-
Courriel
ustc_sc@163.com
-
Téléphone
18020740586
-
Adresse
Salle 1503, bâtiment A04, phase III, parc de logiciels, district de Qimei, Xiamen, Fujian
À propos de nous
Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
Auge Tiancheng ath9010 aide à la production agricole
Date :2025-12-01Lire :0
Le blé est l'une des trois principales cultures vivrières de notre pays (blé, riz, maïs) et est la clé de la sécurité de la stratégie alimentaire nationale. Cependant, les maladies et les ravageurs des cultures (plus de 20 maladies communes) compromettent gravement la sécurité de la production de blé. Éclosions explosives et épidémies régionales de rouille des bandes causées par la bactérie rouille des bandes de blé. Dans les années épidémiques, la rouille des bandes peut réduire la production de blé de plus de 40%, voire éliminer les récoltes. La lutte contre la rouille des bandes de blé est donc essentielle à la sécurité alimentaire. Seule une surveillance précise des maladies du blé permet une prévention et un contrôle efficaces et minimise les pertes.
Traditionnellement, les maladies des cultures sont surveillées visuellement, avec des limitations importantes telles que la faible couverture et la forte subjectivité des enquêteurs. Par conséquent, une méthode efficace et non destructive de surveillance des maladies des cultures agricoles est nécessaire pour remplacer les méthodes traditionnelles. Après des années de développement, la télédétection est devenue une technologie efficace pour surveiller les maladies des cultures. L'avantage de la télédétection est qu'il est possible d'évaluer à faible coût la distribution spatiale des maladies des cultures et donc de mieux contrôler les maladies.
La télédétection hyperspectrale est une technique relativement avancée. Il peut fournir une richesse d'informations à bande étroite par rapport à la technologie multispectrale. Des études antérieures ont discuté des avantages de la télédétection hyperspectrale par rapport au multispectral dans diverses applications. L'avantage de la technologie hyperspectrale dans la surveillance des maladies des cultures est qu'elle peut capturer certains changements physiologiques causés par les maladies (par exemple, les pigments et la teneur en eau). Dans des études antérieures, de nombreuses maladies des cultures ont déjà été surveillées par télédétection hyperspectrale, notamment la rouille jaune du blé, l'oïdium, la fusariose, la maladie de la tache de l'arachide, le virus de la tache de la tomate et le Flétrissement bactérien des feuilles du riz.
L'indice de végétation (vi) a montré de bonnes performances de surveillance des maladies des cultures dans des études antérieures et VI est sensible aux changements physiologiques internes des feuilles causés par les maladies, mais ne représente pas un changement dans les caractéristiques de surface des feuilles. La texture est une caractéristique qui reflète les changements externes causés par les maladies et il a été démontré qu'elle offre de bonnes performances dans la surveillance des maladies des cultures. Des études antérieures ont combiné des caractéristiques spectrales et texturales pour améliorer la capacité de caractériser les maladies et les dommages. Ces études confirment l'efficacité du VI, de la caractérisation de la texture (TF) et de leur combinaison pour la surveillance des maladies des cultures. Cependant, la plupart des études antérieures sur la détection des maladies des cultures par fusion de signatures spectrales et d'images ont été menées à l'échelle foliaire, et la faisabilité de cette méthode pour détecter les maladies à l'échelle du champ n'a pas été confirmée.
La technologie de télédétection par drones combine des avantages tels que la flexibilité élevée, le faible coût et la facilité d'utilisation, ce qui compense les lacunes de la télédétection par satellite traditionnelle. L'équipement de télédétection embarqué à bord d'un drone permet d'acquérir rapidement des informations de télédétection spatiale à haute résolution spatiale et temporelle, puis de les traiter, de les modéliser et de les analyser. Cela fournit un soutien technique important pour le développement de la gestion intelligente des terres agricoles.
Pour approfondir ce problème, les applications utilisent des drones équipés de capteurs hyperspectraux pour surveiller plusieurs stades d'infection de la rouille jaune du blé à différentes échelles spatiales. Les objectifs de recherche sont les suivants: (1) évaluer la performance de la surveillance de la rouille jaune du blé à l'échelle du champ à l'aide d'images hyperspectrales acquises par des drones VI, TF et leurs combinaisons; (2) déterminer la meilleure résolution spatiale d’image pour la surveillance de la rouille jaune du blé à l’aide d’images de drones; (3) Établir des modèles de surveillance de la rouille jaune à l'échelle du champ pour les stades précoces, intermédiaires et tardifs de l'infection en utilisant les meilleures caractéristiques et la meilleure résolution spatiale.
Figure 1 feuilles de blé normales (gauche) et feuilles de blé rouille jaune (droite)
2,Idées techniques et contenus principaux
2.1. Acquisition et prétraitement d'images de télédétection
Des images de blé sont acquises à l'aide d'un système de drone équipé de capteurs d'imagerie hyperspectrale (Figure 2). Le système d'imagerie hyperspectrale de drone se compose de quatre parties, y compris un système de drone électrique à six rotors, un système d'acquisition de données hyperspectrales, une plate - forme de stabilisation triaxiale et un système de traitement de données.
Figure 2 capteur de drone
Le drone vole à une altitude de 30 m et à une vitesse de vol de 4 M / s, avec un degré de chevauchement d'environ 80% vers l'avant et d'environ 60% vers le côté. À une altitude de vol de 30 m, nous avons obtenu des images hyperspectrales avec une résolution spatiale de 1,2 cm et une résolution spectrale de 4 nm. L'acquisition de données hyperspectrales par drone nécessite un temps ensoleillé, sans vent ou avec une petite vitesse de vent. La période d'acquisition d'images dans cette étude était de 11h00 à 13h00.
Au cours de la période critique de croissance du blé, nous avons effectué 6 essais d'observation hyperspectrale par drone le 25 avril, le 4 mai, le 11 mai, le 18 mai, le 24 mai et le 30 mai, correspondant respectivement à 7, 16, 23, 30, 36 et 42 jours après l'inoculation (DPI). La figure 3 montre le développement de la rouille jaune du blé au cours de différentes périodes d'infection.
Figure 3 photos de blé à différentes époques
Un total de 24 échantillons ont été prélevés à chaque fois, dont 8 échantillons pour les parcelles saines et 16 échantillons pour les deux parcelles inoculées. Au total, 144 échantillons ont été prélevés dans six essais, dont 57 échantillons sains et 87 échantillons infectés par la rouille jaune.
La gravité de la rouille jaune du blé est décrite par un indice de condition (DI). 40 plants de blé ont été sélectionnés au hasard dans chaque parcelle de 1 m2 pour évaluer la gravité de la maladie avec la première et la deuxième feuille de blé au Sommet de la plante sélectionnée. Au total, 80 feuilles ont été sélectionnées pour chaque parcelle afin de calculer l'id. Selon les spécifications de prévision de l'enquête nationale sur les maladies des cultures (GB / t 15795 - 2011), l'incidence des feuilles est divisée en 9 niveaux (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), dont 0% sont sains, 1% sont malades de niveau 1, 10% sont malades de niveau 2... 100% sont malades de niveau 8. L'évaluation de l'incidence de la rouille jaune est effectuée immédiatement après l'acquisition des images par le drone et par la même personne sous la direction et la supervision d'un professionnel.
2.2. Méthodes expérimentales
Un modèle de surveillance de la rouille jaune du blé a été établi à l'aide du plsr. Le plsr a déjà été appliqué à la surveillance de la croissance des cultures et à l'estimation des paramètres physiologiques et chimiques. Plsr est une méthode de modélisation classique qui comprend les caractéristiques de trois méthodes: PCA, analyse de corrélation typique et analyse de régression linéaire multiple. Dans le plsr, la structure potentielle d'une variable est déterminée par la projection d'un composant qui projette la variable prédictive et la variable observée dans un nouvel espace. Ainsi, les variables brutes avec une redondance élevée des données sont converties en quelques variables en sélectionnant la variable potentielle la plus optimale. Le plsr peut être représenté comme un modèle linéaire décrivant la relation entre les variables prédites et observées.
2.3. Acquisition de pixels hyperspectraux
L'algorithme du plus proche voisin rééchantillonne l'image d'origine (résolution de 1,2 cm) pour produire une nouvelle image (résolution de 3, 5, 7, 10, 15, 20 cm). Le sol dans les images du drone comprend des plantes de blé et du sol.
2.4. Points d'échantillonnage
Cette étude a utilisé la méthode de seuil NDVI pour extraire les pixels de blé d'une image d'une résolution spatiale de 1,2 cm. Le processus de cette méthode est le suivant: Tout d'abord, définissez le seuil NDVI optimal. L'IVDN pour la végétation générale varie de 0,3 à 1,0. Après de nombreuses tentatives, nous avons découvert qu'un seuil NDVI de 0,42 pouvait séparer avec précision les pixels de blé des pixels d'arrière - plan. Deuxièmement, un NDVI supérieur à 0,42 est transformé en un fichier de masque pour extraire les pixels de blé. Enfin, nous recadrons l'image originale avec ce fichier de masque pour obtenir une image qui ne contient que des pixels de blé. Afin de garantir la cohérence des pixels de blé des différentes images de résolution spatiale, un fichier de masque réalisé avec un seuil NDVI de l'image originale (1,2 cm) a été utilisé pour extraire les pixels de blé des autres images de résolution spatiale. Les images hyperspectrales contenant uniquement des pixels de plants de blé pour le traitement et l'analyse ultérieurs la raison pour laquelle ces résolutions spécifiques ont été choisies est qu'elles représentent la plupart des images de drones utilisées pour surveiller la santé des cultures. La figure 4 montre un example d'image hyperspectrale du drone avec différentes résolutions spatiales, cette image faisant partie de la zone a dans l'image obtenue le 25 avril.
Figure 4 images hyperspectrales de drones à différentes résolutions spatiales
3,conclusion
Cette application utilise des images hyperspectrales de drones pour la surveillance de la rouille des bandes de blé à l'échelle du champ, en utilisant différentes caractéristiques (VI, TF et leurs combinaisons) pour établir des modèles de surveillance plsr des stades précoce, intermédiaire et avancé de la rouille des bandes de blé et évaluer l'impact de différentes résolutions spatiales d'image (1,2 cm, 3 cm, 5 cm, 7 cm, 10 cm, 15 cm et 20 cm) sur la précision de la surveillance. Les conclusions suivantes ont été obtenues: (1) Le modèle basé sur VI a la plus grande précision de surveillance au milieu de l'infestation et le modèle basé sur TF a la plus grande précision de surveillance au cours de la phase tardive de l'infestation. Mais le modèle basé sur TF n'est pas adapté à la surveillance de la rouille des bandes au début de l'infestation, avec une précision de surveillance maximale de seulement 0,28 pour R2. (2) au cours des trois périodes d'infestation, la précision de la surveillance du modèle basé sur VI - TF était supérieure à celle des modèles basés sur VI et TF, et la précision de la surveillance était la plus élevée à la fin de l'infestation (r2 = 0,88). En outre, la précision de la surveillance du modèle basé sur VI - TF au stade initial de l'infestation a été considérablement améliorée, ce qui convient à la détection précoce des maladies. (3) la résolution spatiale a un impact mineur sur la précision de la surveillance du modèle basé sur VI et un impact important sur le modèle basé sur TF, la résolution spatiale optimale pour le modèle basé sur VI - TF pour la surveillance de la rouille des bandes est de 10 cm.
Figure 5 identification des résultats