Сравнение возможностей гипер- и мультиспектральных камер для БПЛА для точного земледелия
Сравнение возможностей гипер- и мультиспектральных камер для БПЛА для точного земледелия
Данная работа направлена на изучение возможностей гипер- и мультиспектральных камер для беспилотных летательных аппаратов (БПЛА) в точном земледелии. Особое внимание уделяется характеристикам оборудования, методам радиометрической калибровки и факторам, влияющим на точность данных. Работа представляет результаты сравнительного анализа двух популярных коммерческих камер: DJI P4M (мультиспектральная) и SENOP HSC-2 (гиперспектральная), предназначенных для мониторинга виноградников.
Предложены практические рекомендации по выбору оптимального устройства и обеспечению надежной радиометрической калибровки. Точность камер оценивалась через процент ошибки (PE) относительно наземных измерений спектрорадиометра GER 3700.
1. Введение
Спектральный анализ растительности с помощью БПЛА — ключевой инструмент в точном земледелии. Современные коммерческие камеры позволяют получать данные в видимом и ближнем инфракрасном диапазонах, что используется для расчёта вегетационных индексов, оценки состояния культур и выявления стрессов.
Проблематика:
Несмотря на обилие коммерческих решений, остаётся мало сравнительных исследований, оценивающих точность гиперспектральных и мультиспектральных камер в полевых условиях, особенно для сложных культур (например, виноградников) с неоднородной структурой.
Цель работы:
Сравнить точность и практическую применимость двух типов камер — мультиспектральной (DJI P4M) и гиперспектральной (SENOP HSC‑2) — для мониторинга виноградников, с акцентом на влияние методов радиометрической калибровки.
2. Материал и методы
2.1. Район исследований
Виноградник площадью 1,4 га в Кастеллина-ин-Кьянти (Италия), сорт Санджовезе.
2.2. Оборудование
· БПЛА 1: DJI Phantom 4 Multispectral (P4M) — 5 спектральных каналов (синий, зелёный, красный, красный край, ближний ИК).
· БПЛА 2: Matrice 600 Pro с камерой SENOP HSC‑2 — до 1000 узких полос в диапазоне 500–900 нм.
· Эталонный прибор: Спектрорадиометр GER 3700 (350–2500 нм).
Рисунок 1. Исследование виноградника расположено в Тоскане, Италия.
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).
· Полёты выполнены в сентябре 2020 года в ясную погоду.
· Высота полёта: 50 м (P4M) и 32 м (HSC‑2).
· Охвачены 6 типов поверхностей и 8 референсных панелей.
2.4. Методы радиометрической калибровки P4M
· M1, M2: данные без калибровки (только датчик освещённости).
· M3, M4: калибровка с использованием эталонных панелей (эмпирический линейный метод).
На рисунке 3 подробно 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).
Использованы три индекса:
· GNDVI (нормализованный разностный зелёный индекс)
· NDVI (нормализованный разностный вегетационный индекс)
· NDRE (нормализованный разностный индекс красного края)
Оценка точности — через процент ошибки (PE) относительно GER 3700.
Таблица 1. 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.
3.1. Гиперспектральное сравнение
Гиперспектральная камера SENOP HSC-2 продемонстрировала высокую точность (погрешность ≤ 13,6%) при расчёте вегетационных индексов, особенно для чистых растительных объектов. Наибольшие расхождения наблюдались на объектах с минимальным покрытием растениями (почва с сухой травой).
3.2. Мультиспектральное сравнение
Мультиспектральная камера DJI P4M оказалась точнее при условии правильной радиометрической калибровки (M3/M4). Автоматическая настройка экспозиции (AUTO_0) показала сравнимые результаты с ручными настройками, подтверждая удобство использования камеры даже начинающими пользователями.
Таблица 2. 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) (%).
· Преимущества гиперспектральной камеры: более точные спектральные сигнатуры и лучшее выявление специфических физиологических состояний растений.
· Недостатки гиперспектральной камеры: высокая цена ($40 тыс.) и сложная подготовка данных.
· Преимущества мультиспектральной камеры: доступность, простота в эксплуатации и адекватная точность для большинства задач.
· Необходимость радиометрической калибровки: игнорирование калибровки существенно снижает точность расчетов.
5. Заключение
Выбор оптимальной камеры зависит от поставленных задач и бюджета проекта. Мультиспектральная камера DJI P4M представляет хорошее соотношение цены и качества для большинства фермерских хозяйств. Однако для профессиональных агрономов и учёных гиперспектральная камера SENOP HSC-2 обеспечит дополнительную глубину анализа, позволяющую выявить уникальные спектральные закономерности.
Читать полную статью