Le blé est crucial pour la sécurité alimentaire mondiale, et le nombre de panicules par unité de surface au sol (PNPA) est la clé de son rendement. Les méthodes de comptage manuel traditionnelles sont précises mais inefficaces, ce qui incite à s’orienter vers la télédétection et le traitement d’images pour une estimation rapide et non destructive du PNPA.
Des études récentes ont principalement utilisé des plates-formes proches du sol pour des estimations précises et à petite échelle du PNPA, mais leur efficacité est limitée. Les véhicules aériens sans pilote (UAV) offrent une alternative prometteuse, notamment avant le cap, en utilisant l’imagerie multispectrale pour gérer et augmenter efficacement les rendements.
Cependant, des défis subsistent, tels que la saturation spectrale affectant la précision et la nécessité de méthodes améliorées intégrant l’analyse spectrale et texturale pour surmonter ce problème. De plus, l’impact des matériaux de référence exposés sur ces estimations n’est pas entièrement compris, et des recherches supplémentaires sont nécessaires pour affiner les techniques d’estimation du PNPA pour le blé.
Phénomique des plantes a publié un article de recherche intitulé « SPSI : Un nouvel indice composite pour estimer le nombre de panicules dans le blé d’hiver avant de partir à partir de l’imagerie multispectrale d’UAV » Cette étude a introduit un indice de sensibilité (SPSI) au nombre de panicules spectrales et texturales par unité de surface au sol (PNPA) dérivé de l’imagerie multispectrale de véhicules aériens sans pilote (UAV) pour améliorer l’estimation du PNPA dans le blé d’hiver avant le cap en atténuant la saturation spectrale.
Le SPSI a combiné un indice spectral (SI) et un indice de texture (TI) optimaux pour traiter les effets des matériaux de base sur les estimations PNPA. Les performances du SPSI ont été comparées à celles des SI et TI traditionnels, révélant que les TI à pixels verts surpassaient généralement les TI à pixels entiers, à quelques exceptions près. Le SPSI a démontré des précisions globales supérieures et une saturation spectrale considérablement réduite par rapport aux autres indices.
De plus, il a montré des améliorations des coefficients de corrélation et des réductions de l’erreur quadratique moyenne et de l’erreur quadratique moyenne relative lorsqu’elle est appliquée à deux ensembles de données expérimentales.
Les relations entre le PNPA et divers indices ont été examinées, révélant que des SI spécifiques présentaient des relations plus fortes avec le PNPA. Les indices basés sur la texture dérivés des pixels verts présentaient des différences de performances significatives, les TI basés sur les pixels verts fournissant généralement des coefficients de corrélation plus élevés.
La recherche a identifié des bandes sensibles pour la construction du SPSI, en notant les bandes cohérentes et qui se chevauchent à différentes dates. Cela a conduit à identifier deux indices de texture de différence normalisés (NDTICOR) basés sur COR qui étaient particulièrement sensibles au PNPA avant le démarrage. SPSI, combinant DATT[850,730,675]et NDTICOR[850,730]était étroitement associé au PNPA, héritant des avantages des deux indices et démontrant une moindre sensibilité aux facteurs de culture.
L’étude a en outre étudié la sensibilité du SPSI à divers scénarios d’uniformité spectrale et facteurs de culture, indiquant sa robustesse et sa sensibilité inférieure par rapport au DATT.[850,730,675].
Les résultats de modélisation et de validation ont systématiquement affirmé les performances supérieures des SPSI dans l’estimation PNPA sur différents ensembles de données, en particulier en ce qui concerne le moment optimal de l’estimation. En conclusion, la recherche a conclu que l’incorporation d’informations texturales dans un indice composite atténue efficacement la saturation spectrale et améliore l’estimation du PNPA, offrant ainsi des avantages potentiels pour la prévision du rendement des cultures et l’agriculture de précision, en particulier lorsqu’elle est appliquée à l’imagerie satellite à haute résolution.
Plus d’information:
Yapeng Wu et al, SPSI : Un nouvel indice composite pour estimer le nombre de panicules dans le blé d’hiver avant de partir à partir de l’imagerie multispectrale d’UAV, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0087