Chào mừng khách hàng!

Thành viên

Trợ giúp

Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd
Nhà sản xuất tùy chỉnh

Sản phẩm chính:

instrumentb2b>Bài viết

Opu Tiancheng (Xiamen) Optoelectronics Co., Ltd

  • Thông tin E-mail

    ustc_sc@163.com

  • Điện thoại

    18020740586

  • Địa chỉ

    Phòng 1503, Tòa nhà A04, Giai ?o?n 3, C?ng viên ph?n m?m, Qu?n Zimei, H? M?n, Phúc Ki?n

Liên hệ bây giờ
ATH9010 Hỗ trợ sản xuất nông nghiệp
Ngày:2025-12-01Đọc:1

Lúa mì là một trong ba loại cây lương thực chính của Trung Quốc (lúa mì, gạo và ngô) và là chìa khóa cho an ninh chiến lược lương thực quốc gia. Tuy nhiên, sâu bệnh cây trồng (hơn 20 loại bệnh thường gặp) gây nguy hiểm nghiêm trọng đến an toàn sản xuất lúa mì. Bệnh rỉ sét bùng nổ và dịch bệnh khu vực do vi khuẩn rỉ sét lúa mì gây ra. Trong những năm thịnh hành, bệnh rỉ sét có thể làm giảm sản lượng lúa mì hơn 40%, thậm chí tuyệt thu. Vì vậy, phòng chống bệnh rỉ sét lúa mì là rất quan trọng đối với an ninh lương thực. Chỉ có giám sát chính xác bệnh hại lúa mạch, mới có thể phòng chống hữu hiệu, giảm thiểu tối đa tổn thất.

Theo truyền thống, việc giám sát trực quan các bệnh cây trồng tồn tại những hạn chế lớn như phạm vi bảo hiểm nhỏ và tính chủ quan cao của các nhà điều tra. Do đó, một phương pháp giám sát bệnh tật cây trồng hiệu quả và không phá hủy là cần thiết để thay thế các phương pháp truyền thống. Sau nhiều năm phát triển, viễn thám đã trở thành một công nghệ hiệu quả để theo dõi bệnh tật cây trồng. Lợi thế của viễn cảm là có thể đánh giá sự phân bố không gian của bệnh cây trồng với chi phí thấp, từ đó kiểm soát bệnh tốt hơn.

Viễn thám phổ cao là một công nghệ tương đối tiên tiến. Nó có thể cung cấp thông tin băng hẹp phong phú so với công nghệ đa phổ. Các nghiên cứu trước đây đã thảo luận về lợi thế của viễn thám phổ cao so với đa phổ trong các ứng dụng khác nhau. Ưu điểm của công nghệ quang phổ cao trong giám sát bệnh tật cây trồng là nó có thể nắm bắt được một số thay đổi sinh lý nhất định (ví dụ như màu sắc và hàm lượng nước) do bệnh gây ra. Trong các nghiên cứu trước đây, nhiều bệnh cây trồng đã được theo dõi thông qua viễn thám quang phổ cao, bao gồm rỉ sét vàng lúa mì, phấn trắng, erythromyces fusca, bệnh đốm đậu phộng, virus héo đốm cà chua và bệnh khô lá do vi khuẩn gạo.

Chỉ số thảm thực vật (VI) đã cho thấy hiệu suất giám sát bệnh tật cây trồng tốt trong các nghiên cứu trước đây, VI nhạy cảm với những thay đổi sinh lý bên trong lá do bệnh, nhưng không đại diện cho những thay đổi về đặc điểm bề mặt của lá. Kết cấu là một đặc điểm phản ánh những thay đổi bên ngoài do bệnh gây ra và đã được chứng minh là có hiệu suất tốt trong giám sát bệnh cây trồng. Các nghiên cứu trước đây đã kết hợp các đặc điểm quang phổ và kết cấu để cải thiện khả năng mô tả bệnh tật. Những nghiên cứu này đã xác nhận tính hiệu quả của VI, đặc điểm kết cấu (TF) và sự kết hợp của chúng để theo dõi bệnh tật cây trồng. Tuy nhiên, hầu hết các nghiên cứu trước đây về việc phát hiện các bệnh trên cây trồng bằng cách hợp nhất quang phổ và chữ ký hình ảnh đã được thực hiện ở quy mô lá và tính khả thi của phương pháp này để phát hiện các bệnh trên quy mô đồng ruộng vẫn chưa được chứng minh.

Công nghệ viễn thám của máy bay không người lái đã kết hợp các ưu thế như tính linh hoạt cao, chi phí thấp và thao tác đơn giản, bù đắp những thiếu sót của viễn thám vệ tinh truyền thống. Thông qua lắp thiết bị viễn thám trên máy bay không người lái, có thể nhanh chóng thu thập thông tin viễn thám không gian có độ phân giải cao, sau đó tiến hành xử lý dữ liệu, mô hình hóa và phân tích ứng dụng. Điều này cung cấp hỗ trợ kỹ thuật quan trọng cho sự phát triển của quản lý thông minh hóa đất nông nghiệp.

Để nghiên cứu sâu hơn về vấn đề này, máy bay không người lái sử dụng cảm biến quang phổ cao được áp dụng để theo dõi nhiều giai đoạn nhiễm bệnh của bệnh gỉ sét lúa mì ở các quy mô không gian khác nhau. Mục tiêu nghiên cứu là: (1) Đánh giá VI, TF và sự kết hợp của chúng thu được bằng hình ảnh quang phổ cao của máy bay không người lái để theo dõi hiệu suất của bệnh gỉ sét lúa mì trên quy mô thực địa; (2) Xác định độ phân giải không gian hình ảnh tốt nhất để giám sát rỉ sét lúa mì bằng hình ảnh máy bay không người lái; (3) Sử dụng các đặc điểm tối ưu và độ phân giải không gian tối ưu để thiết lập các mô hình giám sát bệnh gỉ sét vàng ở quy mô thực địa trong giai đoạn sớm, giữa và muộn của nhiễm trùng.


图片图片

B5-05=giá trị thông số Kd, (cài 2)



2、Tư duy kỹ thuật và nội dung chính



2.1. Thu thập hình ảnh viễn thám và tiền xử lý


Hình ảnh lúa mì được thu thập bằng cách sử dụng hệ thống máy bay không người lái được trang bị cảm biến hình ảnh quang phổ cao (Hình 2). Hệ thống hình ảnh quang phổ cao của UAV bao gồm bốn phần, bao gồm hệ thống máy bay không người lái điện sáu cánh quạt, hệ thống thu thập dữ liệu quang phổ cao, nền tảng ổn định ba trục và hệ thống xử lý dữ liệu.

图片

Hình 2 Cảm biến Drone


Máy bay không người lái bay ở độ cao 30 m, tốc độ bay 4 m/s, độ chồng chéo về phía trước khoảng 80% và độ chồng chéo bên khoảng 60%. Ở độ cao bay 30 m, chúng tôi thu được hình ảnh quang phổ cao với độ phân giải không gian 1,2 cm và độ phân giải quang phổ 4 nm. Việc thu thập dữ liệu phổ cao của UAV đòi hỏi thời tiết trong lành, không có gió hoặc tốc độ gió nhỏ. Thời gian thu thập hình ảnh trong nghiên cứu này là từ 11:00 sáng đến 13:00 chiều.

Trong giai đoạn phát triển lúa mì quan trọng, chúng tôi đã tiến hành sáu thử nghiệm quan sát phổ cao dựa trên máy bay không người lái vào ngày 25 tháng 4, 4 tháng 5, 11 tháng 5, 18 tháng 5, 24 tháng 5 và 30 tháng 5, tương ứng với 7, 16, 23, 30, 36 và 42 ngày sau khi tiêm chủng (DPI). Hình 3 cho thấy sự phát triển của bệnh gỉ vàng lúa mì trong các giai đoạn nhiễm trùng khác nhau.

图片

Hình 3: Hình ảnh lúa mì ở các thời điểm khác nhau

Tổng cộng 24 mẫu được lấy mỗi lần, trong đó 8 mẫu được lấy cho lô khỏe mạnh và 16 mẫu được lấy cho hai lô tiêm chủng. Tổng cộng 144 mẫu đã được thu thập trong 6 thử nghiệm, trong đó 57 mẫu khỏe mạnh và 87 mẫu bị nhiễm bệnh gỉ vàng.

Mức độ nghiêm trọng của bệnh gỉ sét lúa mì được mô tả bằng Chỉ số điều kiện (DI). 40 cây lúa mì được chọn ngẫu nhiên từ mỗi lô 1m2 để đánh giá mức độ nghiêm trọng của tình trạng với lá lúa mì đầu tiên và thứ hai ở đầu cây được chọn. Mỗi lô được chọn tổng cộng 80 phiến lá để tính DI. Theo Quy tắc dự báo điều tra bệnh cây trồng quốc gia (GB/T 15795-2011), tỷ lệ mắc bệnh của phiến lá được chia thành 9 cấp (0%, 1%, 10%, 20%, 30%, 45%, 60%, 80%, 100%), trong đó 0% là khỏe mạnh, 1% là bệnh cấp 1, 10% là bệnh cấp 2... 100% là bệnh cấp 8. Đánh giá tỷ lệ mắc bệnh gỉ sắt vàng được thực hiện ngay sau khi hình ảnh được thu thập bằng máy bay không người lái và được thực hiện bởi cùng một nhân viên dưới sự hướng dẫn và giám sát của các chuyên gia.

2.2. Phương pháp thử nghiệm


PLSR được sử dụng để thiết lập mô hình giám sát rỉ sét lúa mì. PLSR trước đây đã được áp dụng để theo dõi tăng trưởng cây trồng và ước tính các thông số sinh lý và hóa học. PLSR là một phương pháp mô hình cổ điển bao gồm các tính năng của ba phương pháp: PCA, phân tích liên quan điển hình và phân tích hồi quy tuyến tính đa dạng. Trong PLSR, cấu trúc cơ bản của một biến được xác định bằng phép chiếu thành phần dự đoán và quan sát vào một không gian mới. Do đó, bằng cách chọn các biến tiềm năng tốt nhất và tối ưu nhất, các biến ban đầu với dự phòng dữ liệu cao được chuyển đổi thành một số ít. PLSR có thể được biểu diễn như một mô hình tuyến tính mô tả mối quan hệ giữa các biến dự đoán và quan sát.

2.3. Chụp ảnh quang phổ cao


Thuật toán Nearest Neighbor lấy mẫu lại hình ảnh gốc (độ phân giải 1,2 cm) để tạo ra hình ảnh mới (độ phân giải 3, 5, 7, 10, 15, 20 cm). Địa vật trong hình ảnh máy bay không người lái bao gồm cây lúa mì và đất.

2.4. Điểm lấy mẫu


Nghiên cứu này sử dụng phương pháp ngưỡng NDVI để trích xuất các pixel lúa mì từ hình ảnh có độ phân giải không gian 1,2 cm. Quy trình của phương pháp này như sau: Đầu tiên, thiết lập ngưỡng NDVI tối ưu. Phạm vi NDVI của thảm thực vật nói chung là 0,3-1,0. Sau nhiều nỗ lực, chúng tôi thấy rằng ngưỡng NDVI 0,42 có thể tách chính xác pixel lúa mì khỏi pixel nền. Thứ hai, tạo NDVI lớn hơn 0,42 thành một tập tin mặt nạ để trích xuất pixel lúa mì. Cuối cùng, chúng tôi sử dụng tập tin mặt nạ này để cắt hình ảnh gốc để có được hình ảnh chỉ chứa pixel lúa mì. Để đảm bảo tính nhất quán của pixel lúa mì cho hình ảnh có độ phân giải không gian khác nhau, các tập tin mặt nạ được thực hiện bằng cách sử dụng ngưỡng NDVI của hình ảnh gốc (1,2 cm) để trích xuất pixel lúa mì của hình ảnh có độ phân giải không gian khác. Lý do các hình ảnh quang phổ cao chỉ chứa pixel cây lúa mì được sử dụng để xử lý và phân tích tiếp theo để chọn các độ phân giải cụ thể này là vì chúng đại diện cho hầu hết các hình ảnh máy bay không người lái được sử dụng để theo dõi sức khỏe cây trồng. Hình 4 cho thấy một ví dụ về hình ảnh phổ cao của máy bay không người lái với các độ phân giải không gian khác nhau là một phần của Khu vực A trong hình ảnh thu được vào ngày 25 tháng 4.

图片

Hình 4 Hình ảnh phổ cao của UAV với độ phân giải không gian khác nhau


3、kết luận


Ứng dụng này sử dụng hình ảnh quang phổ cao của máy bay không người lái để giám sát rỉ sét lúa mì ở quy mô thực địa, sử dụng các đặc điểm khác nhau (VI, TF và sự kết hợp của chúng) để thiết lập mô hình giám sát PLSR sớm, trung và muộn của rỉ sét lúa mì và đánh giá tác động của các độ phân giải không gian hình ảnh khác nhau (1,2 cm, 3 cm, 5 cm, 7 cm, 10 cm, 15 cm và 20 cm) đối với độ chính xác giám sát. Các kết luận sau: (1) Các mô hình dựa trên VI có độ chính xác giám sát cao nhất trong giai đoạn giữa của cuộc xâm lược và các mô hình dựa trên TF có độ chính xác cao nhất trong giai đoạn cuối của cuộc xâm lược. Tuy nhiên, mô hình TF-based không phù hợp để theo dõi rỉ sét trong giai đoạn đầu của sự xâm nhập, với độ chính xác giám sát tối đa chỉ là 0,28 R2. (2) Độ chính xác giám sát của các mô hình dựa trên VI-TF cao hơn so với các mô hình dựa trên VI và TF trong cả ba giai đoạn xâm nhiễm và độ chính xác giám sát cao nhất trong giai đoạn xâm nhiễm muộn (R2=0,88), ngoài ra, độ chính xác giám sát của các mô hình dựa trên VI-TF được cải thiện đáng kể trong giai đoạn đầu xâm nhiễm và phù hợp để phát hiện sớm bệnh. (3) Độ phân giải không gian ít ảnh hưởng đến độ chính xác giám sát mô hình dựa trên VI và lớn hơn đối với mô hình dựa trên TF, độ phân giải không gian tối ưu cho rỉ sét của thanh giám sát mô hình dựa trên VI-TF là 10cm.

图片

Hình 5 Xác định kết quả