Weizen ist für die globale Ernährungssicherheit von entscheidender Bedeutung, und die Anzahl der Rispen pro Bodenfläche (PNPA) ist entscheidend für seinen Ertrag. Herkömmliche manuelle Zählmethoden sind genau, aber ineffizient, was zu einer Verlagerung hin zur Fernerkundung und Bildverarbeitung für eine schnelle, zerstörungsfreie PNPA-Schätzung führt.
In neueren Studien wurden hauptsächlich bodennahe Plattformen für genaue PNPA-Schätzungen im kleinen Maßstab genutzt, ihre Effizienz ist jedoch begrenzt. Unbemannte Luftfahrzeuge (UAVs) bieten eine vielversprechende Alternative, insbesondere vor dem Flug, indem sie multispektrale Bilder nutzen, um Erträge effektiv zu verwalten und zu steigern.
Es bleiben jedoch Herausforderungen bestehen, wie z. B. die Beeinträchtigung der Genauigkeit durch die spektrale Sättigung und die Notwendigkeit verbesserter Methoden, die Spektral- und Texturanalyse integrieren, um dieses Problem zu überwinden. Darüber hinaus ist der Einfluss freigelegter Hintergrundmaterialien auf diese Schätzungen nicht vollständig geklärt und es sind weitere Untersuchungen erforderlich, um die PNPA-Schätztechniken für Weizen zu verfeinern.
Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „SPSI: Ein neuartiger zusammengesetzter Index zur Schätzung der Rispenanzahl in Winterweizen vor dem Start anhand multispektraler UAV-Bilder.“ In dieser Studie wurde ein Sensitivitätsindex (SPSI) für die spektral-texturale Rispenzahl pro Bodenflächeneinheit (PNPA) eingeführt, der aus multispektralen Bildern unbemannter Luftfahrzeuge (UAV) abgeleitet wurde, um die PNPA-Schätzung in Winterweizen vor dem Flug durch Abschwächung der spektralen Sättigung zu verbessern.
Das SPSI kombinierte einen optimalen Spektralindex (SI) und einen Texturindex (TI), um die Auswirkungen von Hintergrundmaterialien auf PNPA-Schätzungen zu untersuchen. Die Leistung von SPSI wurde mit herkömmlichen SIs und TIs verglichen. Dabei zeigte sich, dass TIs mit grünen Pixeln im Allgemeinen, mit bestimmten Ausnahmen, All-Pixel-TIs übertrafen. SPSI zeigte im Vergleich zu anderen Indizes eine überlegene Gesamtgenauigkeit und eine deutlich reduzierte spektrale Sättigung.
Darüber hinaus zeigte es bei der Anwendung auf zwei experimentelle Datensätze Verbesserungen bei den Korrelationskoeffizienten und eine Verringerung des quadratischen Mittelfehlers und des relativen quadratischen Mittelfehlers.
Die Beziehungen zwischen PNPA und verschiedenen Indizes wurden untersucht und ergaben, dass bestimmte SIs stärkere Beziehungen zu PNPA aufwiesen. Die aus grünen Pixeln abgeleiteten texturbasierten Indizes zeigten erhebliche Leistungsunterschiede, wobei auf grünen Pixeln basierende TIs im Allgemeinen höhere Korrelationskoeffizienten lieferten.
Die Forschung identifizierte sensible Bänder für die Konstruktion von SPSI und stellte die konsistenten und überlappenden Bänder über verschiedene Daten hinweg fest. Dies führte zur Identifizierung von zwei COR-basierten normalisierten Differenztexturindizes (NDTICORs), die vor dem Booten besonders empfindlich auf PNPA reagierten. SPSI, kombiniert DATT[850,730,675]und NDTICOR[850,730]war eng mit PNPA verbunden, erbte die Vorteile beider Indizes und zeigte eine geringere Empfindlichkeit gegenüber Kultivierungsfaktoren.
Die Studie untersuchte außerdem die Empfindlichkeit von SPSI gegenüber verschiedenen spektralen Gleichmäßigkeitsszenarien und Kultivierungsfaktoren, was auf seine Robustheit und geringere Empfindlichkeit im Vergleich zu DATT hinweist[850,730,675].
Modellierungs- und Validierungsergebnisse bestätigten durchweg die überlegene Leistung von SPSIs bei der PNPA-Schätzung über verschiedene Datensätze hinweg, insbesondere im Hinblick auf den optimalen Zeitpunkt der Schätzung. Zusammenfassend kam die Forschung zu dem Schluss, dass die Einbeziehung von Texturinformationen in einen zusammengesetzten Index die spektrale Sättigung wirksam abschwächt und die PNPA-Schätzung verbessert, was potenzielle Vorteile für die Vorhersage von Ernteerträgen und die Präzisionslandwirtschaft bietet, insbesondere wenn sie auf hochauflösende Satellitenbilder angewendet wird.
Mehr Informationen:
Yapeng Wu et al, SPSI: Ein neuartiger zusammengesetzter Index zur Schätzung der Rispenzahl in Winterweizen vor dem Abflug aus multispektralen UAV-Bildern, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0087