Оставьте свой номер и мы с вами свяжемся!
Или Вы можете позвонить нам сами:
+7 902 934 71 72

Сравнение возможностей гипер- и мультиспектральных камер для БПЛА для точного земледелия

Сальваторе Филиппо Ди Дженнаро 1, Пьеро Тоскано 1 ,*, Маттео Гатти 2, Стефано Пони 2, Андреа Бертон 3 и Алессандро Матезе 1

1 Институт Национального исследовательского совета по биоэкономике (CNR IBE), Via Caproni 8, 50145 Флоренция, Италия; [email protected] (S.F.D.G.); [email protected] (A.M.)

2 Департамент устойчивого растениеводства, Università Cattolica del Sacro Cuore, Via Emilia Parmense 84, 29122 Пьяченца, Италия; [email protected] (М.Г.); [email protected] (С..)

3 Институт наук о Земле и ресурсов Земли, Национальный исследовательский совет (CNR-IGG), Via Moruzzi 1, 56124 Pisa, Italy; [email protected]


Аннотация: Анализ спектрального отклика растительности с использованием оптических датчиков для неразрушающего дистанционного мониторинга представляет собой ключевой элемент мониторинга посевов. Учитывая широкое присутствие на рынке коммерческих решений на базе беспилотных летательных аппаратов (БПЛА), возникает потребность в четкой информации о характеристиках этих продуктов, чтобы помочь конечному пользователю в их выборе и использовании для применения в точном земледелии. Данная работа направлена на сравнение двух коммерческих продуктов на базе БПЛА, представленных DJI P4M и SENOP HSC-2 для получения мультиспектральных и гиперспектральных изображений соответственно на виноградниках. Точность обеих камер оценивалась по 6 различным объектам, обычно встречающимся на виноградниках, представленных голой почвой, голой каменистой почвой, каменистой почвой, почвой с сухой травой, частично покрытой травой почвой и пологом. Учитывая важность радиометрической калибровки, были оценены четыре метода коррекции мультиспектральных изображений с учетом установленного на камере датчика излучения (М1–М2) и использования эмпирической линейной модели (ELM) на основе опорных панелей отражения (М3–М4). Кроме того, были оценены различные настройки экспозиции DJI P4M. Производительность камер оценивалась с помощью расчета трех широко используемых вегетационных индексов (VI) в процентах погрешности (PE) по отношению к наземным измерениям спектрорадиометра. Полученные результаты подчеркнули важность референсных панелей для радиометрической калибровки мультиспектральных изображений (среднее значение ПЭ М1–М2 = 21,8–100,0%; Средний ПЭ М3–М4 = 11,9–29,5%). Как правило, гиперспектральная камера обеспечивала наилучшую точность при ПЭ в диапазоне от 1,0% до 13,6%. Обе камеры показали более высокую производительность на чистой пиксельной мишени купола по сравнению со смешанными мишенями. Однако эту проблему можно легко решить, применив широко распространенные методы сегментации для извлечения строк. Эта работа предоставляет информацию, которая поможет конечным пользователям спектрального мониторинга с помощью БПЛА получить достоверную информацию для анализа пространственно-временной изменчивости в пределах виноградников.



Ключевые слова: вегетационные индексы; точное земледелие; дистанционное зондирование; спектральная сигнатура; датчик изображения; радиометрическая калибровка

1. Введение


Спектральная реакция полога на солнечную радиацию, анализируемая путем расчета широкого спектра вегетационных индексов (ВИ), является основой применения дистанционного зондирования в сельском хозяйстве. Как структурные аспекты, так и биохимический состав, физиологические процессы и листовые симптомы влияют на то, как вегетативный ион отражает свет в различных областях электромагнитного спектра [1–3]. Таким образом, спектральный анализ дает важную информацию о вегетативном состоянии и потребностях сельскохозяйственных культур, однако оптимальное получение спектральных данных должно учитывать особенности каждой культуры, поскольку существуют структура и характеристики, влияющие на спектральный отклик. Среди различных видов сельскохозяйственных культур прерывистые древесные культуры, такие как виноградная лоза, отличаются высокой неоднородностью светоотражающих свойств благодаря междурядной архитектуре, сложным вертикальным шпалерным системам [4–7], а также растительности, включающей различные почвенные условия (голые, вспаханные и каменистые), междурядному травяному покрову и тени, а также часто в наклонных условиях. Поэтому в этих случаях важно распознать и отделить полог от других элементов. Учитывая различные доступные формы дистанционного зондирования Земли, лучшим решением для оптимального удовлетворения этих потребностей является использование беспилотных летательных аппаратов (БПЛА), которые в последнее десятилетие получили экспоненциальное распространение для широкого спектра научных исследований и применений в виноградарстве [7–11]. Эти платформы позволяют точно характеризовать изменчивость в полевых условиях, обеспечивая характеристику особенностей виноградной лозы с высокой временной частотой и пространственным разрешением [12–15].



Начиная с 2010 года, наблюдается непрерывный технологический прогресс в интеграции дронов с экономически эффективными технологиями зондирования, такими как цифровые камеры, способные получать изображения в видимой, ближней инфракрасной (NIR) и тепловой области спектра, а также точные технологии глобального спутникового позиционирования (GPS) и глобальной навигационной спутниковой системы (GNSS) [2,16]. В то же время на рынке растет доступность коммерческих продуктов по низким ценам, готовых и простых в использовании для пользователей с очень ограниченными технологическими ноу-хау [9,17,18]. Эти факторы способствовали широкому распространению БПЛА в сельском хозяйстве [19]. Среди различных типов датчиков, консолидированное и широкое использование ВИ для вегетативного мониторинга сельскохозяйственных культур привлекло внимание к разработке нескольких коммерческих решений мультиспектральных систем визуализации на базе БПЛА. Камеры высокого разрешения RGB и CIR (модифицированные RGB-камеры, способные захватывать зеленый, красный и ближний диапазоны) также могут использоваться для получения спектральных данных, если они спектрально и радиометрически охарактеризованы. Однако, как сообщают Aasen et al. [17], основными ограничениями являются малое перекрытие между спектральными каналами, которые, как правило, не соответствуют полосам, первоначально использовавшимся в стандартных видимых зонах, низкое радиометрическое разрешение и стабильность.



Первыми доступными решениями, ставшими стандартом для применения в сельском хозяйстве, стали мультиспектральные камеры, разработанные компанией Tetracam (Tetracam Inc., Чатсворт, Калифорния, США). В частности, семейство систем обработки изображений ADC (Agriculture Digital Camera), такое как модель ADC Lite, выпущенная в начале 2009 г. [20], основано на одном датчике изображения высокого разрешения, разделенном на мозаику фильтров, каждый из которых пропускает красное, зеленое или ближнее излучение. В конце 2009 года компания Tetracam представила модель Mini MCA [21], которая представляет собой миниатюрную версию предыдущего режима MCAl [22], с 4, 6 или 12 синхронизированными камерами, каждая из которых оснащена узкополосным фильтром, заданным заказчиком, требующим этапа многослойной реконструкции изображения. В этом первом поколении камер использовался датчик скользящего затвора, при котором не все части изображения записываются одновременно, что приводит к искажениям из-за движения камеры в полете [17]. Чтобы решить эту проблему, во втором поколении камер для беспилотных летательных аппаратов использовалась технология глобального затвора, которая позволяет всем пикселям сенсора одновременно запускаться и останавливаться при экспонировании (моментальный снимок), обеспечивая неискаженные изображения даже для высокоскоростных движущихся объектов. На рынке появились новые камеры с датчиками моментальных снимков, такие как Tetracam Snap (одна камера) или Tetracam Macaw (несколько камер). Между тем, другие глобальные решения для съемки затвора были разработаны различными компаниями, такими как Parrot Sequoia (Parrot Drone SAS, Париж, Франция), Micasense RedEdge (MicaSense Inc., Сиэтл, Вашингтон, США) и недавно DJI P4M (SZ DJI Technology Co., Ltd., Шэньчжэнь, Китай). Эти системы состоят из камер, способных улавливать отраженный свет с полосой пропускания 10–40 нм в видимом, красном и ближнем ИК-спектральном каналах, а затем совместно регистрироваться для создания составного изображения с несколькими спектральными каналами [23]. Мультиспектральные камеры считаются консолидированными инструментами для расчета основных вегетативных индексов, однако уменьшенное количество полученных спектральных каналов (как правило, пять каналов: синий, зеленый, красный, красный край и ближний диапазон) и дискретная полоса пропускания (в среднем 10–40 нм) не все позволяют проводить высокодетальный анализ путем исследования спектрального отклика полога в дальнейших специфических показателях длины волны. Новым решением для преодоления этих ограничений является разработка специальных гиперспектральных камер для установки на платформах БПЛА [2,3,24–26]. Эти датчики обеспечивают спектральную сигнатуру каждого пикселя каждого изображения, создавая трехмерный куб данных или гиперкуб. В частности, каркасный гиперкуб состоит из последовательности изображений, каждое из которых соответствует отдельным полосам, полученным камерой. Гиперспектральные камеры можно классифицировать в соответствии с методологией, по которой эти датчики строят гиперкуб. Сканирующий датчик, такой как Headwall micro-Hyperspec VNIR (Headwall Photonics Inc., Болтон, Массачусетс, США), записывает изображения строка за строкой в движении, в то время как датчики моментальных снимков, такие как Senop HSC-2 (Senop Oy, Kangasala, Финляндия), записывают отдельные изображения для каждого диапазона, выбранного последовательно во времени. Учитывая этот аспект функциональности, можно оценить, что моментальная гиперспектральная камера концептуально больше похожа на ранее описанную коммерческую мультиспектральную камеру с глобальным затвором, где каждая оптика на канал захватывает все пиксели изображения одновременно. Упрощая, основное отличие от этих камер заключается в том, что гиперспектральная моментальная камера генерирует многослойный куб из полос, полученных последовательно с течением времени, в то время как в мультиспектральной камере с глобальным затвором, такой как DJI P4M, многослойное изображение генерируется полосами, полученными одновременно с пяти отдельных оптических элементов. Как сообщают Aasen et al. [17], многоспектральные и гиперспектральные сенсоры, основанные на различных линзах или настраиваемых фильтрах, дают изображения с невыровненным спектральным каналом. Эта проблема критична при полете на малых высотах и большой скорости, а также при большом количестве захваченных полос. Учитывая, что модели мультиспектральных камер последнего поколения обычно имеют 4 или 5 объективов, в программном обеспечении реализованы очень точные алгоритмы корегистрации каналов, что позволяет генерировать высококачественные многослойные ортофотопланы. Этот аспект является более критичным и по-прежнему сложным для гиперспектральных технологий моментальных снимков, где для получения огромного количества спектральных каналов присутствует пространственный сдвиг между изображениями каждого отдельного канала. Для решения этой проблемы Honkavaara et al. [27] предложили методологию совместной регистрации, основанную на ориентациях нескольких выбранных каналов с использованием фотограмметрического подхода, а затем используемую в качестве опорных каналов для сопоставления других невыровненных каналов.



На рынке представлено множество типов программного обеспечения, таких как Pix4D (Pix4D S.A., Прилли, Швейцария), DJI Terra (SZ DJI Technology Co., Ltd., Шэньчжэнь, Китай) или Agisoft Metashape (ООО «АгиСофт», Санкт-Петербург, Россия), для автоматизации постобработки изображения, способной распознавать характеристики используемой мультиспектральной камеры и вносить необходимые геометрические поправки (дисторсия объектива и устранение виньетирования). В качестве следующего шага метаданные GPS используются для неконтролируемого геопозиционирования и фотограмметрической реконструкции [28,29], и, наконец, эти программы генерируют точную ортофотозаику и цифровую модель поверхности (ЦММ) контролируемого поля. Однако наиболее важной фазой в процессе обработки является радиометрическая коррекция, которая имеет основополагающее значение для обеспечения корректных и сопоставимых спектральных данных, нормированных с учетом различных условий освещения окружающей среды [30,31]. Процесс радиометрической калибровки позволяет конвертировать необработанные цифровые числа (DN) изображения в данные об отражательной способности, связанные со спектральным откликом купола, что является необходимым для вычисления широкого диапазона VI [1,32]. Наиболее распространенным подходом к решению этой проблемы является эмпирический линейный метод (ELM), основанный на получении в ходе полета хотя бы одной опорной панели с известными отражательными и ламбертовыми свойствами, что означает, что на отражательную способность поверхности угол освещения не влияет [29,33]. В соответствии с этим методом, зависимость между DN эталонной панели, извлеченной из изображения БПЛА, и известным значением коэффициента отражения этой панели используется для преобразования DN всех пикселей изображения в значения коэффициента отражения [14,34,35].



С другой стороны, некоторые мультиспектральные камеры потребительского класса могут улучшить качество спектральных данных за счет использования датчика освещенности, установленного в верхней части платформы БПЛА, способного измерять глобальное падающее излучение синхронно с излучением растительности, улавливаемым камерой. Более высокая точность может быть достигнута с помощью других камер (таких как Tetracam Mini MCA, MicaSense RedEdgeM или DJI P4M), оснащенных подиапазонным датчиком падающего света, который позволяет измерять освещенность для каждой полосы, полученной от камеры. Это условие позволяет использовать другой подход к радиометрической калибровке, определяемый Cao et al. [36] как измеренное падающее излучение (MIR), используя данные, собранные датчиком освещенности камеры во время полета, для оценки коэффициента отражения изображения. Авторы сообщают, что многие типы программного обеспечения для обработки изображений способны выполнять автоматическую коррекцию с использованием метаданных об освещенности каждого изображения.



Разные датчики могут использовать разные методы преобразования, но процесс оказывает сильное влияние на величину коэффициента отражения, что, в свою очередь, влияет на расчет VI. Не прибегая к эмпирической калибровке, многие производители камер используют свои методы радиометрической калибровки. Как сообщают Фрейзер и Конгалтон [37], эти коммерческие решения трудно тщательно исследовать из-за обработки «черного ящика», налагаемой на несколько этапов в каждом программном пакете. DJI Phantom 4 Multispectral (P4M), в отличие от многих других, предоставляет пользователям DN-числа, которые затем могут быть преобразованы в коэффициент отражения для измерения VI [38] с помощью программного обеспечения DJI Terra или с помощью эмпирического линейного метода, выполняемого пользователем. Этот аспект положил начало исследованию, позволившему использовать коммерческое программное обеспечение DJI в обеспечении точной радиометрической коррекции DN изображений в формате RAW. Учитывая широкое использование ВИ в точном земледелии, данное исследование направлено на оценку и сравнение изображений дистанционного зондирования, полученных двумя хорошо рассеянными коммерческими камерами с моментальным подходом, но разной спектральной мощностью обнаружения, представленными мультиспектральными датчиками P4M и гиперспектральными датчиками SENOP HSC-2. Как подчеркивают некоторые авторы [39–41], для корректного проведения этого сравнения для оценки точности и производительности данных дистанционного зондирования Земли был использован портативный полевой спектрорадиометр.



Для всех категорий пользователей, как в научно-исследовательском, так и в операционном секторе, знание плюсов и минусов коммерческих датчиков может иметь решающее значение при выборе правильного датчика для конкретных требований, а также при правильном инвестировании денег в оборудование, которое все еще дорого для применения в сельском хозяйстве, особенно в гиперспектральную камеру. Тем не менее, существует несколько отчетов, в которых сравниваются характеристики различных камер на основе БПЛА при мониторинге урожая при одинаковых условиях освещения.



von Bueren et al. [42] сравнили четыре оптических датчика на базе БПЛА с наземными спектральными измерениями, чтобы оценить их пригодность для применения в сельском хозяйстве, обнаружив более высокую производительность спектрорадиометра без визуализации (R 2 = 0,98) и Tetracam Mini-MCA6 (R 2 = 0,92), в то время как более низкую производительность с камерой Canon PowerShot SD780 RGN (красный-зеленый-нир) (R 2 = 0,65) и камерой SONY Nex5n RGB (R 2 = 0,63).



Bareth et al. [43] сравнили две гиперспектральные камеры, Cubert UHD185 (Cubert GmbH, Ульм, Германия) и Rikola (Rikola Ltd., Оулу, Финляндия), и показали, что оба датчика очень хорошо согласуются с измерениями наземного полевого спектрометра. Nebiker et al. [44] исследовал работу двух мультиспектральных камер, установленных на легкой платформе eBee с неподвижным крылом (SenseFly, Шезо-сюр-Лозанна, Швейцария) с использованием портативного спектрорадиометра HandySpec Field (tec5, Oberursel, Германия). Сравнение проводилось с использованием недорогого однообъективного фотоаппарата Canon S110 NIR (Canon США Inc., Мелвилл, Нью-Йорк, США) с модифицированными цветными фильтрами Байера (зеленый, красный и ближний) и высококлассной четырехоптической камеры с полосовыми интерференционными фильтрами (зеленый, красный, красный и nir) multiSPEC 4C (SenseFly, Шезо-сюр-Лозанна, Швейцария). Результаты показали, что измерения с помощью высококлассной камеры очень хорошо коррелируют с измерениями наземного полевого спектрометра, со средней разницей в 0,01–0,04 значения NDVIс. Что касается недорогой камеры, то, несмотря на то, что она способна обеспечить заметно более высокое пространственное разрешение (12 Мп против 1,2 Мп), она обнаруживает значительное смещение значений NDVI −0,26, в первую очередь вызванное перекрывающимися спектральными каналами.



Сравнение двух моделей мультиспектральных камер, узкополосной Mini-MCA6 и широкополосной Parrot Sequoia, было проведено Deng et al. [35]. Авторы получили данные дистанционного зондирования Земли одновременно с шестью стандартными панелями диффузного отражения (4,5%, 20%, 30%, 40%, 60% и 65%) и получили наземные измерения растительного хлорофилла. Результаты показали, что отражательная способность камеры Mini-MCA6 имеет более высокую точность в ближнем ИК-диапазоне, но требует точного радиометрического метода нелинейной калибровки, в то время как точность отражения Sequoia была выше в красной краевой полосе.



Lu et al. [38] проанализировали производительность датчиков Parrot Sequoia и DJI P4M, используя различные комбинации коэффициентов корреляции и оценок точности. Результаты показали, что Sequoia и P 4M высоко коррелируют с портативным спектрорадиометром ASD (R2 > 0,90) и обеспечивают хорошую точность (Sequoia RMSE < 0,07; P4M RMSE < 0,09).


Как сообщают Crucil et al. [45], следует учитывать тот факт, что характеристики мультиспектральной камеры могут меняться при оценке конкретных параметров, связанных с состоянием сельскохозяйственных культур или почвы. Фактически, авторы продемонстрировали, как различное разрешение, обеспечиваемое Parrot Sequoia и Tetracam Mini-MCA6 в некоторых областях спектра, может быть более функциональным для идентификации и моделирования качественных аспектов наблюдаемой мишени, представленной содержанием органического вещества в почве (SOC). В частности, авторы сообщили, что узкие полосы, используемые в камере Sequoia, с центром в 660 и 790 нм, охватывают спектральный диапазон, более коррелирующий с SOC (RMSE = 2,7, R 2 = 0,94), чем узкие полосы, доступные на Mini-MCA6 в тех же регионах (RMSE = 3,3, R 2 = 0,93), однако оба они достигли характеристик, аналогичных спектрам ASD, пересчитанным на окнах камер (RMSE = 2,6, R2 = 0,94).



Учитывая широкое использование БПЛА как исследователями, так и консалтинговыми сервисными компаниями, возникает необходимость в дальнейшей оценке эффективности. Более того, часто принимаются во внимание ВИ, в то время как оценке всех спектральных сигнатур уделяется мало внимания. Кроме того, не хватает исследований, которые учитывали бы не только растительный покров, но и другие объекты, которые могут присутствовать на поле, такие как голая или каменистая почва, травяной покров и смешанные условия, которые являются неотъемлемыми элементами спектрального анализа при проведении полевых мониторинговых мероприятий. Данная работа направлена на исследование всех этих аспектов.



В частности, целью данного исследования является анализ точности мультиспектральных и гиперспектральных изображений высокого разрешения, полученных в полете платформой БПЛА, оснащенной различными коммерческими камерами DJI P4M и SENOP HSC-2. Для достижения этой цели сначала была проведена оценка точности гиперспектральной камеры SENOP HSC-2 с помощью референсного спекторадиометра GER 3700 (Spectra Vista Corporation, Покипси, Нью-Йорк, США) с учетом 8 референсных панелей отражения и 5 различных целей, которые обычно можно найти на виноградниках и получить во время полевых мониторинговых мероприятий. Для выполнения этого анализа были рассмотрены как диаграммы рассеяния (датчики в сравнении с эталонными панелями), так и в визуальное сравнение (датчики в сравнении с эталонными панелями и датчики в сравнении с общими целями поля) каждой спектральной сигнатуры. Во-вторых, производительность гиперспектральной и мультиспектральной камеры оценивалась с помощью расчета VI, versus наземных истинных значений, предоставляемых спектрорадиометром. Вегетационные индексы, использованные в данном исследовании, были отобраны с целью тестирования каждого канала, доступного на обеих спектральных камерах, что учитывает широкое использование в дистанционном зондировании нормированных индексов NIR на основе NIR. Оценены 3 вегетационных индекса (GNDVI, NDVI, NDRE). В целом, мы хотим предоставить информацию, чтобы помочь конечным пользователям (пользователям дронов, политикам, исследователям) в определении подходящих калибровочных решений для получения достоверной информации от различных датчиков БПЛА для анализа пространственной и временной изменчивости на виноградниках.



2. Материалы и методы



2.1. Район исследования



Исследование проводилось в течение вегетационного периода 2020 года на винограднике площадью 1,4 га (355 м над уровнем моря), посаженном в 2008 году, принадлежащем ферме Castello di Fonterutoli (Marchesi Mazzei Spa) и расположенном в Кастеллина-ин-Кьянти (Сиена, Италия) (43◦25′45,30′′ N, 1117′17,92 E) (Рисунок 1). Виноградные лозы сорта Санджовезе (Vitis vinifera) были подготовлены с помощью шпалерной системы с одним кордоном и вертикальным расположением побегов. Расстояние между лозами составляло 2,20 × 0,75 м (междурядное и внутрирядное расстояние), а ряды были ориентированы на северо-запад-юго-восток на южном склоне виноградника.



2.2. Описание аппаратного обеспечения



Набор данных, использованный в этой работе для проведения спектрального сравнения между различными датчиками изображения, был получен с помощью серии полетных кампаний с использованием двух различных платформ БПЛА, оснащенных мультиспектральными и гиперспектральными камерами. Различные цели были предварительно идентифицированы, а затем получены во время каждого полета, чтобы иметь репрезентативные спектры различных условий, которые могут возникнуть в поле, таких как почва, травяной покров и полог и их сочетание. Кроме того, 8 референсных панелей с известным коэффициентом отражения были предназначены для радиометрической коррекции датчиков. Для оценки точности удаленных спектральных данных использовались проксимальные измерения, полученные с помощью референсного спектрометра.
Рисунок 1. Исследование виноградника расположено в Тоскане, Италия.
Мультиспектральное получение изображений проводилось с помощью камеры, установленной на DJI Phantom 4 Multispectral (P4M) (SZ DJI Technology Co., Ltd., Шэньчжэнь, Китай) (рис. 2в). Камера P4M оснащена шестью 1/2,9-дюймовыми CMOS-сенсорами, в том числе одним RGB-сенсором и пятью монохромными датчиками m для измерения спектрального отклика в синем, зеленом, красном, красном и ближнем ИК-диапазонах. Каждый датчик обеспечивает глобальный затвор с разрешением изображения 1600 × 1300 пикселей (эффективные пиксели 2,08 МП). Камера P4M также оснащена датчиком освещенности, предназначенным для нормализации DN каждого диапазона, обеспечивая выходной сигнал, определяемый DJI как «отражательная способность», которая не является реальными данными о коэффициенте отражения. Платформа БПЛА имеет взлетную массу 1487 г, а среднее время полета составляет 27 мин.



Датчик изображения, используемый для спектрального зондирования, представляет собой камеру SENOP HSC-2 (рис. 2d), которая получает моментальные изображения до 1000 узких полос в спектральном диапазоне 500–900 нм. Эта камера обеспечивает получение пикселей изображения с разрешением 1024 × 1024 без какой-либо интерполяции. Камера Senop HSC-2 оснащена датчиком снимка с глобальным затвором, основанным на технологии интерферометра Fabry-Pérot (FPI), который состоит из двух отдельных КМОП-сенсоров (видимого и ближнего ИК-диапазона), которые используют систему разделения луча и часть разделения луча для перенаправления световых лучей. Путем захвата последовательных кадров создается набор различных спектральных каналов. Кроме того, пользователь может выбрать спектральные каналы, пределы диапазона и спектральное разрешение гиперспектральных кубов, которые будет получать датчик. Основным ограничением этой камеры является прямое следствие управления 2 отдельными датчиками на этапе получения данных с высоким уровнем шума вблизи зазора около 14 нм (636–650) в точке соединения 2 датчиков. Однако, как сообщают Tommaselli et al. [46], эта техническая проблема не влияет на остальную часть спектра.



По этой причине графики спектральных сигнатур, представленные в разделе результатов данной статьи, показывают отсутствующие данные в этой области.
Рисунок 2. Платформы БПЛА DJI P4M(a) и Matrice 600 Pro (b) использовались в данном исследовании для выполнения мультиспектрального и гиперспектрального зондирования соответственно. Оптические датчики, использованные в исследованиях: мультиспектральная камера P4M (c), гиперспектральная камера SENOP HSC-2 (d) и спектрорадиометр d GER3700 (e).
Спектральная валидация наземных истин проводилась с использованием в качестве опорного полевого портативного спектрорадиометра GER-3700, который получает 704 полосы в спектральном диапазоне 350–2500 нм (рис. 2д). Этот спектрорадиометр измеряет данные точки зрения с помощью оптоволокна длиной 1,5 м с полем зрения 25 и обеспечивает автоматическую коррекцию темнового тока, автоматическую интеграцию и усреднение спектра. GER-3700 должен быть подключен к ноутбуку с Windows для сбора данных в режиме реального времени и отображения спектров, хранящихся в файле формата ASCII.



Особенности каждого датчика, использованного в данном исследовании, приведены в таблице 1.

Таблица 1. Технические характеристики датчиков.
2.3. Получение данных



Полеты БПЛА проводились в условиях ясного неба с 11:30 до 12:30 15 сентября 2020 года с получением изображений исследуемого участка, в том числе 6 различных наземных целей, представляющих распространенные типы поверхности, которые могут встречаться на винограднике, и 8 референсных панелей для радиометрической коррекции. Эти цели и панели также использовались в качестве наземных опорных точек (GCP) для процесса пространственной привязки. В ходе получения данных было выполнено в общей сложности 6 полетов с использованием P4M, установленного на собственной платформе БПЛА DJI (рис. 2 а), и БПЛА Matrice 600 Pro (SZ DJI Technology Co., Ltd., Шэньчжэнь, Китай) с SENOP HSC-2 (рис. 2 б). Получение мультиспектральных изображений проводилось на высоте 50 м над землей с разрешением 0,03 м/пиксель и 70% нахлеста в обоих направлениях. С помощью камеры P4M была проведена серия из 6 опросов с идентичным планированием полета для оценки влияния параметров конфигурации на условия освещения, устанавливая различные комбинации времени экспонирования (ET) и значения экспозиции (EV) 1/10 000_0, 1/8000_0, 1/8000_-0,7, 1/8000_1, AUTO_0, AUTO_-1. Что касается гиперспектрального зондирования, то высота полета была установлена на высоте 32 м над землей, что обеспечивало разрешение на земле 0,02 м/пиксель, в то время как скорость полета и расстояние до линии полета были установлены таким же перекрытием, как и при мультиспектральном полете (70% перекрытия в обоих направлениях). HSC-2 был сконфигурирован с 200 спектральными каналами с полной шириной и половинным максимумом (FWHM) 10 нм. Время интегрирования составило 1 мс, чтобы избежать эффекта насыщения, особенно при использовании белых референсных панелей. Во время полета БПЛА спектрорадиометр GER 3700 был использован для выполнения синхронных наземных измерений спектральной сигнатуры кроны виноградной лозы, наземных целей и референсных панелей для обеспечения корректной дистанционной проверки данных.



2.4. Панели определения характеристик цели и эталонного отражения



Производительность датчиков изображения, рассмотренных в этом исследовании, была оценена с использованием серии различных таргетов, идентифицированных на местности и помеченных деревянными рамами, специально построенными авторами для их правильного извлечения из удаленных изображений. Выбор типа и, следовательно, расположения целей был сделан для удовлетворения потребности в анализе спектральных характеристик наиболее распространенных поверхностей, которые могут встречаться на виноградниках (без травяного покрова в междурядьях), и которые, следовательно, могут быть включены в изображения, полученные в полете дроном во время мониторинга посевов. На рисунке 3подробно показано положение на местности 6 целей, выбранных в районе, близком к месту исследования. В частности, были выбраны 5 типичных почвенных условий, представленных голой почвой (рисунок 3 c), голокаменистой почвой (рисунок 3 d), каменистой почвой (рисунок 3 e), почвой с сухой травой (рисунок 3 f) и частично покрытой травой почвой (рисунок 3 g) и пологом виноградной лозы (рисунок 3h).


Рисунок 3. Наземные мишени располагаются на участке, близком к исследуемому винограднику (а). На рисунке подробно показаны эталонные отражающие панели, используемые для радиометрической коррекции (b), и цели, относящиеся к голой почве (c), голой каменистой почве (d), каменистой почве (e), почве с сухой травой (f), частично покрытой травой почве (g) и пологу (h).
Процесс радиометрической коррекции проводили с помощью викарной калибровки, основанной на методе абсолютного излучения с использованием восьми однородных и ламбертовых поверхностей, размещенных на земле вблизи места взлета (рис. 3, б). Характеристики эталонных панелей подробно описаны в таблице 2.
Таблица 2. Отражающие референсные панели, использованные в данном исследовании.
2.5. Предварительная обработка изображений



Предлагаемый концептуальный рабочий процесс обработки изображений представлен на рисунке 4.
Рисунок 4. Рабочий процесс обработки изображений.
Первым этапом предварительной обработки, выполненным в этом исследовании, была радиометрическая коррекция. Этот шаг позволяет преобразовать значение каждого пикселя, определяемое как цифровое число (DN), в излучение, которое представляет собой количество излучения, исходящего от поверхности, подверженной солнечному излучению.



Поскольку зависимость между DN и яркостью всегда линейна [47], то для преобразования неоткалиброванного изображения в сияние к значениям пикселей необходимо применить усиление и смещение, полученные из заводской калибровки. Затем излучение преобразуется в коэффициент отражения, чтобы обеспечить спектральное сравнение между различными датчиками, поскольку оно отражает долю излучения, падающего на поверхность, к излучению, отражающемуся от него. Фактически, коэффициент отражения — это свойство поверхности, которое, как ожидается, останется постоянным при определении различными радиометрами в одинаковых геометрических условиях.



Что касается процесса радиометрической коррекции, то рассматриваемая мультиспектральная камера представляет собой сложную ситуацию. Ортофотопланы, сгенерированные программным обеспечением DJI Terra, имеют не отражательную способность, а определенный формат, определенный компанией DJI как «отражательная способность», представленный DN, нормированным с образованием, обеспечиваемым датчиком облучения, размещенным на верхней части БПЛА. При сравнении мультиспектральных и гиперспектральных сенсоров с наземной истиной, представленной эталонным спектрорадиометром, эта особенность, обеспечиваемая P4M, была углублена. В этом направлении ВИ, используемые в качестве набора данных для сравнения, были рассчитаны с использованием входных каналов как отражательной способности, так и коэффициента отражения.

Набор данных мультиспектральной камеры P4M, полученный с разным временем экспозиции и значением, был предварительно обработан с помощью четырех различных радиометрических подходов, два из которых не были откалиброваны в DN (M1 и M2), а два других откалиброваны по коэффициенту отражения (M3 и M4). В частности, ниже перечислены четыре методологии:



• M1, спектральное сравнение, выполненное со значениями DNs из ортофотоплана, созданного с помощью программного обеспечения DJI Terra v. 1.0, без какого-либо шага калибровки;



• M2, спектральное сравнение, выполненное со значениями DN из ортофотоплана, сгенерированного с помощью программного обеспечения DJI Terra v. 2.0, без какого-либо шага калибровки;



• M3, спектральная композиция, выполненная со значениями коэффициента отражения, получена путем предварительной обработки значений DN из ортофотоплана, сгенерированного с помощью программного обеспечения DJI Terra v. 1.0, с применением метода эмпирических линий на каждом канале (синий, зеленый, красный, красный край и ближний диапазон) на основе восьми панелей отражения;



• M4, спектральное сравнение, выполненное со значениями коэффициента отражения, позволило получить предварительную обработку значений DN каждого изображения с помощью нового инструмента радиометрической калибровки, добавленного в программное обеспечение DJI Terra v. 2.0, который позволяет извлекать параметры калибровки, загружая изображения с референсными панелями.



Что касается предварительной обработки гиперспектральных изображений, было выполнено четыре последовательных этапа разработки: (а) коррекция геометрических искажений с помощью инструмента Lens Tool в программном обеспечении Agisoft Metashape; (b) удаление темных источников с помощью Matlab (MathWorks, Natick, MA, США), который позволяет удалять шумовые сигналы с каждого изображения; (c) радиометрическая коррекция изображений каждого отдельного канала с применением метода эмпирических линий с использованием восьми эталонных панелей отражения.



После этих этапов предварительной обработки Agisoft Metashape был использован для однополосной мозаики. Затем 200 полученных ортофотопланов были выровнены с помощью контролируемой процедуры пространственной привязки с использованием опорных точек, выполненной в программном обеспечении QGIS (QGIS—http://www. qgis.org/, по состоянию на 1 января 2022 г.).



Извлечение данных по каждому объекту и панелям осуществлялось из мультиспектрального и гиперспектрального ортофотопланов с помощью средних значений, содержащихся в ROI (Region Of Interest), определяемом полигоном размером 0,4 м × 0,4 м, центрированным в каждом объекте. Размер полигона был выбран в качестве эффективного решения, чтобы лучше отличать каждый объект от соседних и устранять граничные эффекты. Правильное извлечение значений пиксельного отражения полога было обеспечено процессом фильтрации, выполненным на ортофотоплане с использованием модели высоты навеса (CHM), описанной Ди Дженнаро и Матезе [5], которая позволяет удалить почву, тени и травяной покров.



2.6. Гиперспектральное сравнение



Первым анализом, проведенным в данном исследовании, стала оценка точности спектральных данных, полученных изображениями камеры Senop HSC-2 в полете на высоте 32 м. Спектральные сигнатуры референсных панелей и мишеней, идентифицированных на винограднике, извлеченных с помощью ROI из гиперспектальной мозаики, сравнивались с данными, полученными на местности с помощью эталонного спектрорадиометра. Спектральные данные по яркости и отражению сравнивались для каждого выявленного ROI. Затем производительность камеры Senop HSC-2 оценивалась с точки зрения коэффициента детерминации (R2) и среднеквадратической ошибки (RMSE), используя в качестве датасета средние значения яркости для интервала 10 нм в спектральном диапазоне 500–900 нм, для сравнения данных, полученных с GER 3700, которые обеспечивали различное спектральное разрешение.



2.7. Мультиспектральное сравнение



Учитывая, что на выходе мультиспектральной камеры получаются несколько дискретных спектральных значений на пиксель, сравнение между различными сенсорами, учитываемыми в данном исследовании, сосредоточено только на 4 спектральных каналах (зеленый, красный, красный и ближний). Синяя полоса (468–496 нм) в расчет не принималась, так как находится вне спектрального диапазона гиперспектральной камеры (500–900). Спектральные каналы для гиперспектральных данных (Senop HSC-2 и GER 3700) определялись как среднее арифметическое спектральных значений, измеренных в спектральных диапазонах каждого диапазона, предоставленных камерой DJI P4M.



Принимая во внимание более высокую робастность ВИ по отношению к использованию отражательной способности отдельных каналов в сравнительном анализе датчиков на основе БПЛА, о чем сообщают Olsson et al. [48], сравнение оценивалось с помощью расчета 3 ВИ, основанных на нормализованной разнице между ближним диапазоном и другими 3 каналами, обеспечиваемой мультиспектральной камерой (зеленый, красный и красный край), используя значения отражательной способности (M1 и M2) и отражательной способности (M3 и M4) на пиксель (Таблица 3). Эти ВИ показали хорошие результаты для различных целей, таких как оценка биофизических параметров сельскохозяйственных культур и обнаружение растительности [1,38,49]. Точность расчета ВИ с использованием набора данных, полученного с гиперспектральной и мультиспектральной камеры с 6 различными настройками экспозиции, была оценена с помощью процентной ошибки (ПЭ) (уравнение (1)) по отношению к истинному значению, измеренному эталонным спектрорадиометром GER 3700.
Таблица 3. Вычисленные ВИ, встречающиеся в литературе, и соответствующие им уравнения. G, R, RE и N — значения коэффициента отражения (GER, SENOP HSC-2 и DJI P4M) и отражательной способности (DJI P4M) в зеленом, красном, красном и ближнем инфракрасном диапазонах соответственно.
3. Результаты



3.1. Гиперспектральное сравнение



Первый результат, представленный в данной работе, направлен на сравнение спектральных сигнатур, полученных в полете беспилотным летательным аппаратом, оснащенным гиперспектральной камерой SENOP HSC-2, и валидационных данных, полученных на земле с помощью эталонного спектрорадиометра GER 3700. На рисунке 5 a, b показаны спектральные сигнатуры в излучении, полученные с референсных панелей 3 Opt oPolymer (черные линии) и 5 Senop (красные линии), измеренные соответственно с помощью спектрорадиометра и гиперспектральной камеры.



При визуальной оценке спектральных сигнатур 8 панелей, представленных на рисунке 5, можно заметить, что и спектрорадиометр (рис. 5 а), и гиперспектральная камера (рис. 5 б) показывают одни и те же тенденции, с небольшим завышением гиперспектральной камерой в видимой области (500–700 нм). Оценка характеристик гиперспектральной камеры была углублена путем агрегирования спектральных данных GER 3700 и SENOP HSC-2 по кластерам 10 нм. Данные, полученные на 3 панелях OptoPolymer (рис. 5 c) и на 5 панелях Senop (рис. 5d), были проанализированы отдельно, и обе дали отличный коэффициент определения (R2 = 0,99), а также хорошие результаты с точки зрения абсолютных значений со среднеквадратичным значением 12 905,34 и 10 082,95 × 10−10 Вт/см2 /nm/sr для панелей OptoPolymer и Senop соответственно. Оценка спектральных данных, полученных в полете SENOP HSC-2, показала, что он может предоставлять данные в соответствии с наземными измерениями, полученными с помощью GER 3700. Что касается абсолютных значений в полном диапазоне отражения, обеспечиваемого 8 панелями (0,02–0,97%), то в видимой области со значениями яркости выше 150 000 × 10−10 Вт/см2/нм/ср наблюдается небольшое завышение.
Рисунок 5. Спектральная характеристика референсных панелей OptoPolymer (черные линии) и Senop (красные линии) с использованием GER 3700 (a) и SENOP HSC-2 (b). Диаграммы рассеяния, связанные со спектральным сравнением GER 3700 и SENOP HSC-2 с использованием эталонных панелей OptoPolymer (c) и Senop (d) Условные обозначения: коэффициент отражения 0,97% (черная сплошная линия), коэффициент отражения 0,56% (черная линия Лонг-Да), коэффициент отражения 0,10% (черная пунктирная линия), коэффициент отражения 0,88% (красная сплошная линия), коэффициент отражения 0,50% (красная длинная пунктирная линия), коэффициент отражения 0,25% (красная пунктирная линия), коэффициент отражения 0,09% (красная пунктирная линия), Коэффициент отражения 0,02% (красная пунктирная линия).
После того, как была оценена точность гиперспектральной камеры, установленной на БПЛА, движущемся на высоте 32 м, были детально проанализированы спектральные сигнатуры основных целей, которые обычно встречаются в поле.



На рисунках 6 и 7 показаны графики, на которых специальные сигнатуры, извлеченные из гиперспектральной мозаики, сравниваются с сигнатурами, полученными на земле с помощью спектрорадиометра как по яркости, так и по коэффициенту отражения. В частности, на рисунке 6 исследуются нерастительные почвенные объекты, т.е. голая почва (рис. 6 a,b), смешанная голокаменистая почва (рис. 6 c,d) и каменистая почва (рис. 6e,f), в то время как на рисунке 7 представлены спектральные сигнатуры, извлеченные из растительных объектов, представленных почвой с сухой травой (рис. 7 a,b), почвой с травой (рис. 7 c, г) и навес (рис. 7, д, е).



Во-первых, визуальный анализ спектральных сигнатур, извлеченных из различных мишеней, подтверждает способность гиперспектральной камеры SENOP HSC-2 обеспечивать тот же спектральный тренд, что и GER 3700, в соответствии с тем, что наблюдалось ранее при сравнении, сделанном на референсных панелях. С учетом абсолютных значений излучения наблюдается небольшое завышение в видимой области (примерно 500–700 нм) по всем объектам, полученным на земле (рис. 6). Что касается сигнатур, содержащих растительность (рис. 7), то абсолютные значения гораздо больше соответствуют данным GER 3700, а на куполе На рисунке 7e показаны спектральные сигнатуры с сильно перекрывающимися значениями. Принимая во внимание высокие значения яркости более 60 000 × 10−10 Вт/см2/нм/ср в ближнем ИК-диапазоне (длины волн > 800 нм), занижение наблюдалось в основном на растительных мишенях, что, следовательно, обнаруживается и в значениях отражения.


Рисунок 6. Сравнение спектральной сигнатуры GER 3700 (черная линия) и SENOP HSC-2 (красная линия) по излучению и коэффициенту отражения голой почвы (a,b), голокаменистой почвы (c,d) и каменистой почвы (e,f).
3.2. Мультиспектральное сравнение



В таблице 4 представлены результаты оценки точности гиперспектральных камер SENOP HSC-2 и мультиспектральных DJI P4M путем расчета вегетационных индексов, обычно используемых в точном земледелии, на основе нормированной разницы между ближним и зеленым (GNDVI), красным (NDVI) и красным краем (NDRE) каналами. Результаты сосредоточены на влиянии различных подходов к радиометрической калибровке, рассмотренных в исследовании, как без (M1, M2), так и с ELM на основе панелей координат (M3, M4), для оценки влияния этого этапа обработки на дистанционное зондирование DJI P4M. Результаты представлены в процентах погрешности (ПЭ) (%) по отношению к эталонным данным со спектрорадиометра.

Во внимание принимались сигнатуры, извлеченные из растительных объектов, в частности, почвы с сухой травой, почвы с зеленой травой и полога.



Камера HSC-2 показала оптимальные результаты с минимальной погрешностью на GNDVI (PE = 2,7%) на низких значениях сигнала (почва с сухой травой), при несколько более низкой точности при NDVI и NDRE, PE = 13,6% и PE = 9,3% соответственно (табл. 4). Промежуточная мишень обеспечивала низкую ПЭ в GNDVI (13,0%) и NDVI (9,2%), но самую высокую точность в NDRE (PE = 2,2%). Отличные результаты были получены при мониторинге мишени пикселей чистого купола как для GNDVI, так и для NDVI (PE = 1.0% и PE = 1.6% соответственно), при этом по-прежнему низкие ошибки с NDRE (PE = 6.5%). Наблюдая за общей производительностью камеры HSC-2, результаты показывают, что ошибки в среднем составляют до 6,7%, распределенные в соответствии с тенденцией, связанной с растительным покровом и длиной волны спектра. Детально выделены дискретные погрешности (ПЭ = 9,2–13,6%) при отсутствии (рис. 3 f) или низком наличии (рис. 3g) активного растительного покрова, в то время как на пологе гудрона с полным растительным покровом HSC-2 дал результаты, соответствующие GER 3700.
Рисунок 7. Сравнение спектральной сигнатуры GER 3700 (черная линия) и SENOP HSC-2 (красная линия) по освещенности и отражательной способности почвы с сухой травой (a,b), почвы с травой (c,d) и полога (e,f).
Таблица 4. Результаты сравнения 3-х вегетационных индексов (GNDVI, NDVI, NDRE), рассчитанных для растительного покрова, почвы с травой и почвы с сухими травяными мишенями с использованием гиперспектральных камер SENOP HSC-2 и мультиспектральных камер DJI P4M с 6 различными настройками экспозиции и 4 подходами радиометрической калибровки, с VI, полученными с помощью эталонного спектрорадиометра GER 3700. В таблице представлены результаты в процентах от ошибки (PE) (%).
4. Обсуждение



Первый результат, представленный в этой работе, сравнивает спектральные сигнатуры, полученные в полете с помощью гиперспектральной камеры SENOP HSC-2 и на земле с помощью эталонного спектрорадиометра GER 3700. Визуальный анализ спектральных сигнатур, извлеченных из эталонных панелей отражения, и основных мишеней, которые обычно можно найти в поле, показал сопоставимые тенденции. Абсолютные значения в полном диапазоне коэффициентов отражения (0,02–0,97%) (рис. 5c,d) показали незначительное завышение для SENOP HSC-2 в видимой области с повышенным излучением (более 150 000 × 10−10 Вт/см2/нм/ср). Однако, если оценивать использование камеры для мониторинга посевов, то этот фактор оказывает минимальное влияние, учитывая, что яркость растительности видимой области значительно ниже. Кроме того, спектральные сигнатуры, собранные с 2 типов референсных панелей (рис. 5, c, d), обеспечивают согласованные результаты, что добавляет дополнительную надежность этому спектральному сравнению.



Что касается наземных целей, то полностью покрытая растительностью мишень (рис. 7e,d) предваряла спектральную сигнатуру, более соответствующую данным, предоставленным GER 3700, с сильно перекрывающимися значениями в видимой области (500–700 нм). Недооценка, наблюдаемая в ближней области (>800 нм), заметна и по сигнатурам, полученным на референсных панелях на рисунке 5b, поэтому это может быть связано с другой чувствительностью камеры SENOP HSC-2 в конечной части спектрального рабочего диапазона. По этому вопросу другие авторы [47,52,53] сообщают о некотором расхождении между наземными измерениями достоверности, выполненными с помощью спектрорадиометра, и дистанционными данными, полученными в полете, что может свидетельствовать о том, что большее расстояние между объектом и датчиком может повлиять на качество данных. Более того, Stow et al. [52] обнаружили более высокое влияние в красном крае и NIR-полосах по отношению к зеленому и красному. Наши незначительные различия в поведении нескольких спектральных сигнатур (рис. 6 и 7) могут быть оправданы тем фактом, что измерения проводились с помощью совершенно разных сенсоров, вероятно, с разной чувствительностью по всему контролируемому спектру (500–900 нм), основанных на противоположном подходе к получению (проксимальный или удаленный, статический или динамический), потенциально усиленном полевыми условиями по отношению к контролируемым лабораторным исследованиям. Ключевым фактором является контролируемая поверхность, на самом деле, в то время как данные БПЛА были извлечены с помощью полигона, покрывающего всю поверхность цели, контролируемая поверхность в пределах кругового поля зрения оптического волокна спектрорадиометра отличается и не может быть легко проверено в полевых условиях. В этом случае небольшие отклонения угла по отношению к оси волокна могут привести к изменениям контролируемой поверхности. Это становится особенно важным в случае смешанных мишеней с более высокой гетерогенностью.



Что касается сравнения с точки зрения точности (PE) гиперспектральных камер SENOP HSC-2 и мультиспектральных камер DJI P4M с помощью расчета некоторых видов (табл. 4), то гиперспектральная камера в целом показала в основном хорошие результаты при расчете VI по отношению к наземным данным, предоставляемым GER 3700. Тем не менее, известны случаи с ПЭ примерно до 13,0%, вероятно, из-за плохого качества сигнала или наличия шума в некоторых из рассмотренных регионов. Такое поведение можно объяснить, изучив спектральные сигнатуры целей, показанных на рисунке 7. В частности, высокий уровень шума можно наблюдать в области красных и красных краев, рассматриваемых в исследовании для почвы с мишенью из сухой травы (рис. 7a,b), в то время как в частично заросшей растительностью мишени (рис. 3g) более высокий шум может наблюдаться в зеленой и красной полосах. Наиболее правдоподобное объяснение может быть связано с ошибкой перекрытия между поверхностью, контролируемой с помощью кругового поля зрения волокна GER 3700, и ROI, полученным на гиперспектральных изображениях. Даже минимальная ошибка перекрытия приводит к сильному ухудшению в случае неоднородных целевых условий, таких как мишени при отсутствии или частичном присутствии активной растительности (рис. 3, ж), с голой почвой, камнями, сухой и зеленой травой.



Что касается камеры P4M, то все индексы, рассчитанные с использованием M1 и M2, как правило, обеспечивали более низкую производительность, вплоть до 100% погрешности во всех установках камер P4M для всех установок камер P4M с мишенью для сухой травы и для почвы с мишенью для травы с использованием VI на основе зеленого. Такое поведение указывает на наличие фонового шума, который не корректируется датчиком солнца (M1 и M2) без коррекции на основе эталонных панелей (M3 и M4). Таким образом, при более низких значениях сигнала (почва с сухой травой) этот шум более эффективен, что приводит к высокой погрешности качества данных. Результаты показывают, что этот шум прогрессивно уменьшается с ростом входящего сигнала, что является следствием увеличения растительной поверхности в объекте (почва с травой). Учитывая результаты 3-х ВИ, исследованных на этой промежуточной мишени, можно наблюдать, что этот шум больше в первой части спектра (зеленый) и уменьшается на более высоких длинах волн. На самом деле, меньшие ошибки наблюдаются в красном канале, с отличными результатами в красном краевом канале. Эта тенденция в распределении ошибок по спектру также обнаруживается на мишени с чистым пологом. По индексу GNDVI наблюдались в среднем высокие погрешности, равные 38%, по индексу NDVI ошибки были ниже (около 20%), в то время как эти методы давали наиболее точные значения всего датасета с индексом NDRE. В целом, два метода, основанные на отражательной способности, без какого-либо этапа калибровки обеспечили одинаковую производительность при использовании в качестве входных данных для расчета VI. Это подтверждает, что программное обеспечение Terra DJI v. 2.0 не обеспечивает какого-либо улучшения значений DN, извлеченных с помощью программного обеспечения v. 1.0.



Повышенная точность, как правило, обеспечивалась за счет того, что VI были рассчитаны с использованием двух методов, основанных на коэффициенте отражения, полученных с использованием ELM на каждом канале на основе эталонных панелей для значений DN из программного обеспечения DJI Terra v. 1.0 (M3) и с помощью инструмента калибровки, доступного в программном обеспечении DJI Terra v. 2.0 (M4). Оба метода дали более низкие ПЭ на целевом пологе и более высокие на почве с травой, в то время как ВИ, рассчитанные на почве с сухой травой, показали промежуточные значения. Все ВИ, рассчитанные с использованием набора данных M3 и M4, показали низкий уровень ПЭ, в среднем менее 20%, однако, рассматривая только цель купола, индекс NDRE показал несколько меньшую точность.



В целом, как и ожидалось, VI, рассчитанные с использованием значений отражательной способности в качестве входных данных (M1 и M2), гораздо менее точны, чем индексы, рассчитанные со значениями коэффициента отражения (M3 и M4). Единственное исключение было выявлено на фонаре, где индекс NDRE, рассчитанный с использованием данных об отражательной способности, показывает ошибку на 5–10% ниже, чем при использовании данных об отражательной способности. Причина, по которой красные значения показывают эту тенденцию, по-видимому, является следствием нормализующего эффекта радиометрической калибровки, но она неясна и требует дальнейшего изучения.



Точность ВИ, рассчитанных с помощью камеры P4M на мишени с чистым куполом, соответствует выводам Mamaghani et al. [53], где была проведена глубокая оценка заводской радиометрической калибровки камеры Micasense RedEdge. Рассматривая MicaSense предоставленный метод преобразования цифровых счетчиков в изображения яркости, полоса красного края показала наибольшую ошибку в освещенности по отношению к красной полосе, в то время как наименьшая ошибка была выявлена на зеленой полосе. Эти ошибки распространялись по коэффициенту отражения, и камера Micasense RedEdge обеспечивала более низкую точность с NDRE относительно NDVI. В целом, работа [53] продемонстрировала важность этапа радиометрической калибровки и показала, как любая ошибка может повлиять на спектральную точность как в области излучения, так и в области отражения.



Olsson et al. [48] выделяют еще один фактор, который может повлиять на качество спектральных данных, репутацию датчика облученности. Они считают, что, поскольку датчик не имеет косинусоидального корректора, на данные влияет ориентация датчика и движения БПЛА, что вызывает шум, особенно при использовании мультикоптера по отношению к платформам с неподвижным крылом.



В недавних работах [48,52,54] сообщается, что точность нормализованных VI выше, чем точность отражения одиночных каналов, из-за большей устойчивости к переменным условиям освещения. Они были также идентифицированы Franzini et al. [55] с помощью камеры Parrot Sequoia, обнаружив существенные различия между одиночными картами отражения и картами VI. В частности, вычисляя среднеквадратичное значение для оценки различий между изображениями в перекрывающихся областях, авторы сообщают о самых высоких значениях для ближнего ИК-диапазона (0,06 < среднеквадратичного < 0,12), промежуточных значений для красного края (0,02 < среднеквадратичного значения < 0,05) и самых низких значений для зеленого (0,04 < среднеквадратичного значения < 0,06) и красного (0,01 < среднеквадратичного < 0,03). Аналогичное поведение было очевидно и для VI, где дифференциальные значения, рассчитанные по NDVI, показывают самые низкие значения RMSE (0,02 < RMSE < 0,04), в то время как более высокие значения для GNDVI (0,03 < RMSE < 0,07) и NDRE (0,04 < RMSE < 0,09).



Учитывая результаты, полученные 4 методами, можно подтвердить важность использования рядареференсных панелей, охватывающих большинство диапазонов отражения: таким образом, качество данных обеспечивается за счет коррекции на весь спектр сигнала, обнаруживаемого при мониторинге БПЛА, от низкого (почва с сухой травой) до высокого знака (чистый полог). Наши выводы согласуются с другими работами, такими как результаты, представленные Poncet et al. [29] по оценке эффективности пяти методов радиометрической калибровки с использованием камеры Parrot Sequoia. Результаты показали, что комбинация самокалибровки датчика излучения с ELM еще больше повысила точность данных, достигнутую во всех мультиспектральных диапазонах, по сравнению с использованием только датчика облучения. Противоположные результаты были выявлены Cao et al. [36], оценившими различные методы радиометрической коррекции с использованием гиперспектральной камеры Mjolnir-1240 (Hyspex Neo, Осло, Норвегия), где коррекция на основе датчика облучения обеспечивала более высокую точность средней спектральной абсолютной ошибки (ASAE = ±2,5%) по отношению к ELM (ASAE = ±7,0%). Эти результаты могут привести к мысли о том, что различные датчики освещенности могут давать разные результаты с точки зрения коррекции спектральных данных в зависимости от условий освещения.



Не было выявлено заметной разницы между характеристиками ВИ, рассчитанными при применении различных настроек экспозиции мультиспектральной камеры, особенно на объекте, представляющем наибольший интерес, представляемом куполом. Более низкая точность определения спектрального отклика почвы может быть приемлемой, учитывая, что одной из основных сильных сторон использования БПЛА является чрезвычайно высокое разрешение, которое позволяет применять методы фильтрации для выполнения анализа пикселей чистого полога [5,12,14,15,56,57 ]. Таким образом, результаты показывают, что различные настройки экспозиции обеспечивают результаты, сопоставимые с теми, которые получены при автоматической настройке времени экспозиции (AUTO_0), в которой, благодаря датчику солнца, мультиспектральная камера может нормализовать спектральные данные в соответствии с изменениями освещенности, которые могут возникнуть во время полета. Это свидетельствует о высокой эффективности системы, которая позволяет значительно упростить планирование полета и настройку датчиков, установив автоматический режим экспозиции и тем самым ограничив проблемы с передержкой или недодержкой.



Оценивая потенциал гиперспектральной камеры по сравнению с мультиспектральной камерой с использованием широкополосных индексов, таких как широко используемые исследованные индексы (GNDVI, NDVI, NDRE), была получена более высокая производительность первой. Тем не менее, истинный потенциал гиперспектральной камеры не используется для этих индексов, особенно на мишенях с чистыми пикселями купола. На самом деле, становится возможным получить хорошие результаты даже с помощью мультиспектральной камеры, применяющей стандартные методы фильтрации на ортофотоплане виноградника для вытягивания рядов. Что касается простого применения традиционных широкополосных ВИ в виноградарстве, то наши полученные результаты не могут оправдать покупку гиперспектральной камеры (40 000,00 долларов США) по сравнению с мультиспектральной камерой (ниже 11 000,00 долларов США), такой как DJI P4M, которая представляет собой хороший компромисс с точки зрения точности и стоимости. В то же время, основным ограничением широко распространенных мультиспектральных камер является исключение использования узкополосных индексов, выявленных в литературе [3], или освоение новых, поскольку эта область исследований все еще остается неизученной, учитывая последние достижения в области решений гиперспектральной визуализации на основе БПЛА по более доступным ценам для исследователей. Кроме того, спектральная характеристика специфических признаков растений, таких как состояние водного стресса, концентрация пигментов, идентификация изменений листьев, связанных с дефицитом микро- или макроэлементов или с симптомами заболеваний, а также качественный анализ плодов могут быть обработаны только с помощью гиперспектральной технологии.



5. Заключение



В данной работе предлагается сравнительное исследование в полевых условиях двух различных спектральных датчиков на основе БПЛА путем изучения основных целей, которые обычно встречаются при мониторинге виноградников. В частности, сравнивается точность гиперспектральных камер SENOP HSC-2 и мультиспектральных камер DJI P4M с использованием традиционных широкополосных VI измерений, выполненных с помощью эталонного спектрорадиометра GER 3700 для определения характеристик однородных или смешанных наземных целей почвы, травы и растительного покрова. Учитывая большое количество пользователей БПЛА, часто имеющих низкий опыт работы со спектральными датчиками, а также критическую проблему, связанную с радиометрической калибровкой, в этом исследовании мы хотели детально проанализировать различные типы настроек экспозиции камеры и 4 метода радиометрической калибровки нескольких спектральных изображений.



На первом этапе была проведена оценка оптимальных характеристик SENOP HSC-2 при спектральной характеристике однородных ламбертовых референсных панелей, использованных в данном исследовании по отношению к GER 3700. Далее была описана точность гиперспектральной камеры при спектральном сигнатурном анализе основных мишеней, обычно присутствующих на виноградниках. Переходя к сравнению камер, был представлен тщательный анализ спектральных характеристик обеих камер по основным целям. В целом, ВИ, рассчитанные на более гомогенных мишенях, таких как почва с сухой травой и растительный покров, являются наиболее точными, в то время как те, которые извлекаются из мишени с наибольшей гетерогенностью с точки зрения пространственного соотношения между почвой и зеленой травой, показывают наихудшую точность. Вероятно, неполное перекрытие участка земли, полученного круговым полем зрения GER 3700, по сравнению с выделением полигонов, выполненным на изображениях БПЛА, могло бы объяснить, почему самая низкая точность обнаруживается на более неоднородной цели, представленной почвой с травой, в которой одновременно присутствуют голая почва, камни и зеленая трава.



Учитывая мультиспектральную камеру, результаты продемонстрировали важность радиометрической калибровки, особенно в смешанных условиях (почва и растительность), и наибольшая точность была получена при использовании как датчика солнца, установленного на P4M, так и датчика ELM, основанного на наборе эталонных панелей, полученных во время полета. Не было выявлено заметной разницы между различными настройками экспозиции P4M, особенно в отношении ручной или автоматической настройки. Эти результаты подтверждают высокую эффективность системы DJI, которая обеспечивает хорошую точность даже в автоматическом режиме экспозиции, что делает возможным использование P4M также для пользователей с небольшими оптическими знаниями.



В заключение, выбор наилучшей камеры зависит от цели каждого вида деятельности по мониторингу и от ВИ, которые необходимо рассчитать. Применение методов фильтрации мультиспектральных камер являются отличным решением для мониторинга виноградников, однако радиометрическая коррекция имеет основополагающее значение. Кроме того, выяснилось, что камера P4M также хорошо работает с автоматической настройкой по сравнению с широкими возможностями ручной настройки параметров экспозиции. Это подтверждает превосходный технологический уровень, достигнутый DJI с этим продуктом, что делает этот тип мультиспектрального решения чрезвычайно удобным в использовании и готовым к использованию даже для пользователей с ограниченными знаниями.
Вклад авторов: Концептуализация, A.M., S.F.D.G.; Методология, A.M., S.F.D.G., A.B., P.T.; Формальный анализ, A.M., S.F.D.G.; Курирование данных, A.B., P.T.; Написание, рецензирование и редактирование, S.P., M.G., А.М., С.Ф.Д.Г.,.Т.; Супервизия, A.M., P.T., S.F.D.G., S.P. Все авторы ознакомились и согласились с опубликованной версией рукописи.

Финансирование: Данное исследование не получило внешнего финансирования.

Заявление Наблюдательного совета Института: Не применяется.

Заявление об информированном согласии: Не применяется.

Заявление о доступности данных: Данные, представленные в этом исследовании, можно получить у автора, ответственного за переписку, по обоснованному запросу.

Благодарности: Авторы выражают признательность замку Кастелло ди Фонтерутоли, принадлежащему маркизу Маццеи Спа Агрикола, за проведение экспериментальных мероприятий.

Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Ссылки



1. Гивос, Р.; Тассопулос, Д.; Каливас, Д.; Lougkos, N.; Приоволов А. Вегетационные индексы дистанционного зондирования Земли в виноградарстве: критический обзор. Сельское хозяйство 2021, 11, 457. [Перекрестная ссылка]

2. Тардагила, Дж.; Штоль, М.; Gutiérrez, S.; Проффитт, Т.; Диаго, М.. Умные приложения и цифровые технологии в условиях: Обзор.

Smart Agric. Technol. 2021, 1, 100005. [Перекрестная ссылка]

3. Матезе, А.; Бертон, А.; Ди Дженнаро, С.Ф.; Гатти, М.; Сквери, К.; Пони, С. Тестирование эффективности гиперспектральных изображений с помощью БПЛА в виноградарстве. В сборнике «Труды точного земледелия » '21; Вагенингенское академическое издательство: Вагенинген, Нидерланды; Будапешт, Венгрия, 2021; С. 509–516.

4. Рейнольдс, А.Г.; Ванден Хойвель, Д.Э. Влияние систем подготовки виноградной лозы на рост виноградной лозы и состав плодов: обзор.

Am. J. Enol. Витич. 2009, 60, 251–268.

5. Ди Дженнаро, С.Ф.; Матезе, А. Оценка нового прецизионного инструмента виноградарства для оценки биомассы полога и обнаружения отсутствующих растений на основе 2.5D и 3D подходов с использованием RGB-изображений, полученных платформой БПЛА. Методы растений 2020, 16, 91. [CrossRef]

6. Ди Дженнаро, С.Ф.; Дайнелли, Р.; Паллиотти, А.; Тоскано,.; Матезе А. Валидация Sentinel-2 для оценки пространственной изменчивости в виноградарстве с подвесной шпалерной системой в сравнении с БПЛА и агрономическими данными. 2019, 11, 2573. [Перекрестная ссылка]

7. Соцци, М.; Каяд, А.; Маринелло, Ф.; Тейлор, Дж.; Тиссейр Б. Сравнение снимков виноградников, полученных с помощью Sentinel-2 и беспилотного летательного аппарата (БПЛА). OENO One 2020, 54, 189–197. [Перекрестная ссылка]

8. Ромболи, Ю.; Ди Дженнаро, С.Ф.; Мангани, С.; Бушони, Г.; Матезе, А.; Genesio, L.; Винченцини, М. Сила винограда модулирует микроклимат грозди и влияет на состав виноградных и винных флавоноидов: беспилотный летательный аппарат на винограднике Санджовезе в Тоскане. Aust. J. Grape Wine Res. 2017, 23, 368–377. [Перекрестная ссылка]

9. Матезе, А.; Ди Дженнаро С.Ф. Практическое применение мультисенсорной платформы БПЛА на основе мультиспектральных, тепловых и RGB изображений высокого разрешения в прецизионном виноградарстве. Сельское хозяйство 2018, 8, 116. [Перекрестная ссылка]

10. Бендель, Н.; Бакхаус, А.; Кихерер, А.; Köckerling, J.; Майкснер, М.; Ярауш, Б.; Бьянку, С.; Klück, H.-C.; Зайфферт, У.; Фёгеле, Р.Т.; и др. Обнаружение двух различных желтых оттенков виноградной лозы у Vitis vinifera с помощью гиперспектральной визуализации. 2020, 12, 4151. [Перекрестная ссылка]

11. Сассу, А.; Гамбелла, Ф.; Гиани, Л.; Мерсенаро, Л.; Кария, М.; Паццона, А.Л. Достижения в области дистанционного зондирования беспилотных летательных аппаратов для точного виноградарства. Датчики 2021, 21, 956. [Перекрестная ссылка] [PubMed]

12. Pádua, L.; Маркес,.; Грушка, Й.; Adão, T.; Бесса, Дж.; Соуза, А.; Перес, Э.; МоРаис, Р.; Sousa, J.J. Извлечение свойств виноградников с использованием RGB-изображений на основе БПЛА с данными о высоте. Int. J. Remote Sens. 2018, 39, 5377–5401. [Перекрестная ссылка]

13. Pádua, L.; Маркес,.; Adão, T.; Guimarães, N.; Соуза, А.; Перес, Э.; Соуза, Дж.Дж. Анализ вариабельности виноградников с помощью карт силы на основе БПЛА для оценки последствий изменения климата. Агрономия 2019, 9, 581. [Перекрестная ссылка]

14. Матезе, А.; Ди Дженнаро, С.Ф.; Сантестебан Л.Г. Методы сопоставления пространственной изменчивости спектральной и геометрической информации на основе БПЛА с наземными автокоррелированными данными. Пример прецизионного виноградарства. Вычислительная техника. Электрон. Агрик. 2019, 162, 931–940. [Перекрестная ссылка]

15. Чинат,.; Ди Дженнаро, С.Ф.; Бертон, А.; Матезе А. Сравнение неконтролируемых алгоритмов сегментации полога виноградника на мультиспектральных изображениях БПЛА. 2019, 11, 1023. [Перекрестная ссылка]

16. Матезе, А.; Ди Дженнаро, С.Ф. Технологии в прецизионном виноградарстве: обзор современного состояния. Int. J. Wine Res. 2015, 7, 69–81. [Перекрестная ссылка]

17. Аасен, Х.; Хонкаваара, Э.; Lucieer, A.; Зарко-Техада,.Д. Количественное дистанционное зондирование со сверхвысоким разрешением с помощью спектроскопии БПЛА: обзор сенсорных технологий, процедур измерений и рабочих процессов коррекции данных. 2018, 10, 1091. [Перекрестная ссылка]

18. Аммиаки, М.; Карциотис, С.-.; Перриа, Р.; Сторчи. Современное состояние технологий мониторинга и обработки данных для прецизионного виноградарства. Сельское хозяйство 2021, 11, 201. [Перекрестная ссылка]

19. Ассманн, Дж.Дж.; Керби, Дж.Т.; Канлифф, А.М.; Майерс-Смит И.Х. Мониторинг растительности с использованием мультиспектральных датчиков — передовой опыт и уроки, извлеченные из опыта работы в высоких широтах. J. Беспилотный Veh. Syst. 2019, 7, 54–75. [Перекрестная ссылка]

20. Primicerio, J.; Ди Дженнаро, С.Ф.; Фьорилло, Э.; Genesio, L.; Лугато, Э.; Матезе, А.; Ваккари Ф.. Беспилотный летательный аппарат для точного земледелия. Precis. Agric. 2012, 13, 517–523. [Перекрестная ссылка]

21. Бендиг, Дж.; Болтен, А.; Барет Г. Внедрение недорогого мини-БПЛА для тепловизионной и мультиспектральной съемки. Int. Arch. Photogramm. Remote Sens. Spat. Inf. наук. 2012, 39, 345–349. [Перекрестная ссылка]

22. Suárez, L.; Зарко-Техада,.Дж.; Sepulcre-Cantó, G.; Pérez-Priego, O.; Миллер, Дж.Р.; Jimé nez-Muñoz, J.C.; Собрино, Д. Оценка PRI полога для обнаружения водного стресса с помощью суточных аэрофотоснимков. Удаленные датчики окружающей среды. 2008, 112, 560–575. [Перекрестная ссылка]

23. Фосетт, Д.; Панигада, К.; Тальябуэ, Г.; Боскетти, М.; Селести, М.; Евдокимов, А.; Бирюкова К.; Коломбо, Р.; Мильетта, Ф.; Рашер, У.; и др. Многомасштабная оценка мультиспектральных индексов отражения поверхности и вегетации с помощью дронов в эксплуатационных условиях. Дистанционные датчики 2020, 12, 514. [Перекрестная ссылка]

24. Мэйс, В.Х.; Степь К. Перспективы дистанционного зондирования с помощью беспилотных летательных аппаратов в точном земледелии. Тенденции Plant Sci. 2019, 24, 152–164. [Перекрестная ссылка] [PubMed]

25. Шу, М.; Шен, М.; Цзо, Дж.; Инь,.; Ван, М.; Се, З.; Танг, Дж.; Ван, Р.; Ли, Б.; Янг, Х.; и др. Применение гиперспектральной визуализации с помощью БПЛА для оценки признаков сельскохозяйственных культур в инбредных линиях кукурузы. Феномика растений 2021, 2021, 9890745. [Перекрестная ссылка] [PubMed]

26. Yan, Y.; Дэн, Л.; Лю, X.; Чжу Л. Применение многоракурсного гиперспектрального дистанционного зондирования с помощью БПЛА в классификации мелкой растительности. Remote Sens. 2019, 11, 2753. [Перекрестная ссылка]

27. Хонкаваара, Э.; Рознелл, Т.; Оливейра, Р.; Томмазелли А. Регистрация полос частот перестраиваемых гиперспектральных БПЛА в сложных сценах. ISPRS J. Photogramm. Remote Sens. 2017, 134, 96–109. [Перекрестная ссылка]

28. Гаучи А.А.; Бродбек, С.Дж.; Понсе, А.М.; Кнаппенбергер Т. Оценка геопространственной точности аэрофотоснимков, собранных с помощью различных платформ БАС. Trans. ASABE 2018, 61, 1823–1829. [Перекрестная ссылка]

29. Понсе, А.М.; Кнаппенбергер, Т.; Бродбек, К.; Фогл, М.; Шоу, Дж.Н.; Ортис Б.В. Точность данных мультиспектральных БАС для различных методов радиометрической калибровки. 2019, 11, 1917. [Перекрестная ссылка]

30. Эрреро-Уэрта, М.; Hernández-López, D.; Родригес-Гонсалвес,.; González-Aguilera, D.; González-Piqueras, J. Викарная радиометрическая калибровка мультиспектрального датчика с воздушного мотодельтаплана применительно к точному земледелию. Вычислительная техника. Electron. Agric. 2014, 108, 28–38. [Перекрестная ссылка]

31. Икбал, Ф.; Lucieer, A.; Барри К. Упрощенная радиометрическая калибровка мультиспектрального датчика, установленного на БАС. Eur. J. Remote Sens. 2018, 51, 301–313. [Перекрестная ссылка]

32. Матезе, А.; Ди Дженнаро, С.Ф. Помимо традиционного индекса N DVI как ключевого фактора для широкого распространения использования БПЛА в прецизионном виноградарстве. 2021, 11, 2721. [Перекрестная ссылка] [PubMed]

33. Ван, К.; Мьинт, С.В. Упрощенный метод радиометрической калибровки малых беспилотных авиационных систем на основе радиолокационного зондирования. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 1876–1885. [Перекрестная ссылка]

34. Лю, Т.; Абд-эльрахман, А.; Мортон, Дж.; Вильгельм В.Л. Сравнение полностью сверточных сетей, случайного леса, метода опорных векторов и глубоких сверточных нейронных сетей на основе патчей для объектно-ориентированного картографирования водно-болотных угодий с использованием изображений с малых беспилотных летательных аппаратов. ГИСки. Remote Sens. 2018, 55, 243–264. [Перекрестная ссылка]

35. Дэн, Л.; Мао, З.; Ли, X.; Ху, З.; Дуань, Ф.; Ян Ю. Мультиспектральное дистанционное зондирование на основе БПЛА для точного земледелия: сравнение различных камер. ISPRS J. Photogramm. Remote Sens. 2018, 146, 124–136. [Перекрестная ссылка]

36. Цао, Х.; Гу, Х.; Вэй, Х.; Ю, Т.; Чжан Х. Подход к радиометрической калибровке миниатюрной мультиспектральной камеры, установленной на беспилотном летательном аппарате. 2020, 12, 4012. [Перекрестная ссылка]

37. Фрейзер, Б.Т.; Конгалтон Р.Г. Проблемы сбора данных о сложной лесной среде с помощью беспилотных авиационных систем (БАС). Remote Sens. 2018, 10, 908. [Перекрестная ссылка]

38. Лу, Х.; Фан, Т.; Ghimire, P.; Дэн Л. Экспериментальная оценка и сравнение согласованности мультиспектральных минисенсоров БПЛА. 2020, 12, 2542. [Перекрестная ссылка]

39. Холлберг, Дж.Л.; Шеллберг Й. Различение уровней интенсивности удобрения лугопастбищных угодий с помощью растительных льдов. 2017, 9, 81. [Перекрестная ссылка]

40. Луссем, У.; Болтен, А.; Менне, Дж.; Гнип, М.Л.; Шеллберг, Дж.; Барет, Г. Оценка биомассы в лугопастбищных угодьях умеренного пояса с помощью моделей поверхности полога высокого разрешения по RGB-изображениям и вегетационным индексам на основе БПЛА. Дж. Appl. Remote Sens. 2019, 13, 1–26. [Перекрестная ссылка]

41. Дженал, А.; Hüging, H.; Арендс, Х.Э.; Болтен, А.; Бонгарц, Дж.; Барет, Г. Исследование потенциала недавно разработанной системы визуализации VNIR/SWIR, установленной на БПЛА, для мониторинга характеристик сельскохозяйственных культур — тематическое исследование для зимней пшеницы. 2021, 13, 1697. [Перекрестная ссылка]

42. фон Бюрен, С.К.; Буркарт, А.; Уэни, А.; Рашер, У.; Туохи, М..; Юл, И.Д. Развертывание четырех оптических датчиков на базе БПЛА над пастбищами: проблемы и ограничения. Биогеонауки 2015, 12, 163–175. [КроссРэф]

43. Барет, Г.; Аасен, Х.; Бендиг, Дж.; Гнип, М.Л.; Болтен, А.; Юнг, А.; Михельс, Р.; Soukkamäki, J. Маловесные гиперспектральные полнокадровые камеры на базе БПЛА для мониторинга сельскохозяйственных культур: спектральное сравнение с портативными спектрорадиометрическими измерениями.

Фотограмм. Фернеркунд. Геоинф. 2015, 2015, 69–79. [Перекрестная ссылка]

44. Небикер, С.; Лак, Н.; Abächerli, M.; Ледерах С. Легкие мультиспектральные датчики БПЛА и их возможности для прогнозирования урожайности зерновых культур и выявления болезней растений. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2016, 41, 963–970. [Перекрестная ссылка]

45. Кручил, Г.; Кастальди, Ф.; Алдана-Яге, Э.; ван Веземаэль, Б.; Макдональд, А.; Ван Ост К. Оценка производительности мультиспектральных и гиперспектральных датчиков, совместимых с БАС, для определения почвенного органического углерода. Устойчивое развитие 2019, 11, 1889. [Перекрестная ссылка]

46. Томмазелли, А.М.Г.; Сантос, Л.Д.; Бервельери, А.; Оливейра, Р.А.; Хонкаваара, Э. Исследование вариаций параметров внутренней ориентации гиперспектральной кадровой камеры. Int. Arch. Photogramm. Пульт дистанционного управления. наук. 2018, XLII–1, 429–436. [Перекрестная ссылка]

47. Блэкберн Г.А. Гиперспектральное дистанционное зондирование растительных пигментов. J. Exp. Bot. 2007, 58, 855–867. [Перекрестная ссылка] [PubMed]

48. Олссон,.О.; Вивекар, А.; Адлер, К.; Garcia Millan, V.E.; Коч, А.; Аламрани, М.; Эклунд Л. Радиометрическая коррекция мультиспектральных изображений БПЛА: оценка точности камеры секвойи попугая и датчика солнечного света. 2021, 13, 577. [Перекрестная ссылка]

49. Роуз, Дж.В.; Хаас, Р.Х.; Шелл, Дж.А.; Диринг, Д.В. Мониторинг растительных систем на Великих равнинах с помощью ERTS. Спецификация НАСА. Опубл. 1974, 351, 309.

50. Гительсон А.А.; Кауфман, Ю.Дж.; Мерзляк М.Н. Использование зеленого канала в дистанционном зондировании глобальной растительности от EOS-MODIS.

Удаленные датчики окружающей среды. 1996, 58, 289–298. [Перекрестная ссылка]

51. Гительсон, А.; Мерзляк М.Н. Количественная оценка хлорофилла по спектрам отражения: Опыты с листьями каштана осеннего и клена. Ж. Фотохим. Фотобиол. Б Биол. 1994, 22, 247–252. [Перекрестная ссылка]

52. Стоу, Д.; НикХол, Си Джей; Уэйд, Т.; Ассманн, Дж.Дж.; Симпсон, Г.; Хелфтер К. Геометрия освещения и высота полета влияют на отражательную способность поверхности и ndvi, полученные по мультиспектральным изображениям БАС. Дроны 2019, 3, 55. [Перекрестная ссылка]

53. Мамагани, Б.; Сальваджо К.Калибровка и определение характеристик мультиспектральных сэнсоров для дистанционного зондирования sUAS. Датчики 2019, 19, 4453. [Перекрестная ссылка]

54. Го, Ю.; Сентилнатх, Дж.; Ву, В.; Чжан, С.; Цзэн, З.; Хуанг Х. Радиометрическая калибровка мультиспектральной камеры различных условий съемки, установленной на платформе БПЛА. Устойчивое развитие 2019, 11, 978. [Перекрестная ссылка]

55. Францини, М.; Ронкетти, Г.; Сона, Г.; Казелла В. Геометрическая и радиометрическая согласованность мультиспектральных изображений секвойи попугаев для применения в точном земледелии. Прикладные наук. 2019, 9, 5314. [CrossRef]

56. Primicerio, J.; Гей,.; Аймонино, Д.Р.; Комба, Л.; Матезе, А.; Ди Дженнаро, С.Ф. Создание карт силы на основе NDVI с использованием автоматического определения рядов виноградных лоз на аэрофотоснимках сверхвысокого разрешения. В сборнике трудов журнала «Точное земледелие 2015»; Wageningen Academic Publishers: Вагенинген, Нидерланды; Тель-Авив, Израиль, 2015; С. 465–470.

57. Poblete-Echeverría, C.; Ольмедо, Г.Ф.; Инграм, Б.; Бардин, М. Обнаружение и сегментация кроны виноградной лозы в RGB-изображениях со сверхвысоким пространственным разрешением, полученных с помощью беспилотного летательного аппарата (БПЛА): тематическое исследование на коммерческом винограднике. 2017, 9, 268. [Перекрестная ссылка]
30 ноября / 2023