Оставить заявку
Для заказа и получения более подробной информации оставьте заявку, наш менеджер свяжется с Вами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Применение гиперспектральных камер: диагностика состава, точные решения для науки
Гиперспектральная съёмка фиксирует не только цвет и форму, а уникальную спектральную подпись каждого материала в сотнях узких каналов. Это позволяет видеть скрытое: химический состав, физиологию растений, загрязнения, структуру веществ. Технология меняет отрасли — от точного земледелия и геологоразведки до биомедицины и промышленного контроля.
Интеллектуальное управление лесными ресурсами на основе спектральных данных
Управление лесным хозяйством с помощью гиперспектральной съемки: от инвентаризации к стратегическим решениям
Традиционные методы — ручная таксация и лабораторные анализы — трудоёмки, затратны и не всегда обеспечивают актуальность данных. Гиперспектральная съёмка позволяет получать детальную информацию о биохимическом и структурном составе насаждений одновременно в пространственном и спектральном измерениях, создавая прочную основу для принятия решений и адаптации стратегий управления лесным фондом.
Сравнение технологий съёмки для мониторинга леса
Технология
Количество спектральных каналов
Возможности для лесного хозяйства
Съёмка в естественном цвете (RGB)
3 канала
Визуальный контроль, определение пород по цвету и форме, фиксация видимых повреждений
Примеры оборудования: Цифровые камеры, БПЛА с бытовыми камерами
Примеры оборудования: Цифровые камеры, БПЛА с бытовыми камерами
Мультиспектральная съёмка
5–15 каналов
Расчёт вегетационных индексов (NDVI), оценка общего состояния, выделение основных типов растительности
Примеры оборудования: Мультиспектральные камеры для БПЛА и спутниковая съемка
Примеры оборудования: Мультиспектральные камеры для БПЛА и спутниковая съемка
Возможности гиперспектрального анализа
Что даёт гиперспектральный анализ для управления лесами
Обнаружение скрытых угроз
Выявление очагов болезней и вредителей за недели и месяцы до появления визуальных признаков
Точная инвентаризация
Определение породного состава с точностью до вида, оценка возраста и запасов древесины
Мониторинг охраны
Контроль незаконных рубок, изменений границ, соблюдения режима ООПТ
Цифровизация данных
Интеграция результатов в ГИС и лесоустроительные базы для долгосрочного планирования
Опыт внедрения и практические результаты
Гиперспектральная съемка помогает определить местоположение и распределение различных видов деревьев в ландшафте, показывая ценную информацию для управления деревьями и лесами. Например, гиперспектральные изображения с использованием инновационных методов машинного обучения могут быть использованы для классификации доминирующих видов деревьев в смешанном лесу.
Окончательная классификация аэрофотоснимков Пустоши 1 (слева) и Пустоши 2 (справа).
Окончательная классификация аэрофотоснимков Пустоши 1 (слева) и Пустоши 2 (справа).
Гиперспектральные изображения, полученные с воздуха, позволяют оценить поражения ясеня (Hymenoscyphus fraxineus) отдельных деревьев ясеня в условиях живой изгороди. Отдельные кроны деревьев выделялись из живой изгороди с точностью 89%. Индексы узкополосной растительности, рассчитанные на основе гиперспектральных изображений, были применены для классификации наличия отмирания с общей точностью 87%.
Пример анализа поражения ясеня вдоль линий электропередач с использованием воздушных гиперспектральных снимков для определения местоположения отдельных деревьев, а также их вида, высоты и состояния. Все эти данные могут быть объединены для создания окончательной карты риска.
Пример анализа поражения ясеня вдоль линий электропередач с использованием воздушных гиперспектральных снимков для определения местоположения отдельных деревьев, а также их вида, высоты и состояния. Все эти данные могут быть объединены для создания окончательной карты риска.
Усовершенствованные гиперспектральные камеры облегчают сбор данных с высоким разрешением, что позволяет определять отдельные кроны деревьев на больших площадях. Воспользовавшись этим значительным преимуществом, на основе гиперспектральных данных в масштабе кроны отдельных деревьев, можно получить конкретные показатели для управления и мониторинга лесной среды.
Метод гиперспектральной визуализации способен одновременно визуализировать локализацию и биохимическую информацию леса. Таким образом, она обеспечивает прочную основу для принятия решений на основе данных или разработки стратегий управления в лесном секторе.
Карта деревьев с указанием высоты деревьев на участке заповедника The Lodge RSPB
Метод гиперспектральной визуализации способен одновременно визуализировать локализацию и биохимическую информацию леса. Таким образом, она обеспечивает прочную основу для принятия решений на основе данных или разработки стратегий управления в лесном секторе.
Карта деревьев с указанием высоты деревьев на участке заповедника The Lodge RSPB
Технология точного земледелия для устойчивого роста урожайности
Гиперспектральные камеры в сельском хозяйстве: видеть невидимое, управлять эффективно
Засуха, сокращение пахотных земель, экологические ограничения — современные фермеры и агрономы ищут разумные способы повышения урожайности и эффективности производства. Всё больше хозяйств обращаются к технологиям точного земледелия, и гиперспектральная съёмка становится одним из ключевых инструментов такого подхода. Ценность технологии основана на простом принципе: тонкие различия в состоянии растений и почвы, незаметные невооружённому глазу, проявляются как разные спектральные характеристики, которые фиксирует гиперспектральная камера.
Что позволяет обнаруживать гиперспектральная съёмка
Проблема
Как проявляется в спектре
Возможность для агронома
Ранние симптомы болезней
Изменение спектральной кривой до визуального увядания
Локализация очагов и точечная обработка фунгицидами
Водный стресс
Снижение индексов влажности, изменение в ближнем ИК-диапазоне
Дифференцированный полив, экономия воды
Качество почвы
Спектральные сигнатуры гумуса, влажности, засоления
Оптимизация внесения удобрений, выбор культур
Дефицит элементов питания
Изменение хлорофилльных индексов, азотных сигнатур
Адресная корректировка подкормок
Засорение сорняками
Различение спектров культур и сорной растительности
Точечное применение гербицидов
Возможности гиперспектрального анализа
Практическая ценность для сельхозпроизводителя
Экономия ресурсов
Удобрения, вода и пестициды вносятся только туда, где они действительно нужны
Повышение урожайности
Своевременное выявление проблем позволяет предотвратить потери
Качество продукции
Контроль состояния культур на всех этапах вегетации
Документирование
Объективные данные для отчётности и сертификации
Опыт внедрения и практические результаты
В статье, опубликованной группой международных учёных, исследуется возможность раннего выявления вируса мраморности листьев винограда (GVCV) с помощью гиперспектральной съёмки и методов глубокого обучения. GVCV — это новый ДНК-вирус, представляющий серьёзную угрозу для виноградников, особенно в США. Традиционные методы диагностики, такие как визуальный осмотр или ПЦР-тесты, требуют много времени и не подходят для оперативного мониторинга больших площадей. В ходе эксперимента на тестовом участке в Миссури учёные с помощью гиперспектральной камеры SPECIM IQ (диапазон 400–1000 нм) получали изображения здоровых и заражённых растений винограда на разных стадиях развития, чтобы найти спектральные различия ещё до появления видимых симптомов болезни.
Основные выводы
Исследование подтвердило, что гиперспектральная съёмка позволяет обнаруживать заражение GVCV на ранних, бессимптомных стадиях. Анализ спектров отражения выявил ключевые диапазоны для диагностики: через 30 дней после посева наиболее информативной была ближняя инфракрасная область (900–940 нм), а через 90 дней — весь видимый диапазон (400–700 нм). Наибольшую значимость для классификации показали индексы, связанные с пигментацией, старением и водным стрессом растений (NPQI, FRI1, PSRI). Среди методов машинного обучения лучшие результаты продемонстрировал классификатор Random Forest, а применение трёхмерных свёрточных нейросетей (3D-CNN) для анализа гиперспектральных «кубов» оказалось эффективным даже при ограниченном количестве образцов.
Читать исследование полностью
Основные выводы
Исследование подтвердило, что гиперспектральная съёмка позволяет обнаруживать заражение GVCV на ранних, бессимптомных стадиях. Анализ спектров отражения выявил ключевые диапазоны для диагностики: через 30 дней после посева наиболее информативной была ближняя инфракрасная область (900–940 нм), а через 90 дней — весь видимый диапазон (400–700 нм). Наибольшую значимость для классификации показали индексы, связанные с пигментацией, старением и водным стрессом растений (NPQI, FRI1, PSRI). Среди методов машинного обучения лучшие результаты продемонстрировал классификатор Random Forest, а применение трёхмерных свёрточных нейросетей (3D-CNN) для анализа гиперспектральных «кубов» оказалось эффективным даже при ограниченном количестве образцов.
Читать исследование полностью
В статье представлено исследование, направленное на оценку возможности использования гиперспектральной аэрофотосъёмки для мониторинга и прогнозирования ключевых показателей качества твёрдой пшеницы — урожайности зерна (GY) и содержания белка в зерне (GPC). Работа проводилась на двух опытных полях в Мексике (общей площадью 43 га) с использованием регулярной еженедельной съёмки в диапазоне 400–850 нм на протяжении всего цикла роста культуры. Учёные применили комплекс методов анализа, включая спектральные индексы (NDSI, RSI), временной анализ главных компонент (tPCA) и оценку интегральных показателей (AUC), чтобы сопоставить динамику спектральных сигнатур растений с данными лабораторного анализа зерна, полученными перед уборкой урожая.
Основные выводы
Исследование подтвердило высокий потенциал гиперспектральной съёмки для прогнозирования урожайности пшеницы (GY). Наиболее информативной для этого оказалась комбинация данных в ближнем инфракрасном диапазоне (750–840 нм) и красной области спектра (720–736 нм). В то же время, прогнозирование содержания белка в зерне (GPC) оказалось более сложной задачей из-за высокой естественной вариабельности этого показателя, и результаты корреляции были скромнее (R² ≤ 0,21). Применение методов многовременного анализа (tPCA, AUC) позволило определить оптимальные периоды съёмки (активный рост и цветение) для получения наиболее точных прогнозов и подтвердило преимущество комплексной оценки данных за длительный период. Исследование демонстрирует, что гиперспектральные технологии могут служить эффективным инструментом поддержки принятия решений в точном земледелии, помогая выделять зоны с разной продуктивностью и оптимизировать управление ресурсами, хотя для надёжного прогноза содержания белка требуются дальнейшие разработки с учётом региональных особенностей.
Читать исследование полностью
Основные выводы
Исследование подтвердило высокий потенциал гиперспектральной съёмки для прогнозирования урожайности пшеницы (GY). Наиболее информативной для этого оказалась комбинация данных в ближнем инфракрасном диапазоне (750–840 нм) и красной области спектра (720–736 нм). В то же время, прогнозирование содержания белка в зерне (GPC) оказалось более сложной задачей из-за высокой естественной вариабельности этого показателя, и результаты корреляции были скромнее (R² ≤ 0,21). Применение методов многовременного анализа (tPCA, AUC) позволило определить оптимальные периоды съёмки (активный рост и цветение) для получения наиболее точных прогнозов и подтвердило преимущество комплексной оценки данных за длительный период. Исследование демонстрирует, что гиперспектральные технологии могут служить эффективным инструментом поддержки принятия решений в точном земледелии, помогая выделять зоны с разной продуктивностью и оптимизировать управление ресурсами, хотя для надёжного прогноза содержания белка требуются дальнейшие разработки с учётом региональных особенностей.
Читать исследование полностью
В статье представлена новая методология, разработанная для точного определения видов растений и их сортов на основе гиперспектральных данных. Исследователи предложили использовать комбинацию последовательных алгоритмов предварительной спектральной обработки (SPPA), применяемых в несколько шагов (k-шагов). Это позволяет значительно усилить различия в спектральных сигнатурах, которые могут быть незаметны при использовании какого-то одного метода обработки. Для поиска оптимальной последовательности таких алгоритмов был применён генетический алгоритм. Эффективность метода проверялась на 9 сортах вики и 9 сортах чечевицы, причём измерения проводились на разных стадиях вегетации, чтобы учесть изменчивость спектров во времени.
Основные выводы
Исследование показало, что предложенная многошаговая методология способна достичь 100% точности в различении не только видов, но и отдельных сортов растений. В то время как использование одиночных методов предобработки давало точность не выше 83%, комбинация из двух или трёх последовательных алгоритмов позволила безошибочно идентифицировать все образцы. Ключевым первым шагом во всех успешных комбинациях оказалось преобразование Фурье (амплитуда). Это доказывает, что для надёжной идентификации близкородственных сортов необходим не один, а тщательно подобранный каскад методов обработки спектральных данных. Разработанный подход открывает возможности для создания автоматизированных систем мониторинга, способных с высокой точностью картировать сортовой состав сельскохозяйственных культур и дикорастущих видов, что важно как для агрономии, так и для экологии.
Читать исследование полностью
Основные выводы
Исследование показало, что предложенная многошаговая методология способна достичь 100% точности в различении не только видов, но и отдельных сортов растений. В то время как использование одиночных методов предобработки давало точность не выше 83%, комбинация из двух или трёх последовательных алгоритмов позволила безошибочно идентифицировать все образцы. Ключевым первым шагом во всех успешных комбинациях оказалось преобразование Фурье (амплитуда). Это доказывает, что для надёжной идентификации близкородственных сортов необходим не один, а тщательно подобранный каскад методов обработки спектральных данных. Разработанный подход открывает возможности для создания автоматизированных систем мониторинга, способных с высокой точностью картировать сортовой состав сельскохозяйственных культур и дикорастущих видов, что важно как для агрономии, так и для экологии.
Читать исследование полностью
В этой работе учёные оценили потенциал спутниковых гиперспектральных данных (с европейского спутника CHRIS-PROBA) для картирования ключевых свойств почвы на сельскохозяйственных полях — содержания глины, песка и органического вещества. Исследование проводилось на двух полях в Италии. Спектральные данные со спутника сопоставлялись с результатами детального лабораторного анализа образцов почвы, отобранных по регулярной сетке. На основе этих данных с помощью регрессионного анализа (метод частичных наименьших квадратов, PLSR) были построены модели для оценки свойств почвы по спутниковым снимкам. Затем, используя полученные карты почвенных характеристик, авторы смоделировали разные стратегии орошения в программе CropWat, чтобы понять, как учёт внутриполевой изменчивости может повлиять на эффективность использования воды.
Основные выводы
Исследование показало, что спутниковые гиперспектральные данные позволяют с приемлемой точностью картировать содержание глины и песка в пахотном слое (значения RPD > 1,4, RMSE для глины 3,7–5,2%). Оценка содержания органического вещества оказалась менее успешной, что авторы связывают с его низкой пространственной изменчивостью на изучаемых полях. Ключевой практический вывод был получен на этапе моделирования: использование карт почвенных зон, составленных по гиперспектральным данным, для планирования дифференцированного (переменного) орошения позволяет значительно сократить потери воды на глубокую фильтрацию по сравнению с традиционным подходом, когда полив рассчитывается исходя из средних по полю характеристик почвы. Таким образом, исследование подтверждает, что гиперспектральная съёмка — это не только инструмент для анализа состояния культур, но и мощный метод для экономически эффективного картирования почвенной неоднородности, что является основой для внедрения многих технологий точного земледелия, включая оптимизацию полива и внесения удобрений.
Читать исследование полностью
Основные выводы
Исследование показало, что спутниковые гиперспектральные данные позволяют с приемлемой точностью картировать содержание глины и песка в пахотном слое (значения RPD > 1,4, RMSE для глины 3,7–5,2%). Оценка содержания органического вещества оказалась менее успешной, что авторы связывают с его низкой пространственной изменчивостью на изучаемых полях. Ключевой практический вывод был получен на этапе моделирования: использование карт почвенных зон, составленных по гиперспектральным данным, для планирования дифференцированного (переменного) орошения позволяет значительно сократить потери воды на глубокую фильтрацию по сравнению с традиционным подходом, когда полив рассчитывается исходя из средних по полю характеристик почвы. Таким образом, исследование подтверждает, что гиперспектральная съёмка — это не только инструмент для анализа состояния культур, но и мощный метод для экономически эффективного картирования почвенной неоднородности, что является основой для внедрения многих технологий точного земледелия, включая оптимизацию полива и внесения удобрений.
Читать исследование полностью
На экспериментальном участке озимой пшеницы, включающем 40 различных сортов и зоны с обработкой фунгицидами, проводилась регулярная гиперспектральная съёмка в течение вегетационного периода. На снимках слева представлены изображения с наложением индекса NDVI (нормализованный вегетационный индекс — индикатор живой зелёной биомассы), полученные в разные даты.
Что показывает анализ:
Что показывает анализ:
- С течением времени часть сортов, не обладающих устойчивостью к патогенам, поражаются заболеваниями
- На картах NDVI это проявляется как снижение индекса — потеря зелёной окраски и переход в зоны стресса
- Чётко визуализируются различия между обработанными фунгицидами участками и контрольными зонами
- Сорта с генетической устойчивостью сохраняют высокие значения NDVI на протяжении всего сезона
В рамках исследовательского проекта BigApple были проведены гиперспектральные измерения на тестовых деревьях в фруктовом саду KOB (Kompetenzzentrum Obstbau-Bodensee) в Бавендорфе, недалеко от Боденского озера, на юге Германии.. В центре внимания измерений были два класса, т.е. яблоня и листва. Данные спектральных измерений являются основой для определения физиологических параметров роста/плода, которые рассматриваются в виде индексов в моделировании и анализе.
Гиперспектральные измерения проводились в лаборатории в контролируемых условиях измерения. Кроме того, измерительные кампании проводились во фруктовом саду. Для этих целей использовалась гиперспектральная камера с диапазоном длин волн 450 - 950 нм.
Измерительная установка показывает гиперспектральную камеру S185 и мобильную систему обработки данных для сбора и хранения результатов измерений.
Гиперспектральные измерения проводились в лаборатории в контролируемых условиях измерения. Кроме того, измерительные кампании проводились во фруктовом саду. Для этих целей использовалась гиперспектральная камера с диапазоном длин волн 450 - 950 нм.
Измерительная установка показывает гиперспектральную камеру S185 и мобильную систему обработки данных для сбора и хранения результатов измерений.
В этом обзоре, подготовленном группой малайзийских учёных, рассматривается проблема борьбы с сорняками на рисовых полях и анализируется потенциал гиперспектральных технологий для её решения. Сорняки представляют серьёзную угрозу для сельского хозяйства Малайзии, где рис является одной из основных культур, а из-за нехватки рабочей силы широко применяется метод прямого посева, который особенно уязвим к засорению. Авторы провели систематический анализ научной литературы, чтобы понять, как современные методы дистанционного зондирования, особенно с использованием беспилотных летательных аппаратов (БПЛА), могут помочь в раннем и точном обнаружении сорняков и их отделении от культурных растений по спектральным характеристикам.
Основные выводы
Обзор подтверждает, что гиперспектральная съёмка является ценным инструментом для обнаружения сорняков, так как она способна улавливать тонкие различия в спектрах отражения разных видов растений. Ключевой вывод заключается в том, что для успешного применения этой технологии необходимо решить задачу точного разделения культурных растений и сорняков на видовом уровне. Это достигается с помощью различных алгоритмов классификации гиперспектральных изображений и методов моделирования. Развитие платформ для съёмки — от спутников до БПЛА — делает технологию более доступной и позволяет получать данные с нужным пространственным и временным разрешением. Внедрение таких методов может значительно повысить эффективность борьбы с сорняками, минимизировать потери урожая и снизить зависимость от ручного труда, что особенно актуально для стран с интенсивным рисосеянием.
Читать исследование полностью
Основные выводы
Обзор подтверждает, что гиперспектральная съёмка является ценным инструментом для обнаружения сорняков, так как она способна улавливать тонкие различия в спектрах отражения разных видов растений. Ключевой вывод заключается в том, что для успешного применения этой технологии необходимо решить задачу точного разделения культурных растений и сорняков на видовом уровне. Это достигается с помощью различных алгоритмов классификации гиперспектральных изображений и методов моделирования. Развитие платформ для съёмки — от спутников до БПЛА — делает технологию более доступной и позволяет получать данные с нужным пространственным и временным разрешением. Внедрение таких методов может значительно повысить эффективность борьбы с сорняками, минимизировать потери урожая и снизить зависимость от ручного труда, что особенно актуально для стран с интенсивным рисосеянием.
Читать исследование полностью
В этой работе китайские учёные разработали метод бесконтактной оценки того, как быстро и успешно восстанавливаются растения кукурузы после полегания (например, из-за тайфунов или сильных дождей). Они использовали гиперспектральную камеру, установленную на беспилотник, для регулярной съёмки полей с разными типами полегания на протяжении 28 дней. Собранные данные позволили оценивать ключевые параметры растений: высоту (CH), проективное покрытие (CC), содержание хлорофилла в листьях (LCC) и содержание влаги (PWC). На основе этих параметров авторы рассчитали два комплексных индекса — индекс структуры кроны (CSI) и индекс физиологической активности (PAI), а затем классифицировали степень восстановления растений.
Основные выводы
Исследование подтвердило, что гиперспектральная съёмка с БПЛА позволяет эффективно и неразрушающе отслеживать процесс восстановления кукурузы после полегания. Модели машинного обучения, основанные на спектральных данных, показали хорошую точность в оценке агрономических параметров (R² до 0,75 для высоты растений и 0,69 для проективного покрытия). Наиболее важным практическим результатом стало создание метода классификации растений по степени восстановления (GRG) на основе рассчитанных индексов CSI и PAI, который достиг общей точности 77,68%. Это означает, что технология позволяет не просто фиксировать факт полегания, а количественно оценивать динамику возвращения растений к нормальному состоянию, что критически важно для принятия решений о необходимости повторного сева, корректировки обработок или прогнозирования конечной урожайности. Предложенный подход даёт агрономам объективный инструмент для мониторинга последствий природных стрессов и управления восстановлением посевов.
Читать исследование полностью
Основные выводы
Исследование подтвердило, что гиперспектральная съёмка с БПЛА позволяет эффективно и неразрушающе отслеживать процесс восстановления кукурузы после полегания. Модели машинного обучения, основанные на спектральных данных, показали хорошую точность в оценке агрономических параметров (R² до 0,75 для высоты растений и 0,69 для проективного покрытия). Наиболее важным практическим результатом стало создание метода классификации растений по степени восстановления (GRG) на основе рассчитанных индексов CSI и PAI, который достиг общей точности 77,68%. Это означает, что технология позволяет не просто фиксировать факт полегания, а количественно оценивать динамику возвращения растений к нормальному состоянию, что критически важно для принятия решений о необходимости повторного сева, корректировки обработок или прогнозирования конечной урожайности. Предложенный подход даёт агрономам объективный инструмент для мониторинга последствий природных стрессов и управления восстановлением посевов.
Читать исследование полностью
В статье подробно рассматривается, как гиперспектральная съёмка, в частности с использованием спутников нового поколения (например, аппаратов компании Pixxel), позволяет выявлять различные типы стресса у растений на ранних стадиях. В отличие от традиционных мультиспектральных методов, гиперспектральные датчики регистрируют отражённый свет в сотнях узких спектральных диапазонов (вплоть до 250 каналов). Это позволяет получать уникальную спектральную «подпись» каждого растения и фиксировать малейшие отклонения от нормы, вызванные неблагоприятными факторами. Авторы классифицируют стресс на четыре основные группы: биотический (болезни, вредители), абиотический (погодные условия), физический (засуха, заболачивание) и химический (загрязнения, дефицит питательных веществ).
Основные выводы
Главный вывод статьи заключается в том, что гиперспектральная съёмка является мощнейшим инструментом для ранней диагностики стресса растительности, позволяя обнаруживать проблемы задолго до появления видимых симптомов. Это достигается за счёт анализа изменений в спектральных сигнатурах культур на разных стадиях развития. Технология позволяет не только констатировать факт стресса, но и определить его природу (например, отличить поражение насекомыми от дефицита воды). Это открывает возможности для своевременного и точечного вмешательства: оптимизации полива, внесения удобрений или обработки пестицидами только на тех участках, где это действительно необходимо. Внедрение таких методов, подкреплённое примерами (оценка старения сои в Айове), способно повысить устойчивость сельского хозяйства, снизить потери урожая и сделать процесс принятия решений более обоснованным и эффективным.
Читать исследование полностью
Основные выводы
Главный вывод статьи заключается в том, что гиперспектральная съёмка является мощнейшим инструментом для ранней диагностики стресса растительности, позволяя обнаруживать проблемы задолго до появления видимых симптомов. Это достигается за счёт анализа изменений в спектральных сигнатурах культур на разных стадиях развития. Технология позволяет не только констатировать факт стресса, но и определить его природу (например, отличить поражение насекомыми от дефицита воды). Это открывает возможности для своевременного и точечного вмешательства: оптимизации полива, внесения удобрений или обработки пестицидами только на тех участках, где это действительно необходимо. Внедрение таких методов, подкреплённое примерами (оценка старения сои в Айове), способно повысить устойчивость сельского хозяйства, снизить потери урожая и сделать процесс принятия решений более обоснованным и эффективным.
Читать исследование полностью
На основе измерений был проведен анализ спектральных характеристик искомых классов (рис. ниже) и определены индивидуальные различия между спектральными кривыми классов. Ручная количественная оценка этих различий не подходит из-за высокой информационной плотности гиперспектральных измерений.
Поэтому для анализа данных в рамках проекта было использовано несколько известных методов классификации под наблюдением (например, k-Nearest-Neighbour, Support Vector Machine, Random Forest, Neural Networks) и их комбинации. Используя обширные обучающие данные, полученные в результате измерений, можно было автоматически определить желаемые классы.
Отобранные образцы для классов в примере измерения в KOB. Соответствующие кривые спектра/отражения для соответствующих классов. (яблоко = красное, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)
Поэтому для анализа данных в рамках проекта было использовано несколько известных методов классификации под наблюдением (например, k-Nearest-Neighbour, Support Vector Machine, Random Forest, Neural Networks) и их комбинации. Используя обширные обучающие данные, полученные в результате измерений, можно было автоматически определить желаемые классы.
Отобранные образцы для классов в примере измерения в KOB. Соответствующие кривые спектра/отражения для соответствующих классов. (яблоко = красное, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)
На экспериментальных полях клубники применялись различные агротехнические обработки: варьировались режимы орошения и составы удобрений. Справа представлены два типа изображений одного и того же участка:
Верхний ряд — снимок в естественном цвете (RGB):
Верхний ряд — снимок в естественном цвете (RGB):
- Показывает только внешний вид растений
- Различия в состоянии между участками с разной обработкой практически неразличимы для глаза
- Цветовая шкала отображает концентрацию хлорофилла в листьях
- Тёплые тона (красный, жёлтый) — высокое содержание хлорофилла, здоровые растения
- Холодные тона (синий, фиолетовый) — низкое содержание, стресс, угнетение
- Чётко видна различная реакция роста растений клубники в зависимости от условий произрастания
- Участки с оптимальным сочетанием орошения и удобрения выделяются высокими значениями хлорофилла
- Зоны с недостаточным или избыточным увлажнением, несбалансированным питанием проявляются как области пониженных значений
Результаты классификаций показывают хорошее визуальное соответствие по сравнению с панхроматическим изображением. Количественная оценка результата классификации для искомых объектов проводилась по общей точности (OA), точности производителя (PA) и точности пользователя (UA). На рисунке 9 показана матрица путаницы и связанная с ней точность отдельных классов. Из-за путаницы между зеленым яблоком и зеленым листом, UA составляет 75,2 %. Точность для других классов составляет от 93,4 % до 97,1 %. Кроме того, общая точность показывает высокое значение 93,5%, что указывает на очень хороший результат классификации.
Панхроматическое изображение (слева) и пример классификации измерений 01.08.2018. (яблоко = светло-зеленое, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)
Панхроматическое изображение (слева) и пример классификации измерений 01.08.2018. (яблоко = светло-зеленое, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)
На основе результатов классификации могут быть созданы различные параметры роста/плодов. В качестве примера здесь приведен параметр соотношение листьев и плодов. Этот параметр предназначен для предоставления информации о посевной нагрузке яблонь, которая ранее была определена ручным или деструктивным методом. На основе этих результатов и измерений, проведенных в разное время роста, можно определить средние значения роста плодов.
В рамках проекта классификация яблок и листьев может быть успешно проведена с помощью гиперспектральной камеры. Кроме того, из классификации могут быть определены различные параметры/индексы, которые используются для модели наших партнеров по проекту для оценки оптимального хранения яблок.
В рамках проекта классификация яблок и листьев может быть успешно проведена с помощью гиперспектральной камеры. Кроме того, из классификации могут быть определены различные параметры/индексы, которые используются для модели наших партнеров по проекту для оценки оптимального хранения яблок.
Спектральная минералогия: от поиска месторождений до контроля разработки
Применение гиперспектральных камер в геологии: идентификация минералов, картирование зон изменений, разведка полезных ископаемых
В основе геологического применения гиперспектральной съёмки лежит фундаментальное свойство: каждый минерал обладает уникальной спектральной сигнатурой, особенно в видимом, ближнем и коротковолновом инфракрасном диапазонах. Гиперспектральные камеры фиксируют эти сигнатуры, позволяя геологам «видеть» минералогический состав обнажений, керна и отвалов с беспрецедентной детализацией. Технология трансформирует разведочный процесс, делая его более быстрым, точным и экономически эффективным.
Почему гиперспектральная съёмка меняет геологоразведку?
Современная геология требует быстрых, точных и экономически оправданных методов поиска полезных ископаемых. Гиперспектральные системы обеспечивают дистанционную идентификацию минералов и горных пород по их уникальным спектральным полосам поглощения в диапазоне 400–2500 нм. Это позволяет сократить площадь поисков с 200 км² до 10–20 км² наиболее перспективных участков до начала наземных работ, экономя до 80% бюджета.
Возможности гиперспектрального анализа
Ключевые преимущества гиперспектральной геологоразведки
Диагностические спектральные полосы
Минералы и горные породы имеют уникальные спектральные полосы поглощения в диапазоне 400–2500 нм (видимый и коротковолновый ИК-диапазон). Это позволяет надёжно идентифицировать их дистанционно.
Сотни узких спектральных каналов
Гиперспектральные сенсоры (например, FIGSPEC FS6A с 250+ каналами) регистрируют детальный спектр каждого пикселя, что даёт возможность различать минералы со схожими визуальными характеристиками.
Идентификация конкретных минералов, а не зон изменения
В отличие от мультиспектральной съёмки, гиперспектральная позволяет определять точный минеральный состав (например, каолинит, гётит, эпидот, хлорит), а не просто выделять зоны гидротермальных изменений.
Переход от качественного анализа к количественному
Современные алгоритмы обработки гиперспектральных данных (классификация, спектральное сопоставление, смесевое разложение) позволяют оценивать концентрации минералов и строить количественные карты распространения рудных тел.
Спектральные диапазоны и их «специализация»
Расшифровка диапазонов
Минералы и спектральные диапазоны (распознаваемость)
Выбор масштаба съемки под задачи геологоразведки
Правильный выбор масштаба гиперспектральной съёмки — от регионального (космос) до локального (БПЛА) — позволяет экономить бюджет и точно выявлять гидротермальные зоны, глинистые ореолы и рудные тела. В таблице ниже приведены типовые пространственные разрешения, источники данных и масштабы картографирования для геологоразведочных проектов любой детальности.
Обзор спутниковых гиперспектральных сенсоров
Современные космические гиперспектральные системы (EnMAP, ZY1-02D, PACE, Sentinel-5P) предоставляют геологам десятки и сотни спектральных каналов для минералогического картирования, атмосферной коррекции и выявления CO₂. Краткий обзор возможностей каждой миссии поможет выбрать оптимальный источник данных для вашего проекта.
ZY1-02D (Китай)
- 166 спектральных каналов + 9-диапазонная камера
- Разрешение 30 м, ширина полосы 60 км
- Применение: региональная минералогическая съемка
EnMAP (Германия)
- Запущен в апреле 2022 года
- Специализация: экосистемы, загрязнения, мониторинг CO₂
- Высокоточная атмосферная коррекция
PACE (NASA)
- Гиперспектральный датчик OCI-II
- Изучение океана и атмосферы, включая распределение CO₂
Sentinel-5P (Copernicus)
- Инструмент TROPOMI
- Измерение SO₂, NO₂, формальдегида, аэрозолей
- Данные для моделирования атмосферной коррекции съемки
- IASI (EUMETSAT) — атмосферный интерферометр для анализа CO₂ и других газов.
- Proba-V — вегетационные индексы для геоботанического картирования.
- MERLIN — лидар для метана и CO₂ (совместный франко-немецкий проект).
Преимущества авиационной съемки в геологии
- Пространственное разрешение до 1 м (AVIRIS-NG)
- Возможность выбора времени съемки (солнечная высота, облачность)
- Детальное картирование рудных полей и флангов месторождений
- Интеграция с геофизическими данными (магнитометрия, гравиметрия)
Примеры систем:
- CASI / SASI (Канада) — VNIR и SWIR диапазоны, применяются для картирования гидротермальных ореолов.
- AVIRIS (NASA) — классический гиперспектральный сенсор, новейшая версия AVIRIS-5 даёт разрешение до 30 см.
Как NASA и USGS создают эталон гиперспектральной геологической съемки
- Совместный проект: NASA (платформа, сенсоры) + USGS (научный анализ, геологический контроль).
- Цель: Картирование критически важных минералов для снижения импортной зависимости США.
- Объем: >1 млн км² уже обработано (западные штаты — Калифорния, Невада, Аризона, Нью-Мексико, Орегон).
- Технические средства: Самолёт NASA ER-2 на высоте ≈21 км. Сенсоры: AVIRIS (в т.ч. AVIRIS-5), HyTES, MASTER.
- Результат (апрель 2026): Выявлена гиперспектральная аномалия, предварительно интерпретируемая как медно-порфировое месторождение с вероятным обогащением критическими минералами.
Беспилотные гиперспектральные системы (разрешение 0,1–1 м)
Для крупномасштабного картирования месторождений, поиска рудных тел и геологического картирования используются БПЛА-гиперспектральные комплексы. Они обеспечивают детальность до 0,1–1 метра на пиксель и позволяют покрывать десятки квадратных километров за один вылет.
Мобильные и портативные гиперспектральные системы (разрешение 0,1–1 м)
Для наземных работ, лабораторного анализа и обследования небольших участков используются портативные и мобильные гиперспектральные системы. Они незаменимы при детальном изучении обнажений, штуфных проб и керна.
Программное обеспечение IMC Hyperspectral
Программное обеспечение на базе алгоритмов машинного обучения для обработки и интерпретации гиперспектральных данных.
Опыт внедрения и практические результаты
Основная идея
Оценка возможностей нового космического гиперспектрального сенсора ZY1-02D (30 м/пиксель, 166 каналов) для точного геологического картирования в условиях сложного рельефа с валидацией результатов полевыми образцами.
Геологический контекст
·Район: Зона столкновения Индийской и Евразийской плит (Главный пограничный надвиг).
·Породы: Известняки, песчаники, глины, конгломераты, гипс, соль (палеоцен – плиоцен).
·Значение: Поиск углеводородов, угля, гипса, урана.
Выводы
ZY1-02D эффективен для регионального геологического картирования, включая небольшие выходы пород.
Метод глубокого обучения (SSTF, 92.1%) превзошел классический SVM (89.7%) в точности, эффективнее решая проблему смешанных пикселей.
Интеграция спутниковых гиперспектральных данных и современных алгоритмов ИИ значительно повышает детальность и объективность геологических карт по сравнению с традиционными методами.
Оценка возможностей нового космического гиперспектрального сенсора ZY1-02D (30 м/пиксель, 166 каналов) для точного геологического картирования в условиях сложного рельефа с валидацией результатов полевыми образцами.
Геологический контекст
·Район: Зона столкновения Индийской и Евразийской плит (Главный пограничный надвиг).
·Породы: Известняки, песчаники, глины, конгломераты, гипс, соль (палеоцен – плиоцен).
·Значение: Поиск углеводородов, угля, гипса, урана.
Выводы
ZY1-02D эффективен для регионального геологического картирования, включая небольшие выходы пород.
Метод глубокого обучения (SSTF, 92.1%) превзошел классический SVM (89.7%) в точности, эффективнее решая проблему смешанных пикселей.
Интеграция спутниковых гиперспектральных данных и современных алгоритмов ИИ значительно повышает детальность и объективность геологических карт по сравнению с традиционными методами.
Объект: Золото-серебро-свинцово-цинковое месторождение (провинцияГаньсу)
Исходные данные:
•Аэросъемка CASI/SASI (137 каналов)
•Разрешение 1-2.2 м
•Полевые спектры (ASD FieldSpec 4)
•Геологическая карта 1:10 000
Методы: SAM, MNF, MTMF
Результаты (Wan et al., 2021):
•Точность SAM – 65.37% (14 классов пород)
•Распознавание Pb-Zn руд (железо-марганцевая шляпа - gossan) – 81%
•Выявлены несоответствия существующей геологической карте
•Из 30 известных рудных тел подтверждены 26
•8 из 10 прогнозных участков подтверждены полевыми работами
Исходные данные:
•Аэросъемка CASI/SASI (137 каналов)
•Разрешение 1-2.2 м
•Полевые спектры (ASD FieldSpec 4)
•Геологическая карта 1:10 000
Методы: SAM, MNF, MTMF
Результаты (Wan et al., 2021):
•Точность SAM – 65.37% (14 классов пород)
•Распознавание Pb-Zn руд (железо-марганцевая шляпа - gossan) – 81%
•Выявлены несоответствия существующей геологической карте
•Из 30 известных рудных тел подтверждены 26
•8 из 10 прогнозных участков подтверждены полевыми работами
Распределение материала в забое рудника обычно варьируется в мелком масштабе и в пределах ежедневных сегментов добычи. Эти изменения не всегда можно определить визуально, но они имеют отношение к качеству руды из извлеченной руды и для корректировки последующих этапов обработки. Сведение к минимуму неправильной классификации или ложного распределения материалов позволит свести к минимуму энергоемкую повторную обработку материалов. Спектроскопия изображений может помочь идентифицировать и оценить соответствующие минералы или геологические материалы конкретных месторождений до их добычи.
Были сгруппированы геохимические данные (ICP-ES и анализ углерода и серы) 36 проб с участка. Он выявил семь различных групп материалов. Эти группы были подтверждены путем оценки спектральных отпечатков образцов и доминирующей минералогии (XRD). Спектральная библиотека для конкретных участков (рис. 1) показывает один спектр на кластер и была собрана в лаборатории из 36 образцов поверхности с использованием приборов VNIR и SWIR.
Были сгруппированы геохимические данные (ICP-ES и анализ углерода и серы) 36 проб с участка. Он выявил семь различных групп материалов. Эти группы были подтверждены путем оценки спектральных отпечатков образцов и доминирующей минералогии (XRD). Спектральная библиотека для конкретных участков (рис. 1) показывает один спектр на кластер и была собрана в лаборатории из 36 образцов поверхности с использованием приборов VNIR и SWIR.
Для классификации забоя входные параметры, используемые для анализа, были сокращены до шести кластеров за счет исключения кластера, в котором преобладает гипс. Полученная карта показывает расположение штокверковой зоны, а также вкрапленные и выветренные сульфидные руды. Здесь каждый кластер представляет собой отдельную зону внутри рудника, например, минерализованные подушечные лавы, смектито-хлоритовую зону или хлоритовую штокверковую зону.
Ожидаемая зональность забоев рудника (Antivachis, 2015). B: Гиперспектральное картирование забоя рудника Аплики (Koerting 2020, в стадии подготовки) с помощью алгоритма двоичной подгонки (Mielke et al, в стадии подготовки).
Ожидаемая зональность забоев рудника (Antivachis, 2015). B: Гиперспектральное картирование забоя рудника Аплики (Koerting 2020, в стадии подготовки) с помощью алгоритма двоичной подгонки (Mielke et al, в стадии подготовки).
Визуализация SWIR и LWIR обеспечивает быстрый инструмент минералогического картирования для геологических исследований в микро и макро масштабе с разрешением от 30 мкм до 2 мм.
Цель: доказать, что легкий дрон с гиперспектральной камерой может напрямую обнаруживать минералы с РЗЭ на земной поверхности быстро и неинвазивно.
•
Метод: Съемка с дрона (сенсор Rikola, VNIR-диапазон 500–900 нм) + фотограмметрия для создания 3D-моделей. Поиск вели по характерным пикам поглощения неодима (Nd) — элемента-индикатора РЗЭ.
Ключевые результаты
Обнаружение: Впервые составлены детальные карты распределения Ndпрямо с дрона. Зоны с РЗЭ четко выделились внутри карбонатитов.
Чувствительность: Метод сработал при содержании Nd от 130–160 ppm (ниже ожидаемого порога в 300 ppm). Максимальное содержание TREO (оксидов РЗЭ) в пробах — 0.57%.
Скорость: Весь цикл «съемка → результат» занимает < 1 дня.
Валидация: Данные дрона совпали с наземными спектрами и лабораторным геохимическим анализом (ICP-MS).
Выводы и практическая значимость
•Технология позволяет геологам в поле моментально определять наиболее перспективные участки для детального изучения и бурения.
•Ограничения: Нужны открытые обнажения (без растительности) и хорошая погода.
•Перспектива: Метод открывает путь для быстрой и безопасной разведки в труднодоступных районах и даже для переоценки старых отвалов (хвостохранилищ) как вторичных источников РЗЭ.
•
Метод: Съемка с дрона (сенсор Rikola, VNIR-диапазон 500–900 нм) + фотограмметрия для создания 3D-моделей. Поиск вели по характерным пикам поглощения неодима (Nd) — элемента-индикатора РЗЭ.
Ключевые результаты
Обнаружение: Впервые составлены детальные карты распределения Ndпрямо с дрона. Зоны с РЗЭ четко выделились внутри карбонатитов.
Чувствительность: Метод сработал при содержании Nd от 130–160 ppm (ниже ожидаемого порога в 300 ppm). Максимальное содержание TREO (оксидов РЗЭ) в пробах — 0.57%.
Скорость: Весь цикл «съемка → результат» занимает < 1 дня.
Валидация: Данные дрона совпали с наземными спектрами и лабораторным геохимическим анализом (ICP-MS).
Выводы и практическая значимость
•Технология позволяет геологам в поле моментально определять наиболее перспективные участки для детального изучения и бурения.
•Ограничения: Нужны открытые обнажения (без растительности) и хорошая погода.
•Перспектива: Метод открывает путь для быстрой и безопасной разведки в труднодоступных районах и даже для переоценки старых отвалов (хвостохранилищ) как вторичных источников РЗЭ.
Объект исследования
Железистые кварциты Стойленского месторождения (КМА), входящего в состав Старооскольского рудного узла. Рудовмещающими являются метаморфические породы докембрия (курская серия: коробковская и стойленская свиты), перекрытые осадочным чехлом мощностью 80–180 м. В разрезе преобладают магнетитовые, силикатно-магнетитовые и окисленные разности железистых кварцитов, а также прослои сланцев и дайки диорит-порфиритов, карбонатно-биотитового состава.
Цель работы
Апробация методов гиперспектральной съемки для оперативного картирования минерального состава железистых кварцитов в условиях карьера и по керновому материалу. Задачи:
•Выявление диагностических спектральных признаков основных минеральных типов руд (магнетит, силикаты, продукты окисления);
•Оценка возможностей классификации гиперспектральных данных для выделения зон с различным вещественным составом;
•Создание методической основы для экспресс-контроля качества рудной массы и бортов карьера.
•
Методы
Съемка выполнена с использованием гиперспектральной камеры (диапазон VNIR) по керновым образцам и на бортах карьера (зона окисления, свежие железистые кварциты). Обработка данных включала преобразование MNF (Minimum Noise Fraction), классификацию спектрально однородных зон и извлечение уникальных спектральных кривых.
Полученные результаты
•В ходе анализа гиперспектральных изображений керна и бортов карьера извлечено значительное количество уникальных спектральных кривых, отражающих не только различия в минеральном составе (магнетит, силикатно-магнетитовые разности, зоны окисления), но и влияние влажности, освещения, текстуры поверхности.
•Классификация MNF-преобразованных изображений позволила уверенно выделить участки с преобладанием магнетитовых кварцитов, силикатно-магнетитовых разностей, а также зоны окисления, что согласуется с известными физическими свойствами пород (магнитная восприимчивость, удельное электрическое сопротивление).
•Для образцов керна показана возможность извлечения спектральных кривых, напрямую связанных с минеральным составом, что открывает перспективы создания локальной спектральной библиотеки.
•
Дальнейшие исследования
1.Идентификация извлеченных спектров путем сопоставления с эталонными образцами минералов (спектрорадиометрия, лабораторные измерения гиперспектральной камерой).
2.Калибровка данных по методам компенсации освещения для повышения воспроизводимости результатов при съемке в карьере и на керне.
3.Разработка алгоритмов классификации для оперативного выделения технологических сортов руд (магнетитовые, силикатно-магнетитовые, окисленные) в процессе ведения горных работ.
Железистые кварциты Стойленского месторождения (КМА), входящего в состав Старооскольского рудного узла. Рудовмещающими являются метаморфические породы докембрия (курская серия: коробковская и стойленская свиты), перекрытые осадочным чехлом мощностью 80–180 м. В разрезе преобладают магнетитовые, силикатно-магнетитовые и окисленные разности железистых кварцитов, а также прослои сланцев и дайки диорит-порфиритов, карбонатно-биотитового состава.
Цель работы
Апробация методов гиперспектральной съемки для оперативного картирования минерального состава железистых кварцитов в условиях карьера и по керновому материалу. Задачи:
•Выявление диагностических спектральных признаков основных минеральных типов руд (магнетит, силикаты, продукты окисления);
•Оценка возможностей классификации гиперспектральных данных для выделения зон с различным вещественным составом;
•Создание методической основы для экспресс-контроля качества рудной массы и бортов карьера.
•
Методы
Съемка выполнена с использованием гиперспектральной камеры (диапазон VNIR) по керновым образцам и на бортах карьера (зона окисления, свежие железистые кварциты). Обработка данных включала преобразование MNF (Minimum Noise Fraction), классификацию спектрально однородных зон и извлечение уникальных спектральных кривых.
Полученные результаты
•В ходе анализа гиперспектральных изображений керна и бортов карьера извлечено значительное количество уникальных спектральных кривых, отражающих не только различия в минеральном составе (магнетит, силикатно-магнетитовые разности, зоны окисления), но и влияние влажности, освещения, текстуры поверхности.
•Классификация MNF-преобразованных изображений позволила уверенно выделить участки с преобладанием магнетитовых кварцитов, силикатно-магнетитовых разностей, а также зоны окисления, что согласуется с известными физическими свойствами пород (магнитная восприимчивость, удельное электрическое сопротивление).
•Для образцов керна показана возможность извлечения спектральных кривых, напрямую связанных с минеральным составом, что открывает перспективы создания локальной спектральной библиотеки.
•
Дальнейшие исследования
1.Идентификация извлеченных спектров путем сопоставления с эталонными образцами минералов (спектрорадиометрия, лабораторные измерения гиперспектральной камерой).
2.Калибровка данных по методам компенсации освещения для повышения воспроизводимости результатов при съемке в карьере и на керне.
3.Разработка алгоритмов классификации для оперативного выделения технологических сортов руд (магнетитовые, силикатно-магнетитовые, окисленные) в процессе ведения горных работ.
Гиперспектральную карту можно визуализировать на 3D-моделях, созданных с помощью Structure-for-Motion (SfM) или путем реализации точного LiDAR-моделирования (рис. 20). Эти модели помогают при распределении материала на месте. Области, например, с высоким содержанием гидроксида алюминия (AlOH), могут быть дополнительно нанесены на карту с помощью картирования минимальной длины волны для характеристики AlOH. Этот тип анализа помогает в выявлении участков с более высоким уровнем загрязнения (например, глины) для корректировки обработки извлеченного здесь материала.
Этот пример показывает потенциал гиперспектральной визуализации как инструмента для геологических и горнодобывающих приложений. Его использование позволяет точно идентифицировать полезные ископаемые и материалы где угодно, от разведки и добычи до обработки и производства.
3D-модель, созданная SfM, наложенная на гиперспектральную классификацию (вверху) и центральную карту распределения длин волн для конкретных характеристик поглощения.
Этот пример показывает потенциал гиперспектральной визуализации как инструмента для геологических и горнодобывающих приложений. Его использование позволяет точно идентифицировать полезные ископаемые и материалы где угодно, от разведки и добычи до обработки и производства.
3D-модель, созданная SfM, наложенная на гиперспектральную классификацию (вверху) и центральную карту распределения длин волн для конкретных характеристик поглощения.
Выходы серицита (красный цвет = наилучшее соответствие) распределяются на южном краю средней и северной части субвулканического тела, а также на восточном краю. Бордовыми точками обозначены известные урановые участки. Красный > желтый = уменьшающаяся урановая минерализация, связанная с обнажением серицита. Фиолетовый - низкая вероятность серицита (аномальные неправильные чешуйки). Сиреневый - карбонат. Голубой - эпидот.
На глубине от 2500 до 5000 м в осадочных бассейнах можно наблюдать следующие последовательности минералов: каолинит → дикит, детритовые слюды → каолинит и/или дикит и детритовые полевые шпаты → дикит (Cassagnabère 1998).
Данные из песчаников Северного моря указывают на то, что морфология дикита имеет отношение к глубине захоронения. Дикит образуется либо из каолина в осадке, либо из изменения обломочного полевого шпата и слюды. Дикит становится более блочным и упорядоченным с глубиной и устойчив к глубинам захоронения не менее 5000 м.
Градационные границы слюдистого песчаника в зоне дикита и за ее пределами наводят на мысль о фациальных вариациях. Большинство осадочных последовательностей, содержащих дикит, изученных в австралийских буровых кернах NVCL, представляют собой крупнозернистые, высокопроницаемые породы. Действительно, "трансформация [каолинит>дикит] обычно более распространена в песчаниках с высокой проницаемостью, чем в песчаниках с низкой проницаемостью" (Cassagnabere, 1998). Снижение проницаемости (наоборот) благоприятствует каолиниту. Так что дело не только в том, чтобы быть палеогеотермометром.
Данные из песчаников Северного моря указывают на то, что морфология дикита имеет отношение к глубине захоронения. Дикит образуется либо из каолина в осадке, либо из изменения обломочного полевого шпата и слюды. Дикит становится более блочным и упорядоченным с глубиной и устойчив к глубинам захоронения не менее 5000 м.
Градационные границы слюдистого песчаника в зоне дикита и за ее пределами наводят на мысль о фациальных вариациях. Большинство осадочных последовательностей, содержащих дикит, изученных в австралийских буровых кернах NVCL, представляют собой крупнозернистые, высокопроницаемые породы. Действительно, "трансформация [каолинит>дикит] обычно более распространена в песчаниках с высокой проницаемостью, чем в песчаниках с низкой проницаемостью" (Cassagnabere, 1998). Снижение проницаемости (наоборот) благоприятствует каолиниту. Так что дело не только в том, чтобы быть палеогеотермометром.
Прямые открытия месторождений
Midnight Owl (США) – первое в мире прямое обнаружение литиевой руды (сподумена) с воздуха с помощью LWIR-съёмки.
Pedra Branca (Бразилия) – золоторудное месторождение, выделенное по гиперспектральным признакам каолинита (глинистого минерала, служащего индикатором).
Компания Botswana Minerals объявила об обнаружении в Ботсване на северо-западе страны (в Нгамиленде):
•Медной аномалии длиной около 9.5 км к востоку от крупного разлома.
•Серебряного коридора аномалий протяжённостью около 20 км.
•Свинцово-цинкового участка длиной около 2.4 км, который предварительно отнесли к типу MVT
•
Примеры открытия новых перспективных зон и объектов
Технология чувствительна к определённым минералам-индикаторам. Благодаря этому на уже известных территориях были неожиданно обнаружены ранее неизвестные перспективные участки:
•Потенциально новые рудные тела: Спутник PRISMA выявил ранее неизвестные зоны гидротермальных изменений (тип advanced argillic) в районе медного рудника Aktogay (Казахстан), что указывает на наличие новых рудных тел.
•
•Новые кварцевые жилы: Спутник PRISMA обнаружил ранее не нанесённые на карту гидротермальные жилы и изменения в регионе Пилбара (Австралия), одном из крупнейших горнодобывающих регионов мира.
•
•Выявление новых площадей в России: На основе гиперспектральных данных выделены комплексные ореолы изменений пород на Билибинской и Эхюндинской площадях (Ломамскийзолоторудный район, Якутия), которые рекомендованы для первоочередных поисковых работ.
Midnight Owl (США) – первое в мире прямое обнаружение литиевой руды (сподумена) с воздуха с помощью LWIR-съёмки.
Pedra Branca (Бразилия) – золоторудное месторождение, выделенное по гиперспектральным признакам каолинита (глинистого минерала, служащего индикатором).
Компания Botswana Minerals объявила об обнаружении в Ботсване на северо-западе страны (в Нгамиленде):
•Медной аномалии длиной около 9.5 км к востоку от крупного разлома.
•Серебряного коридора аномалий протяжённостью около 20 км.
•Свинцово-цинкового участка длиной около 2.4 км, который предварительно отнесли к типу MVT
•
Примеры открытия новых перспективных зон и объектов
Технология чувствительна к определённым минералам-индикаторам. Благодаря этому на уже известных территориях были неожиданно обнаружены ранее неизвестные перспективные участки:
•Потенциально новые рудные тела: Спутник PRISMA выявил ранее неизвестные зоны гидротермальных изменений (тип advanced argillic) в районе медного рудника Aktogay (Казахстан), что указывает на наличие новых рудных тел.
•
•Новые кварцевые жилы: Спутник PRISMA обнаружил ранее не нанесённые на карту гидротермальные жилы и изменения в регионе Пилбара (Австралия), одном из крупнейших горнодобывающих регионов мира.
•
•Выявление новых площадей в России: На основе гиперспектральных данных выделены комплексные ореолы изменений пород на Билибинской и Эхюндинской площадях (Ломамскийзолоторудный район, Якутия), которые рекомендованы для первоочередных поисковых работ.
Безопасность, качество и подлинность продуктов — под объективным контролем
Применение гиперспектральных камер в анализе пищевых продуктов: неразрушающий контроль состава, свежести и подлинности
Качество и безопасность пищевых продуктов — темы, привлекающие пристальное внимание потребителей, производителей и контролирующих органов. Сегодня покупатель хорошо осведомлён о влиянии состава продуктов на здоровье и общее самочувствие. Гиперспектральная съёмка становится незаменимым инструментом пищевой индустрии, обеспечивая достоверную информацию быстрым, неразрушающим и гигиеничным способом без пробоподготовки.
Что позволяет контролировать гиперспектральный анализ в пищевой промышленности
Задача контроля
Спектральные индикаторы
Результат для производителя
Химический состав продуктов
Спектральные сигнатуры белков, жиров, углеводов, влаги
Контроль соответствия рецептуре, маркировке
Выявление фальсификации
Отклонения от эталонных спектров чистых продуктов
Обнаружение примесей, заменителей, разбавлений
Оценка спелости и свежести
Изменение спектров хлорофилла, антоцианов, каротиноидов
Оптимизация сроков сбора, сортировка при хранении
Обнаружение дефектов и пятен
Локальные спектральные аномалии на поверхности
Отбраковка повреждённых плодов и овощей
Классификация семян и зерна
Видоспецифичные спектральные сигнатуры
Сортировка по сортам, отделение карантинных примесей
Возможности гиперспектрального анализа
Практическая ценность
Снижение рисков
Исключение попадания к потребителю некачественной, фальсифицированной или опасной продукции
Экономия ресурсов
Автоматическая сортировка, сокращение ручного труда, отказ от реактивов
Документирование
Объективные спектральные данные для подтверждения качества и происхождения
Соответствие требованиям
Контроль аллергенов, ГМО, соответствие органическим стандартам
Опыт внедрения и практические результаты
Распределение влаги - важный атрибут многих пищевых продуктов, который влияет на текстуру и условия, благоприятные для микробной активности. Влага может измениться в течение срока хранения и, следовательно, связана со свежестью продукта. Распределение не всегда равномерно, но это трудно обнаружить без технологии визуализации.
На рисунке ниже показано распределение влаги в свежем ломтике белого хлеба. Сначала была построена калибровка, а затем эта модель была применена к реальным образцам. Фиолетовый и синий цвета на изображении указывают на низкое содержание влаги, а желтый и красный цвет - на высокое содержание влаги. Легко увидеть, что уровень влажности быстро увеличивается к центру хлеба, в то время как внешняя корка имеет очень низкий уровень влажности.
На рисунке ниже показано распределение влаги в свежем ломтике белого хлеба. Сначала была построена калибровка, а затем эта модель была применена к реальным образцам. Фиолетовый и синий цвета на изображении указывают на низкое содержание влаги, а желтый и красный цвет - на высокое содержание влаги. Легко увидеть, что уровень влажности быстро увеличивается к центру хлеба, в то время как внешняя корка имеет очень низкий уровень влажности.
Поскольку гиперспектральная визуализация обеспечивает попиксельную информацию об образце, она идеально подходит для составления карт составов многокомпонентных продуктов. Определенные характеристики качества, такие как жир, влажность или кристаллическая сахароза, имеют четкие спектральные характеристики в диапазоне SWIR. Путем калибровки по эталонным образцам можно проводить количественные измерения.
На рисунке показаны карты трех полос поглощения. Полоса для CH2 обычно связана с различиями в содержании жира, другая полоса характерна для присутствия кристаллической сахарозы, а полоса поглощения OH обычно связана с различиями в содержании влаги.
Области с высоким содержанием жира показаны красным цветом, а кристаллическая сахароза и влага - зеленым и синим, соответственно. Комбинации компонентов показаны смешанными цветами. Орехи затеняются красным цветом, указывая на высокое содержание жира, карамель - синим или фиолетовым, указывая на высокое содержание влаги при различном содержании жира. Шоколад отображается зеленым, желтым или оранжевым цветом, указывая на различные комбинации жира и кристаллической сахарозы; видно, что они различаются между этими коммерческими продуктами.
На рисунке показаны карты трех полос поглощения. Полоса для CH2 обычно связана с различиями в содержании жира, другая полоса характерна для присутствия кристаллической сахарозы, а полоса поглощения OH обычно связана с различиями в содержании влаги.
Области с высоким содержанием жира показаны красным цветом, а кристаллическая сахароза и влага - зеленым и синим, соответственно. Комбинации компонентов показаны смешанными цветами. Орехи затеняются красным цветом, указывая на высокое содержание жира, карамель - синим или фиолетовым, указывая на высокое содержание влаги при различном содержании жира. Шоколад отображается зеленым, желтым или оранжевым цветом, указывая на различные комбинации жира и кристаллической сахарозы; видно, что они различаются между этими коммерческими продуктами.
При употреблении морепродуктов повышенный уровень гистамина может вызвать отравление скомброидом - чаще всего из-за употребления в пищу рыбы, принадлежащей к семейству Scombridae, - тунца и скумбрии, но также и от других рыб, таких как голубая рыба и тд. Образование гистамина напрямую связано с разложением, чаще всего в результате плохого контроля температуры при хранении, и может использоваться как индикатор свежести.
Гиперспектральная визуализация (HSI) помогает получить ценную информацию без необходимости отбора проб или контакта с продуктом. Сочетание спектроскопии отражения в реальном времени с визуализацией позволяет переработчикам морепродуктов быстро и многократно оценивать уровень гистамина в рыбных продуктах.
В примере образцы измельченного тунца были проанализированы с использованием системы Hyperspecral, работающей в диапазоне VNIR (400–1000 нм). Контрольные значения для каждого из образцов были получены с использованием набора для иммуноферментных тестов. На основе этих образцов была разработана модель классификации гиперспектральных данных с различным цветом, присвоенным каждому уровню гистамина.
Используя эту классификационную модель, несколько филе тунца были просканированы системой гиперспектральной визуализации, рисунки ниже дают визуальную индикацию общего уровня гистамина и пространственного распределения гистамина в каждом образце.
Гиперспектральная визуализация (HSI) помогает получить ценную информацию без необходимости отбора проб или контакта с продуктом. Сочетание спектроскопии отражения в реальном времени с визуализацией позволяет переработчикам морепродуктов быстро и многократно оценивать уровень гистамина в рыбных продуктах.
В примере образцы измельченного тунца были проанализированы с использованием системы Hyperspecral, работающей в диапазоне VNIR (400–1000 нм). Контрольные значения для каждого из образцов были получены с использованием набора для иммуноферментных тестов. На основе этих образцов была разработана модель классификации гиперспектральных данных с различным цветом, присвоенным каждому уровню гистамина.
Используя эту классификационную модель, несколько филе тунца были просканированы системой гиперспектральной визуализации, рисунки ниже дают визуальную индикацию общего уровня гистамина и пространственного распределения гистамина в каждом образце.
Орегано часто смешивают с другими похожими на вид, но более дешевыми ингредиентами, такими как оливковое масло и мирт. Исследования, проведенные в последние годы на молотом орегано, продаваемом в магазинах, показали, что почти четверть образцы содержали ингредиенты, не относящиеся к орегано. Было обнаружено, что масштаб фальсификации находится в диапазоне от 30% до 70% по весу.
Черника и другие мелкие фрукты особенно чувствительны к обращению и хранению, а параметры качества имеют тенденцию быстро ухудшаться, если с продуктом не обращаться осторожно. HSI можно использовать для оценки внешних атрибутов, таких как цвет, текстура, твердость, повреждение поверхности, синяки, дефекты и загрязнения в ягодах и других мелких фруктах. Данные HSI также можно сопоставить с результатами WLA для определения внутренних параметров питания без повреждения продукта. Типичные параметры, подходящие для анализа HSI, включают вкус, аромат, содержание влаги, сухое вещество, общее содержание растворимых твердых веществ, антоцианин, кислотность, pH, содержание сахара и витамин С. Для этого исследования свежую чернику с гнилыми участками сканировали. Полная система покрывает спектральный диапазон от 400 до 2500 нм и работает на высоких скоростях, совместимых с большинством систем транспортировки и сортировки. Рабочее расстояние было установлено 30 см от ягод с использованием специально разработанных линз для крупного плана для достижения разрешения 52 мкм и 250 мкм соответственно.
Хотя гнилые участки на чернике трудно обнаружить на высоких скоростях при визуальном осмотре или в режиме RGB, гнилые пятна легко обнаружить с помощью гиперспектральной системы.
Гиперспектральная визуализация с высоким разрешением в сочетании с хемометрическими методами - эффективный инструмент для обнаружения ранней гнили ягод. Кроме того, описанный здесь анализ может быть применен к другим продуктам, а также к другим показателям качества.
Хотя гнилые участки на чернике трудно обнаружить на высоких скоростях при визуальном осмотре или в режиме RGB, гнилые пятна легко обнаружить с помощью гиперспектральной системы.
Гиперспектральная визуализация с высоким разрешением в сочетании с хемометрическими методами - эффективный инструмент для обнаружения ранней гнили ягод. Кроме того, описанный здесь анализ может быть применен к другим продуктам, а также к другим показателям качества.
100% контроль качества без разрушения и остановки производства
Применение гиперспектральных камер в фармацевтике: контроль однородности, верификация дозировки
Безопасность и эффективность лекарственных средств напрямую зависят от точности состава и равномерности распределения активных фармацевтических ингредиентов (API). Гиперспектральная визуализация — это неинвазивный, гигиеничный и быстрый метод анализа, идеально подходящий для контроля продукции, связанной со здоровьем человека. Технология обеспечивает надёжную проверку химического состава фармпрепаратов непосредственно в производственном процессе.
Что позволяет контролировать гиперспектральный анализ в фармпроизводстве
Задача контроля
Спектральные индикаторы
Результат для производителя
Качественная идентификация API
Уникальные спектральные сигнатуры действующих веществ
Гарантия соответствия заявленному составу, исключение подмен
Количественный анализ дозировки
Интенсивность спектральных полос пропорциональна концентрации
Контроль точности дозировки в каждой единице продукции
Однородность распределения API
Пространственное картирование концентрации в таблетке
Выявление неравномерного смешивания, зон с пониженным содержанием
Обнаружение контрафакта и подделок
Отклонение спектра от эталонного профиля подлинного продукта
Защита бренда, безопасность пациентов
Контроль стабильности при хранении
Спектральные изменения при деградации, взаимодействии компонентов
Оптимизация сроков годности, условий хранения
Опыт внедрения и практические результаты
В этом примере один API смешан в разных соотношениях с тремя разными наполнителями с похожими характеристиками. Четыре чистых образца, две неизвестные порошковые смеси и один набор фармацевтических таблеток, также содержащих смесь тех же компонентов, были получены с помощью гиперспектральной камеры. Данные были проанализированы для оценки количества и распределения API в смесях и таблетках. Хотя все вещества кажутся идентичными в видимом диапазоне, все они демонстрируют спектральную структуру в спектральном диапазоне SWIR. Подпись API особенно легко отличить из-за ее уникальных характеристик поглощения. Спектральные различия между фармацевтическими вспомогательными веществами меньше, как и следовало ожидать от компонентов с аналогичной химической структурой.
Слева: изображение в условных цветах на основе SWIR, содержащее чистые образцы. В центре: Спектральная классификация образцов. Сплошной цвет в классах означает чистоту и однородность образца. Справа: характерные спектры всех чистых веществ.
Данные чистых образцов были использованы для создания библиотеки спектральных эталонов. Благодаря возможности спектрального разделения в программном обеспечении для анализа, можно количественно оценить соотношение различных компонентов в смесях, используя спектральную библиотеку в качестве входных данных. Эта функция спектрального разделения позволяет решать задачи количественной оценки без необходимости использования всеобъемлющего калибровочного набора.
Слева: изображение в условных цветах на основе SWIR, содержащее чистые образцы. В центре: Спектральная классификация образцов. Сплошной цвет в классах означает чистоту и однородность образца. Справа: характерные спектры всех чистых веществ.
Данные чистых образцов были использованы для создания библиотеки спектральных эталонов. Благодаря возможности спектрального разделения в программном обеспечении для анализа, можно количественно оценить соотношение различных компонентов в смесях, используя спектральную библиотеку в качестве входных данных. Эта функция спектрального разделения позволяет решать задачи количественной оценки без необходимости использования всеобъемлющего калибровочного набора.
Неинвазивная диагностика нового поколения
Применение гиперспектральных камер в медицине: раннее выявление патологий, оценка состояния тканей, контроль лечения
Гиперспектральная визуализация — это неинвазивный, бесконтактный и быстрый метод исследования, идеально подходящий для медицинской диагностики и мониторинга состояния пациентов. Технология позволяет получать объективную информацию о физиологических процессах в тканях в режиме реального времени, без облучения и без контакта с биологическими жидкостями. Это открывает принципиально новые возможности для раннего выявления заболеваний, точного определения границ патологий и контроля эффективности лечения.
Что позволяет диагностировать гиперспектральный анализ в медицине
Область применения
Спектральные индикаторы
Клиническая значимость
Оценка оксигенации тканей
Спектры оксигемоглобина и дезоксигемоглобина
Контроль кровообращения, выявление ишемии, оценка жизнеспособности тканей
Диагностика ран и ожогов
Различение некротических, грануляционных и здоровых тканей
Определение глубины поражения, планирование хирургической обработки
Выявление раковых опухолей
Спектральные различия между злокачественными и здоровыми тканями
Ранняя диагностика, точное определение границ резекции
Диабетическая ангиопатия
Нарушения микроциркуляции, изменения спектральных характеристик кожи
Раннее выявление осложнений, мониторинг прогрессирования
Оценка жизнеспособности трансплантатов
Динамика восстановления кровотока в пересаженных тканях
Контроль приживления, раннее выявление отторжения
Опыт внедрения и практические результаты
Моментальный снимок гиперспектрального изображения человеческого мозга при управляемой хирургии: камера HSI установлена на операционном микроскопе.
Кожа - самый универсальный орган. Он служит барьером для внешнего мира, защитой от влияний окружающей среды и берет на себя важные функции в области обмена веществ и иммунологии. Он состоит из трех слоев: эпидермиса, дермы и подкожной клетчатки (или гиподермы).
На рисунке показывает запись кожи. Эпидермис узнаваем в верхнем правом углу, дерма расположена непосредственно под ним, а в нижнем левом углу изображена подкожная клетчатка. В этой записи было выбрано несколько точек. Для этих проблем было измерено, сколько света отражается на требуемой длине волны. Справа представлен ряд графиков, каждый из которых предназначен для выбранных областей. Эти графики описывают коэффициент отражения и спектральные отклонения в диапазоне 450-750 нм.
На рисунке показывает запись кожи. Эпидермис узнаваем в верхнем правом углу, дерма расположена непосредственно под ним, а в нижнем левом углу изображена подкожная клетчатка. В этой записи было выбрано несколько точек. Для этих проблем было измерено, сколько света отражается на требуемой длине волны. Справа представлен ряд графиков, каждый из которых предназначен для выбранных областей. Эти графики описывают коэффициент отражения и спектральные отклонения в диапазоне 450-750 нм.
Как компонент диагностических инструментов, гиперспектральная визуализация имеет множество преимуществ:
- Сама по себе это неинвазивная процедура
- Его относительно легко настроить из-за компактности гиперспектральных камер нового поколения.
Хорошо задокументированные диагностические варианты использования гиперспектральных камер связаны с их способностью определять насыщение кислородом . Это позволяет создавать двухмерные карты насыщения тканей кислородом кровью.
Таким образом, вы можете использовать гиперспектральную визуализацию в широком спектре клинических областей, таких как:
- картирование мозговой активности
- мониторинг заживления ран
- офтальмологическая диагностика заболеваний глаз и головного мозга
- обнаружение следов крови
- Сама по себе это неинвазивная процедура
- Его относительно легко настроить из-за компактности гиперспектральных камер нового поколения.
Хорошо задокументированные диагностические варианты использования гиперспектральных камер связаны с их способностью определять насыщение кислородом . Это позволяет создавать двухмерные карты насыщения тканей кислородом кровью.
Таким образом, вы можете использовать гиперспектральную визуализацию в широком спектре клинических областей, таких как:
- картирование мозговой активности
- мониторинг заживления ран
- офтальмологическая диагностика заболеваний глаз и головного мозга
- обнаружение следов крови
Коллаген - это группа белков природного происхождения, встречающихся в организме человека и животных. В организме человека содержание коллагена составляет более 30% от общей массы всех белков. Это очень важный компонент соединительной ткани и кожи.
На рисунке вы можете увидеть программный интерфейс. Справа - запись коллагена. Для обнаружения каждого пикселя, показывающего коллаген на этом изображении, была выбрана одна характерная точка, которая была идентифицирована как коллаген. После этого программа сможет автоматически определять похожие спектры. Все эти пиксели отмечены красным на этом изображении.
На рисунке вы можете увидеть программный интерфейс. Справа - запись коллагена. Для обнаружения каждого пикселя, показывающего коллаген на этом изображении, была выбрана одна характерная точка, которая была идентифицирована как коллаген. После этого программа сможет автоматически определять похожие спектры. Все эти пиксели отмечены красным на этом изображении.
Неинвазивная диагностика нового поколения
Гиперспектральная съемка для фенотипирования растений: ранняя диагностика болезней и высокопроизводительный скрининг
Гиперспектральные камеры позволяют проводить неинвазивное фенотипирование растений с высоким спектральным разрешением (400–1000 нм). Они обеспечивают раннее обнаружение болезней (ещё до видимых симптомов), оценку содержания хлорофилла, водного и питательного стресса, а также массовый скрининг генотипов в селекции.
Фенотипирование растений – это количественная характеристика морфологических, физиологических и биохимических признаков, определяющих рост, развитие, устойчивость к стрессам и продуктивность. Традиционные методы (визуальная оценка, ручные измерения) трудоёмки, субъективны и не позволяют охватить большие выборки генотипов. Гиперспектральная съёмка стала одним из наиболее информативных инструментов высокопроизводительного фенотипирования (high-throughputplant phenotyping), поскольку позволяет неинвазивно и быстро получать детальный спектральный отклик каждого пикселя изображения в сотнях узких непрерывных каналов.
Преимущества для гиперспектральной съемки фенотипирования
Ранняя диагностика стрессов
Гиперспектральные сигнатуры чувствительны к изменениям содержания пигментов (хлорофилл, каротиноиды), воды, структуры клеточных стенок и накоплению вторичных метаболитов. Это позволяет выявлять дефицит азота, водный стресс, засоление и начальные стадии грибных/бактериальных инфекций за несколько дней до появления видимых симптомов.
Количественная оценка физиологических параметров
На основе спектральных данных можно рассчитывать индексы (PRI – Photochemical Reflectance Index, WI – Water Index, NDVI и др.), коррелирующие с фотосинтетической активностью, содержанием воды, пигментов и азота. Возможно построение карт распределения этих параметров по листу или кроне.
Высокая пропускная способность
Современные гиперспектральные системы, устанавливаемые на феноплатформы, конвейерные линии или БПЛА, позволяют за один пролёт сканировать тысячи растений, автоматически выделяя из изображения каждое растение и извлекая спектральные признаки.
Различение генотипов
Спектральные сигнатуры могут позволить различать близкородственные сорта/линии по устойчивости к засухе, болезням или по эффективности использования азота. Это открывает возможности для ускоренной селекции.
Неразрушающий контроль
Одно и то же растение можно измерять многократно в течение вегетации, прослеживая динамику признаков, что важно важно для оценки динамики признаков и фенотипической стабильности генотипа.
Отражение, поглощение и спектральные «отпечатки»: физическая основа фенотипирования
Способность гиперспектральной камеры различать сотни узких спектральных каналов базируется на уникальном взаимодействии света с тканями листа. Большая часть видимого света (400–700 нм) поглощается хлорофиллом, тогда как почти половина ближней инфракрасной энергии (700–1300 нм) отражается от клеточных стенок и межклеточных пространств. Именно эта разница позволяет бесконтактно оценивать фотосинтез, водный режим и биохимический состав растений.
Спектральные характеристики растительности
Спектральные сигнатуры культур: от общих данных к точным моделям
Каждый вид (и даже сорт) имеет характерный спектральный «отпечаток» в диапазоне 400–2500 нм, снимаемый практически непрерывно с шагом 1–10 нм. На рисунке выделены ключевые биофизические и биохимические показатели, которые можно количественно оценить в разных участках спектра.
На рисунке выделены конкретные биофизические и биохимические показатели, которые изучаются в различных участках спектра. По сравнению с обычными мультиспектральными снимками, гиперспектральные данные дают более глубокое понимание состояния растительности, позволяют строить модели, анализировать пространственную неоднородность и эффективно отслеживать изменения
В отличие от мультиспектральных снимков (3–10 каналов), гиперспектральные данные позволяют строить предиктивные модели, анализировать пространственную неоднородность в поле и эффективно отслеживать динамику состояния растений по дням.
Принцип раннего обнаружения болезней растений с помощью гиперспектральной съемки
Патоген (гриб, бактерия, вирус) изменяет пигментный состав, водный баланс и структуру тканей задолго до появления визуальных симптомов (пятен, налёта, некроза). Гиперспектральная камера фиксирует эти невидимые изменения спектральных сигнатур — и позволяет выявить заражённые растения на стадии, когда традиционный осмотр бесполезен.
Анализ спектральных сигнатур позволяет делать выводы о состоянии растительности и выявлять проблемы на ранних стадиях
Бурая ржавчина пшеницы (Puccinia recondita) - грибковое заболевание, поражающее стебли, листья и зерна пшеницы, ячменя, ржи.
Мучни́стая роса́, пепелица, бель — грибковое заболевание растений, вызываемое микроскопическими эктопаразитическими грибами из рода (Erysiphales).
Мучни́стая роса́, пепелица, бель — грибковое заболевание растений, вызываемое микроскопическими эктопаразитическими грибами из рода (Erysiphales).
Объективные количественные данные
Вы получаете объективные количественные данные о здоровье растений за 1–2 недели до визуальной диагностики.
Отбор устойчивой линии
Можете отбирать устойчивые линии по спектральным маркерам, не дожидаясь развития болезни.
Экономия времени
Экономите время на полевых обследованиях и лабораторных анализах.
Выбор метода фенотипирования: что подходит именно вам?
Эффективность селекционной программы напрямую зависит от точности и скорости сбора фенотипических данных. RGB-камеры, мультиспектральные системы, тепловизоры и флуориметры — каждый метод решает свой круг задач, но только гиперспектральная съёмка сочетает в себе высокое спектральное разрешение (сотни узких каналов) с возможностью количественной оценки биохимических параметров .
Варианты технического исполнения для фенотипирования
Выберите конфигурацию гиперспектральной системы, которая оптимально соответствует вашим исследовательским задачам — от полевых выездов до аэросъёмки и лабораторного анализа.
Гиперспектральная камера для БПЛА
Масштабируйте фенотипирование на десятки гектаров. Обеспечивает съёмку селекционных полей и питомников с пространственным разрешением до нескольких сантиметров. Позволяет оценивать неоднородность посевов и выделять перспективные линии.
Камера с построчным линейным сканированием (pushbroom)
Профессиональное решение для лабораторий и конвейерного анализа. Сканирование образцов на движущейся платформе (транспортёрная лента, линейный стол) даёт максимальное спектральное разрешение и повторяемость результатов. Оптимально для количественной оценки биохимических параметров (белок, масло, влага).
Гиперспектральная камера + микроскоп: увидеть химию каждой клетки
Сочетание гиперспектральной камеры с микроскопом превращает стандартное оптическое устройство в мощный аналитический комплекс. Теперь вы можете не просто рассматривать срез, а получать спектральный «отпечаток» каждого участка ткани или отдельной клетки. Это позволяет выявлять патологии (рак, некроз), идентифицировать микрочастицы и оценивать биохимический состав без окрашивания и разрушения образца.
Объективная минералогия и цифровые двойники пласта
Гиперспектральный анализ керна: от ручного описания к 3D-модели месторождения
Традиционное визуальное описание керна субъективно, невоспроизводимо и пропускает тонкие пропластки. Гиперспектральное сканирование решает эти проблемы: каждый миллиметр керна измеряется в сотнях спектральных каналов, создавая цифрового двойника пласта. Повышение точности подсчёта запасов на 10–15%, ускорение работ в 5–10 раз, полная воспроизводимость результатов.
Почему гиперспектральная съёмка незаменима в современной геологоразведке?
Традиционные методы поиска полезных ископаемых требуют огромных временных и финансовых затрат на наземные работы, бурение и лабораторные анализы. Гиперспектральная съёмка с БПЛА или спутников позволяет эффективно локализовать перспективные участки до начала полевых работ, сокращая стоимость разведки в 3–5 раз.
Возможности гиперспектрального анализа
Ключевые преимущества гиперспектральной геологоразведки
Диагностические спектральные полосы
Минералы и горные породы имеют уникальные спектральные полосы поглощения в диапазоне 400–2500 нм (видимый и коротковолновый ИК-диапазон). Это позволяет надёжно идентифицировать их дистанционно.
Сотни узких спектральных каналов
Гиперспектральные сенсоры (например, FIGSPEC FS6A с 250+ каналами) регистрируют детальный спектр каждого пикселя, что даёт возможность различать минералы со схожими визуальными характеристиками.
Идентификация конкретных минералов, а не зон изменения
В отличие от мультиспектральной съёмки, гиперспектральная позволяет определять точный минеральный состав (например, каолинит, гётит, эпидот, хлорит), а не просто выделять зоны гидротермальных изменений.
Переход от качественного анализа к количественному
Современные алгоритмы обработки гиперспектральных данных (классификация, спектральное сопоставление, смесевое разложение) позволяют оценивать концентрации минералов и строить количественные карты распространения рудных тел.
Каждый минерал имеет уникальные спектральные сигнатуры – пики поглощения света на определённых длинах волн. Пики возникают из-за:
Важное замечание: одного диапазона недостаточно для полной минералогии.
- Электронных переходов (Fe³⁺, Fe²⁺, Cu²⁺ и др.) – в видимом и ближнем ИК (VNIR).
- Колебаний молекулярных связей (OH, CO₃, SO₄, Si–O) – в коротковолновом и среднем ИК (SWIR, MWIR, LWIR).
Важное замечание: одного диапазона недостаточно для полной минералогии.
- Кварц и полевые шпаты «не видны» в SWIR – для них нужен LWIR.
- Глины и карбонаты слабо детектируются в LWIR – для них нужен SWIR.
- Сульфиды (пирит, халькопирит, галенит, сфалерит) и золото не имеют диагностических пиков в этих диапазонах → выявляются косвенно по ассоциирующим минералам гидротермальных изменений (серицит, хлорит, карбонаты, ярозит).
Спектральные диапазоны и их «специализация»
Расшифровка диапазонов
Минералы и спектральные диапазоны (распознаваемость)
Что даёт гиперспектральное сканирование керна
Критерий
Традиционный метод
Гиперспектральный метод
Объективность
Зависит от геолога (разброс до 30%)
100% объективность, цифровые измерения
Детальность
Пропластки тоньше 1–2 мм не видны
Разрешение до 10–50 мкм → выявление пропластков <0.5 мм
Воспроизводимость
Повторное описание невозможно
Полная воспроизводимость через годы (цифровой архив)
Скорость
100 м = 2–3 дня
Современные системы сканируют до 2000 м за 8 часов (или 10–20 м/ч в лаборатории)
Интеграция с данными
Разрозненные данные
Единая цифровая экосистема: минералогия + RGB + ГИС + РФА + петрофизика
Что вы получаете на выходе
Цифровой двойник пласта – интерактивная модель с привязкой каждого сантиметра керна к минералогии, текстурам и лабораторным данным.
Машинная идентификация минералов – автоматическое распознавание глин, карбонатов, слюд, хлорита, кварца, полевых шпатов (включая «невидимые» в SWIR).
Увязка с ГИС и петрофизикой – снижение невязки глубин до 1–2%, возможность построения единой петрофизической модели пласта.
Экономический эффект – сокращение времени описания керна в 5–10 раз, повышение точности подсчёта запасов на 10–15%, снижение рисков пропуска продуктивных интервалов.
Основные компоненты системы сканирования керна
Варианты исполнения гиперспектральных систем для керна
Ключевые параметры производительности
Типовой конвейер обработки данных
Ключевые алгоритмы и методы анализа
Выходные данные системы сканирования
- Минералогическая карта керна – каждый сантиметр керна с указанием преобладающего минерала или минеральной ассоциации.
- Количественная минералогия – процентное содержание минералов в каждом интервале.
- Цифровая модель пласта – слоистость, литотипы, текстурные элементы.
- Привязка к ГИС – глубинно-скорректированные колонки с возможностью экспорта в Leapfrog, Petrel, Micromine.
- База данных лабораторных исследований – увязка точек отбора образцов с гиперспектральными данными.
Решение мирового уровня: система Specim SisuROCK
Промышленная система сканирования керна, сочетающая высокую производительность (до 2000 м/смену) с возможностью работы в диапазонах VNIR и SWIR (базовые модули). Опционально совместима с камерами MWIR и LWIR для расширения спектральных возможностей. Идеально подходит для массовой оцифровки керна в стационарных лабораториях.
Ключевые преимущества SisuROCK:
Подтверждённая эффективность:
Геологическая служба Швеции (SGU): использует SisuROCK для оцифровки национального архива керна, объемом более 3 миллионов метров. Сканирует 230 000 метров за 6 месяцев, чтобы сделать данные доступными для всех компаний и университетов.
Геологическая служба Норвегии (NGU): Эксплуатирует мобильную лабораторию на базе SisuROCK.
Геологическое управление Синьцзяна (Китай) - мобильная версия SisuROCK в 2025 году показала скорость 480 м/ч — в 3 раза выше лабораторных аналогов.
Золотодобывающая компания AngloGold Ashanti
Алмазодобывающая корпорация De Beers
- Скорость: до 2000 м за 8-часовую смену (Геологическая служба Швеции отсканировала 230 000 м за 6 месяцев).
- Гибкость: два режима – высокоскоростной (целые ящики) и высокодетальный (один керн).
- Спектральный охват: базовая совместимость с VNIR и SWIR; опционально – MWIR и LWIR.
- Объективность: 100% воспроизводимость, цифровой двойник пласта.
Подтверждённая эффективность:
Геологическая служба Швеции (SGU): использует SisuROCK для оцифровки национального архива керна, объемом более 3 миллионов метров. Сканирует 230 000 метров за 6 месяцев, чтобы сделать данные доступными для всех компаний и университетов.
Геологическая служба Норвегии (NGU): Эксплуатирует мобильную лабораторию на базе SisuROCK.
Геологическое управление Синьцзяна (Китай) - мобильная версия SisuROCK в 2025 году показала скорость 480 м/ч — в 3 раза выше лабораторных аналогов.
Золотодобывающая компания AngloGold Ashanti
Алмазодобывающая корпорация De Beers
Альтернативное предложение от «Проксима»: доступная цена, высокая спектральная детализация
Мы предлагаем рассмотреть разработку прямой альтернативы системе SisuROCK на базе гиперспектральных технологий компании CHNSpec – лидера гиперспектральной визуализации в Китае. Наше решение значительно экономит бюджет, сохраняя и даже улучшая ключевые характеристики.
Ключевые преимущества альтернативы
Более высокая спектральная детализация
Камера FS-13 предлагает 1200 каналов против 946 у SisuROCK в VNIR диапазоне, обеспечивая более тонкий анализ.
Современный SWIR-сенсор
FS-1A (до 250 каналов, охлаждаемый MCT-детектор) не уступает SWIR-модулю SisuROCK (288 каналов), но на современной элементной базе.
Значительная экономия бюджета
предлагаемое решение стоит от $400 000, что делает его гораздо более доступным и позволяет участвовать в тендерах с конкурентной ценой.
Сравнение SisuROCK (NGU) и альтернативного предложения
Что выбрать?
- SisuROCK – проверенное, эталонное решение для крупных национальных архивов и лабораторий с высоким бюджетом.
- Альтернатива от «Проксима» – более экономичный вариант, обеспечивающий сравнимую или превосходящую спектральную детализацию (особенно в VNIR-диапазоне), современные сенсоры и возможность кастомизации под бюджет конкретного проекта.