Статья: Сравнительный анализ вегетационных индексов для агроэкологического мониторинга озимой пшеницы в условиях Московской области

Специальная группа индексов выделяет растительность в видимой части спектра, опираясь на зеленый цвет как индикатор хлорофилла. Индекс GLI позволяет отличать живые растения от почвы и неживого вещества. Индекс TGI разработан для мониторинга хлорофилла и косвенно отражает содержание азота в листьях, что может быть использовано для определения норм внесения удобрений для участков с высоким проективным покрытием растительности. Считается, что индекс NGRDI может быть использован для мониторинга культурных растений и отделения их от сорняков. Индекс VARI разработан для случаев, когда возникает необходимость в ослаблении влияния разницы освещения и атмосферных явлений.

Сравнение средних проводилось по критерию Стьюдента. Для исследования зависимостей между вегетационными индексами и параметрами биомассы рассчитаны коэффициенты корреляции Пирсона и Спирмена. Все гипотезы проверялись с уровнем значимости 0,05.

Результаты и обсуждение

Статистический анализ распределения исследуемых биометрических параметров озимой пшеницы (табл. 2) показал относительно незначительное варьирование в пределах поля всех параметров в фазу выхода в трубку и в начале фазы созревания. Распределения высоты растений симметричны, их медианы близки к средним. Коэффициенты вариации небольшие: 4-5 %. Статистически достоверный рост озимой пшеницы составил 23,2 см за 20 дней.

Густота стеблестоя в оба срока наблюдения, наоборот, характеризуется высоким варьированием с коэффициентом вариации 24-25 %. Разница в средних (174,8 шт./м²) не является статистически значимой и, возможно, частично связана с некоторым смещением площадок мониторингового пробоотбора. Среднее проективное покрытие существенно увеличилось во второй срок наблюдения: на 14,3% по сравнению с первым - при значительном снижении его внутрипольного варьирования: с 9% до 6%. Распределения наземной биомассы, а также ее частей, являются симметричными, при небольшом варьировании в пределах поля - с коэффициентом вариации 3-5 %.

Таблица 2. Описательные статистики для биометрических показателей озимой пшеницы в даты исследования, с объемом выборки 24

Проведенные исследования зависимости используемых в работе ВИ от параметров наземной биомассы показали нелинейность описываемых связей, что подтверждается значениями коэффициентов корреляции Спирмена (табл. 3 и 4), которые оказались близкими к значениям коэффициентов корреляции Пирсона и в то же время несколько выше их по модулю.

Помимо ВИ, в таблицы включены значения отражения в каналах. Для инфракрасного снимка: NIR - инфракрасный, GREEN - зеленый, BLUE - голубой; для снимка в видимом диапазоне: R - красный, G - зеленый, B - голубой.

Лучшими для мониторинга за высотой растений в фазу выхода в трубку оказались ВИ, полученные со снимка RGB, вычисляемые как разность значений отражения в красном и зеленом каналах. Максимальное значение наблюдается с индексом VARI (0,63), то есть по снимку можно предсказать практически 40% от варьирования высоты растений пшеницы. Максимальное значение коэффициента корреляции, полученное для высоты растений пшеницы, составило 0,78, то есть по данным дистанционного зондирования можно предсказать 61% от варьирования высоты растений пшеницы на начало фазы созревания. Для снимка RGB коэффициенты корреляции оказались выше, чем для инфракрасного снимка NIRGB.

Максимальное значение коэффициента корреляции, полученное для густоты стеблестоя растений пшеницы, составило 0,68, то есть по данным съемки можно предсказать 46% внутрипольного варьирования и сезонной динамики этого показателя. Густота стеблестоя одинаково хорошо коррелирует с показателями обоих снимков, однако значения коэффициентов корреляции получились несколько выше для снимка NIRGB.

Максимальное значение коэффициента корреляции, полученное для проективного покрытия растений пшеницы в фазу выхода в трубку, составило 0,53, то есть по снимку можно предсказать до 28% внутрипольного варьирования и сезонной динамики проективного покрытия посева.

Проективное покрытие 9 июня не имеет корреляционных зависимостей с вегетационными индексами, рассчитанными по снимку в RGB-спектре. Для проективного покрытия от 29 июня не оказалось ни одного значимого коэффициента корреляции.

Таблица 3. Коэффициенты корреляции Спирмена между ВИ и биометрическими показателями озимой пшеницы в 2017 году

Таблица 4. Коэффициенты корреляции Спирмена между ВИ и показателями сухой надземной биомассы, полученными в начале созревания озимой пшеницы, 29 июня 2017 года

Информативность вегетационных индексов для сухой наземной биомассы и ее составляющих (см. табл. 4) оказалась существенно выше, чем для высоты растений, густоты стеблестоя и проективного покрытия (см. табл. 3). Достаточно высокие значения коэффициентов корреляции были получены как для снимка в видимом свете, так и для снимка в инфракрасном диапазоне - с наиболее высокими значениями для колосьев.

Максимальное по модулю значение коэффициента корреляции, полученное для наземной биомассы, составило 0,82. Процент объясненного варьирования при этом составил 67% (R²=0,67), для колосьев - 72% (R²=0,72 при R=0,85), для стеблей - 64% (R²=0,64 при R=0,80), для листьев - 50% (R²=0,50 при R=0,71). Важно подчеркнуть, что установленная при исследовании высокая предсказуемость биомассы колосьев позволяет уточнять урожай пшеницы на корню, с учетом пространственного варьирования посевов, по используемым данным дистанционного зондирования.

Проведенные мониторинговые исследования показали, что в целом для предсказания надземной биомассы исследуемого посева озимой пшеницы наиболее популярный индекс NDVI далеко не всегда дает лучшие результаты по сравнению с другими проанализированными вегетационными индексами. Более высокие коэффициенты корреляции, по сравнению с NDVI, показал его расширенный вариант - индекс ENDVI. Еще лучшие результаты во всех исследованных случаях дали индексы DVI и GDVI. Вегетационные индексы VARI и TGI показали лучшие результаты для видимой части спектра.

Заключение

Сравнительный анализ информативности основных вегетационных индексов, рассчитанных по данным дистанционного зондирования видимого и инфракрасного диапазона, полученных с БПЛА, для характеристики временного и пространственного разнообразия посевов озимой пшеницы в условиях Московской области выявил новые возможности их использования для предсказания целого ряда параметров биомассы пшеницы на фазах выхода в трубку и начала созревания.

Оптимальными для прогнозирования роста озимой пшеницы оказались вегетационные индексы, рассчитанные по снимку видимого диапазона (TGI и VARI), а для отслеживания проективного покрытия - ВИ, рассчитанные по инфракрасному снимку (например, ENDVI). Для моделирования густоты стеблестоя, а также сухой массы надземной биомассы и ее частей, подходят вегетационные индексы с обоих снимков: наибольшие коэффициенты корреляции были получены для индексов DVI, GDVI, TGI, GLI. Индексы GNDVI и GSAVI оказались неэффективными для описанного случая, при отсутствии выраженной разреженности посевов, когда варьирование всех параметров надземной биомассы не превышало 25%.

Список использованных источников

1. Sankaran S., Khot R., Espinoza Z., Jarolmasjed S., Sathuvalli R., Vandemark J., Miklas N., Carter H., Pumphrey O., Knowles R. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review // Eur. J. Agron. 2015. Vol. 70. P. 112-123.

2. Liu J., Zhao C., Yang G., Yu H., Zhao X., Xu B., Niu Q. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform // Trans. Chin. Soc. Agric. Eng. 2016. Vol. 32. P. 98-106.

3. Шумилов Ю.В., Данилов Р.Ю., Костенко И.А., Данилова А.В., Семочкин К.В., Пачкин А.А. Применение беспилотных летательных аппаратов (БПЛА) в технологии точного земледелия // Молодой ученый. - 2015, № 9-2 (89). - С. 146-147.

4. Wang L., Zhou X., Zhu X., Dong Z., Guo W. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data // Crop J. 2016. Vol. 4. P. 212-219.

5. Campos M., Garcнa F.J., Camps G., Grau G., Nutini F., Crema A., Boschetti M. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring // Remote Sens. Environ. 2016. Vol. 187. P. 102-118.

6. He L., Chen Z., Jiang Z., Wen B., Wu W.B., Ren, J., Liu B., Tuya H. Comparative analysis of GF-1, HJ-1, and Landsat-8 data for estimating the leaf area index of winter wheat // J. Integr. Agric. 2016. Vol. 16. P. 266-285.

7. Bendig J., Yu K., Aasen H., Bolten A., Bennertz S., Broscheit J., Gnyp M., Bareth G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley // Int. J. Appl. Earth Obs. Geoinf. 2015. Vol. 39. P. 79-87.

8. Jannoura R., Brinkmann K., Uteau D., Bruns C., Joergensen R. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter // Biosyst. Eng. 2014. Vol. 129 P. 341-351.

9. Berni J., Zarcotejada P., Sepulcrecantу G., Fereres E., Villalobos F. Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery // Remote Sens. Environ. 2009. Vol. 113. P. 2380- 2388.

10. Vonbueren S., Burkart A., Hueni A., Rascher U., Tuohy M., Yule I. Deploying four optical UAV-based sensors over grassland: Challenges and limitations // Biogeosciences. 2015. Vol. 12. P. 163-175.

11. Vega F., Ramнrez F., Saiz M., Rosъa F. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop // Biosyst. Eng. 2015. Vol. 132. P. 19-27.

12. Honkavaara E., Saari H., Kaivosoja J., Nen L., Hakala T., Litkey P., Kynen J., Pesonen L. Processing and Assessment of Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture // Remote Sens. 2013. Vol. 5. P. 5006-5039.

13. Moshou D., Bravo C., Oberti R., West J., Bodria L., McCartney A., Ramon H. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps // Real-Time Imaging. 2005. Vol. 11. P. 75-83.

14. Pu R., Gong P. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping // Remote Sens. Environ. 2004. Vol. 91. C. 212-224.

15. Delegido J., Fernandez G., Gandia S., Moreno J. Retrieval of chlorophyll content and LAI of crops using hyperspectral techniques: Application to PROBA/CHRIS data // Int. J. Remote Sens. 2008. Vol. 29. C. 7107-7127.

16. Meroni M., Colombo R., Panigada C. Inversion of a radiative transfer model with hyperspectral observations for LAI mapping in poplar plantations // Remote Sens. Environ. 2004.

17. Дубинин М. NDVI - теория и практика [Электронный ресурс] // Географические информационные системы и дистанционное зондирование. GIS-Lab и авторы. - 2002-2018. - http://gis-lab.info/qa/ndvi.html (дата обращения: 18.05.2019).

18. Дубинин М. Почвенная линия и ее определение [Электронный ресурс] // Географические информационные системы и дистанционное зондирование. GIS-Lab и авторы. - 2002-2018. - http://gis-lab.info/qa/vi-soilline.html (дата обращения: 18.05.2018).

19. Беленков А.И., Тюмаков А.Ю., Сабо У.М. Точное (координатное) земледелие в РГАУ МСХА имени К. А. Тимирязева: реальность и перспективы // Вестник АГАУ. - 2015, №4 (126). - С. 5-7.

20. Железова С.B., Акимов Т.А., Белошапкина О.О., Березовский Е.В. Влияние разных технологий возделывания озимой пшеницы на урожайность и фитосанитарное состояние посевов (на примере полевого опыта Центра точного земледелия РГАУ-МСХА им. К.А. Тимирязева) // Агрохимия. - 2017, № 4. - C. 72-82.