Алгоритмы детектирования и выделения ареала распространения зараженных растений яровой пшеницы по гиперспектральным данным в условиях Северного Казахстана

Зерновые культуры в Северном Казахстане наиболее часто подвержены заражению септориозным инфекциям, различными видами ржавчины, которые при отсутствии защитных мероприятий заметно снижают их продуктивность. Септориоз и бурая ржавчина преимущественно проявляются на листьях. При сильном развитии болезни листья в течении 7–10 суток полностью отмирают. Ощутимые потери урожая от грибных болезней у зерновых культур (до 20-30 % и более) наблюдаются в период колошения в июле. Своевременное выявление очагов развития болезней и эффективное проведение химической обработки полей способствует уменьшению ущерба причиняемого болезнями и сохранению будущего урожая.
Для мониторинга заражения посевов яровой пшеницы была создана собственная спектральная библиотека в программном комплексе ENVI. Для этого использовалась директория Spectral Library Builder. Спектральные кривые, собранные с помощью ручного гиперспектрометра Fieldspec, импортируются и добавляются в Spectral Library Builder. В колонке Wavelength указан диапазон значений спектральных кривых. Диапазон нашей спектральной библиотеки 325-1050 нанометров с шагом в 5 нанометров. Кроме того, с помощью модуля Band Math выполнялись операции со спектральными каналами и встраивались в программный комплекс дополнительные индексы. Автоматизированное дешифрирование септориоза и бурой ржавчины яровой пшеницы выполнено с использованием методов классификации с обучением спектрального угла (Spectral Angle Mapper).
Перед началом работы проведена калибровка спектральной библиотеки под конкретную съемочную систему (Resampling). Для сравнения и сопоставления кривых спектральной отражательной способности, полученных со снимка с кривыми из спектральной библиотеки, последние пересчитывались, используя функции пропускания энергии для каждого спектрального канала съемочной системы.
При классификации способом спектрального угла предварительно создавались эталонные участки. Все пиксели снимка, в том числе и эталонные, рассматриваются как векторы в пространстве спектральных признаков. Задается максимально допустимый спектральный угол, если угол между эталонным вектором и вектором пикселя, который подвергается классификации меньше максимального, то этот пиксель относится к данному классу, если больше - не относится.
Для сравнения точности распознавания поверхности при помощи гиперспектральных данных были выбраны классы «септориоз начальная», «септориоз средняя», «септориоз максимальная», «бурая ржавчина начальное», «бурая ржавчина среднее», «бурая ржавчина максимальное». Спектральный диапазон, в котором проводились измерения, охватывает только первые четыре канала Landsat (синий, зеленый, красный и ближний инфракрасный), что накладывает известные ограничения на использование прибора при анализе сцен Landsat. Основные изменения происходящие с растениями в связи с заражением болезнями отмечены в основном в БИК диапазоне.
На основании сравнительного изучения спектральных почерков и отношений спектральных яркостей следует сделать вывод о том, что применение спектральных образов, полученного с помощью гиперспектрального радиометра более, оправданно на спутниковых данных среднего пространственного разрешения (до 30м).
Верификация космической информации проведена по результатам наземных обследований посевов яровой пшеницы. Всего было обследовано 42 участка, на которых проводилась гиперспектральная съемка. Результаты анализа показывают, что основные параметры, по которым проводится оценка заражения посевов септориозом, имеют высокую степень совпадения с наземными данными 73.6%.
Использование спектральной библиотеки в классификации и дешифровке космоснимков среднего разрешения позволяет достаточно точно определять степень заражения посевов яровой пшеницы на разных стадиях развития фитопатогена.