы укрупнили до полос шириной 7,5 нм, чтобы уменьшить шум. После исключения четырёх длин волн 751, 759, 766 и 773 нм, затронутых поглощением кислорода, для дальнейшего анализа оставили 58 каналов. Спектры извлекались усреднением окна 3 × 3 пикселя вокруг каждой из 114 точек.

Для каждого из 10 сроков определяли RSI(i,j) = Rᵢ/Rⱼ и NDSI(i,j) = (Rᵢ − Rⱼ)/(Rᵢ + Rⱼ), где Rᵢ и Rⱼ — отражательная способность на длинах волн i и j. Линейные регрессии между полученными индексами и урожайностью/белком позволили построить карты коэффициента детерминации R² для всех пар длин волн.

Первый многовременной подход — tPCA: для каждой длины волны анализировали значения отражения на всех десяти датах, а первые две главные компоненты сопоставляли с GY и GPC. Второй подход — площадь под временной кривой (AUC), рассчитанная методом трапеций для заранее выбранных индексов и временных интервалов. Для урожайности использованы EVI, MTVI2, NDVI, OSAVI; для белка — MCARI/OSAVI, PSNDc, PSSRc, TCARI. Проверяли как весь сезон, так и отдельные фенологические окна.

Средняя урожайность составляла 6,41 Мг/га (диапазон 4,66–8,02 Мг/га), среднее содержание белка — 12,32% (10,87–14,96%). При рассмотрении всей совокупности точек связь между GY и GPC была статистически незначимой (r = −0,09; p = 0,49), но локально в блоке B коэффициенты корреляции в перемещаемом окне 150 × 150 м изменялись от −0,76 до +0,61. Это показывает, что глобальный средний коэффициент не описывает локальную взаимосвязь величин.

Рисунок 2. Карты урожайности зерна (а) и содержания белка (б), полученные по наземным пробам; для блока B значения интерполированы блочным кригингом.

Рисунок 3. Спектральные профили участков с максимальными и минимальными значениями урожайности (а) и содержания белка (б) на разных стадиях развития.

Испытание всех сочетаний пар длин волн позволило оценить, как менялась информативность спектра в разные моменты сезона. Для урожайности наиболее результативными оказались NDSI с одним каналом в области 750–840 нм и вторым около 720–736 нм; максимальное значение R² составляло примерно 0,32. Сходное значение R² получено при интегрировании EVI и OSAVI по времени.

Рисунок 4. Карты R² между NDSI (для всех сочетаний длин волн) и урожайностью зерна по датам съёмки; высокие значения указывают на перспективные спектральные пары.

Прогноз содержания белка оказался менее выраженным: ни один рассмотренный подход не превысил R² = 0,21. Лучшие NDSI сформированы парой 700/574 нм на раннем этапе и 707/523 нм в конце сезона. Спектральный подбор отдельных дат немного превзошёл многовременные модели, но доказательная сила связи осталась слабой.

Рисунок 5. Карты R² между NDSI (для всех сочетаний длин волн) и содержанием белка в зерне по датам наблюдений.

Временной PCA применялся независимо для каждой спектральной длины волны. Структура объяснённой дисперсии зависела от канала и даты; вклад отдельных мозаик изменялся по спектру. Однако корреляции основных компонент с GY и GPC не продемонстрировали устойчивого превосходства над прямым выбором информативных спектральных индексов.

Рисунок 6. Доля дисперсии, объясняемая главными компонентами временного ряда для различных длин волн.

Рисунок 7. Вклад отдельных сроков съёмки в дисперсию первой главной компоненты для различных длин волн.

Рисунок 8. Сопоставление корреляций и информативности спектральных каналов в компонентах временного анализа относительно урожайности и содержания белка.

Метод AUC объединяет динамику индексов по нескольким срокам, снижая зависимость от единственного момента съёмки. Для оценки урожайности этот подход дал результаты, сопоставимые с подбором узкополосных каналов, особенно для индексов EVI и OSAVI. Для содержания белка улучшение было недостаточным: относительно низкая дисперсия GPC на производственных полях ограничивала возможную объясняющую способность регрессий.

Рисунок 9. Временные профили выбранных индексов растительности для точек с минимальными, медианными и максимальными значениями урожайности или содержания белка.

Рисунок 10. Регрессионные зависимости содержания белка от лучших предикторов, выбранных спектральным и многовременными подходами; представлены величины разброса и остатки.

Авторы сравнили картографирование GPC по наземным наблюдениям и регрессионные карты, построенные по раннему и позднему срокам съёмки. Карты остатков показали пространственную неоднородность ошибок. Для площади до 75% поля значения остатка попали в диапазон от −0,25 до +0,25 процентного пункта белка, хотя общий коэффициент детерминации оставался низким. Следовательно, локально небольшие ошибки не следует интерпретировать как высокую способность модели объяснить пространственную изменчивость в целом.

Рисунок 11. Сравнение измеренной карты содержания белка (а) и карт, оценённых по выбранным спектральным индексам раннего и позднего периода, вместе с пространственным распределением ошибок.

Гиперспектральные данные с повторными съёмками позволяют выделять пространственно неоднородные зоны пшеничного поля, потенциально полезные для дифференцированного управления посевами и планирования отбора проб. Для урожайности лучшие модели характеризовались умеренной результативностью (R² ≈ 0,32); для белка получены небольшие абсолютные ошибки, но слабая доля объяснённой вариации (R² ≤ 0,21). В подобных производственных условиях подбор подходящей спектральной пары и момента съёмки может быть не менее полезным, чем интеграция полного временного ряда.

Практическое применение требует локальной калибровки по лабораторным данным, учёта спектральной и геометрической калибровки, условий освещения и стадий развития культуры. Полученные регрессии нельзя без дополнительной проверки переносить на другие сорта, почвы, уровни азотного питания и сезоны.

Это научный перевод-изложение основных разделов исследования, а не полный построчный перевод 26 страниц. Оригинальные графики и карты размещены рядом с относящимся к ним текстом; подписи переведены и местами сокращены. Полные таблицы индексов, расчётов и список литературы доступны в исходной статье по DOI: 10.3390/rs10060930. Значения численных показателей приведены согласно оригиналу.