大家好,今天给大家分享一篇以卫星影像融合数据支持精准农业的智能多空间和时间分辨率系统的文章。
01 研究背景本世纪农业的主要目标之一是在气候变化条件下,在提高农业资源利用效率、提高作物产量和质量的基础上实现粮食安全的可持续性。通过对田间作物的监测,实现对农田资源的优化和对土壤退化过程(如土壤侵蚀)的控制,旨在管理高分辨率下的局部空间变化(时间和空间)。就高收益作物而言,比如种植高品质葡萄酒的葡萄园,管理和跟踪植物在季节中空间行为的能力代表了提高农民收入和保护环境健康的机会。然而,任何实地监测对农民来说都是额外的成本,这减缓了扩散可持续农业的目标。卫星多光谱图像已广泛应用于大面积的生产管理。但其观测受预定义固定尺度和相对粗糙的空间分辨率的限制,在应用上受到了限制。
02 研究内容受卷积神经网络(CNN)近期研究成果的鼓舞,构建了一个多尺度全连通CNN,用于无人机图像对Sentinel-2A图像进行泛锐化。重建数据通过独立的多光谱无人机图像和现场光谱测量验证。重建的Sentinel-2A图像利用选定的植被指数提供了植物响应的时间评价。该方法已在植物体内测量中进行了测试,并通过回顾性重建了植物的生态生理行为,通过从记录在葡萄树干木材中的解剖和同位素特征来评价水分传导率和水分利用效率指数。
本文提出的方法旨在改进无人机和基于卫星的图像数据的融合,推进泛锐化方法检索高空间分辨率的MS数据,并开发一个非常规的植物胁迫监测框架。为了利用深度学习网络的优势,在图像恢复和重建方面,我们在意大利南部的一个酿酒厂(Fonzone-Caccese)识别了一个真实的研究案例,在2015年记录了沿葡萄园排的Aglianico葡萄藤的差异化。特别是,本文提出的多尺度CNN图像重建被应用于田间尺度,并在代表葡萄园行为的子地块尺度上进行评估。主要目的是调查和建立植物土壤水分有效性、水分流动和植物利用效率之间的关系,并对整个SWIR区域的水植物状况进行检测,VIS区域的植被色素和NIR区域的红边/叶结构植被指数来源于泛锐化/重建的时间哨兵-2A图像。
03 研究结果由Sentinel-2A数据重构得到的植被指标与基于年轮的葡萄生态生理行为回顾重建获得植物水分性状具有良好的相关关系。
图1 数值范围0-1的NDVI图:a)原始Sentinel-2A数据,b)通过多尺度CNN重构的图像。
图2 a) 原始Sentinel-2A图像,b)计算的NDVI (10 m), c)重建图像,d)计算的NDVI (0.8 m),每个NDVI图的数值范围为0-1。
图3 计算7个适用植被指数的无人机MS图像和重建图像(来自同一时期)之间的平方相关性(R2)。
图4 7个适用植被指数的无人机MS图像和重建图像(来自同一时期)之间的计算均方根误差(RMSE)。
图5 2017年在生长期观察到的两个区域(根据木材取样)的石灰土和香樟土子地块的季节记录。给出了a) NDVI、b) GNDVI、c) NDII和d) RENDVI的时间演化过程。
04 研究意义不同科学领域的知识(遥感和遥感、植物学、生态生理学和土壤学)的整合是一种强有力的方法。由Sentinel-2A数据重构得到的植被指标与基于年轮的葡萄生态生理行为回顾重建获得植物水分性状具有良好的相关关系。特别是在葡萄园,这种多尺度、多学科的方法可以被认为是支持农民进行田间管理的好机会,同时也是研究植物对佩多气候条件适应的宝贵机会。这最后的信息是理解葡萄树适应能力和在不同气候场景下为葡萄园管理计划行动的基础。事实上,新兴的CNN方法将支持实时监测与植物健康有关的几个参数,以更好地跟踪植物在田间的生长,并根据变化的环境条件评估其性能。这将提供植物性能的实时评估,以设计精准的农业和林业管理。
全文阅读:
A. Brook,V. De Micco,G. Battipaglia,A. Erbaggio,G. Ludeno,I. Catapano,A. Bonfante. A smart multiple spatial and temporal resolution system to support precision agriculture from satellite images: Proof of concept on Aglianico vineyard[J]. Remote Sensing of Environment,2020,240.
https://doi.org/10.1016/j.rse.2020.111679.
往期精彩
一、热门资讯内容
农业遥感应用的综述
基于对象的土地覆盖监督分类研究综述
利用Landsat影像提取耕地地块
二、农业遥感
利用高光谱植被指数估算植被含水量
图像的分辨率是否限制了无人机在作物育种中的应用?
基于离散小波变换分析的冬小麦叶片氮浓度评价
三、农业机器人与智能装备
收获机器人自动识别成熟番茄
采集机器人基于传感器的U型转弯实现方法
农田机器人视觉测距系统
四、深度学习方法在农业领域中的应用
一种用于高粱头状花序检测和计数的弱监督深度学习框架
使用机器学习方法从3D点云自动分割大豆植物
一种基于深度学习方法的香蕉叶病害分类
五、常用的遥感卫星数据
常用的遥感卫星数据(一)哨兵
常用的遥感卫星数据(二)MODIS传感器
常用的遥感卫星数据(三)Landsat
常用的遥感卫星数据(四)NOAA/AVHRR
常用的遥感卫星数据(五)ASTER
六、院士专家报告
院士专家主题报告 | 智慧农业专题
专家讲座 | 李世卫—GEE基础教程
专家讲座 | 阎广建—《MODIS与VIIR Global LAI/FPAR产品的生成与评价》
七、科技论文写作
“英文科技写作学习讨论小组”读后感(六)
“英文科技写作学习讨论小组”读后感(七)
“英文科技写作学习讨论小组”读后感(八)
八、智慧农业资讯
2020年5月24日第二十二期
2020年5月31日第二十三期
2020年6月7日第二十四期
![a06d77b25ecf2d1e45d6a72a9e37baab.png](https://i-blog.csdnimg.cn/blog_migrate/3e227d45cac10c7139b8258020d1b2b7.png)
![c2137ba28860cddf0f85fa831913c7b1.png](https://i-blog.csdnimg.cn/blog_migrate/eeac8ba744445dc0fc1bc3a5115790fd.png)
![de9b3370142cb2437721fb2f8c993e66.png](https://i-blog.csdnimg.cn/blog_migrate/8cae51eaa6fac7b14627ae32c273bb55.png)
![c7dcac9d163198ec18ae320dfa3730ec.png](https://i-blog.csdnimg.cn/blog_migrate/177b3661ce1a9f546df7957e20fb6b07.png)
![6f4a8a2b43641722cdf337b8377ab621.png](https://i-blog.csdnimg.cn/blog_migrate/7ed9f2b73b538f8732c7b08df42dd482.png)
![aa517878aa7e157ba0dc7a6ef69f7382.png](https://i-blog.csdnimg.cn/blog_migrate/c3f7e880d2402556c52a1f2751540c62.png)
向左滑动图片后,长按识别二维码