Prospettive per il monitoraggio colturale con i droni e imaging multi

Prospettive per il monitoraggio colturale
con i droni e imaging multi e
iperspettrali
Martina Corti, Giovanni Cabassi (CRA-FLC),
Daniele Cavalli, Luca Bechini, Pietro Marino Gallina,
Lamberto Borrelli (CRA- FLC)
Remote Sensing in agricoltura: perché?
Tecniche ottiche indagano la presenza dello stress dalla riflettanza della
foglia:
Leaf Reflectance
1,4
Reflectance
1,2
1,0
0,8
0,6
0,4
0,2
0,0
512 635 759 882 1005 1128 1251 1374 1497 1620 1743
Wavelength (nm)
Riuscire a far coincidere gli apporti idrici e azotati con le variazioni delle
esigenze della coltura nel tempo e nello spazio consente di mantenere le
rese ottimali, migliorando le prestazioni ambientali dei sistemi agricoli.
Indici Vegetazionali
Indice più comune è NDVI= (NIR-RED)/(NIR+RED)
Sensori ottici
• SENSORI MULTISPETTRALI
Raccolgono riflettanze in bande larghe e di numero ridotto, spesso non vicine (es. nel
verde nel rosso e nel vicino infrarosso)
• SENSORI IPERSPETTRALI
Raccolgono riflettanze in molte bande strette, spesso molto vicine (es. ogni 10 nm)
Tecniche di IMAGING
Combinano le potenzialità dei sensori ottici con le immagini dell’oggetto di interesse
–
Multispettrali
-
Iperspettrali
Usi per la gestione della nutrizione azotata
Sensori iperspettrali
Reflectance
Sensori multispettrali
Wavelength (nm)
• Commercializzati
• Alta risoluzione spettrale
• Gli algoritmi sviluppati sono
specifici per sensore, coltura e
luogo di applicazione
• Nessuna informazione della
distribuzione spaziale dello spettro
• Usata per fini accademici
• La correlazione tra indici
vegetazionali e contenuto di
azoto aumenta con l’avanzare del
ciclo colturale
• Uso di poche bande e dubbi su
univocità delle risposte
Usi per la gestione della nutrizione azotata
Imaging multispettrale
Imaging iperspettrale
•
•
Economica
Facile applicazione
•
Alta risoluzione spaziale e
spettrale
•
Necessario pre-processamento
delle immagini
•
Necessario pre-processamento
delle immagini
•
La correlazione tra indici
vegetazionali e contenuto di
azoto aumenta con l’avanzare
del ciclo colturale
•
Poco studiata
•
Uso di poche bande e dubbi su
univocità delle risposte.
Usi per la gestione dell’irrigazione
Sensori termici (8-14 um)
• Usate nella gestione
dell’irrigazione
• Mappe di variabilità
della temperatura
(camere)
• Indicano la presenza
dello stress ma non
quantificano la quantità
d’acqua necessaria
Sensori ottici (0,4-1um)
• Usati con successo
implementando output
in modelli per calcolo
dell’evapotrasipirazione
• Difficile trovare
relazione tra contenuto
idrico della pianta e
riflettanza nel visibileinfrarosso
• Poco usati per la
gestione dell’irrigazione
Esperienza 1: Imaging Multispettrale
Modified Canon PowerShot SX260 HS (300 €)
• Fotocamera modificata
NIR
~3000-4000 €
Spectral transmission of a "superblue" filter. Most red light
(600 to 700 nm) is blocked, but other visible light and most
near infrared light (> 700 nm) passes through. This type of
filter can replace the IR block filter to allow NDVI to be
produced from a single camera. The red channel in the image
file will record mostly infrared light, and the blue channel will
record light that plants use for photosynthesis.
Caso di studio su mais (Lodi)
• Obiettivo: valutazione preliminare della relazione tra
– indici vegetazionali rilevati con fotocamera e
– biomassa del mais, concentrazione di azoto, asportazione N
• Lavoro in corso
Imaging Multispettrale
• Disegno sperimentale: campo di mais, 4 blocchi di 6 parcelle
corrispondenti a sei diverse disponibilità di azoto
• 2 voli del drone a 35 m e a 65 m, allo stadio di sesta e nona foglia
• Costruzione di ortofoto con Software AgiSoft PhotoScan (179 USD 3499 USD)
Imaging Multispettrale
Processing
dell’immagine
• Estrazione dei canali Blu e Vicino Infrarosso (NIR) per il calcolo dell’NDVI
• Normalizzazione di dei valori di NDVI scalando ogni canale dell’intensità
massima registrata: Blu/Blu Max ; NIR/ NIR Max
• NDVI=(NIR-BLU) / (NIR+BLU)
• Correzione dei valori NDVI per avere solo valori positivi
Calcolo dell’ NDVI
Calcolo
NDVI
Studio di
regressione
• NDVI e biomassa aerea
• NDVI e contenuto azoto
Imaging Multispettrale
Primi risultati
80
0.12
70
NDVI medio vegetazione
80
y = 495x + 26
R² = 0.54
70
60
60
y = 625x + 19
R² = 0.74
Biomassa aerea (g DM m-2)
Biomassa aerea (g DM m-2)
50
50
40
30
40
30
20
10
0
0.00
20
10
70
60
0.10
y = 628x - 28
R² = 0.35
y = 945x - 67
R² = 0.60
0.08
50
0.06
40
30
0.04
20
10
0.02
0.04
0.06
NDVI medio vegetazione
0.08
0
0.10
0.02
0.11
0.12
0.13
NDVI medio
0
0.14
0.15
0.00
CO
SA
INT
SL
SS
LIQ
CO
SA
INT
SL
SS
LIQ
CO
SA
INT
SL
SS
LIQ
CO
SA
SL
SS
LIQ
INT
Biomassa aerea (g DM m-2)
80
NDVI medio delle parcelle
comprendente suolo e vegetazione
Blocco 1
Blocco 2
Blocco 3
Blocco 4
NDVI medio vegetazione
Biomassa aerea (g DM m-2)
NDVI della sola vegetazione
Variabilità della biomassa riscontrata
Trattamenti
Peso secco Medio(g/m2)
± Dev. standard
CO
41,63
3,97
INT
45,13
1,74
LIQ
48,75
4,17
SA
42,14
6,27
SL
49,46
7,86
SS
57,98
11,62
Esperienza 2: Imaging Iperspettrale
•
Prelievo di 19 foglie di mais al V6
•
Foglie divise in tre parti
•
Sistema di imaging iperspettrale che colleziona riflettanza da 512 a 1768 nm
•
Determinazioni analitiche del contenuto di azoto e del concentrazione di azoto
Imaging Iperspettrale
Analisi multivariata dei dati
• Modelli di regressione PLS tra contenuto di azoto sul peso fresco e
contenuto idrico delle parti di foglia selezionate
1.6
Modello previsione concentrazione azoto
Modello previsione contenuto idrico
Samples/Scores Plot
84
1.4
Water content CV Predicted
82
NFM CV predicted
1.2
1
0.8
0.6
R2 = 0.788
4 Latent Variables
RMSEC = 0.13431
RMSECV = 0.15167
Calibration Bias = -1.1102e-016
CV Bias = 0.0014004
0.4
0.2
0
0.2
Apice
Medio
Base
0.4
0.6
0.8
1
NFM measured
1.2
1.4
80
78
76
74
R2 = 0.797
6 Latent Variables
RMSEC = 1.4559
RMSECV = 1.8106
Calibration Bias = 1.4211e-014
CV Bias = -0.10674
72
70
1.6
68
Apice
Medio
Base
70
75
80
Water content Measured
85
Iperspettrale vs Multispettrale
Imaging Iperspettrale
1. Simulazione dei più usati indici vegetazionali
•
•
•
•
•
Normalized Difference Vegetation Index
Green (NDVI)
Photochemical Reflectance Index
Water Index
Normalized Difference Water Index
NDVI=(NIR-RED)/(NIR+RED)
GNDVI= (NIR-GREEN)/(NIR+GREEN)
PRI= R570 - R531 / R570 + R531
WI= R900/R970
NDWI=(NIR-SWIR)/(NIR+SWIR)
2. Costruzione di modelli di regressione lineare per la stima del
contenuto di azoto sul fresco e del contenuto idrico
Imaging Iperspettrale
1,60
90
1,40
85
1,20
80
1,00
75
Moisture (%)
NFM (%)
NDVI
0,80
0,60
70
65
0,40
60
0,20
55
0,00
0,60
0,62
0,64
0,66
NDVI
0,68
0,70
50
0,63
0,64
0,65
0,66
NDVI
0,67
0,68
0,69
Imaging Iperspettrale
Migliori predittori tra indici vegetazionali
1,40
PRI
NFM predicted
1,20
1,00
0,80
0,60
0,40
y = 0,5741x + 0,3625
R² = 0,5856
0,20
0,00
0,00
0,50
1,00
1,50
NFM measured
85
WI
Moisture predicted
80
75
70
65
y = 0,4276x + 43,297
R² = 0,4276
60
55
50
50
55
60
65
70
75
Moisture measured
80
85
90
Considerazioni
Imaging Iperspettrale
Sistemi iperspettrali predicono meglio il contenuto di azoto
MA
Sono molto costosi
Serve grande lavoro per il trattamento delle immagini
PROSPETTIVE DI UTILIZZO
Se meno costosi montabili su drone…
FINO AD ALLORA
Uso in ambito di ricerca: utili alla creazione di nuovi indici
vegetazionali più performanti per la diagnosi dello stress azotato

Download Report