Армия получит новые комплексы с ударными беспилотниками в 2021 году

В 2021 году Российская армия получит новые комплексы с ударными беспилотными летательными аппаратами «Иноходец». И дальше их закупка пойдет по нарастающей.

Министр обороны Российской Федерации генерал армии Сергей Шойгу проверил выполнение государственного оборонного заказа на московском предприятии «Кронштадт», где действует полный производственный цикл по созданию беспилотных авиационных комплексов — от их проектирования до испытаний и сертификации.

Как сообщил Департамент информации и массовых коммуникаций военного ведомства, в конце февраля министру продемонстрировали процесс изготовления композитных деталей планеров беспилотных летательных аппаратов, сборки готовых изделий, а также наземный пункт управления беспилотниками. В центре внимания был «Иноходец» — комплекс воздушной разведки большой продолжительности полета с возможностью выполнения ударных задач. Сергей Шойгу также оценил перспективный скоростной ударный беспилотник «Гром», разведывательно-ударный и аппарат радиолокационного дозора «Гелиос-РЛД». Показали ему и беспилотники, находящиеся на плановом техобслуживании после боевого применения в Сирии.

Надо отметить, что это был первый столь обстоятельный визит министра на предприятие, специализирующееся только на разработке и производстве беспилотных летательных аппаратов различного назначения. Судя по всему, Сергей Кужугетович остался доволен увиденным. Именно на территории «Кронштадта» он обсудил с военными и гражданскими специалистами состояние и перспективы развития российской беспилотной авиации, определил меры по повышению темпов оснащения Вооруженных сил дронами отечественного производства.

Стало известно, что Вооруженные силы получат семь комплексов с «Иноходцами». В составе каждого комплекса три беспилотных ударно-разведывательных летательных аппарата. Министр обороны впервые открыто заявил, что требуется увеличить производство таких беспилотников. На что гендиректор предприятия Сергей Богатиков ответил, что уже в этом году планируется запустить в строй серийный завод.

Стоит уточнить. «Иноходец» — название опытно-конструкторской работы, заданной минобороны. В ее рамках требовалось создать многоцелевой беспилотник средней высотности и большой продолжительности полета. Он был создан в оговоренные сроки и получил гражданское имя «Орион». Этот дрон прошел полный цикл госиспытаний и готов к серийному производству. Однако военные предпочли дать закупаемому аппарату имя, под которым шли опытно-конструкторские работы — оно действительно звучит по-боевому. В октябре 2019 года генконструктор промышленной группы «Кронштадт» Николай Долженков за разработку первого в России многофункционального беспилотника большой продолжительности полета был удостоен премии имени Н.В. Огаркова.

«Иноходец» имеет максимальный взлетный вес 1000 кг и массу полезной нагрузки до 200 кг. Длина аппарата — 8 метров, размах крыла — 16 метров, продолжительность полета — 24 часа. Его вооружение, которое размещается на трех узлах подвески, было хорошо представлено на военно-техническом форуме «Армия 2020». Это корректируемые планирующие авиабомбы КАБ-100 и КАБ-50Л, корректируемая авиабомба КАБ-20С, неуправляемая фугасная авиабомба ФАБ-50. В арсенале есть и управляемые ракеты, названия которых пока не разглашаются.

Имеет смысл рассказать о беспилотнике дальнего радиолокационного дозора «Гелиос-РЛД». Он несколько отличается от «Иноходца», прежде всего, своим основным предназначением. Под фюзеляжем этот аппарат несет современную радиолокационную систему с функцией ретранслятора. Как утверждают специалисты, несколько таких беспилотников способны сформировать сплошное радиолокационное поле по всей Арктике и обеспечить там устойчивую радиосвязь. Помимо этого, «Гелиос» может осуществлять разведку в интересах ВМФ или погранслужбы. В экспедиционных миссиях Российской армии дроны дальнего радиолокационного обнаружения станут просто незаменимы в управлении войсками и получении жизненно важной информации.

Скоростной ударный беспилотный летательный аппарат «Гром», макет которого также показали Сергею Шойгу, — это перспектива, причем не столь уж и отдаленная. Его максимальная взлетная масса будет около семи тонн. Боевая нагрузка — две тонны. Скорость — до 1000 км/час. Максимальная высота полета — двенадцать тысяч метров. Радиус боевого применения — 700 км.

Он будет способен обеспечивать применение авиационных средств поражения с лазерным, спутниковым и телевизионным наведением. У него четыре точки подвески — две под консолями крыла и две — внутри фюзеляжа. «Гром» сможет нести и тяжелые корректируемые авиабомбы массой 500, 250, 100 кг, и совсем для него легкие КАБ-50С и КАБ-20Л, причем в большом количестве.

Как считают создатели «Грома», он вполне сможет работать вместе с пилотируемыми истребителями Су-35 и Су-57, причем в одном с ними боевом порядке. В частности, это позволит сохранить жизни пилотов при преодолении зоны ПВО.

Можно утверждать, что точка неопределенности пройдена. Наши Вооруженные силы начинают оснащаться самыми современными многофункциональными беспилотниками.

Первый переданный в войска БПЛА «Орион» показали на видео — Российская газета

Беспилотные летательные аппараты (БПЛА) «Орион», уже производящиеся серийно для российской армии, способны нести на себе различные виды специально разработанных боеприпасов, а также обладают высокой автономией, в том числе в условиях агрессивной радиоэлектронной обстановки.

Об этом и многом другом рассказывается в свежей программе «Смотр» от телеканала НТВ, наглядно демонстрирующей возможности беспилотника. В частности, в арсенале БПЛА сейчас имеются недорогие малогабаритные средства поражения, разработанные на основе стандартных боевых частей РСЗО «Град». Это управляемые авиабомбы весом 20 и 50 килограммов с раскладывающимся крылом, что позволяет им планировать точно на цель. Также в арсенале — корректируемые авиабомбы КАБ-20, малогабаритные ракеты.

Как уже писала «РГ», «Орион» оборудован тремя точками подвески — две под консолями крыла и одна — под фюзеляжем. Максимальная масса сбрасываемого груза — 200 килограммов. Примечательно, что изначально БПЛА создавался все-таки как разведчик, однако теперь его возможности существенно расширены.

Ранее сообщалось, что дрон может находиться в воздухе сутки, двигаясь со средней скоростью 200 километров в час. Однако за счет аэродинамических качеств, близких к планеру, при определенных условиях время полета может оказаться и больше.

Пункт управления БПЛА включает в себя рабочие места командира, операторов управления дронами и операторов управления целевой нагрузкой. Все изначально разрабатывалось так, чтобы не было необходимости задействовать профессиональных летчиков. Взлет и посадка также осуществляются на автомате, операторы следят, чтобы не возникло аварийной ситуации, и при необходимости могут остановить взлет или отдать команду уйти на второй круг при приземлении.

Примечательно, что система посадки имеет три уровня. Первый — спутниковая навигация, так называемый «мирный» способ. Но в военное время спутники могут быть выведены из строя, отключены или заглушены. На этот случай есть вторая система — радиолокационная. Для «Ориона» разработан специальный посадочный двухдиапазонный локатор, который уже неоднократно применялся на практике в экстремальных условиях — БПЛА испытывался в Сирии. Третья система посадки — лазерная, на тот случай, если поставлены мощные помехи для локатора.

Напомним, Минобороны РФ подписало акт приемки первого беспилотного комплекса большой продолжительности полета «Орион» в апреле нынешнего года.

Аксессуары для камеры, беспилотный летательный аппарат и фото — огромный выбор по лучшим ценам

Camera and Photo Accessories

Photography is a very popular hobby and profession, but it requires the proper equipment and accessories. People that practice photography generally need a proper point-and-shoot or DSLR camera to take photographs, but it’s the accessories that make the job easier. Camera accessories like shoulder straps, extra batteries, or even just a case to carry equipment can make a huge difference for the photographer.

What kind of accessories are needed for a photo shoot?

• Lens: When it comes to DSLR cameras, they’re no good without a proper lens. The size of a lens determines how far or close the photographer needs to be to the subject for a clear image. It’s common to have more than one lens for a DSLR camera because each lens is meant to be used for specific distances.
• Light: Photographers often prefer natural lighting, but many indoor shoots require artificial lights if the flash setting is not enough. There are many options for adjustable lamps that can be used to illuminate the set for indoor photography. This way, the photographer can control the appearance of shadows. These lamps can also be connected to your flash to provide a softer glow if the built-in flash feature on the camera is too harsh.
• Tripod: Tripods allows you to keep the camera steady and lock in your desired angles. The slightest camera movement can easily blur an image that’s taken in low-light, so tripods help to eliminate that problem while shooting.
• Backdrop: Some photos are meant to only focus on the model or specific object. Using a backdrop will allow the subject to be the only point of focus in the photo.
• Extra Batteries: An extra battery or two will allow the photographer to continuously capture photographs without needing to stop and recharge. This would be ideal for outdoor photography because there’s a good chance that a power source won’t be available while shooting.

What kind of camera accessories are also useful for photography?

• Connecting Cables: Using the proper cables and adapters will allow you to view your photos and videos on TV and computer screens.
• Remote: If you’re actively positioning your subject while the camera is on the tripod, you can use a remote to take the photos. This is especially useful if the photographer is one of the subjects that’s being shot.
• Filters: Different types of photography require certain filters that fit onto the lens. These can change the overall color or texture of your images.
• Equipment bag: Carrying all of your gear at once can be tedious. A bag to carry all of your photography accessories will keep your gear organized and make the entire process easier.

Направления деятельности | СТИЛСОФТ

Беспилотные летательные аппараты

Одно из направлений деятельности нашей компании – создание беспилотных летательных аппаратов (БПЛА). Предназначены для наблюдения и досмотра, труднодоступных для человека участков местности, объектов и других целей. Управление беспилотными аппаратами может вестись как вручную, так и задаваться координатами, летным заданием, при котором оператор самостоятельно определяет высоту, дальность и продолжительность полета. Максимальная высота полета 1000 м., длительность до 30 минут, скорость передвижения позволяет делать четкое изображение желаемого объекта. Летательные аппараты снабжены необходимым фото и видеооборудованием. Так БПЛА «Фотокоптер» оснащен фотоаппаратом высокого разрешения. При этом съемка объекта производится по заданию оператора. Беспилотный летательный аппарат «Шмель» оснащен видеокамерой. В темное время суток здесь может быть использован тепловизор. Съемка объекта ведется непрерывно. Видео при этом передается на планшет управления в режиме реального времени, что позволяет оператору при необходимости вручную управлять аппаратом для улучшения качества съемки объекта.

Нами разработан ряд БПЛА, решающих различные задачи.

Конструкторами «СТИЛСОФТ» разработана система оперативного вылета летательного аппарата по сработке сигнальных датчиков. В этом случае БПЛА получает летное задание от такого датчика, автоматически вылетает на место сработки и производит необходимые съемки, после чего возвращается на исходную точку. Полученные фото или видеосъемка передается на монитор оператора. Такая функция необходима при оперативной необходимости передачи данных тревожного сообщения. Стоит отметить, что при работе аппарата на высоте от 30 метров он работает бесшумно, поэтому его трудно обнаружить нарушителям.

Беспилотные летательные аппараты «СТИЛСОФТ» — это на 100% интеллектуальная находка специалистов компании. Все, от конструкции аппарата и винтов пропеллера до программ полета и автопилота – разработано конструкторами и программистами «СТИЛСОФТ». При этом управление БПЛА настолько простое, что управлять этой сложной и тонкой техникой сможет любой желающий.

%d0%b1%d0%b5%d1%81%d0%bf%d0%b8%d0%bb%d0%be%d1%82%d0%bd%d1%8b%d0%b5 %d0%bb%d0%b5%d1%82%d0%b0%d1%82%d0%b5%d0%bb%d1%8c%d0%bd%d1%8b%d0%b5 %d0%b0%d0%bf%d0%bf%d0%b0%d1%80%d0%b0%d1%82%d1%8b пнг образ | Векторы и PSD-файлы

Для БПЛА — СТЭККОМ

НАЗНАЧЕНИЕ БПЛА

Беспилотные летательные аппараты (БПЛА) предназначены для дистанционного наблюдения/мониторинга и контроля местности, объектов, окружающей среды с передачей видеоизображения на землю в реальном масштабе времени.

Значительный прогресс в создании и использовании БПЛА объясняется тем, что они в большей степени, чем пилотируемые воздушные средства, отвечают требованию «стоимость-эффективность», а также минимизируют риск для жизни пилотов.

К типичным задачам БПЛА относятся: пограничное и морское патрулирование, поисково-спасательные работы, обнаружение лесных пожаров, мониторинг стихийных бедствий, измерение загрязнений, наблюдение за дорожным движением, инспектирование источников энергии и трубопроводов, наблюдение за земной поверхностью и т.д.

КЛАССИФИКАЦИЯ И ВОЗМОЖНОСТИ БПЛА

Основными признаками, характеризующими БПЛА являются:

• вид БПЛА (самолетные, вертолетные)
• место базирования (наземное, корабельное, воздушное)
• функциональное назначение (информационные, имитационные, боевые и исследовательские)
• уровень выполняемых БПЛА целевых задач (тактические, оперативные, стратегические)

Самолетные БПЛА по основным характеристикам можно разделить на пять групп:

• по взлетной массе (сверхлегкие- до 5 кг, легкие-до 200 кг, средние-до 1000 кг, тяжелые – до 10000 кг, сверхтяжелые – более 10 000 кг)
• по продолжительности полета (от 1 часа до 24 часов)
• по высоте полета (низковысотные- до 1000м, средневысотные- до 10 000 м, высотные- до 20 000 м, сверхвысотные- более 20 000м)
• по дальности полета (малой дальности с радиусом действия до 10 км, средней дальности-до 100 км, дальние -до 1000 км, сверхдальние-более 1000 км)
• по скорости полета (дозвуковые, сверхзвуковые и гиперзвуковые)

Способность БПЛА оставаться в воздухе длительное время и преодолевать значительные расстояния определяет необходимость дистанционного управления полетом БПЛА, обеспечения постоянной связи с ним, получения фото и видео  данных в режиме on-line.

ПРИМЕНЕНИЕ СПУТНИКОВЫХ ТЕХНОЛОГИЙ

В ходе  эксплуатации БПЛА большой дальности появляется необходимость удаленно, вне зоны радиовидимости воздушного средства, отслеживать его местонахождение, оценивать состояние бортовых систем, получать телеметрическую и целевую информацию, изменять  полетное задание. Эти задачи успешно решаются за счет использования современных спутниковых технологий.

Передача данных с БПЛА на землю

Подвижная спутниковая связь по технологии VSAT позволяет организовать широкополосный канал передачи информации (до 5 Мбит/с) между БПЛА и НКУ (наземный комплекс управления). Система может работать через существующие  геостационарные спутники Ku/Ka-диапазона частот, в том числе и российские. Полнодуплексный спутниковый канал имеет коэффициент готовности до 0,996. При этом, применяется адаптивная модуляция и кодирование с целью компенсации потерь в изменяющихся погодных условиях (дождь, туман и т.п. ) и IP-ориентированные приложения (голос, видео, данные полезной нагрузки) не теряют свою эффективность.

Мониторинг местоположения БПЛА

Глобальная система спутниковой связи Iridium L-диапазона обеспечивает низкоскоростную передачу данных между БПЛА и НКУ. Сервис пакетной передачи данных (Short Burst Data) от компании Iridium реализует технологию SBD, которая позволяет отправлять (MO — 1960 байт) и принимать (MT-1890 байт)  сообщения небольшого  размера, с большой частотой.  При малом объеме данных эта технология является экономически эффективной в сравнении с технологией передачи данных по протоколу CSD (Circuit Switched Data), использующему для передачи информации коммутируемый канал связи (2400 бит/с).

Компактный размер и малый вес оборудования Iridium со всенаправленной низкопрофильной антенной позволяют их использовать  даже на БПЛА небольшого размера.

Оборудование:

Устройство связи РМ-15М для БПЛА

Подробнее

Дополнительная информация:

Три способа использовать дроны для более рационального землепользования во благо планеты

Так как же ФАО использует БПЛА для сохранения ресурсов планеты и укрепления источников средств к существованию населения?

1.  Мониторинг обезлесения и деградации земель

Обезлесение и деградация земель – серьезные проблемы, которые зачастую трудно выявлять и держать под контролем. С 1990 года потеря площади лесов составила около 129 миллионов гектаров – по размерам это примерно территория Южно‑Африканской Республики. Каждую минуту на планете исчезает 23 гектара леса! Но это еще не все: каждый год деградирует 12 миллионов гектаров земель. Обезлесение и деградация земель наносят ущерб биоразнообразию, источникам средств к существованию и повышают риски, связанные с экстремальными погодными условиями, что в конечном итоге приводит к увеличению масштабов нищеты и голода, а иногда и к вынужденной миграции местных сообществ. 

В Мьянме ФАО использует БПЛА в проекте по мониторингу земель и лесов, направленному на обеспечение их устойчивого использования. Леса покрывают более 48 процентов территории Мьянмы, и поэтому оценивать и отслеживать ситуацию с земли практически невозможно, что затрудняет осуществление необходимых мер. И напротив, использование БПЛА позволяет получать изображения лесов с высоты птичьего полета, что облегчает задачу оценки текущего положения дел, позволяет властям осуществлять мониторинг использования этих ценнейших ресурсов и защищать их от чрезмерной эксплуатации. 

Не менее важную роль беспилотные технологии играют и в предотвращении деградации земель. Зачастую местные сообщества хорошо осведомлены о плачевной ситуации на местах, однако для того, чтобы правительство смогло принять меры, ему требуются конкретные данные. Прежде такие данные собирались «вручную», перемещаясь с места на место для оценки ситуации и подготовки отчета. Однако в условиях, когда леса покрывают столь обширные территории, традиционные методы не позволяют составить точное представление о сложившемся положении. Фотографии и видео, полученные с помощью БПЛА, дают возможность оценить состояние земельных ресурсов с высоты птичьего полета и с легкостью получить данные, необходимые для принятия обоснованных решений.

2.  Картирование и планирование землепользования

В деле точной оценки состояния лесов и земельных угодий важнейшую роль играет картирование землепользования и почвенно-растительного покрова. Такие карты отражают типологию земельных ресурсов, виды землепользования и его изменения во времени. Картирование землепользования и почвенно-растительного покрова осуществляется в основном с использованием спутниковых снимков, а также по результатам сбора полевых данных. Сегодня все большее значение приобретают дроны, использование которых позволяет проверять достоверность, улучшать качество данных и давать более точную оценку. В настоящий момент в Мьянме беспилотные технологии используются для планирования землепользования и устойчивого управления земельными ресурсами. 

Кроме того, использование БПЛА стимулирует вовлеченность местного сообщества. С помощью очков для дронов местные жители могут взглянуть на свою территорию с высоты птичьего полета и составить намного более полную картину о сложившемся положении, что может подтолкнуть их к внедрению более устойчивых методов землепользования.

Восстание дронов: фотографии беспилотных летательных аппаратов

Удивительный беспилотный самолет

(Изображение предоставлено НАСА)

Дроны — это беспилотные летательные аппараты (БПЛА), которые используются военными различными способами, включая испытания ракет, воздушные удары, дозаправку в воздухе, наблюдение, транспортировку грузов, живую — огневые учения и даже дальние бомбардировки. Военные США начали экспериментировать с беспилотными летательными аппаратами еще во время Первой мировой войны, но в то время их называли дистанционно пилотируемыми аппаратами (ДПЛА).Сегодня БПЛА используются различными организациями, включая ВВС, ВМС США и Геологическую службу США.

The Reaper

(Изображение предоставлено НАСА)

Вышеупомянутый беспилотный летательный аппарат, носящий зловещее название MQ-9 Reaper, упоминается в ВВС США как дистанционно пилотируемый аппарат / самолет. Он управляется наземными диспетчерами, в то время как другие БПЛА управляются автономно благодаря заранее запрограммированным планам полета.

Готов к полету

(Изображение предоставлено: U.С. ВВС | Staff Sgt. Дезире Н. Паласиос | af.mil)

Приведенная выше фотография дрона QF-4, отдыхающего на аэродроме, была сделана 30 июля 2010 г. на базе ВВС Дэвис-Монтан в Тусоне, штат Аризона. Дроны, такие как QF-4, часто используются в оценка и обучение ракетных систем, при этом дроны служат движущимися целями для испытания оружия.

Взлет

(Изображение предоставлено: фотография ВВС США | Брюс Хоффман | af.mil)

Этот субшкальный дрон кораллового цвета, названный субшкальной воздушной мишенью ВВС BQM-167, был запущен ВВС Тиндаля. База в Тиндалле, штат Флорида.Используемый в программе оценки системы вооружения ВВС, дрон служил мишенью для стрельбы во время учений по испытанию оружия.

Над водой

(Изображение предоставлено: фото ВВС США | Сэмюэл Кинг-младший | af.mil)

Члены нанятой по контракту бригады Florida Offshore удерживают субмасштабный дрон BQM-167, когда он опускается на подставку. Дрон был выловлен в водах у базы ВВС Тиндалл, штат Флорида, с помощью одной из 120-футовых спасательных лодок, принадлежащих ВВС. Эти лодки используются для поиска и восстановления малоразмерных дронов после того, как они были сбиты во время учений ВВС с боевой стрельбой.

В воздухе

(Изображение предоставлено: фотография ВВС США | Штаб-сержант Джеймс Л. Харпер-младший | af.mil)

Беспилотный летательный аппарат MQ-9 Reaper, первоначально названный Predator B, не только используется ВВС США, а также ВМС, ЦРУ и Службой таможенного и пограничного контроля США. Выше он сфотографирован после взлета с авиабазы ​​Кандагар в Афганистане в составе 62-й экспедиционной разведывательной эскадрильи, где он использовался в миссии в рамках операции «Несокрушимая свобода».

Flying High

(Изображение предоставлено: фото ВВС США | af.mil)

Вышеупомянутый полноразмерный беспилотный летательный аппарат QF-4 летит, отслеживаясь ракетой на базе ВВС Тиндаль. в Тиндалле, штат Флорида. QF-4, действуя как реалистичная полноразмерная движущаяся цель, в основном используется для оценки систем вооружения.

Гудит во имя науки

(Изображение предоставлено НАСА)

Дистанционно управляемый самолет Altus II, летящий над хребтом Сан-Габриэль в южной Калифорнии, оснащен системой данных о воздухе, а также видеокамерой в носу.Прилетевший из Летного исследовательского центра Драйдена в Эдвардсе, штат Калифорния, Altus II является частью программы НАСА по созданию самолетов и сенсорных технологий (ERAST) для исследования окружающей среды. Разработанный для высотных и продолжительных научных миссий, дрон может достигать и удерживать высоту 55000 футов в течение нескольких часов, собирая пробы воздуха и данные.

БПЛА, большой и малый

(Изображение предоставлено: фотография ВВС США | Lance Cheung)

Беспилотные летательные аппараты бывают разных форм и размеров, от Heron TP израильских ВВС, который является самым большим в мире БПЛА и почти такой же длиной, как авиалайнер 737, до U.»Switchblade» S. Army, новый сложный беспилотный летательный аппарат, достаточно маленький, чтобы его можно было носить в рюкзаке.

Red Target

(Изображение предоставлено: фотография ВВС США | Мастер-сержант Майкл Аммонс)

Вышеупомянутый MQM-107E Streaker, маломасштабный беспилотник с воздушной целью, был сфотографирован над базой ВВС Тиндалл в Тиндалле. Флорида. MQM-107E Streaker проводил программу оценки системы вооружения, также известную как учения «Боевой лучник», в ходе которых дрон использовался в качестве цели.

В строю

(Изображение предоставлено: фотография ВВС США | Главный сержант Майкл Аммонс)

Также пролетая над базой ВВС Тиндалл в Тиндалле, Флорида, вышеупомянутый Стрикер MQM-107E летит в строю с буквой F. -16C «Боевой сокол» во время учений «Боевой лучник».

Неполная история беспилотных летательных аппаратов (БПЛА)

1783 — Первый БПЛА

Когда мы думаем о БПЛА, воздушные шары с горячим воздухом обычно не являются частью обсуждения.

С технической точки зрения, эти летательные аппараты были первым самолетом, для которого не требовался пилот-человек. Жозеф-Мишель и Жак-Этьен Монгольфье устроили первую публичную демонстрацию беспилотного летательного аппарата, воздушного шара в Анноне, Франция.

1849 — Первое использование БПЛА в военных целях

Австрийский лейтенант артиллерии Франц фон Учатиус изобретает воздушную бомбу. Фельдмаршал фон Радецкий использовал воздушные шары для атаки на Венецию, но в основном они были неэффективны.

1858 — Первая аэрофотосъемка

Гаспер Феликс Турнахон делает первый аэрофотоснимок с воздушного шара в Париже, Франция. К сожалению, фотография потеряна в истории.

1896 — Первая камера на БПЛА

Альфред Нобель, известный изобретением динамита, запускает ракету с камерой на ней. Эксперимент Нобеля знаменует собой первый случай, когда камеры были размещены в беспилотной системе.

1898 — Первое радиоуправляемое судно

Никола Тесла демонстрирует свою радиоуправляемую лодку толпе в Мэдисон-Сквер-Гарден.

Корабль мог реагировать на направляющие сигналы, посланные ему Теслой, а также мог мигать своими огнями. Некоторые из зрителей думали, что Тесла был волшебником или обладал силой телекинеза. Другие полагали, что в маленькой лодке была дрессированная обезьяна.

Это была убедительная демонстрация того, что станет радиоуправляемым самолетом.

1915 — Британское использование фотографий воздушной разведки

Во время битвы при Нев-Шапель британские войска использовали аэрофотосъемку для построения карты немецкого фронта.Фотографии были расположены одна на другой и являются одними из самых ранних образцов ортофотоплана.

1917 — Первая торпеда БПЛА «Ошибка Кеттеринга»

Чарльз Кеттеринг изобрел беспилотную воздушную торпеду Кеттеринга, получившую прозвище «Ошибка» в Огайо.

Жук использовал систему предварительно настроенных внутренних пневматических и электрических элементов управления для стабилизации самолета. Когда «Жук» достигнет заранее определенного расстояния, двигатель остановится, крылья оторвутся, и «Жук» упадет с неба.

В нем было 180 фунтов взрывчатки.

1935 — Разработан первый современный беспилотный летательный аппарат

Когда в 1918 г. началось создание Королевских ВВС, Великобритании потребовались эффективные методы обучения пилотов.

Практика стрельбы по мишеням обычно выполнялась буксировкой планеров за самолетами с экипажем. Однако этот метод не смог обеспечить реалистичную симуляцию боевых действий вражеских истребителей.

В ответ на это был использован самолет De Havilland DH.82B Queen Bee — недорогой радиоуправляемый дрон, разработанный для стрельбы по воздушным целям.Многие считают его первым современным дроном.

1936 — Начало программы беспилотных летательных аппаратов США

Адмирал США Уильям Харрисон Стэндли стал свидетелем испытательного полета «Королевы пчел» в 1936 году. Великобритании. Считается, что Фарни впервые применил термин «дрон» для американской платформы как дань уважения британской королеве пчел.

1937 — У.S. Navy разрабатывает радиоуправляемый БПЛА Torpedo

Первым радиоуправляемым БПЛА был Curtiss N2C-2.

N2C-2 получал команды от оператора, находившегося в самолете с экипажем, который летел рядом с Curtiss. Хотя это ограничивало эффективность БПЛА, это был значительный шаг в развитии технологии радиоуправляемых БПЛА.

1941 — Актер Реджинальд Денни изобретает радиоплан

Радиоплан был радиоуправляемым самолетом-мишенью.

После создания своей компании Денни производил дроны-мишени для военных и отвечал за многочисленные инновации в технологии дронов. К тому времени, когда корпорация Northrop купила компанию в 1952 году, компания Денни произвела почти 70 000 беспилотных летательных аппаратов для армии США.

1943 — Начало обзора от первого лица (FPV) Рейс

Boeing и ВВС США разработали BQ-7, который работал на грубой системе FPV.

Старые бомбардировщики были фактически лишены второстепенного оборудования и загружены взрывчаткой.Пилот-человек направит самолет к намеченной цели. Как только цель оказалась в поле зрения, включился автопилот, и пилот выпрыгнул из самолета. Тогда BQ-7 сам полетит к цели.

BQ-7 был практически неэффективен на войне, и у вылетевших пилотов был высокий уровень гибели или захвата.

1973 — Израиль разрабатывает БПЛА для наблюдения и разведки

БПЛА серии Mastiff и IAA Scout представляют собой скачок в возможностях дронов.

Военные командиры смогли значительно повысить свою ситуационную осведомленность с помощью этих платформ.

1982 — БПЛА Battlefield

Битва при Джеззине стала первым сражением, в котором беспилотники существенно повлияли на исход сражения.

Израиль использовал свои беспилотники, чтобы перехитрить сирийские ВВС и выиграть битву с минимальными потерями. Установлена ​​легитимность БПЛА в боевых действиях.

1985 — США значительно увеличивают производство беспилотников

По окончании войны во Вьетнаме США.С. был готов расширить свою программу беспилотных летательных аппаратов.

Успехи израильской программы БПЛА в начале 1980-х годов ясно показали, что беспилотные летательные аппараты будут играть все более важную роль на полях сражений будущего.

1986 — Разработан беспилотный летательный аппарат RQ2 Pioneer

США и Израиль совместно разрабатывают то, что станет одной из самых успешных платформ для БПЛА на сегодняшний день.

Система представляла собой модернизированный дрон IAI Scout со значительными улучшениями полезной нагрузки. Во время войны в Персидском заливе некоторые иракские войска даже сдались БПЛА Pioneer.

1991 — БПЛА летают круглосуточно, 7 дней в неделю во время войны в Персидском заливе

Впервые в крупном конфликте по крайней мере один дрон находился в воздухе с момента его начала и до его завершения.

1996 — Разработан дрон Predator

С помощью таких гигантов БПЛА, как Абрахам Карем, США разрабатывают дрон Predator. Эта платформа, как никогда раньше, доставляла на поле боя дронов с боевым вооружением. Вероятно, больше, чем любой другой БПЛА, «Хищник» создал общественное мнение о том, что дроны поражают цели по всему миру.

2006 — БПЛА впервые разрешены в гражданском воздушном пространстве США

После разрушений, вызванных ураганом Катрина, Федеральное управление гражданской авиации разрешило БПЛА выполнять полеты в гражданском воздушном пространстве для поисково-спасательных операций и операций по оказанию помощи при стихийных бедствиях.

Дроны Predator с тепловизионными камерами могли обнаруживать тепловые сигнатуры людей на расстоянии до 10 000 футов. Примерно в это же время индустрия потребительских дронов начала действительно формироваться.

В то время как DJI еще не стал гигантом рынка, которым он является сегодня, такие компании, как Parrot, DJI, 3DR и многие другие, стремились взять военную технологию БПЛА и перепрофилировать ее.Потенциал рынков промышленных и потребительских БПЛА был более чем достаточен для многих предприятий, чтобы инвестировать в эту технологию.

2010 — Parrot управляет дроном с помощью смартфона

На выставке CES французский производитель дронов Parrot представил свой дрон с дополненной реальностью.

БПЛА представлял собой небольшой квадрокоптер, пригодный для использования потребителями. Приложение на смартфоне было всем, что нужно пилоту для безопасного управления дроном.

2013 — DJI выпускает первый дрон Phantom

Хотя компания была основана в 2006 году, культовая серия Phantom выпускалась только в 2013 году.

Этот дрон положил начало всеобщему увлечению современными дронами, оснащенными фотоаппаратами. Всего через несколько лет DJI будет занимать лидирующие позиции на рынке потребительских дронов, при этом почти 80% находящихся в эксплуатации потребительских дронов произведены DJI или одной из их дочерних компаний.

2013 — Крупные компании планируют начать доставку дронов

FedEx, UPS, Amazon, Google, Uber и множество других компаний по доставке признают преимущества дронов как платформу доставки. Начинаются испытания различных концепций БПЛА и работа с регулирующими органами по всему миру.

2014 — Использование дронов в промышленности и среди потребителей быстро растет

С 2014 года возможности и варианты использования беспилотных летательных аппаратов продолжают расширяться.

По мере того, как все больше отраслей исследуют, как дроны могут сделать их работу более безопасной и рентабельной, ожидается, что в ближайшие годы рост будет стремительно расти. К 2030 году весь рынок БПЛА будет стоить долларов, 92 миллиарда долларов.

2020 — Смягчение пандемии

От карантина и социального дистанцирования до массовой дезинфекции и оказания медицинской помощи — дроны были основным продуктом во время вспышки коронавируса.

Сейчас, более чем когда-либо прежде, правила корректируются, чтобы обеспечить ускоренную авторизацию для многообещающих вариантов использования. Невозможно предсказать долгосрочные последствия этих событий, но одно можно сказать наверняка: пандемия помогла странам всего мира представить себе потенциал, который дроны несут для общества.

Беспилотные летательные аппараты — обзор

2.2.1 Краткое введение в технологию дистанционного зондирования

Дистанционное зондирование определяется как технология, позволяющая измерять характеристики почвы или сельскохозяйственных культур с помощью беспилотных летательных аппаратов, самолетов или спутников на расстоянии от нескольких от нескольких сотен метров до многих километров от цели.Приложения дистанционного зондирования в сельском хозяйстве основаны на взаимодействии электромагнитного излучения с почвой или растительным материалом. Обычно дистанционное зондирование включает измерение отраженного или испускаемого излучения, а не прошедшего или поглощенного излучения. Дистанционное зондирование относится к бесконтактным измерениям излучения, отраженного или испускаемого сельскохозяйственными полями (Mulla, 2013). Помимо отражения, пропускания и поглощения, листья растений могут излучать энергию за счет флуоресценции (Apostol et al., 2003) или теплового излучения (Cohen et al., 2005a). Об использовании средств дистанционного зондирования сообщается в основном для характеристики сельскохозяйственных культур, которая включает рост культур, указанный в виде нормализованного разностного вегетационного индекса (NDVI), индекса площади листьев (LAI), биомассы, плотности посевов, оценки потенциала урожайности, обнаружения и картирования биотических растений ( , сорняки и болезни) и абиотические стрессы (например, водный стресс, нехватка азота (N), фосфора (P) и калия (K), органических веществ (OM) и засоление) (Mulla, 2013).Использование дистанционного зондирования для сбора данных о почве ограничено верхними 2–3 мм почвенного покрова, а наличие растительного покрова препятствует успешному сбору четких изображений или спектральных данных о почве. Кроме того, пространственное разрешение влияет на площадь самого маленького пикселя, который можно идентифицировать (Mulla, 2013). По мере улучшения пространственного разрешения площадь самого маленького пикселя уменьшается, а однородность характеристик почвы или сельскохозяйственных культур в этом пикселе увеличивается. Плохое пространственное разрешение подразумевает наличие больших пикселей с повышенной неоднородностью характеристик почвы или растений.Частота повторения важна для оценки временных закономерностей в характеристиках почвы или растений с использованием спутников. Доступность изображений дистанционного зондирования со спутников и воздушных платформ часто сильно ограничивается облачностью (Moran et al., 1997).

Дистанционное зондирование дает возможность получить информацию о местности, наблюдая за ней на расстоянии. Несколько датчиков изображения используются для сбора данных на борту различных платформ, таких как спутники, самолеты или БПЛА (Bregaglio et al., 2015). БПЛА собирают данные с расстояния от 2 до 100 м (в зависимости от местных правил полетов), тогда как спутниковое зондирование собирает данные с нескольких сотен километров над урожаем (Adao et al., 2017; Hunt et al., 2014). Датчики изображения покрывают видимую (VIS), инфракрасную (IR), тепловую и микроволновую части спектра. Они предназначены для получения однодиапазонных изображений (например, тепловых или микроволновых), мультиспектральных изображений с несколькими полосами в видимом и ближнем инфракрасном диапазоне (VIS-NIR) или гиперспектральных изображений с десятками или сотнями полос в VIS-NIR. .В электромагнитном спектре наиболее распространенными длинами волн, которые используются для мониторинга сельскохозяйственных культур, являются зеленый, красный и NIR. Пигменты растений доминируют в отражательной способности растений в видимом диапазоне длин волн. Хлорофилл поглощает красную и синюю энергию и отражает зеленый цвет. Ячеистая структура листьев и структура навеса преобладают в отражательной способности NIR, при этом здоровая густая растительность дает высокий коэффициент отражения. Теоретически, энергия ближнего инфракрасного излучения и отраженная красным светом может быть определена количественно для оценки развития растений, количества растительной биомассы или даже состояния их здоровья.Однако из-за нескольких факторов (например, атмосферных условий, структуры или фона растительного покрова, неоднородности растительности и т. Д.) Такая количественная оценка недостаточно точна для мониторинга состояния растительности. Использование индексов растительности (VI), таких как NDVI и расширенный индекс растительности (EVI), может быть решением этой проблемы путем объединения двух или более полос в одно уравнение для точного описания, мониторинга и количественной оценки состояния растительности. (Силлеос и др., 2006). Гиперспектральное дистанционное зондирование обеспечивает прекрасное спектральное разрешение для различных длин волн диапазона VIS-NIR и может обеспечить улучшенную оценку широкого диапазона биофизических свойств растений (Dorigo et al., 2007). Тепловое инфракрасное излучение (TIR) ​​также полезно для выявления изменений, вызванных абиотическим стрессом (например, дефицитом воды) или биотическим стрессом (например, грибковыми заболеваниями). В некоторых районах со стойким облачным покровом нельзя использовать оптические и тепловые датчики. Радар с синтезированной апертурой не подвержен влиянию солнечного света, облаков, дымки и дождя и, таким образом, может использоваться в более широком диапазоне условий и может собирать данные днем ​​и ночью.

Наиболее часто используемые пространственные разрешения (пространственная детализация) в приложениях PA — это те, которые предлагаются спутниками с очень высоким разрешением (VHR) или БПЛА, которые позволяют отображать пространственную изменчивость в пределах поля.С момента запуска спутника IKONOS в 1999 году данные с пространственным разрешением лучше 1 м предоставляются несколькими спутниками VHR, такими как Quickbird, GeoEye-1, WorldView 1, 2 и 3, среди других. Созвездие Плеяд и новейшие спутники SPOT предлагают пространственное разрешение в несколько метров, что достаточно для приложений PA. Спутники Sentinel Европейского космического агентства (ЕКА) предлагают изображения с более грубым разрешением, начиная с 10 м, что может оказаться бесполезным для захвата пространственной изменчивости большинства полей.Картографирование с помощью самолетов также не является обычным явлением в приложениях PA, поскольку они не так рентабельны, гибки и доступны, как спутники VHR и БПЛА.

Последние технологические разработки привели к более широкому применению БПЛА в сельском хозяйстве (Misopolinos et al., 2015). Они предлагают преимущества (1) получения изображений с беспрецедентной пространственной детализацией (обычно несколько сантиметров), (2) доступности по запросу и (3) возможности получения данных в условиях облачности (хотя и с низким радиометрическим качеством).Наиболее часто используемые платформы — это вертолеты с несколькими роторами, способные выполнять вертикальный взлет и посадку и зависать над целью, что позволяет минимизировать размытость изображения. Все чаще используются небольшие самолеты с неподвижным крылом, которые обходятся без взлетно-посадочной полосы, что было трудно преодолеть во многих сельскохозяйственных районах. Их преимущество заключается в большей продолжительности полета и, как следствие, большем покрытии за один полет, поскольку они более энергоэффективны, чем многороторные вертолеты.Недостатками захвата БПЛА по сравнению со спутниковыми изображениями VHR являются (1) ограниченный географический охват, (2) небольшая полезная нагрузка, которая ограничивает качество датчиков, находящихся на борту, и (3) законодательные нормы, которые могут препятствовать полетам в некоторых районах по всему миру. сельская местность.

На борту платформ БПЛА может быть установлено несколько датчиков, а именно: красно-зелено-синяя (RGB) камера, мультиспектральные, гиперспектральные и LiDAR (обнаружение света и дальность) датчики. Мультиспектральные камеры доступны в широком диапазоне пространственного разрешения и комбинаций диапазонов, как готовые решения по невысокой цене.Эти датчики охватывают в основном видимую и ближнюю инфракрасную части спектра в широких и часто перекрывающихся полосах. Для беспилотных летательных аппаратов были разработаны миниатюрные гиперспектральные датчики-метлы или датчики изображения моментальных снимков; однако их стоимость по-прежнему высока. Легкие лазерные сканеры или LiDAR также были недавно разработаны для БПЛА и могут реконструировать трехмерное (3D) пространство для различных городских исследований, оценок добычи полезных ископаемых и лесной среды. Основным принципом работы LiDAR является измерение расстояния между датчиком и целью путем определения времени, прошедшего между излучением лазерного импульса и его возвращением в приемник датчиков.Умножение этого времени на скорость света и деление на два для учета двойного пройденного расстояния дает точную оценку расстояния между датчиком и целью. Когда датчик переносится на борту летающей платформы над участком с растительностью, он обеспечивает разрез плотных измерений растительного покрова и земли, где есть отверстия (Lefsky et al., 2002). Обработка этих измерений дает точное описание высоты купола и цифровую модель поверхности (DSM).Проблема, связанная с измерением высоты полога с помощью LiDAR, включает невозможность определения высоты поверхности земли в густых или сложных пологах (например, в лесу с подлеском) или верхней части полога в редкой растительности. Альтернативный метод оценки цифровой модели поверхности по стереопарам изображений БПЛА — использование алгоритма структуры из движения (SfM), который представляет собой фотограмметрический метод, который изначально был разработан для археологических раскопок (Verhoeven et al., 2012). Алгоритм оценивает неизвестные ориентации камеры путем сравнения нескольких обнаруженных характерных точек изображения на нескольких изображениях.Затем он создает трехмерную структурную модель сцены из перекрывающихся последовательностей двумерных (2D) изображений, взятых из различных мест и ориентаций. SfM обычно предлагается, когда изображения были получены недорогими камерами на борту БПЛА, а не дорогими метрическими камерами, которые требуют фотограмметрических методов и высокого опыта (Küng et al., 2011).

Границы | Оценка мультиизображения беспилотного летательного аппарата на основе высокопроизводительного полевого фенотипирования температуры растительного покрова

Введение

В свете текущих сценариев изменения климата температура растительного покрова (СТ) считается важным признаком для выбора адаптированных генотипов.КТ была прочно связана с водным статусом и устьичной проводимостью пшеницы (Berliner et al., 1984; Blum et al., 1989; Amani et al., 1996). Низкие КТ были связаны с увеличением урожайности на 30% и повышенным поглощением воды более глубокими корнями (Lopes and Reynolds, 2010) при измерении во время заполнения зерна. Даже в регионах с обильными дождями, таких как центральное плато Швейцарии, механизмы предотвращения жары и засухи, связанные с измененной архитектурой корневой системы, могут играть важную роль в экстремальные годы (Oberholzer et al., 2017), частота и серьезность которых, согласно прогнозам, в ближайшем будущем увеличатся. Регулярная оценка CT в процессе селекции открывает большие перспективы для косвенного отбора сортов с оптимизированным укоренением. Повышенная транспирация является основным фактором, приводящим к высокому потенциалу урожайности культур C3 в условиях, характеризующихся низким и умеренным стрессом (Roche, 2015). Тем не менее, получение надежных количественных КТ-измерений для более крупных экспериментов по разведению с небольшими участками по-прежнему является проблемой, так как КТ-измерения от участка к участку обычно имеют низкую повторяемость (Pask et al., 2012; Ребецке и др., 2013; Сукумаран и др., 2015; Deery et al., 2016) и требуют очень много времени.

Принцип выяснения эвапотранспирации растений на основе теплового дистанционного зондирования КТ использовался во множестве исследований (Jones et al., 2009; Maes and Steppe, 2012; Liebisch et al., 2015; Khanal et al., 2017). ). Его успешно применяли для оценки урожайности зерна (Elsayed et al., 2015; Becker and Schmidhalter, 2017; Elsayed et al., 2017), воды растений и стресса растений от засухи (Calderón et al., 2013; Зарко-Техада и др., 2013; Gómez-Candón et al., 2016), водный статус растений (Pou et al., 2014; Shafian, Maas, 2015; Bellvert et al., 2016) и водный статус почвы (Hassan-Esfahani et al., 2015). Термография на основе беспилотных летательных аппаратов (БПЛА) также проводилась во множестве исследований (Zarco-Tejada et al., 2013; Gómez-Candón et al., 2016; Hoffmann et al., 2016; Ortega-Farías et al. ., 2016; Maes et al., 2017; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Malbéteau et al., 2018; Sankaran et al., 2018; Саган и др., 2019). Лишь в нескольких исследованиях (Liebisch et al., 2015; Deery et al., 2016; Rutkoski et al., 2016; Sagan et al., 2019), однако, он использовался в контексте селекции, где он был бы крайне необходим в контекст высокопроизводительного полевого фенотипирования (HTFP). HTFP предназначен для быстрой и надежной оценки фенотипических признаков в полевых условиях. Отсутствие подходящих инструментов для HTFP было определено как одно из основных препятствий для селекции растений, замедляющее будущее селекции (Araus and Cairns, 2014; Walter et al., 2015). Более того, надежный метод, который позволяет повторять скрининг большого количества участков за короткий период времени, будет иметь важное значение, в частности, для теплового HTFP, поскольку термографическая реакция растений зависит от условий окружающей среды, таких как температура, освещенность и влажность, которые могут изменение во время измерений.

Беспилотные летательные аппараты (БПЛА) — это инструмент дистанционного зондирования с низкой высотой и с высоким разрешением, который обещает стать эффективной системой-носителем для датчиков, используемых для мониторинга растительности (Anderson and Gaston, 2013; Colomina and Molina, 2014; Sanchez-Azofeifa et al. al., 2017; Aasen et al., 2018), включая HTFP (Zaman-Allah et al., 2015; Deery et al., 2016; Hund et al., 2019). Эти системы носителей обеспечивают эффективный сбор данных с высоким пространственным и временным разрешением при относительно низкой стоимости (Berni et al., 2009b; Bellvert et al., 2016; Yousfi et al., 2016; Shakoor et al., 2017). Таким образом, они также все чаще применяются в полевых приложениях фенотипирования (например, Gómez-Candón et al., 2016; Shakoor et al., 2017; Joalland et al., 2018; Sagan et al., 2019), и мы предполагаем, что они также полезно для HTFP CT.

Можно использовать два основных подхода для получения тепловизионных изображений КТ с дистанционным зондированием, полученных с помощью бортовых систем-носителей на малой высоте. Первый подход — сделать одно изображение, чтобы охватить интересующую область (Zarco-Tejada et al., 2012; Calderón et al., 2013; Sankaran et al., 2018). Второй подход заключается в объединении нескольких изображений в один ортофотоплан (Berni et al., 2009a; Gonzalez-Dugo et al., 2013; Hoffmann et al., 2016; Santesteban et al., 2017). Последнее увеличивает площадь, которую потенциально можно охватить одной сценой, и, таким образом, позволяет захватывать большие площади и / или увеличивать пространственное разрешение (расстояние выборки на земле, GSD) данных при полете ниже (Aasen et al., 2018). Но когда ортофотоплан создается из нескольких перекрывающихся изображений, каждая интересующая область на земле (например, участок) захватывается несколькими изображениями с разной геометрией просмотра, и существует несколько вариантов для извлечения подписи этой области (Aasen and Bolten, 2018 ). Было показано, что различные подходы к обработке и извлечению данных влияют на кажущуюся отражательную способность данных дистанционного зондирования в видимом и ближнем инфракрасном диапазоне, например, (Aasen, 2016; Aasen and Bolten, 2018).Это является результатом взаимодействия поверхностной анизотропии (что означает, что сигнал зависит от направленности) и геометрии измерения [выражается функцией распределения двунаправленной отражательной способности; BRDF, (Nicodemus et al., 1977; Schaepman-Strub et al., 2006)], который также влияет на кажущуюся температуру (Jones et al., 2009; Cao et al., 2019). Хотя в исследованиях сообщалось о проблемах, когда несколько тепловизионных изображений должны быть объединены в мозаику (Hoffmann et al., 2016; Ribeiro-Gomes et al., 2017), не исследовалось, как различные подходы к обработке данных, мозаике и захвату влияют на видимую КТ .

Кроме того, данные могут дополнительно включать пространственные тренды из-за изменчивости полей и временные тренды из-за изменений во время летной кампании. Коррекция данных для этих влияний важна, если генотипические характеристики представляют собой главный интерес (Gilmour et al., 1997; Piepho and Williams, 2010; Araus and Cairns, 2014). Существует несколько подходов для выполнения этой коррекции, наиболее распространенными из которых являются модели автокорреляции первого порядка (Gilmour et al., 1997; Piepho and Williams, 2010) и P-сплайны (Velazco et al., 2017; Rodríguez-Álvarez et al., 2018), оба реализованы в рамках смешанной модели.

Это исследование объединяет вышеупомянутые аспекты и направлено на выработку интегрированной концепции того, как КТ может быть оценена с помощью дистанционного зондирования БПЛА с высоким разрешением в контексте разведения. В частности, исследование направлено на:

i. Создание рабочего процесса для дистанционного зондирования БПЛА с высоким разрешением HTFP

ii. Изучить и обсудить различные режимы обработки данных для создания тепловых ортофотопланов

iii.Оценить метод в умеренном климате в течение сезона

iv. Изучите оптимальное время для термографических измерений

v. Сравните подход БПЛА с другими установленными подходами для HTFP CT

Материалы и методы

Экспериментальный участок и выращивание пшеницы

Полевой эксперимент был проведен на платформе фенотипирования поля ETH. платформа (FIP) (Kirchgessner et al., 2017), поле площадью один гектар («поле FIP»), расположенное на исследовательской станции ETH Zurich [47 ° 27′01 ″ северной широты и 8 ° 40′57 ″ восточной долготы, мир Геодезическая система (WGS) 84].Тип почвы представляет собой скелет с богатым камбизолом (от застойного до слабокислого) с 21% глины, 21% ила и 3,5% органического вещества. На «поле FIP» используется севооборот, содержащий шесть лотов основных культур швейцарской сельскохозяйственной системы (рис. 1). Эксперимент был посеян в двух повторностях (представленных партиями один и три в «поле FIP», рис. 1) и состоял из 354 генотипов озимой пшеницы, в основном из панели GABI-пшеницы (Kollers et al., 2013) с дополнительными швейцарскими генотипами. разновидности.Три из 354 генотипов использовались в качестве проверок (CH Claro, Suretta и CH Nara). Генотипы были распределены по эксперименту с использованием пакета R «DiGGer» (Coombes, 2009) в расширенном 2D-дизайне следующим образом: контрольные разновидности были распределены в каждой репликации (рис. 1) в девяти полных блоках (семь рядов по шести диапазонам) , убедившись, что хотя бы одна проверка была размещена в каждой строке и каждом диапазоне дизайна (всего 27 контрольных графиков на репликацию). В этом дизайне 351 тестовый генотип был расширен до неполных блоков в строке (одна строка на неполный блок) и направлении диапазона (6 диапазонов на неполный блок).351 тестовый генотип и 27 контрольных участков дали в общей сложности 378 участков для каждой репликации или 756 участков для всего эксперимента. Каждая повторность эксперимента состояла из 21 диапазона и 18 рядов. На вегетационный период 2018 года озимую пшеницу посеяли в обеих повторностях 17.10.2017 густотой посева 400 семян на 1 м ² . Размер повторений озимой пшеницы составлял примерно 40 м х 36 м. Индивидуальные участки имели длину 1,7 м и ширину 1 м при междурядье 12.5 см, что соответствует девяти рядам на делянку. Урожай озимой пшеницы был 13.07.2018. Данные о погоде были получены местной метеостанцией (рис. 1). Лето 2018 было очень засушливым, без дождя в период с 14 июня 2018 г. по 2 июля 2017 г. (подробности см. В разделах Наследуемость температуры растительного покрова через день и даты ). В течение всего сезона стадии роста BBCH (Lancashire et al., 1991) оценивались в полевых условиях. Старение растительного покрова оценивалось визуально с интервалами в 2–3 дня путем оценки общей зелени участка при осмотре под углом обзора примерно 45 °.Целочисленное среднее значение для каждого участка оценивалось по шкале от 0 (полностью зеленый полог) до 10 (полностью стареющий полог). Начало старения определяли, когда участок достигал оценки выше нуля. Первые генотипы начали стареть 16.06.2018. Основываясь на этих измерениях, мы определили набор из 178 генотипов, которые не проявляли признаков визуального старения до 23.06.2018 г., генотипы «оставаться зелеными» (см. Разделы «Наследуемость температуры растительности через день» и даты и «Температура растительности»). Корреляция через день и даты ).После этой даты набор «зеленых» генотипов стал очень небольшим.

Рис. 1 Красно-зеленый синий (RGB) ортофото поля «FIP» на сельскохозяйственной исследовательской станции в Эшиконе с расположением 16 наземных контрольных точек (GCP) (белые точки), две копии озимой пшеницы полевые испытания (лот 1 и лот 3) и метеостанция (красный крест).

Полеты беспилотных летательных аппаратов

В период с начала июня 2018 г. по середину июля 2018 г. было выполнено 24 полета БПЛА, охватывающих фазу наполнения и созревания зерна (стадии роста BBCH 73-92).Большинство полетов выполнялось около солнечного полудня или в начале дня и в условиях стабильной облачности (без облаков или разреженной облачности). 16.06.2018 и 20.06.2018 было выполнено несколько рейсов с утра до вечера. В 2018-06-16 условия облачности колебались: фотосинтетически активная радиация (PAR, измеренная в плотности потока фотосинтетически активных фотонов) колебалась между 750 и 2200 мкмоль м ⁻² с ⁻¹ . 2018-06-20 условия были очень стабильными с типичным суточным циклом температуры и PAR.Таким образом, этот день называется «стабильным днем». Даты полетов и соответствующие этапы BBCH можно найти в Таблице 1 дополнительных материалов. Географическая привязка тепловых сцен (раздел «Обработка тепловых данных ») была выполнена с использованием наземных опорных точек (GCP). Эти изготовленные на заказ опорные точки состояли из пенополистирола размером 0,5 м x 0,5 м x 0,04 м, наклеенного на деревянную панель. Поверх панели из пенополистирола были приклеены два черных алюминиевых треугольника, чтобы получить характерную крестообразную опорную поверхность (подробности см. В разделе «Обработка тепловых данных» ).Черные алюминиевые пластины нагреваются значительно больше, чем белый пенополистирол, что проявляется в виде отчетливого рисунка на GCP. Шестнадцать опорных точек были равномерно распределены по экспериментальному участку (рисунок 1), и их положение было измерено с помощью приемника Trimble R10 GNSS (Global Navigation Satellite System) (Trimble Ltd., США) с поправкой swipos-GIS / GEO RTK (Real Time Kinematic). (Федеральное бюро топографии Swisstopo, Ваберн, Швейцария) с общей точностью по горизонтали и вертикали 0,1 м.

Платформа беспилотных летательных аппаратов

Платформа БПЛА представляла собой DJI Matrice 600 Pro (SZ DJI Technology Co. Ltd., Китай). Общий вес БПЛА, включая батареи, составляет 9,5 кг, максимальная полезная нагрузка — 6 кг. БПЛА использует полетный контроллер DJI A3, который был обновлен до стандарта A3 Pro с улучшенной системой GNSS для данных о местоположении. Управление БПЛА осуществлялось с помощью пульта дистанционного управления DJI Matrice серии 600 и iPad (Apple Inc., США) с приложением DJI Ground Station Pro (SZ DJI Technology Co.Ltd., Китай). Для работы БПЛА требуется шесть заряженных аккумуляторов емкостью 99,9 Вт · ч. С полезной нагрузкой время полета составляет около 15 мин.

Система тепловизионных камер

Радиометрически откалиброванная тепловизионная камера FLIR A65 (FLIR Integrated Imaging Solutions Inc., Канада) была смонтирована в специально изготовленном сенсорном корпусе (рис. 2). Тепловизионная камера имеет поле зрения (FOV) 25 ° x 20 ° и разрешение 640 x 512 пикселей. Датчик камеры представляет собой неохлаждаемый микроболометрический детектор на основе оксида ванадия (VOx) с шагом детектора 17 мкм, измеряющим в спектральном диапазоне 7.5–13 мкм. Максимальная частота изображения камеры 30 Гц. Он весит примерно 0,2 кг и подключается к компьютеру Intel ^® NUC с помощью стандартного кабеля локальной сети RJ45. Указанный диапазон температур измеряемых объектов составляет от -40 ° C до + 550 ° C. Шумовая эквивалентная разница температур (NETD) камеры составляет 0,05 ° C при 30 ° C, а абсолютная точность измерения составляет ± 5 ° C или 5% от показаний (FLIR Systems, 2014). Системой камеры управлял MATLAB собственной разработки (MATLAB R2017b, The MathWorks Inc.США), работающий на компактном компьютере Intel ^® NUC (двухъядерный процессор i7-5557U, 16 ГБ ОЗУ и 256 ГБ SSD, операционная система Windows 10). Вся система была установлена ​​на стабилизированном по трем осям подвесе DJI Ronin-MX (SZ DJI Technology Co. Ltd., Китай), чтобы обеспечить геометрию обзора надира (рис. 2).

Рис. 2 Комплект датчиков (белый ящик) с четырьмя камерами и компьютером Intel NUC, установленный на подвесе под беспилотным летательным аппаратом (БПЛА). На все камеры по-прежнему надеты защитные колпачки.

Measurement Protocol

Планирование миссии проводилось с помощью «PhenoFly Planning Tool» (Roth et al., 2018). Детали полета были следующими: высота 80 м над уровнем земли с перекрытием изображений> 70% в поперечном направлении и> 90% в продольном направлении. Изображения были получены с частотой 2,2 Гц. Средняя продолжительность полета составила 8 минут, чтобы охватить два повтора (партии один и три, рисунок 1). Поскольку неохлаждаемые тепловизионные камеры имеют тенденцию дрейфовать при изменении их температуры (Mesas-Carrascosa et al., 2018; Kelly et al., 2019) камера была включена более чем за 30 минут до измерений [в соответствии с рекомендациями Berni et al. (2009b) и Kelly et al. (2019)] для стабилизации температуры в системе. После взлета в момент перед началом последовательности измерений вручную запускалась коррекция неоднородности (NUC). Никаких дополнительных NUC во время полета не производилось, так как во время полета температура датчика практически не менялась (микросхема: ~ 0,2 ° C, корпус: ~ 0.4 ° C согласно метаданным датчика).

Обработка тепловых данных

Фотограмметрическая обработка

Обработка тепловых данных суммирована на рисунке 3. После преобразования исходных данных (необработанные цифровые числа, DN) каждого изображения в ° C, фотограмметрическая обработка данных тепловых изображений выполнялось в Agisoft PhotoScan Professional 1.4.3 (ООО «Агисофт», Санкт-Петербург, Россия). Agisoft PhotoScan — это программное обеспечение, реализующее алгоритм структуры из движения (SfM), который позволяет захватывать трехмерную структуру объектов путем двухмерного преобразования набора их проецируемых изображений (Ullman, 1979).Он позволяет получать трехмерную информацию путем использования характерных точек, обнаруженных на перекрывающихся изображениях (Harwin and Lucieer, 2012). SfM выполняет сопоставление изображений, вычисляя относительное положение серии изображений путем идентификации характерных точек. Характерные точки используются при настройке связки, которая оценивает параметры просмотра (положение камеры и / или калибровку) оценок для отдельных изображений (Triggs et al., 2000). В результате групповой настройки создается набор трехмерных точек, соответствующих разреженному трехмерному облаку точек.«Выравнивание изображений» в Agisoft PhotoScan выполнялось с использованием параметра качества, установленного на «высокое», предел ключевой точки 40 000 и предел связующей точки 1000. Кроме того, предварительно оцененные параметры камеры были загружены и установлены на фиксированные, чтобы гарантировать последовательное создание ортофотоплана. При настройке качества «высокое» качество изображения снизилось вдвое (Agisoft LLC, 2016), но значительно сократилось время обработки. Облака точек были привязаны к системе координат EPSG: 2056 (Ch2903 + / LV95) с использованием тепловых опорных точек (рис. 3, внизу в центре).Опорные точки были вручную отмечены на трех-четырех изображениях для каждой опорной точки, пока алгоритм не определил их правильные местоположения на всех изображениях. Эта привязка также оптимизирует разреженное облако точек, исправляя эффекты искажения. Плотность оптимизированного разреженного облака точек была увеличена на этапе «создание плотного облака» в Agisoft PhotoScan, в результате чего получилось плотное облако точек. «Построение плотного облака» производилось с использованием настроек фильтрации «высокое» качество и «агрессивная» глубина. Затем плотное облако точек с географической привязкой использовалось для создания цифровой модели поверхности (DSM), эффективно представляющей захваченную поверхность в трех координатах.

Рис. 3 Схематическое резюме рабочего процесса для получения высокоточных тепловизионных ортофотопланов из отдельных сырых тепловизионных изображений беспилотных летательных аппаратов (БПЛА). Тепловые наземные контрольные точки (GCP), используемые в этом исследовании, изображены в центре внизу: как видно из красного зеленого синего (RGB) (слева) и через портативную инфракрасную (IR) камеру. Измерение температуры растительного покрова (CT) через многоугольники, представляющие графики, показано вверху справа.

Создание ортофотоплана

Затем DSM с географической привязкой был использован для создания тепловой ортомозаики полетов БПЛА путем мозаики отдельных изображений (в данном исследовании термин «ортомозаика» в дальнейшем используется как синоним термического ортофотоплана, если не указано иное).Agisoft PhotoScan предлагает несколько режимов обработки для расчета ортофотоплана, из которых в данном исследовании были выбраны следующие два:

— в режиме наложения «среднее» значения всех пикселей из всех изображений, которые покрывали точку на ортофотоплане, были усреднены. . Следовательно, каждый пиксель в окончательной ортофотоплане происходит только из множества изображений.

— В режиме наложения «отключен» использовалось значение пикселя изображения с видом, наиболее близким к нормальному в этой точке (надире).Следовательно, каждый пиксель в окончательной ортофотоплане происходит только от одного изображения.

Следовательно, угловые свойства данных в двух разных типах ортофотоплана различаются. Геометрия просмотра каждого пикселя в «отключенном» режиме наложения ортофотоплана такая же, как и в исходном изображении, и, следовательно, очень узкая (из-за узкого мгновенного поля зрения каждого пикселя) и может быть описана как (почти) направленное измерение геометрии (Schaepman et al., 2015; Aasen, Bolten, 2018).В режиме наложения «средний» геометрия просмотра состоит из всех геометрий просмотра пикселей, которые усредняются для одного пикселя в ортофотоплане. Таким образом, общая геометрия просмотра каждого пикселя в ортофотоплане шире, чем в «отключенном» режиме наложения, и может быть описана как коническая геометрия измерения (Schaepman et al., 2015; Aasen and Bolten, 2018). Хотя подробное описание и обсуждение этих различий для спектральных данных можно найти в Aasen and Bolten (2018), в этой статье будет исследовано влияние на видимую КТ в ортофотоплане.Это будет сделано путем качественного сравнения двух режимов наложения для полета 20.06.2018 в 14:00 и количественного исследования зависимости геометрии обзора видимого КТ в тот же день. Кроме того, мы использовали анализ Бланда-Альтмана (Бланд и Альтман, 1986) для оценки систематических различий между двумя режимами смешения в зависимости от средней температуры графика. Различия в наследуемости (раздел Пространственная коррекция и расчет наследуемости ) также будут исследованы.

График Wise для извлечения и нормализации температуры купола

Для извлечения температуры БПЛА для каждого графика был создан многоугольник, описывающий форму и местоположение графика с использованием экспериментального плана. Программное обеспечение географической информационной системы QGIS 3.2.3 (команда разработчиков QGIS, 2018) использовалось для создания внутреннего буфера в 50 см от фигур, чтобы исключить краевые эффекты (рис. 3, вверху справа: синий многоугольник). На основе сценария Python 3.6 медиана этой области затем использовалась в качестве CT для графика.КТ был нормализован по температуре окружающего воздуха (T _A ) для сравнения температур в разные даты измерений (Balota et al., 2007; Maes and Steppe, 2012; Zarco-Tejada et al., 2013; Bellvert et al., 2016) следующим образом:

T _A был измерен на высоте 2 м над уровнем земли датчиком температуры (CS215, Campbell Scientific, Inc., США), закрытым 10-пластинчатым экраном от солнечного излучения (RAD10, Campbell Scientific. , Inc., США), расположенный на местной метеостанции (рис. 1).

Пространственная коррекция и расчет наследуемости

Коррекция пространственных тенденций в результате как пространственной изменчивости значений признаков (CT) в поле, так и, в случае CT, дополнительных изменений во время летной кампании была выполнена с помощью R- пакеты SpATS (Родригес-Альварес и др., 2018). Для каждого полета БПЛА модель была адаптирована с учетом особенностей экспериментальной площадки: как правило, мы наблюдаем сильную закономерность в повторениях (партии один и три, рис. 1) в рабочем направлении (направлении ряда), в то время как есть более плавные тенденции. перпендикулярно этому направлению (направление диапазона).Пространственная модель была:

, где f ( r , c ) — сглаженная двумерная поверхность, определенная по строкам (r = 1–74) и диапазонам (c = 1–18) позиций виртуальной сетки в которые были устроены обе репликации (см. ниже). Вектор c _g = (c _g1 ,…, c _g354 ) — это случайный коэффициент генотипов, связанных с матрицей плана Z _g , c _r = (c _r1, …, c _r74 ) ~ N (0, σ _r ² I ₇₄ ) — случайный коэффициент строк, связанных с матрицей плана Z _r , а ε — вектор случайной ошибки ε = (ε ₁ ,…, ε _n ) ~ N (0, σ ² I _n ).Репликация 1 (партия 1) находилась в диапазоне от 1 до 21 и от 1 до 18, а репликация 2 (партия 3) варьировалась от строки 54 до 74 и от 1 до 18 в виртуальной сетке. Таким образом, было 32 строки, разделяющие две репликации в виртуальной сетке, представляющей лот два (участок между лотами один и три, рисунок 1). Количество точек сплайна было установлено равным 2/3 от общего количества строк и диапазонов в виртуальной сетке, соответственно. Чтобы вычислить наилучшую линейную несмещенную оценку (BLUE), генотипы были установлены как фиксированные эффекты, и матрица плана в уравнении 2 стала соответственно X _g .Пространственно скорректированные значения графика были получены как сумма пересечения модели, специфичных для участка генотипических значений BLUE и остаточной ошибки. Наследуемость пространственно скорректированных признаков (модель 2) была рассчитана согласно (Rodríguez-Álvarez et al., 2018) на основе генетических эффективных размеров, предоставленных SpATS как:

, где ED _g — эффективный размер для генотипов и n _g — общее количество оцененных генотипов. Знаменатель (n _г –1) отражает верхнюю границу эффективного размера [см. Rodríguez-Álvarez et al.(2018) для получения дополнительной информации].

Результаты

Анализ ортофотоплана, полученного в результате различных режимов наложения

Обработка тепловых данных (раздел Обработка тепловых данных , рис. 3) привела к появлению ортофотопланов, как показано на рис. 4. Опорные точки теплового излучения (раздел Беспилотные летательные аппараты) Рейсы и рис. 3) были четко видны на ортофотоплане (рис. 4), что привело к общей высокой пространственной точности. Полученная GSD этих ортофотопланов варьировала от 4.От 89 до 5,11 см из-за небольшого изменения высоты полета. Расчетная GSD тепловизора при высоте полета 80 м составила 5,5 см. Среднеквадратичное отклонение (RMSE) положений опорных точек для всех 24 полетов БПЛА составляло от 1,25 до 10,05 см со средним значением RMSE 4,79 см. Точные показатели точности для каждой даты полета можно найти в Таблице 2 дополнительных материалов.

Рис. 4 Тепловая ортомозаика экспериментального участка [поле «поле платформы фенотипирования (FIP)»], мозаичное изображение с использованием режима смешивания «средний» из полета 23.06.2018 в 15:09 по местному времени.Ортофотоплан имеет размер 3 990 x 4 490 пикселей, расстояние выборки на земле 4,89 см / пикс при высоте полета 87 м (по оценке Agisoft PhotoScan). Увеличенная область (вверху слева) показывает тепловую наземную контрольную точку (GCP), как видно на ортофотоплане. Обратите внимание на «шахматную» структуру отдельных делянок пшеницы в двух повторностях (лоты один и три).

Детальный просмотр тепловых ортофотопланов показал, что геометрия обзора влияет на видимую КТ. На рисунке 5 в качестве примера показаны ситуации для рейса 20.06.2018 в 14:00.На рис. 5A, B показаны ортофотопланы, созданные с «отключенным» и «усредненным» режимами наложения соответственно. Горячие участки — это дорожки между участками. Высокое пространственное разрешение выявляет различия на графиках до нескольких ° C. Прибл. Кажется, что 20 см (четыре пикселя) в пределах каждого графика подвержены влиянию граничных эффектов в обеих ортофотопланах. Качественное сравнение ортофотопланов показало более очевидную неоднородность в «отключенном» режиме.

Рис. 5 Выдержка ортофотоплана, созданная с отключенным режимом наложения (A) и «средний» (B) 20.06.2018 в 14:00 по местному времени.Цвет соответствует видимой температуре купола (CT). (C) показывает геометрию просмотра информации, используемой для создания «отключенного» режима наложения ортофотоплана (A) . В моделях A, и C черные линии шва обозначают границу информации, взятой из разных изображений. Белое поле выделяет график, на котором информация из четырех изображений составлена ​​в мозаике (A) в режиме наложения «отключен». (D) показывает среднюю видимую температуру для всех участков этого полета в зависимости от его геометрии обзора.Солнце имело азимутальный угол ок. 199 ° и зенитный угол прибл. 25 °. Геометрия обзора видимой температуры была рассчитана по относительному положению камеры, видимой на графике.

Черные линии на рисунках 5A, C обозначают линии стыка между информацией о различных изображениях, используемых для создания ортофотоплана в режиме наложения «отключен». Белый прямоугольник выделяет график, состоящий из информации из четырех разных изображений. В пределах графика видимые изменения температуры по линиям сшивки.На рисунке 5C показано, что в этот момент информация с разной геометрией обзора (разница около 4 °) была собрана рядом друг с другом. Для подробного объяснения и схематического изображения того, как составлена ​​ортомозаика, обратитесь к Aasen and Bolten (2018), а за подробным описанием того, как отслеживать пиксельно-зависимые свойства, обратитесь к Aasen et al. (2015). Как правило, в отключенном режиме наложения используются только очень небольшие диапазоны геометрии просмотра. В режиме смешивания «средний» (рис. 5В) резкие переходы между видимыми температурами не видны.В этом режиме усреднялась информация более чем 20 изображений, что позволяло использовать широкий диапазон геометрии просмотра.

На рис. 5D показана средняя видимая температура всех участков этого боя в зависимости от геометрии обзора. Солнце имело азимутальный угол ок. 199 ° и зенитный угол прибл. 25 ° (получено с https://www.suncalc.org, для Линдау, Цюрих, Швейцария, в 14:01 UTC + 2). Геометрия обзора видимой температуры была рассчитана по относительному положению камеры, видимой на графике.Таким образом, геометрия обзора по азимуту и ​​зениту 0 ° соответствует надиру (измерение прямо над графиком), а геометрия обзора в зенит 20 ° и азимут 199 ° будет иметь острый угол, в то время как зенит 20 ° и азимут 19 ° будет иметь тупой угол к солнцу. График показывает, что в среднем видимая температура отличается более чем на 3,5 ° C (36,5–40,1 ° C) в пределах различных геометрий обзора в пределах изображения, причем наибольший градиент в направлении главной плоскости Солнца был измерен. геометрия (датчик солнца-объекта) изменяется с тупого угла на острый.При внимательном рассмотрении рисунка 5D видно, что вокруг надира — где доля сигнала почвы выше по сравнению с другими геометрическими формами обзора — температуры немного повышаются по сравнению с общей картиной. Тепловизионные изображения с высоким разрешением, полученные станцией полевого фенотипирования ETH (Kirchgessner et al., 2017), объясняют это наблюдение, поскольку между рядами культур видна теплая почва (пример см. На Рисунке 1 в дополнительных материалах).

Для всех полетов вместе значения CT, полученные двумя оцененными режимами смешивания, были линейно связаны для всех полетов БПЛА (перехват = 0.14; наклон = 0,96; R ² = 0,98, рисунок 2 в дополнительных материалах вместе с линейными зависимостями для каждого полета БПЛА). На рисунке 6 показан график Бланда-Альтмана для 2018-06-20, содержащий отношение среднего CT графиков в обоих режимах смешивания (ось x) к разнице в CT между обоими режимами смешивания (ось y, «отключено», вычтенное из « в среднем»). Это позволяет сравнивать систематические различия между двумя режимами наложения. В целом разница становилась более отрицательной до полудня и увеличивалась ближе к вечеру.Для первого и последнего полета разница между режимами наложения была незначительной. Все остальные полеты БПЛА показали небольшую отрицательную тенденцию между средней CT и разницей CT между режимами наложения.

Рисунок 6 График Бланда-Альтмана, показывающий среднюю температуру растительного покрова (CT, в ΔT) для обоих режимов смешивания («средний» и «отключенный») по оси x и разность CT (в ΔT) между обоими режимами смешивания. по оси Y («среднее» минус «отключено») для измерений, выполненных 20.06.2018.

Наследуемость температуры купола в течение дня и дат

В первый день с несколькими полетами — 16.06.2018 — колебания PAR из-за прохождения облаков и, в меньшей степени, дефицита давления пара (VPD) (Рисунок 7 , внизу) привело к значениям переменной H ² (Рисунок 7, вверху). Для всех генотипов значения H ² варьировались от 0,46 до 0,58 для режима смешивания «отключен» и от 0,48 до 0,61 для режима смешивания «средний». В целом, H ² увеличился утром, достигнув максимума в 12:50 16.06.2018, сразу после прохождения облаков.Значения H ² генотипов «оставайся зелеными» были низкими при измерениях в 14:06 и 15:27. Они варьировались от 0,29 до 0,6 для режима наложения «средний» и от 0,3 до 0,59 для режима наложения «отключен».

Рис. 7 Суточные вариации значений h3 на 16.06.2018 и 20.06.2018 (вверху) для всех генотипов (черный) и для генотипов «зеленых» (красный). Данные были собраны с использованием режима смешивания, установленного на «средний». Время по оси в часах: минуты, местное время. Суточный ход температуры, фотосинтетически активная радиация (PAR в мкмоль м ⁻² с ⁻¹ ) и дефицит давления пара (VPD) на 16.06.2018 и 20.06.2018 (внизу) .Вертикальные линии соответствуют времени начала полетов беспилотных летательных аппаратов (БПЛА).

На второй день с несколькими рейсами, 20.06.2018, погодные условия были стабильными, и значения H ² были аналогичными для большинства рейсов (рис. 7, вверху). Значения H ² для измерения 9:24 ч были низкими и составляли менее 0,3 как для режимов смешивания, так и для наборов генотипов. Другие полеты БПЛА показали более высокие значения H ² в диапазоне от 0,48 до 0,54 для режима смешивания «средний» и от 0.От 43 до 0,54 для режима наложения «отключен». В тот день наивысшая точка H ² была достигнута в 14:00, после чего снова снизилась. Генотипы «оставайся зелеными» показали более низкие значения H ² , чем все генотипы в течение 20.06.2018, за исключением измерения «отключено» в режиме смешивания в 15:05. Характер значений H ² для этих генотипов был аналогичен таковому для всех генотипов.

На рисунке 8 показаны значения H ² измерений, выполненных в разные дни (вверху), и данные о погоде для полетов БПЛА (внизу).В целом, значения H ² обычно увеличивались от цветения в конце мая до пика в 2018-07-04. Увеличение значений H ² совпало с засушливым периодом без осадков между 14 июня 2018 г. и 2 июля 2017 г. Значения H ² варьировались от 0,30 до 0,67 для режима наложения «отключен» и от 0,36 до 0,74 для режима наложения «средний». КТ, полученный в режиме смешивания «средний», показал более высокие значения H ² во все даты измерений, кроме 04.06.2018 и 20.06.2018.Компоненты дисперсии наследуемости, разделенные на генотипическую и остаточную дисперсию, показали, что режим смешивания «средний» снижает обе дисперсии (рис. 8). Однако влияние было больше для остаточной дисперсии, чем для генотипической дисперсии.

Рис. 8 Наследственность для измерений солнечного полудня, показанная для пространственно скорректированных данных (вверху) для всех генотипов (черный) и для генотипов «зеленого цвета» (красный). Генотипическая и остаточная дисперсии двух режимов смешивания также нанесены на график (средние панели).Генотип и остаточная дисперсия скорректированных данных SpATS были в целом ниже для режима смешивания «средний». Данные о погоде (внизу) представлены в виде среднесуточной температуры воздуха (° C, красная линия) и суммарных суточных данных об осадках (мм, синие столбцы) и фотосинтетически активной радиации (PAR в мкмоль м ⁻² с ⁻¹ , черный прямоугольники) на период измерения. Данные о погоде с местной метеостанции (рис. 1). Даты полетов беспилотных летательных аппаратов (БПЛА) отмечены вертикальными штриховыми линиями.

«Остаточно-зеленые» генотипы (красные точки на рис. 8, вверху) также показали аналогичное увеличение значений H ² после цветения в конце мая до начала старения, с выбросом на 2018-06- 16, где PAR был низким по сравнению с другими полетами БПЛА (рис. 8, внизу). Значения H ² , полученные с режимом наложения «средний», обычно также были выше, чем при «отключенном» режиме наложения, за исключением 2018-06-20. Режим смешивания «средний» также снизил компоненты генотипической и остаточной дисперсии для «зеленых» генотипов.Дополнительные результаты представлены на CT, измеренном с режимом смешивания, установленным на «средний», из-за обычно более высокой наследуемости.

Корреляция температуры растительного покрова в течение дня и дат

Коэффициенты корреляции между измерениями, выполненными около солнечного полудня в разные даты, варьировались от 0,41 до 0,95 (рис. 9). Все корреляции, показанные на рисунке 9, были значимыми при p ≤ 0,01. Корреляция между датами последовательных измерений была высокой и составляла от 0,68 до 0.95 (рисунок 9, диагональ). В частности, три измерения между периодом с 16 июня 2018 года по 30 июня 2018 года показали высокую корреляцию. В течение 2018-06-16 корреляция Пирсона между измерениями была в целом высокой и варьировалась от 0,83 до 0,93 (рисунок 10A). Корреляция между последовательными полетами также была высокой — от 0,88 до 0,93. Для измерений в тот же день 20.06.2018 корреляции Пирсона варьировались от 0,49 до 0,95 (рисунок 10B). Два измерения, проведенных до солнечного полудня (09:24 и 10:11 ч), показали слабую корреляцию с измерениями, проведенными около солнечного полудня и измерениями в 15:05 и 15:49.Измерения в солнечный полдень (11:05, 12:27 и 14:00) сильно коррелировали.

Рис. 9 Коэффициенты корреляции между пространственно скорректированными значениями генотипической температуры (СТ) растительного покрова в разные даты, измеренными около солнечного полудня. Все корреляции достоверны при p ≤ 0,01.

Рисунок 10 Коэффициенты корреляции между пространственно скорректированными значениями генотипической температуры (CT) растительного покрова на даты с несколькими измерениями: (A) 16.06.2018 и (B) 20.06.2018.Все корреляции достоверны при p ≤ 0,01.

Обсуждение

В этом исследовании был представлен сравнительно дешевый метод высокопроизводительного КТ-фенотипирования на основе термографии БПЛА в сочетании с фотограмметрией и компьютерным зрением, а именно подход SfM. Общая стоимость оборудования составила 18 тыс. Евро (6 тыс. Евро для Matrice 600 pro, 8 тыс. Евро для камеры A65, 3,5 тыс. Евро для профессиональной версии Agisoft, 0,5 тыс. Евро для управляющего оборудования). Кроме того, необходимы высокоточные GNSS-решения для измерения координат опорных точек и рабочая станция для фотограмметрической обработки.С параметрами полета, использованными в этом исследовании, была захвачена площадь в один гектар за время полета примерно 8 минут. Поскольку дрон питался от электричества, никаких существенных дополнительных затрат, кроме затрат на замену батарей, не требовалось. При увеличении времени полета и увеличении высоты этот подход потенциально позволяет захватывать очень большие площади, поскольку он позволяет комбинировать множество отдельных изображений в ортофотоплан. Ниже обсуждаются результаты этого метода.

Создание ортофотоплана по тепловизионным изображениям

Ортофотоплан показал высокую детализацию, что позволило оценить неоднородность на участке. Визуально можно увидеть, что на температуру графика влияют граничные эффекты пространства между графиками примерно на четыре пикселя (примерно 0,25–0,3 м или два ряда) (рис. 5A, B). Просмотр графиков с разных геометрий просмотра показал, что CT является анизотропным. Он показывает почти симметричный рисунок, параллельный главной плоскости Солнца, с разницей в среднем в несколько ° C в поле зрения (25 °) датчика.Вокруг надира видна горячая точка, где температура немного повышена по сравнению с общей картиной (рис. 5D). Это можно объяснить более высокими температурами почвы по сравнению с температурами растений, которые выявляются при просмотре изображений с очень высоким разрешением с платформы полевого фенотипирования, снятых в то же время (Рисунок 1, Дополнительные материалы). Однако эффект от этого различается в зависимости от конструкции навеса на каждом участке. Визуальный осмотр изображений с высоким разрешением показал, что угол наклона голов и листьев также влияет на видимую температуру.

Систематические различия, связанные с геометрией просмотра, также обнаруживаются в режимах наложения. Режим наложения «отключен» показал более высокую неоднородность на графике. В этом режиме наложения используется только центральная часть каждого изображения, что соответствует геометрии просмотра, близкой к надиру (рис. 5C). Эта геометрия обзора потенциально захватывает больше информации изнутри кроны и фона почвы, чем геометрия обзора под углом (для подробного обсуждения влияния геометрии обзора на видимый сигнал, в частности, пропорцию видимой почвы и растительного материала, см. Осен и Болтен, 2018).В режиме наложения «усреднение» учитывается вся информация от всех изображений, покрывающих определенный пиксель ортофотоплана, и, таким образом, информация усредняется по широкому диапазону геометрий просмотра (включая надир и наклон). Следовательно, по сравнению с геометрией наблюдения только в надир, собирается больше информации о растительном материале с более высоких уровней растительного покрова (Aasen and Bolten, 2018). Этот эффект также виден на графике Бланда-Альтмана (рис. 6). Отрицательные различия между режимами наложения «средний» и «отключен» соответствуют более высоким видимым температурам в геометриях, близких к надиру (режим наложения «отключен»).Отрицательные наклоны зависимостей указывают на то, что с более высокой абсолютной температурой на графике значения, близкие к надиру, относительно увеличиваются. Это может быть результатом более высоких температур на участке в менее плотных пологах (с более низкой биомассой), где геометрия обзора надиром улавливает больше теплого почвенного фона. Ближе к полудню охлаждение растительного покрова уменьшается, а почвенный фон затеняется, так что измерения в надире становятся более прохладными (полет 15:05 ч), а позже (полет 15:49) различия между двумя процедурами измерения становятся незначительными.Аналогично, ранним утром (09:24 ч полета) температура почвы и листьев в значительной степени определяется температурой воздуха, что приводит к незначительной разнице в видимой температуре между режимами смешивания. В целом интерпретация результатов в этой детали очень сложна. Необходимы дополнительные исследования, чтобы разобраться во взаимодействии структуры растительного покрова, освещения и геометрии просмотра с помощью компьютерной томографии, чтобы установить надежную связь между компьютерной томографией и фактическим физиологическим статусом (например, устьичной проводимостью) растений.

Многие исследования, в которых используется 2D-сканер [см. (Aasen et al., 2018)] для КТ-экстракции использовались отдельные изображения (Bendig et al., 2012; Zarco-Tejada et al., 2012; Calderón et al., 2013; Deery et al., 2016; Sankaran et al., 2018; Deery et al., 2019), что устраняет необходимость в сложной мозаике изображений. Недостатком подхода с использованием одного изображения является то, что может быть захвачена только ограниченная область — и для увеличения этой области необходимо увеличить высоту полета, следовательно, уменьшить GSD.Учитывая ограниченное разрешение современных тепловизионных камер (большинство из них имеют разрешение до 640 x 480 пикселей) и ограниченную максимальную разрешенную высоту полета систем БПЛА в большинстве стран, применимость подхода с использованием единого изображения для фенотипирования недорогих БПЛА ограничена. . Кроме того, в подходе с одним изображением эффекты анизотропии оказывают более сильное влияние на данные, поскольку в одном изображении используется большее разнообразие геометрий просмотра.

Для достижения высокой точности позиционирования во время создания ортофотоплана используются опорные точки (Ortega-Farías et al., 2016; Рибейро-Гомес и др., 2017; Мальбето и др., 2018; Саган и др., 2019). Плотное распределение опорных точек на экспериментальной площадке помогает получить оптимальные результаты (Mesas-Carrascosa et al., 2015; Roth et al., 2018). Ключевой проблемой обычных опорных точек на тепловых изображениях является то, что их трудно обнаружить на тепловых изображениях из-за низкой контрастности таких изображений (Malbéteau et al., 2018). Это подтвердили испытательные полеты, проведенные для данного исследования. Чтобы преодолеть это ограничение, некоторые авторы сначала сделали привязку красно-зеленых синих (RGB) изображений с опорными точками, а затем связали тепловые изображения с данными RGB (Sagan et al., 2019). С помощью специальных тепловых опорных точек можно выполнить географическую привязку ортофотопланов без точной привязки к дорогостоящему бортовому RTK-решению для БПЛА. В большинстве исследований не сообщалось о точности определения местоположения созданных термических ортофотопланов (Berni et al., 2009b; Berni et al., 2009a; Zarco-Tejada et al., 2013; Maes et al., 2017; Santesteban et al., 2017; Malbéteau). et al., 2018; Sankaran et al., 2018; Sagan et al., 2019). Ribeiro-Gomes et al. (2017) использовали резиновые листы с алюминиевой пластиной в качестве термических опорных точек и сообщили о RMSE для термического ортофотоплана, равном 7.2 м при высоте полета 80 м. После увеличения контрастности тепловизионных изображений они снизили среднеквадратичное значение своего положения до 1,2 м. Malbéteau et al. (2018) использовали алюминиевые пластины с наклеенными черными крестами, но не сообщили о пространственной точности их ортофотоплана. Используя обычные опорные точки, Gómez-Candón et al. (2016) сообщают о RMSE ортофотоплана в диапазоне от 15 до 19,4 см для их тепловых полетов на высоте полета 40 м. По сравнению с этими исследованиями, полученная точность определения местоположения в нашем исследовании была очень высокой, с позиционным RMSE в диапазоне от 1.От 25 до 10,05 см со средним среднеквадратичным отклонением 4,79 см. И Гомес-Кандон, и др. (2016) и Ribeiro-Gomes et al. (2017) использовали тепловизионную камеру с таким же разрешением, что и в этом исследовании.

Из этих результатов можно сделать некоторые выводы:

-При использовании информации об отдельных изображениях или при «отключенном» режиме наложения схема полета должна быть спланирована таким образом, чтобы графики снимались в одинаковых геометриях просмотра, поскольку уже небольшие различия влияют на кажущаяся температура.В идеале схема полета должна соответствовать диапазону или рядам конструкции и с высокой частотой кадров в секунду.

-Средний режим наложения позволяет уменьшить влияние геометрии просмотра. Поскольку анизотропия симметрична главной плоскости Солнца, рекомендуется использовать схему полета, параллельную главной плоскости. В идеале положение захвата должно быть симметричным во всех направлениях, но оно должно быть, по крайней мере, вдоль главной плоскости, чтобы надлежащим образом усреднить эффекты просмотра.Это также будет поддерживаться высокой частотой измерений.

— В случае незначительных колебаний условий измерения рекомендуется летать параллельно направлению диапазона или ряда, поскольку в этом случае различия могут быть включены в компонент диапазона или ряда модели пространственной коррекции. В будущем модели, которые объединяют время измерения, могут еще больше улучшить коррекцию. При сильных колебаниях условий окружающей среды не рекомендуется проводить измерения, поскольку сопоставимость измерений может быть нарушена из-за изменений в физиологии растений во время измерений.

-Независимо от процедуры генерации данных точная географическая привязка является ключевым моментом, если данные из нескольких рейсов должны обрабатываться в автоматическом режиме.

Оптимальное время для характеристики температуры растительного покрова

Сравнение генотипических значений CT по результатам нескольких измерений за 16 июня 2018 г. и 20 июня 2018 г. показало постоянную корреляцию между всеми временами измерения за 16 июня 2018 г. (Рисунок 10A) . С другой стороны, корреляция утренних измерений с последующими измерениями уменьшилась к полудню 20.06.2018 г. (Рисунок 10B).Это свидетельствует об изменении реакции генотипов на условия окружающей среды в течение дня с быстрым повышением температуры в течение дня 20.06.2018 по сравнению с умеренным повышением 16.06.2018 г. (21 ° C против Интервал 25 ° C между измерениями).

H ² значения были самыми высокими в полдень в 14:00 по местному времени (рисунок 7). Это можно объяснить повышенным потенциалом фотосинтеза из-за сильного облучения и возрастающим дефицитом давления пара ближе к полудню (рис. 7), что потенциально может увеличить проводимость и может привести к увеличению дисперсии между генотипами.Эти результаты совпадают с результатами (Deery et al., 2016; Deery et al., 2019) для пшеницы. Таким образом, в целом можно сделать вывод, что полеты в это время лучше всего подходят для оценки генотипических различий в CT. Тем не менее, самое высокое значение H ² 16.06.2018 было обнаружено около полудня сразу после перехода над облаками. Это может указывать на различия между генотипами в повышении регуляции транспирации после перехода облаков в засушливые периоды. Кроме того, вероятно, что наилучшее время зависит от наличия воды в почве.Таким образом, для разрешения таких взаимодействий были бы полезны непрерывные измерения.

Если посмотреть на весь период, H ² в целом увеличился к началу июля (Рисунок 8). Период между 2018-06-14 и 2017-07-02 соответствовал засушливому периоду без дождя (Рисунок 8, внизу), и можно предположить, что водный стресс также увеличился в этот период. Тем не менее, 16.06.2018 старение началось и для ранних стареющих генотипов. Пытаясь разделить влияние фенологии и водного стресса, мы выбрали «зеленые» генотипы.Они продемонстрировали аналогичную тенденцию для H ² , как и для полногенотипного набора (рис. 8), предполагая, что не только старение, но и продолжающийся засушливый период увеличивают дисперсию между генотипами. Снижение H ² , наблюдавшееся 16.06.2018 для генотипов «оставаться зелеными», могло быть результатом низкого PAR в этом полете БПЛА (Рисунок 7, слева и Рисунок 8, внизу), что, возможно, привело к плохая транспирация, что снижает наследуемость и, следовательно, способность дифференцировать генотипы. На других рейсах в этот день был показан H ² , аналогичный рейсам 20.06.2018.Этот эффект не наблюдался во всем наборе генотипов, который уже содержал генотипы визуального старения. Тем не менее, следует отметить, что в этом исследовании «зеленые» генотипы были идентифицированы только на основе визуальных признаков старения, а процессы предвизуального старения все еще могут влиять на результаты. Следовательно, чтобы получить стабильные оценки КТ, которые соответствуют физиологии, а не фенологии, авторы предлагают проводить измерения КТ ранним днем ​​и до начала старения. По этой теме необходимы дальнейшие исследования, так как i) изменение физиологии во время предвизуального старения уже может влиять на CT и ii) засуха и фенология (i.е., раннее старение) могут взаимодействовать и оба оказывают влияние на CT, как также упоминалось в Lopes and Reynolds (2010).

Сравнение различных подходов к измерению температуры растительного покрова

В типичном сценарии полевого фенотипирования необходимо проверить от пары сотен до тысячи участков, расположенных на нескольких гектарах. Для КТ существует несколько других подходов к измерению помимо описанного в этом исследовании. В таблице 1 анализируются преимущества и недостатки этих подходов. Ручные измерения имеют очень привлекательную стоимость установки, просты в настройке и очень гибки, при этом, возможно, они имеют самые высокие доступные GSD.Отбор образцов такого большого полевого эксперимента вручную в большинстве случаев невозможен из-за высоких эксплуатационных расходов, длительного времени, необходимого для отбора образцов с участка, и изменений условий окружающей среды во время отбора образцов, что приводит к низкой наследуемости (Deery et al., 2016; Саган и др., 2019).

Таблица 1 Преимущества (+, ++) и недостатки (-, -) наиболее распространенных сценариев определения температуры растительного покрова (СТ) в условиях полевого фенотипирования.

Станции фенотипирования, такие как «платформа полевого фенотипирования» (FIP) в ETH Zürich (Kirchgessner et al., 2017), «Field Scanalyzer» в Ротамстеде (Virlet et al., 2017) и аналогичные станции, описанные в Hund et al. (2019) высоко автоматизированы, что снижает затраты на ручной труд. Станции фенотипирования не требуют больших усилий для сбора данных, имеют умеренно большую площадь, которую они могут эффективно покрыть и в определенной степени применимы для измерения высоких культур (<3 м). Поскольку датчики расположены всего в нескольких метрах над землей, они имеют очень высокую GSD, что позволяет различать различия между органами растений.Однако они требуют высоких затрат на установку и очень негибки в пространстве из-за своей стационарной природы. Кроме того, измерения записываются последовательно, что может привести к смещению из-за изменения воздействия окружающей среды. Джонс и др. (2018) и Deery et al. (2019) использовали сенсорную сеть точечных инфракрасных датчиков для одновременного получения КТ на 84 из 400 участков в своих полевых экспериментах.

Хотя это минимизирует эксплуатационные расходы, приобретение достаточного количества датчиков, чтобы сделать такие измерения жизнеспособными, требует больших затрат на настройку и, возможно, техническое обслуживание.Однако такая система имеет то преимущество, что все измерения выполняются одновременно, что сводит к минимуму влияние изменения условий окружающей среды во время измерений.

Таблица 1 содержит два сценария «ортофотоплан БПЛА» и «единое изображение пилотируемого самолета» для измерений с воздуха, тогда как оба — пилотируемые летательные аппараты и БПЛА — могут использоваться для обоих подходов. Тем не менее, эти два сценария являются наиболее популярными, когда дело доходит до фенотипирования теплового поля в воздухе (Liebisch et al., 2015; Deery et al., 2016; Гомес-Кандон и др., 2016; Мальбето и др., 2018; Deery et al., 2019; Саган и др., 2019).

Беспилотный летательный аппарат имеет преимущество перед пилотируемыми самолетами, когда речь идет о настройке и эксплуатационных расходах на измерительную систему. Затраты на настройку (реализация датчика) в двух системах примерно одинаковы. Размер покрываемой области на ортофотоплане ограничен только временем полета системы-носителя, но может быть увеличен путем объединения изображений с нескольких полетов. Таким образом, ортофотоплан может эффективно охватывать большую площадь, чем подход с использованием одного изображения, за счет потенциальных воздействий изменения условий окружающей среды во время измерения изображений.Сценарий «одиночного изображения» может производить выборку большего количества графиков за более короткое время, когда высота полета выше для захвата всех графиков, за счет более низкого GSD, чем ортофотоплан, снятый с меньшей высоты. Кроме того, отдельные изображения ограничены по площади покрытия для каждого изображения. Более низкая стоимость и меньшие административные расходы, необходимые для управления БПЛА, делают эту систему более гибкой, чем пилотируемые самолеты.

Ограничением ортофотоплана на основе БПЛА, использованного в этом исследовании, было время полета многороторного БПЛА, которое в настоящее время составляет максимум 15–20 минут.Высокое пространственное разрешение полученных ортофотопланов означало, что высоты полета потенциально могут быть увеличены вдвое при сохранении хорошего GSD. Из-за высокой скорости измерения камеры также будет возможна более высокая скорость полета, что расширит возможное покрытие за один полет. Однако наибольшего преимущества в области отбора проб можно добиться, установив тепловизионные камеры на БПЛА с неподвижным крылом. БПЛА с неподвижным крылом могут покрывать большие площади [до десятков га за один полет [например, (Wingtra, 2019; senseFly, 2019)].

Заключение

В этом исследовании представлен недорогой тепловизионный подход на основе беспилотных летательных аппаратов (БПЛА) для оценки температуры растительного покрова (СТ) для полевых экспериментов по фенотипированию. Такой подход позволил получить данные с высоким временным и пространственным разрешением в различной степени, поскольку многие тепловые изображения могут быть объединены в одну ортофотоплан. Были проанализированы геометрические эффекты при просмотре на тепловом изображении, и было обнаружено, что они потенциально могут сильно влиять на полученный сигнал в пределах одного изображения.Обсуждалось, как они трансформируются в эффекты в термической ортофотоплане, в зависимости от того, как были созданы ортофотоплан. Было обнаружено, что усреднение информации всех изображений для характеристики интересующей области (например, графика) имело более высокую наследуемость, чем использование только центральных частей изображений во время процесса мозаики. При усреднении информации во время создания ортофотоплана рекомендуется использовать регулярную сетку измерений, параллельную основной плоскости Солнца, и высокую частоту кадров.Корректировка пространственных эффектов в данных с помощью 2D-сплайнов SpATS привела к наследуемости от 0,36 до 0,74 для измерений CT, в зависимости от дня, времени полета и режима обработки данных. Анализ нескольких полетов в день и в течение сезона показал, что оптимальный момент времени для тепловых измерений пшеницы — до начала старения, а идеальное время полета для оценки генотипических различий в CT — ранний полдень около 14:00 по местному времени. В целом результаты этого исследования демонстрируют, что низковысотное тепловое дистанционное зондирование подходит для высокопроизводительного полевого фенотипирования.Сравнение с другими подходами показало, что это помогает закрыть пробел в существующих приложениях термографии в крупномасштабных сценариях фенотипирования для селекции растений. Дальнейшие исследования должны быть нацелены на установление прочной связи между наблюдаемыми CT и физиологическими характеристиками растений (например, устьичной проводимостью), поскольку многочисленные результаты указали на смешивающий эффект структурных характеристик полога, таких как плотность полога, лист и наклон головы.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, доступны по запросу соответствующему автору.

Вклад авторов

GP написал большие части рукописи, выполнил постобработку тепловых данных / реализацию цепочки обработки, статистический анализ, создал цифры, построил опорные точки и помог с полетами дронов. AH организовал и руководил полевым экспериментом (экспериментальный план), внес значительный вклад в рукопись и предоставил код для пространственной коррекции. JA выполнил оценку старения и внес свой вклад в рукопись. LR поддержала сборку и работу блока датчиков / дронов, сбор и предварительную обработку данных метеостанции, конвейер обработки данных и внесла свой вклад в соответствующую часть рукописи.МБ поддержал применение и понимание методологии SpATS и соответствующего пакета R и отредактировал соответствующие части рукописи. AW внес свой вклад, проведя эксперименты в группе Crop Science в ETH и предоставив ценные отзывы при написании рукописи. FL поддержал проведение эксперимента и написание рукописи. HA придумал и реализовал идею рукописи, внес большой вклад в рукопись, внес большой вклад в доработки, построил систему зондирования, выполнил полеты дронов, разработал цепочку обработки и руководил исследованием.

Финансирование

Мы благодарим Швейцарский национальный научный фонд за поддержку проекта «Phenocool» (грант № 169542). LR выражает благодарность Innosuisse (www.innosuisse.ch) за финансирование в рамках проекта «Определение черт» (грант № KTI P-Nr 27059.2 PFLS-LS).

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы благодарим Хансуэли Зеллвегер за заботу об экспериментальном участке и растениях на протяжении всего вегетационного периода. Мы благодарим Пабло Бови и Дельфин Пикко, которые поддержали полевые работы.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpls.2020.00150/full#supplementary-material

Ссылки

Aasen, H. , Болтен, А. (2018).Разновременная спектроскопия изображений высокого разрешения с гиперспектральными 2D-формирователями изображений — от теории к применению. Remote Sens. Environ. 205, 374–389. doi: 10.1016 / j.rse.2017.10.043

CrossRef Полный текст | Google Scholar

Aasen, H., Burkart, A., Bolten, A., Bareth, G. (2015). Создание трехмерной гиперспектральной информации с помощью легких фотоаппаратов БПЛА для мониторинга растительности: от калибровки камеры до контроля качества. ISPRS J. Photogramm. Remote Sens. 108, 245–259. doi: 10.1016 / j.isprsjprs.2015.08.002

CrossRef Полный текст | Google Scholar

Aasen, H., Honkavaara, E., Lucieer, A., Zarco-Tejada, P.J. (2018). Количественное дистанционное зондирование со сверхвысоким разрешением с помощью спектроскопии БПЛА: обзор сенсорной технологии, процедур измерения и рабочих процессов по исправлению данных. Remote Sens. 10, 1–42. doi: 10.3390 / rs10071091

CrossRef Полный текст | Google Scholar

Aasen, H. (2016). Влияние геометрии просмотра на гиперспектральные изображения, полученные с камер моментального снимка БПЛА. ISPRS Ann. Фотография. Remote Sens. Spat. Инф. Sci. 3, 257–261. doi: 10.5194 / isprs-annals-III-7-257-2016

CrossRef Полный текст | Google Scholar

Agisoft LLC (2016). Руководство пользователя Agisoft photoscan. Проф. Эд. Версия 0.9.0 37. doi: 10.1021 / jp303597m.

Google Scholar

Амани И., Фишер Р. А., Рейнольдс М. П. (1996). Связь депрессии растительного покрова с урожайностью орошаемых сортов яровой пшеницы в условиях жаркого климата. J. Agron.Crop Sci. 176, 119–129. doi: 10.1111 / j.1439-037X.1996.tb00454.x

CrossRef Полный текст | Google Scholar

Андерсон, К., Гастон, К. Дж. (2013). Легкие беспилотные летательные аппараты произведут революцию в пространственной экологии. Фронт. Ecol. Environ. 11, 138–146. doi: 10.1890 / 120150

CrossRef Полный текст | Google Scholar

Балота, М., Пейн, В. А., Эветт, С. Р., Лазар, М. Д. (2007). Отбор проб на понижение температуры растительного покрова для оценки урожайности зерна и генотипической дифференциации озимой пшеницы. Crop Sci. 47, 1518–1529. doi: 10.2135 / cropci2006.06.0383

CrossRef Полный текст | Google Scholar

Becker, E., Schmidhalter, U. (2017). Оценка урожайности и засухи с использованием активных и пассивных систем спектрального зондирования на репродуктивной стадии пшеницы. Фронт. Plant Sci. 8. doi: 10.3389 / fpls.2017.00379

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Bellvert, J., Marsal, J., Girona, J., Gonzalez-Dugo, V., Fereres, E., Устин С.Л. и др. (2016). Аэрофотоснимки для определения сезонной динамики водного статуса сельскохозяйственных культур в персиковых, нектариновых и персиковых садах Сатурна. Remote Sens. 8. doi: 10.3390 / rs8010039

CrossRef Полный текст | Google Scholar

Бендиг, Дж., Болтен, А., Барет, Г. (2012). Представляем недорогой мини-БПЛА для получения тепловых и мультиспектральных изображений. Внутр. Arch. Фотография. Remote Sens. Spat. Инф. Sci. 39, 345–349. doi: 10.5194 / isprsarchives-XXXIX-B1-345-2012

CrossRef Полный текст | Google Scholar

Berliner, P., Oosterhuis, D. M., Green, G. C. (1984). Оценка инфракрасного термометра как детектора стресса урожая. Agric. Для. Meteorol. 31, 219–230. doi: 10.1016 / 0168-1923 (84)

-4

CrossRef Полный текст | Google Scholar

Берни, Дж. А. Дж., Зарко-Техада, П. Дж., Сепулькре-Канто, Г., Феререс, Э., Вильялобос, Ф. (2009a). Картирование проводимости растительного покрова и CWSI в оливковых садах с использованием изображений дистанционного теплового зондирования с высоким разрешением. Remote Sens. Environ. 113, 2380–2388.doi: 10.1016 / j.rse.2009.06.018

CrossRef Полный текст | Google Scholar

Берни, Дж. А. Дж., Зарко-Техада, П. Дж., Суарес, Л., Феререс, Э., Суарес, Л., Феререс, Э. (2009b). Тепловое и узкополосное многоспектральное дистанционное зондирование для мониторинга растительности с беспилотного летательного аппарата. IEEE Trans. Geosci. Remote Sens. 47, 722–738. doi: 10.1109 / TGRS.2008.2010457

CrossRef Полный текст | Google Scholar

Бланд, Дж. М., Альтман, Д. Г. (1986). Статистические методы оценки соответствия между двумя методами клинического измерения. Ланцет 327, 307–310. doi: 10.1128 / AAC.00483-18

CrossRef Полный текст | Google Scholar

Блюм, А., Шпилер, Л., Голан, Г., Майер, Дж. (1989). Стабильность урожая и температура растительного покрова генотипов пшеницы в условиях засухи. F. Crop Res. 22, 289–296. doi: 10.1016 / 0378-4290 (89)

-2

CrossRef Полный текст | Google Scholar

Кальдерон, Р., Навас-Кортес, Дж. А., Лусена, К., Зарко-Техада, П. Дж. (2013). Аэрогиперспектральные и тепловые изображения с высоким разрешением для раннего обнаружения вертициллезного увядания оливок с использованием флуоресценции, температуры и узкополосных спектральных показателей. Remote Sens. Environ. 139, 231–245. doi: 10.1016 / j.rse.2013.07.031

CrossRef Полный текст | Google Scholar

Cao, B., Liu, Q., Du, Y., Roujean, J.-L., Gastellu-Etchegorry, J.-P., Trigo, I.F., et al. (2019). Обзор наблюдений и моделирования направленности теплового излучения земной поверхности: историческое развитие, текущее состояние и перспективы. Remote Sens. Environ. 232, 111304. doi: 10.1016 / j.rse.2019.111304

CrossRef Полный текст | Google Scholar

Colomina, I., Молина, П. (2014). Беспилотные авиационные комплексы для фотограмметрии и дистанционного зондирования: обзор. ISPRS J. Photogramm. Remote Sens. 92, 79–97. doi: 10.1016 / j.isprsjprs.2014.02.013

CrossRef Полный текст | Google Scholar

Coombes, N. E. (2009). Инструмент поиска дизайна DiGGer в R [WWW Document].

Google Scholar

Дери, Д. М., Ребецке, Г. Дж., Хименес-Берни, Дж. А., Джеймс, Р. А., Кондон, А. Г., Бовилл, В. Д. и др. (2016). Методология высокопроизводительного полевого фенотипирования температуры растительного покрова с помощью аэротермографии. Фронт. Plant Sci. 7, 1–13. doi: 10.3389 / fpls.2016.01808

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Deery, D. M., Rebetzke, G.J., Jimenez-berni, J. A., Bovill, B., James, R.A., Condon, A. G., et al. (2019). Оценка фенотипической повторяемости температуры растительного покрова пшеницы с использованием непрерывных наземных и воздушных измерений. Фронт. Plant Sci. 10, 1–19. doi: 10.3389 / fpls.2019.00875

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Команда разработчиков QGIS (2018).Географическая информационная система QGIS.

Google Scholar

Эльсайед, С., Ришбек, П., Шмидхальтер, У. (2015). Сравнение характеристик активных и пассивных датчиков отражательной способности для оценки нормированной относительной температуры растительного покрова и урожайности зерна сортов ячменя, подвергшихся засухе. Field Crop Res. 177, 148–160. doi: 10.1016 / j.fcr.2015.03.010

CrossRef Полный текст | Google Scholar

Эльсайед, С., Эльховейти, М., Ибрагим, Х. Х., Девир, Ю. Х., Мигдади, Х. М., Шмидхальтер, У. (2017). Тепловидение и пассивное измерение коэффициента отражения для оценки состояния воды и урожайности зерна пшеницы при различных режимах орошения. Agric. Водное хозяйство . 189, 98–110. doi: 10.1016 / j.agwat.2017.05.001

CrossRef Полный текст | Google Scholar

Гомес-Кандон, Д., Вирлет, Н., Лаббе, С., Жоливот, А., Регнард, Дж. Л. (2016). Полевое фенотипирование водного стресса в масштабе дерева с помощью изображений, полученных с помощью БПЛА: новые идеи для получения и калибровки температуры. Precis. Agric. 17, 786–800. doi: 10.1007 / s11119-016-9449-6

CrossRef Полный текст | Google Scholar

Гилмор, А. Р., Куллис, Б. Р., Вербила, А. П. (1997). Учет естественных и посторонних вариаций при анализе натурных экспериментов. J. Agric. Биол. Environ. Стат. 2, 269. doi: 10.2307 / 1400446

CrossRef Полный текст | Google Scholar

Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolás, E., Nortes, P.A., Alarcón, J. J., Intrigliolo, D.S., et al. (2013). Использование тепловизионных изображений БПЛА с высоким разрешением для оценки изменчивости состояния воды пяти видов фруктовых деревьев в коммерческом саду. Precis. Agric. 14, 660–678. doi: 10.1007 / s11119-013-9322-9

CrossRef Полный текст | Google Scholar

Harwin, S., Lucieer, A. (2012). Оценка точности облаков точек с географической привязкой, созданных с помощью многовидового стереопсиса из изображений беспилотных летательных аппаратов (БПЛА). Remote Sens. 4, 1573–1599.doi: 10.3390 / rs4061573

CrossRef Полный текст | Google Scholar

Хассан-Исфахани, Л., Торрес-Руа, А., Дженсен, А., Макки, М. (2015). Оценка поверхностной влажности почвы с использованием мультиспектральных изображений высокого разрешения и искусственных нейронных сетей. Дистанционный датчик 7, 2627–2646. doi: 10.3390 / rs70302627

CrossRef Полный текст | Google Scholar

Hoffmann, H., Nieto, H., Jensen, R., Guzinski, R., Zarco-Tejada, P., Fribourg, T. (2016). Оценка испарения с использованием тепловых данных БПЛА и моделей баланса энергии с двумя источниками. Hydrol. Earth Syst. Sci. 20, 697–713. doi: 10.5194 / hess-20-697-2016

CrossRef Полный текст | Google Scholar

Hund, A., Kronenberg, L., Anderegg, J., Yu, K., Walter, A. (2019). Неинвазивное полевое фенотипирование развития злаков. в Успехи селекции зерновых культур . (Издательство Burleigh Dodds Science Publishing). 13, 249–292. doi: 10.19103 / as.2019.0051.13

CrossRef Полный текст | Google Scholar

Joalland, S., Screpanti, C., Варелла, Х. В., Ройтер, М., Швинд, М., Ланг, К., и др. (2018). Определение устойчивости сахарной свеклы к нематоде свеклы с воздуха и на земле. Remote Sens. 10, 1–21. doi: 10.3390 / rs10050787

CrossRef Полный текст | Google Scholar

Джонс, Х. Г., Серрадж, Р., Лавис, Б. Р., Сюн, Л., Уитон, А., Прайс, А. Х. (2009). Тепловое инфракрасное изображение растительного покрова для удаленной диагностики и количественной оценки реакции растений на водный стресс в полевых условиях. Funct.Plant Biol. 36, 978–989. doi: 10.1071 / FP09123

CrossRef Полный текст | Google Scholar

Джонс, Х. Г., Хатчинсон, П. А., Мэй, Т., Джамали, Х., Дери, Д. М. (2018). Практический метод, использующий сеть фиксированных инфракрасных датчиков для оценки проводимости растительного покрова и скорости испарения. Биосист. Англ. 165, 59–69. doi: 10.1016 / j.biosystemseng.2017.09.012

CrossRef Полный текст | Google Scholar

Kelly, J., Kljun, N., Olsson, P.O., Mihai, L., Liljeblad, B., Weslien, P., et al. (2019). Проблемы и передовые методы получения данных о температуре с неоткалиброванной тепловизионной инфракрасной камеры БПЛА. Remote Sens. 11. doi: 10.3390 / rs11050567

CrossRef Полный текст | Google Scholar

Khanal, S., Fulton, J., Shearer, S. (2017). Обзор текущих и потенциальных применений теплового дистанционного зондирования в точном земледелии. Comput. Электрон. Agric. 139, 22–32. doi: 10.1016 / j.compag.2017.05.001

CrossRef Полный текст | Google Scholar

Кирхгесснер, Н., Liebisch, F., Yu, K., Pfeifer, J., Friedli, M., Hund, A., et al. (2017). Платформа полевого фенотипирования ETH FIP: мультисенсорная система с кабельным подвесом. Funct. Plant Biol. 44, 154–168. doi: 10.1071 / FP16165

CrossRef Полный текст | Google Scholar

Kollers, S., Rodemann, B., Ling, J., Korzun, V., Ebmeyer, E., Argillier, O., et al. (2013). Полногеномное ассоциативное картирование устойчивости к фузариозу у озимой пшеницы европейской (Triticum aestivum L.). PloS One 8.doi: 10.1371 / journal.pone.0057500

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Lancashire, P., Bleiholder, H., Van den Boom, T., Langelüdekke, P., Stauss, R., Weber, E., et al. (1991). Единый десятичный код для стадий роста сельскохозяйственных культур и сорняков. Ann. Прил. Биол. 119, 561–601. doi: 10.1111 / j.1744-7348.1991.tb04895.x

CrossRef Полный текст | Google Scholar

Либиш, Ф., Кирхгесснер, Н., Шнайдер, Д., Вальтер, А., Хунд, А. (2015).Дистанционное воздушное фенотипирование признаков кукурузы с использованием мобильного мультисенсорного подхода. Plant Methods 11. doi: 10.1186 / s13007-015-0048-8

CrossRef Полный текст | Google Scholar

Lopes, M. S., Reynolds, M. P. (2010). Разделение ассимилятов на более глубокие корни связано с более прохладным пологом и повышенным урожаем пшеницы при засухе. Funct. Plant Biol. 37, 147–156. doi: 10.1071 / FP09121

CrossRef Полный текст | Google Scholar

Maes, W.Х., Степь К. (2012). Оценка суммарного испарения и стресса от засухи с помощью наземного дистанционного зондирования Земли в сельском хозяйстве: обзор. J. Exp. Бот. 63, 4671–4712. doi: 10.1093 / jxb / err313

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Maes, W. H., Huete, A. R., Steppe, K. (2017). Оптимизация обработки тепловизионных изображений с БПЛА. Remote Sens. 9. doi: 10.3390 / rs

76

CrossRef Полный текст | Google Scholar

Malbéteau, Y., Паркс, С., Арагон, Б., Росас, Дж., Маккейб, М. Ф. (2018). Регистрация суточного цикла температуры поверхности земли с помощью беспилотного летательного аппарата. Remote Sens. 10. doi: 10.3390 / rs10091407

CrossRef Полный текст | Google Scholar

Mesas-Carrascosa, F. J., Torres-Sánchez, J., Clavero-Rumbao, I., García-Ferrer, A., Peña, J. M., Borra-Serrano, I., et al. (2015). Оценка оптимальных параметров полета для создания точных мультиспектральных ортофотопланов с помощью беспилотного летательного аппарата для поддержки управления посевами на конкретных участках. Пульт дистанционного управления 7, 12793–12814. doi: 10.3390 / rs71012793

CrossRef Полный текст | Google Scholar

Mesas-Carrascosa, F. J., Pérez-Porras, F., de Larriva, J. E. M., Frau, C. M., Agüera-Vega, F., Carvajal-Ramírez, F., et al. (2018). Коррекция дрейфа легких микроболометрических термодатчиков на борту беспилотных летательных аппаратов. Remote Sens. 10, 1–17. doi: 10.3390 / rs10040615

CrossRef Полный текст | Google Scholar

Никодемус, Ф., Ричмонд, Дж., Ся, Дж. (1977). Геометрические соображения и номенклатура отражательной способности. Sci. Technol. 60, 1–52. doi: 10.1109 / LPT.2009.2020494

CrossRef Полный текст | Google Scholar

Оберхольцер, С., Прасун, В., Хунд, А. (2017). Использование воды для сельскохозяйственных культур в швейцарских педоклиматических условиях — Оценка данных лизиметра за семилетний период. F. Crop Res. 211, 48–65. doi: 10.1016 / j.fcr.2017.06.003

CrossRef Полный текст | Google Scholar

Ортега-Фариас, С., Ортега-Салазар, С., Поблете, Т., Килич, А., Аллен, Р., Поблете-Эчеверрия, К. и др. (2016). Оценка компонентов энергетического баланса оливкового сада с капельным орошением с использованием тепловизионных и мультиспектральных камер, установленных на вертолетном беспилотном летательном аппарате (БПЛА). Remote Sens. 8, 1–18. doi: 10.3390 / rs8080638

CrossRef Полный текст | Google Scholar

Паск, А., Пьетрагалла, Дж., Муллан, Д., Рейнольдс, М. (2012). Физиологическая селекция II: Полевое руководство по фенотипированию пшеницы (Мексика: CIMMYT).

Google Scholar

Пьефо, Х. П., Уильямс, Э. Р. (2010). Модели линейной дисперсии для селекционных испытаний растений. Растение породы. 129, 1–8. doi: 10.1111 / j.1439-0523.2009.01654.x

CrossRef Полный текст | Google Scholar

Pou, A., Diago, M. P., Medrano, H., Baluja, J., Tardaguila, J. (2014). Валидация термических индексов для определения состояния воды в виноградной лозе. Agric. Управление водными ресурсами. 134, 60–72. doi: 10.1016 / j.agwat.2013.11.010

CrossRef Полный текст | Google Scholar

Ребецке, Г.Дж., Ратти, А. Р., Фаркуар, Г. Д., Ричардс, Р. А., Кондон, А. Г. (2013). Области генома для температуры растительного покрова и их генетическая связь с устьичной проводимостью и урожайностью зерна у пшеницы. Funct. Plant Biol. 40, 14–33. doi: 10.1071 / fp12184

CrossRef Полный текст | Google Scholar

Рибейро-Гомес, К., Эрнандес-Лопес, Д., Ортега, Дж. Ф., Баллестерос, Р., Поблете, Т., Морено, М. А. (2017). Калибровка неохлаждаемой тепловизионной камеры и оптимизация процесса фотограмметрии для применения БПЛА в сельском хозяйстве. Сенсоры (Швейцария) 17, 9–11. doi: 10.3390 / s17102173

CrossRef Полный текст | Google Scholar

Roche, D. (2015). Устьичная проводимость важна для повышения урожайности культур C3. CRC. Крит. Rev. Plant Sci. 34, 429–453. doi: 10.1080 / 07352689.2015.1023677

CrossRef Полный текст | Google Scholar

Родригес-Альварес, М. X., Бур, М. П., ван Иувийк, Ф. А., Эйлерс, П. Х. С. (2018). Исправление пространственной неоднородности в экспериментах по селекции растений с помощью P-сплайнов. Spat. Стат. 23, 52–71. doi: 10.1016 / j.spasta.2017.10.003

CrossRef Полный текст | Google Scholar

Roth, L., Hund, A., Aasen, H. (2018). Инструмент планирования PhenoFly: планирование полетов для оптического дистанционного зондирования с высоким разрешением с помощью беспилотных площадных систем. Plant Methods 14, 116. doi: 10.1186 / s13007-018-0376-6

PubMed Реферат | CrossRef Полный текст | Google Scholar

Rutkoski, J., Poland, J., Mondal, S., Autrique, E., Pérez, L.G., Crossa, J., и другие. (2016). Индексы температуры растительного покрова и вегетации на основе высокопроизводительного фенотипирования повышают точность родословной и геномной селекции по урожайности зерна пшеницы. G3 Genes Genomes Genet. 6, 2799–2808. doi: 10.1534 / g3.116.032888

CrossRef Полный текст | Google Scholar

Sagan, V., Maimaitijiang, M., Sidike, P., Eblimit, K., Peterson, K. T., Hartling, S., et al. (2019). Тепловизоры высокого разрешения на базе БПЛА для мониторинга растительности и фенотипирования растений с использованием ICI 8640 P, FLIR Vue Pro R 640 и тепловизионных камер. Remote Sens. 11. doi: 10.3390 / rs11030330

CrossRef Полный текст | Google Scholar

Sanchez-Azofeifa, A., Antonio Guzmán, J., Campos, C.A., Castro, S., Garcia-Millan, V., Nightingale, J., et al. (2017). Технологии дистанционного зондирования XXI века революционизируют изучение тропических лесов. Biotropica 49, 604–619. doi: 10.1111 / btp.12454

CrossRef Полный текст | Google Scholar

Шанкаран, С., Чжоу, Дж., Хот, Л. Р., Трапп, Дж.Дж., Мндолва, Э., Миклас, П. Н. (2018). Полевое фенотипирование с высокой пропускной способностью в сухих бобах с использованием мультиспектральных изображений на основе небольших беспилотных летательных аппаратов. Comput. Электрон. Agric. 151, 84–92. doi: 10.1016 / j.compag.2018.05.034

CrossRef Полный текст | Google Scholar

Сантестебан, Л. Г., Ди Дженнаро, С. Ф., Эрреро-Лангрео, А., Миранда, К., Ройо, Дж. Б., Матезе, А. (2017). Тепловидение с высоким разрешением на основе БПЛА для оценки мгновенной и сезонной изменчивости водного статуса растений на винограднике. Agric. Управление водными ресурсами. 183, 49–59. doi: 10.1016 / j.agwat.2016.08.026

CrossRef Полный текст | Google Scholar

Schaepman, M. E., Jehle, M., Hueni, A., D’Odorico, P., Damma, A., Weyermann, J., et al. (2015). Расширенные радиометрические измерения и приложения для наук о Земле с помощью эксперимента с воздушной призмой (APEX). Remote Sens. Environ. 158, 207–219. doi: 10.1016 / j.rse.2014.11.014

CrossRef Полный текст | Google Scholar

Schaepman-Strub, G., Шепман, М. Э., Художник, Т. Х., Дангел, С., Мартончик, Дж. В. (2006). Величины отражения в оптическом дистанционном зондировании — определения и тематические исследования. Remote Sens. Environ. 103, 27–42. doi: 10.1016 / j.rse.2006.03.002

CrossRef Полный текст | Google Scholar

Шафиан С., Маас С. Дж. (2015). Индекс влажности почвы с использованием необработанных данных цифрового подсчета изображений Landsat в Техас-Хай-Плейнс. Remote Sens. 7, 2352–2372. doi: 10.3390 / rs70302352

CrossRef Полный текст | Google Scholar

Шакур, Н., Ли, С., Моклер, Т. К. (2017). Высокопроизводительное фенотипирование для ускорения селекции сельскохозяйственных культур и мониторинга болезней в поле. Curr. Opin. Plant Biol. 38, 184–192. doi: 10.1016 / j.pbi.2017.05.006

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сукумаран, С., Драйзигакер, С., Лопес, М., Чавес, П., Рейнольдс, М. П. (2015). Полногеномное ассоциативное исследование урожайности зерна и связанных с ним признаков в элитной популяции яровой пшеницы, выращенной в орошаемых условиях умеренного климата. Теор. Прил. Genet. 128, 353–363. doi: 10.1007 / s00122-014-2435-3

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Триггс, Б., Маклаучлан, П. Ф., Хартли, Р. И., Фитцгиббон, А. В. (2000). Регулировка связки — современный синтез, в: Vision Algorithms (Берлин, Гейдельберг: Springer-Verlag Berlin Heidelberg), 298–372.

Google Scholar

Веласко, Дж. Г., Родригес-Альварес, М. Х., Бур, М. П., Джордан, Д. Р., Эйлерс, П. Х.C., Malosetti, M., et al. (2017). Моделирование пространственных тенденций в полевых испытаниях селекции сорго с использованием двумерной смешанной P-сплайновой модели. Теор. Прил. Genet. 130, 1375–1392. doi: 10.1007 / s00122-017-2894-4

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Virlet, N., Sabermanesh, K., Sadeghi-Tehran, P., Hawkesford, M. J. (2017). Field Scanalyzer: автоматизированная роботизированная платформа для фенотипирования полей для подробного мониторинга урожая. Funct. Plant Biol. 44, 143–153.doi: 10.1071 / FP16163

CrossRef Полный текст | Google Scholar

Yousfi, S., Kellas, N., Saidi, L., Benlakehal, Z., Chaou, L., Siad, D., et al. (2016). Сравнительная эффективность методов дистанционного зондирования при оценке урожайности пшеницы в средиземноморских условиях. Agric. Управление водными ресурсами. 164, 137–147. doi: 10.1016 / j.agwat.2015.09.016

CrossRef Полный текст | Google Scholar

Zaman-Allah, M., Vergara, O., Araus, J. L., Tarekegne, A., Magorokosho, C., Зарко-Техада, П. Дж. И др. (2015). Мультиспектральная визуализация на основе беспилотной воздушной платформы для полевого фенотипирования кукурузы. Растительные методы 11, 1–10. doi: 10.1186 / s13007-015-0078-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Зарко-Техада, П. Дж., Гонсалес-Дуго, В., Берни, Дж. А. Дж. (2012). Индексы флуоресценции, температуры и узкополосного диапазона, полученные с платформы БПЛА для обнаружения водного стресса с использованием микро-гиперспектрального формирователя изображения и тепловизора. Remote Sens.Environ. 117, 322–337. doi: 10.1016 / j.rse.2011.10.007

CrossRef Полный текст | Google Scholar

Зарко-Техада, П. Дж., Гонсалес-Дуго, В., Уильямс, Л. Е., Суарес, Л., Берни, Дж. А. Дж., Голдхамер, Д. и др. (2013). Индекс водного стресса на основе PRI, сочетающий структурные эффекты и эффекты хлорофилла: оценка с использованием суточных узкополосных аэрофотоснимков и теплового индекса CWSI. Remote Sens. Environ. 138, 38–50. doi: 10.1016 / j.rse.2013.07.024

CrossRef Полный текст | Google Scholar

Внедрение беспилотных летательных аппаратов (БПЛА) для оценки транспортной инфраструктуры — этап II

Обзор фазы II проекта

Expand

Благодаря успешным исследованиям, разработкам и демонстрациям на этапе I этого
проект, команда Технологического университета Мичигана смогла протестировать несколько датчиков
на платформе мультироторного БПЛА производства Мичигана, наряду с другими БПЛА, что позволяет собирать
типов данных, таких как оптические, световые и дальномерные (лидар), а также тепловые и
получить подробное представление о различной инфраструктуре MDOT.

Дальнейшее развитие технологии БПЛА для использования транспортной инфраструктуры
оценка необходима для того, чтобы полностью внедрить эти технологии в повседневную работу MDOT.
операции. Успешно продолжая исследования и разработки БПЛА для MDOT,
Команда Michigan Tech разработала практические приложения больших наборов данных, которые поддерживают
Бизнес-модели и процессы принятия решений MDOT как часть анализа Этапа II.

Целями исследовательского проекта Фазы II были разработка, развертывание и внедрение:

• Транзитная связь и возможность хранения данных для оперативного сбора данных
• Использование, анализ и обработка данных БПЛА для определения бизнес-функций MDOT
  и мероприятия
• Протоколы качества данных обеспечивают точность и точность собранных данных
• Использование БПЛА для сбора данных на транспорте
• Для определения окупаемости инвестиций для использования БПЛА в транспортных целях
• Обеспечить обучение устройств и план развертывания / внедрения, включая пользователя / операцию
  руководящий документ

Технология БПЛА для использования в оценке транспортной инфраструктуры получила дальнейшее развитие.
разработан для внедрения в повседневные операции MDOT.В рамках этого проекта
команда успешно выполнила следующее:

1. Настил моста и дорожные коридоры были обследованы с помощью оптики высокого разрешения,
   тепловые и лидарные технологии. Были созданы и обновлены алгоритмы для автоматического
   выявить и количественно оценить такие дефекты, как сколы, отслоения и трещины.

Возможности обратного рейса и хранения данных

2. были расширены за счет включения безопасного
   хранилище и геопространственный портал с возможностями «выталкивания» и «вытягивания» данных.
3. Подробная отчетность с описанием и рекомендациями методов хранения и распространения MDOT
   большие наборы данных, собранные БПЛА.
4. Собраны лидарные данные по мосту и дорожному коридору.
5. Разработал алгоритм мониторинга трафика, который использует изображения, собранные с помощью платформы БПЛА.
6. Мониторинг и моделирование строительных площадок, включая количественную оценку
   гравийные сваи с помощью оптических датчиков.
7. Разработал анализ выгод и затрат для определения рентабельности инвестиций MDOT, которые
   будет результатом развертывания БПЛА.
8. Несколько членов команды получили лицензии FAA для беспилотных удаленных пилотов.

Платформы проектов

Датчики

Краткая история дронов

Беспилотные летательные аппараты (БПЛА) — летательные аппараты без экипажа или пассажиров на борту.Это могут быть автоматизированные «дроны» или дистанционно пилотируемые аппараты (ДПЛА). БПЛА могут летать в течение длительных периодов времени с контролируемой скоростью и высотой и играть важную роль во многих аспектах авиации.

Первые беспилотные машины были разработаны в Великобритании и США во время Первой мировой войны . Британский небольшой радиоуправляемый самолет Aerial Target был впервые испытан в марте 1917 года, а американская воздушная торпеда, известная как Kettering Bug , впервые поднялась в воздух в октябре 1918 года.Хотя оба показали многообещающие результаты в летных испытаниях, ни один из них не использовался во время войны.

В межвоенный период продолжалась разработка и испытания беспилотных летательных аппаратов. В 1935 году англичане произвели ряд радиоуправляемых самолетов, которые использовались в качестве мишеней для учебных целей. Считается, что термин «дрон» начал использоваться в это время, вдохновленный названием одной из этих моделей, DH.82B Queen Bee. Радиоуправляемые дроны также производились в США и использовались для тренировок и тренировок по стрельбе.

Разведывательные БПЛА впервые были массово развернуты во время войны во Вьетнаме. Дроны также начали использоваться в ряде новых ролей, таких как использование в качестве ловушек в бою, запуск ракет по неподвижным целям и сбрасывание листовок для психологических операций.

После войны во Вьетнаме другие страны за пределами Великобритании и США начали исследовать беспилотные летательные аппараты. Новые модели стали более совершенными, с повышенной выносливостью и способностью сохранять большую высоту.В последние годы были разработаны модели, использующие такие технологии, как солнечная энергия, для решения проблемы заправки более длительных полетов.

Дроны теперь имеют множество функций, от мониторинга изменения климата до проведения поисковых операций после стихийных бедствий, фотосъемки, видеосъемки и доставки товаров. Но их наиболее известное и противоречивое использование — это военные для разведки, наблюдения и целенаправленных атак. После террористических атак 11 сентября Соединенные Штаты, в частности, значительно увеличили использование беспилотных летательных аппаратов.Они в основном используются для наблюдения в районах и территориях, куда войска не могут безопасно пройти. Но они также используются в качестве оружия и им приписывают убийства подозреваемых боевиков. Их использование в текущих конфликтах и ​​в некоторых странах вызывает вопросы об этичности этого вида оружия, особенно когда оно приводит к гибели гражданского населения либо из-за неточных данных, либо из-за их близости к «цели».

(PDF) Цифровые аэрофотоснимки беспилотного летательного аппарата различного назначения

ТАБЛИЦА I.RMSE ORTHOPHOTO, ОСНОВАННОЕ НА ИЗМЕНЕНИИ

ВЫСОТА ПОЛЕТА

Ожидается, что для точности высоты будет значимым

, поскольку в фотограмметрии точность высоты составляет

, как правило, вдвое больше планиметрической точности. быть затронутым алгоритмом сопоставления изображений

, используемым в программном обеспечении обработки изображений

. Различия обычно вызваны ошибками в процессе получения изображения

, такими как движение движения, такое как омега,

фи и каппа, а также крабинг и совпадение изображений во время обработки изображения

.

VI. ЗАКЛЮЧЕНИЕ

В этом исследовании было обнаружено, что для картирования уклонов

RTK GPS из известной точки с 10-минутным наблюдением дал

лучший результат с точки зрения точности и точности. Основываясь на этом наблюдении

, точность менее ± 1 м была достигнута с использованием

БПЛА Cropcam, летящего на высоте 300 метров. БПЛА является одним из эффективных устройств

для получения трехмерной модели территории

, особенно на склонах.Для потокового картирования на основе

на беспилотном летательном аппарате Hexakopter, летящем на 100 м, было обнаружено, что ЦМР

и ортофотопланы были успешно получены, а планиметрическая точность ортофотоплана

составляет ± 0,280 м.

Это исследование доказало, что

БПЛА способны успешно получать DAI, а картографический продукт

может быть произведен точно в течение короткого периода времени. Методология

, принятая в этом исследовании, полезна и практична для крупномасштабного картирования

небольших территорий и при ограниченном бюджете.

ПОДТВЕРЖДЕНИЕ

Авторы хотели бы выразить признательность за поддержку

Факультет геоинформации и недвижимости, Университет

Teknologi Malaysia (номер гранта: Q.J130000.2527.03H68) и

Министерства образования.

СПИСОК ЛИТЕРАТУРЫ

[1] Дж. П. Миллс и И. Ньютон. «Аэрофотосъемка для обзорных целей

с помощью малоформатной цифровой камеры высокого разрешения».

Photogrammetric Record, 15 (88), 575-587, 1996.

[2] Ю. Мияцука. «Археологическая фотограмметрическая система

в реальном времени с использованием цифровой фотокамеры». Международный архив

Фотограмметрия и дистанционное зондирование, 31 (B5): 374-375, 1996.

[3] A Ahmad. «Цифровая фотограмметрия: опыт обработки

аэрофотоснимков UTM, полученных с помощью цифровой камеры».

AsiaGIS 2006, 3-5 марта 2006 г .; UTM Skudai, Джохор, Малайзия.

[4] А. Ахмад. «Картографирование с использованием малоформатных цифровых изображений и беспилотной летательной платформы

».Юго-Восточная Азия и Survey Congress,

2009, 4-6 августа 2006 г .; Бали, Индонезия

[5] А. Ахмад. «Цифровое картографирование с использованием маловысотного БПЛА». Пертаника

J. Наука и технологии. Vol. 19 (S): 51–58, 2011.

[6] К.Н. Тахар, А. Ахмад, W.A.A. Ван Мохд Акиб и В. N.

Wan Mohd. «Результаты беспилотных летательных аппаратов с использованием

различных кинематических систем глобального позиционирования в реальном времени

подходов», в A. Abdul Rahman et al.(ред.), Разработки

в многомерных моделях пространственных данных, Конспекты лекций

Геоинформация и картография, DOI: 10.1007 / 978-3-642-

36379-5_8, _Springer-Verlag Berlin Heidelberg 2013

[7] KNTahar, A. Ahmad, WAA Ван Мохд Акиб и В. N.

Wan Mohd. «Универсальный подход к фотограмметрической съемке

с использованием шестикорпусного беспилотного летательного аппарата». 8-й Международный симпозиум

«Цифровая Земля», 26–29 августа 213 г .; Кучинг,

Саравак, Малайзия

[8] S.М. Азми, Б. Ахмад и А. Ахмад. «Оценка точности топографических карт

с использованием изображений БПЛА, интегрированных с аэрофотоснимками

и спутниковыми снимками». 8-й Международный симпозиум

«Цифровая Земля», 26–29 августа 213 г .; Кучинг, Саравак,

Малайзия

[9] В.А. Удин и А. Ахмад. «Оценка точности фотограмметрического картирования

по изменению высоты полета с использованием беспилотного летательного аппарата

».8-й Международный симпозиум «

Цифровая Земля», 26–29 августа 213 г .; Кучинг, Саравак, Малайзия

[10] M.H.M. Комната и А. Ахмад. «Картографирование модели реки с использованием метода фотограмметрии ближнего действия

и беспилотного летательного аппарата

». 8-й Международный симпозиум по цифровой Земле,

26-29 августа 213 г .; Кучинг, Саравак, Малайзия

[11] N.F.A. Хамид и А. Ахмад. «Калибровка цифровой камеры высокого разрешения

различными фотограмметрическими методами».8-й Международный симпозиум по цифровой Земле

, 26-29 августа 213 г .;

Кучинг, Саравак, Малайзия

[12] N.F.A. Хамид, А. Ахмад, А. Самад, И. Маароф и К.А.

Хашим. «Оценка точности калибровки цифровой камеры высокого разрешения

». 9-й Международный коллоквиум по обработке сигналов

и его применению, 8-10 марта 2013 г .; Куала

Лумпур, Малайзия

[13] Н. Дарвин, А.Ахмад и О. Зайнон. «Потенциал беспилотного летательного аппарата

для крупномасштабного картирования прибрежной зоны

». 8-й Международный симпозиум по цифровой Земле, 26-29

августа 213 г .; Кучинг, Саравак, Малайзия

[14] Н.А. Азхар и А. Ахмад. «Разработка быстрого и недорогого картирования археологических раскопок

с использованием фотограмметрической техники».

8-й Международный симпозиум по цифровой Земле, 26-29 августа,

213; Кучинг, Саравак, Малайзия

[15] G.Льюис. Оценка использования недорогой беспилотной авиационной платформы

для получения цифровых изображений для реагирования на чрезвычайные ситуации

. Springer Berlin Heidelberg, 2007.

[16] F.K. Сидек и А. Ахмад. «Разработка схем картирования

с использованием цифровых изображений, полученных с беспилотной авиационной системы

». PWTC, Куала-Лумпур, Малайзия, 2008.

[17] Y.Lei, G. Zhiyang and D. Yini. «Система дистанционного зондирования БПЛА: разработка и испытания

».В: Li D, Shan J, Gong J (eds) Geospatial

технология для данных наблюдения Земли, Springer, New

York, 2009

[18] CropCam (2009). http://www.cropcam.com [дата обращения:

,

, 2009]

[19] К.А. Хашим, Н. Дарвин, А. Ахмад и А.М. Самад.

«Оценка аэрофотоснимков на малых высотах для крупномасштабного картирования городов

».