Мультиспектральный дрон-мониторинг азотного питания листьев томатов

Азот является критически важным питательным элементом, влияющим на урожайность и качество технических томатов. Однако традиционные методы оценки его содержания отличаются высокой трудоемкостью и стоимостью. Целью данного исследования являлась разработка эффективного подхода к мониторингу путем анализа взаимосвязи между содержанием азота в листьях (САЛ) и характеристиками спектрального отражения полога посевов на различных этапах вегетации технических томатов на Томатной базе Лаолунхэ в городе Чанцзи, Синьцзян.

Экспериментальная схема включала девять вариантов обработки, каждый в трехкратной повторности. Данные по САЛ были получены с использованием специализированного анализатора содержания азота в листьях, а для захвата мультиспектральных изображений и извлечения вегетационных индексов применялись беспилотные летательные аппараты. С помощью корреляционного анализа Пирсона были определены оптимальные спектральные переменные, а взаимосвязи между САЛ и спектральными переменными устанавливались с использованием моделей на основе обратного распространения ошибки (BP), множественной линейной регрессии (МЛР) и случайного леса (RF). Результаты показали, что данные ручных измерений САЛ имели два пиковых значения, приходящихся на начала цветения и завязывания плодов, демонстрируя бимодальный характер. Из двенадцати выбранных вегетационных индексов десять проявили спектральную чувствительность, пройдя порог высокой значимости 0,01, причем нормализованный разностный хлорофилльный индекс (NDCI) показал наибольшую корреляцию в фазе полного цветения. Комбинация индекса NDCI и модели RF обеспечила точность прогнозирования, превышающую 0,8 в фазе полного цветения; аналогично, модели, включающие множество вегетационных индексов, такие как RF, МЛР и BP, также достигли точности прогнозирования выше 0,8. Следовательно, на стадиях укоренения рассады и начала цветения (покрытие растительностью < 60%) для мониторинга САЛ подходила модель RF с множеством вегетационных индексов; в фазе полного цветения (покрытие растительностью 60–80%) эффективными оказались как модель RF с индексом NDCI, так и модель МЛР с множеством индексов; а на стадиях завязывания плодов и созревания (покрытие растительностью > 80%) более подходящей была модель BP. Это исследование обеспечивает научную основу для управления возделыванием технических томатов и оптимизации азотных удобрений в рамках точного земледелия. Оно способствует применению технологий точного земледелия, содействуя повышению эффективности сельского хозяйства и использования ресурсов.

Томаты широко выращиваются по всему миру, при этом китайский регион Синьцзян становится одной из трех ведущих мировых зон для выращивания и переработки томатов благодаря своим уникальным природным условиям. К 2023 году площадь, отведенная под технические томаты в Синьцзяне, достигла 64,66 млн гектаров, а общий урожай составил 4,35 млн тонн, что составляет 80% от общенационального объема производства. Кроме того, продукция переработки томатов из этого региона составляет приблизительно 15% мирового предложения, и этот показатель неуклонно растет [1]. Азот играет чрезвычайно важную роль в процессе роста технических томатов; недостаточное внесение азотных удобрений может значительно повлиять на рост растений, урожайность и качество плодов, а также может отрицательно сказаться на устойчивости растений и здоровье почвы [2]. И наоборот, чрезмерное внесение удобрений может привести к аномальной морфологии растений, несбалансированному распределению продуктов фотосинтеза, снижению качества плодов и потенциальному загрязнению окружающей среды и потере ресурсов [3,4,5,6]. Таким образом, быстрый мониторинг и точное управление распределением азота на полях технических томатов имеют первостепенное значение [7]. Традиционные методы ручного мониторинга не только неэффективны и недостаточны для сбора информации о распределении азота на больших сельскохозяйственных угодьях, но также подвержены влиянию человеческого фактора. Следовательно, существует острая необходимость в инновационном подходе к мониторингу, который может предоставлять точные данные в реальном времени о распределении азота в культурах, обеспечивая научно-техническую поддержку для мониторинга и оценки содержания азота в листьях технических томатов.

Благодаря постоянному развитию и инновациям в технологии дистанционного зондирования с БПЛА появилось множество передовых методов для быстрого и неразрушающего мониторинга параметров роста полевых культур. Многие ученые провели обширные и углубленные исследования в этой области, достигнув значительных прорывов, особенно в мониторинге содержания азота в культурах. Например, Ли и др. [8] использовали мультиспектральные снимки, полученные с БПЛА, для мониторинга содержания азота в пологе кукурузных полей в юго-западном Онтарио, Канада. Среди использованных моделей модель RF продемонстрировала превосходную производительность благодаря своей высокой точности и интерпретируемости. Эта модель в дальнейшем была применена к снимкам с БПЛА, полученным на различных стадиях роста, для создания карт пространственной изменчивости содержания азота в пологе, что способствовало эффективному мониторингу. Традиционные методы вертикального сбора часто приводят к неточным оценкам содержания азота в листьях. Лу и др. [9] исследовали использование многоугловых спектральных данных для повышения точности оценки САЛ. Интегрируя множество вегетационных индексов и разрабатывая модели с использованием многоуглового композитного вегетационного индекса, они улучшили точность оценки содержания азота в озимой пшенице, предоставив научное руководство для управления азотными удобрениями. Ван и др. [10] применили анализатор содержания азота в листьях (TYS-4N) для in vivo определения содержания азота в листьях риса, обнаружив, что погрешности измерений находятся в приемлемых пределах, а оперативность высока, что предложило осуществимый метод измерения in vivo и надежную основу данных для исследований содержания азота в листьях риса. Лю и др. [11], получая гиперспектральные данные с БПЛА в сочетании с эмпирическими данными, использовали модели МЛР и BP для проверки эффективности моделей. Они обнаружили, что прогнозируемые значения для озимой пшеницы на стадиях выхода в трубку, цветения и увядания листьев были идеальными, что демонстрирует надежность и точность гиперспектральных данных с БПЛА.

Вышеупомянутые исследования в основном опирались на снимки дистанционного зондирования с БПЛА для извлечения характерных параметров и установления корреляций с физиологическими показателями содержания азота в культурах, что позволяет определять уровень азота в растениях. Однако существующие исследования еще не охватили всесторонне мониторинг САЛ на протяжении всего жизненного цикла культур. Более того, все еще отсутствует тщательная оценка применимости различных вегетационных индексов для моделирования и мониторинга в течение полного жизненного цикла, а также эффективность одного индекса для мониторинга САЛ на протяжении всего периода вегетации.

Чтобы восполнить эти пробелы, данное исследование интегрирует наземные обследования с методами дистанционного зондирования с БПЛА для систематического мониторинга САЛ технических томатов, как показано на Рисунке 1. Цели этого исследования тройны: (1) объяснить характеристики динамических изменений САЛ технических томатов на разных стадиях роста; (2) исследовать прогностическую способность вегетационных индексов в сочетании с моделями RF, BP и МЛР на протяжении всего жизненного цикла технических томатов; и (3) определить оптимальную стратегию мониторинга САЛ в течение полного жизненного цикла технических томатов в условиях различного растительного покрова путем сравнительного анализа моделей оценки содержания азота в листьях, построенных с использованием одной переменной по сравнению с несколькими переменными.

Рисунок 1. Теоретическая основа исследования.

2.1. Обзор района исследований

Район исследований расположен в Демонстрационном парке современного сельского хозяйства Национального научно-технического сельскохозяйственного парка в Чанцзи-Хуэйском автономном округе Синьцзян-Уйгурского автономного района, конкретно в районе Лаолунхэ города Чанцзи, который находится в северных предгорьях Тянь-Шаня на высоте около 490 м над уровнем моря, как показано на Рисунке 2. Расположенный на северных склонах Тянь-Шаня, на высоте приблизительно 490 м, этот регион отличается преимущественно засушливым климатом, получая всего 190 мм осадков в год. Среднегодовая температура составляет 6,8 °C, с впечатляющим количеством солнечных часов — 2700 в год. Благодаря обильным водным ресурсам, равнинному рельефу и плодородным почвам этот район стал ведущим центром переработки томатов в Синьцзяне. Он занимает значительное положение, обладая комплексной цепочкой поставок, охватывающей всю томатную индустрию. Занимая 41% площади возделывания томатов в регионе, здесь расположены 25 предприятий по переработке томатной продукции, включая одно, признанное национальным лидером. На эти предприятия приходится 35% перерабатывающих мощностей региона, а стоимость цепочки производства, по прогнозам, превысит 3 млрд юаней [12]. Таким образом, это, несомненно, идеальное место для проведения исследований по переработке томатов.

Рисунок 2. Географическое положение района исследований.

2.2. Дизайн эксперимента

В 2023 году для экспериментов был выбран сорт технических томатов Tunhe 1911. Весь цикл роста начался с пересадки рассады 16 мая и завершился уборкой урожая 26 августа. Используемый метод культивирования — посадка рассады. Как только рассада в кассетах в возрасте от 40 до 50 дней достигала стадии роста четырех-пяти настоящих листьев, ее пересаживали в открытый грунт.

Общая ширина экспериментального участка составляла 200 м, использовалась двухрядная грядковая система посадки. Расстояние между рядами на каждой гряде составляло 0,3 м, интервал между грядами — 1,5 м, растения высаживались на расстоянии 0,2 м друг от друга на глубину от 0,01 до 0,02 м. Эксперимент включал девять обработок, каждая из которых повторялась на трех грядах, каждая гряда длиной 760 м, что в сумме составило 27 отдельных делянок. Участок размером 210 м в длину и 120 м в ширину был выделен как исследовательская зона, где одновременно проводились дистанционное зондирование с дрона и ручные наземные обследования.

2.3. Получение и предварительная обработка данных

2.3.1. Мультиспектральные данные с БПЛА

На протяжении всего периода вегетации томатов, включая фазу восстановления после пересадки (19 мая – 7 июня), начало цветения (8 июня – 28 июня), полное цветение (29 июня – 11 июля), завязывание плодов (12 июля – 28 июля) и стадию созревания (29 июля – 13 августа), проводился мониторинг мультиспектральных данных с использованием БПЛА DJI Phantom 4 Multispectral (Shenzhen DJI Innovation Technology Co. Ltd., Шэньчжэнь, Китай). Этот БПЛА, оснащенный мультиспектральной камерой, способен получать данные по следующим пяти спектральным каналам: синий (450 ± 16 нм), зеленый (560 ± 16 нм), красный (650 ± 16 нм), красная граница (730 ± 16 нм) и ближний инфракрасный (840 ± 26 нм). Летательный аппарат автономно выполнял запрограммированные маршруты полета, передавая изображения с камер в реальном времени операторам. Сбор мультиспектральных изображений проводился в идеальных погодных условиях — ясное небо, без ветра — в период с 12:00 до 15:00, чтобы обеспечить качество и надежность снимков, оптимизируя при этом безопасность полетов и эффективность операций. Маршруты полетов были настроены с продольным перекрытием 80% и поперечным перекрытием 70%, при скорости полета 1,7 м/с на высоте 25 м, что обеспечило разрешение 1,3 см/пиксель. Впоследствии полученные изображения были обработаны с использованием программного обеспечения Pix4Dmapper 4.5.6 (Pix4D SA, Прилли, Швейцария) для сшивки в единое мультиспектральное изображение экспериментального поля, как показано на Рисунке 3. Дальнейший анализ, включая пространственную и геометрическую коррекцию, а также расчет вегетационных индексов, проводился с использованием программного обеспечения ENVI 5.3.

Рисунок 3. Схема сшивки изображений с БПЛА.

2.3.2. Измерение содержания азота в листьях

Одновременно с получением мультиспектральных данных полога, САЛ томатов измерялось с помощью портативного анализатора содержания азота ZKWH TYS-4N (Beijing Zhongke Weihe Technology Development Co., Пекин, Китай) [13]. Перед каждым измерением поверхность прибора очищалась салфеткой для удаления грязи или примесей, и проводилась калибровка для обеспечения его правильной работы и точности. В девяти вариантах обработки каждый раз отбиралось по три повторности, выбирая по 10 равномерно растущих, репрезентативных растений технических томатов, всего 270 растений. В зависимости от размера площади листа и различий в распределении цвета листьев в пологе, на одном листе измерялось от 5 до 10 точек, и бралось среднее значение. Таким образом, всего было получено 1350 наборов данных для представления содержания азота в листьях технических томатов на экспериментальной площади.

2.4. Анализ данных и приложения

2.4.1. Отбор и построение вегетационных индексов

Вегетационный индекс (VI) — это количественный показатель, используемый для оценки и мониторинга роста, здоровья и степени покрытия растительности с помощью технологии дистанционного зондирования. Он формируется на основе спектральных характеристик растительности, используя отношение или линейную комбинацию отражения от двух или более различных спектральных каналов. VI важен для мониторинга различных характеристик растительности, таких как оценка физических параметров сельскохозяйственных культур, анализ землепользования и растительного покрова, а также поддержка климатических моделей и экологических симуляций. В этом исследовании, основываясь на предыдущих результатах исследований и соответствующей литературе, мы отобрали двенадцать вегетационных индексов, тесно коррелирующих с САЛ, для повышения точности мониторинга содержания азота в листьях сельскохозяйственных культур, как подробно описано в Таблице 1.

Таблица 1. Вегетационные индексы и формулы их расчета.

2.4.2. Построение и проверка моделей

Был проведен корреляционный анализ между отобранными переменными мультиспектральных изображений и измеренным САЛ для определения их взаимосвязей и выявления спектральных переменных с более высокими корреляциями. Впоследствии эти отобранные переменные были смоделированы с использованием методов BP, МЛР и RF. На всех стадиях роста было собрано в общей сложности 1350 наборов данных. Для обеспечения надежности и способности к обобщению моделей, 70% выборочных данных были случайным образом отобраны в качестве обучающего набора для построения модели оценки САЛ технических томатов. Оставшиеся 30% данных послужили независимым тестовым набором для оценки прогностической эффективности разработанных моделей.

2.4.3. Показатели оценки точности модели

В этом исследовании в качестве показателей для оценки точности модели использовались коэффициент детерминации (R²), среднеквадратичная ошибка (RMSE) и средняя абсолютная ошибка (MAE). Показатель R² используется для оценки степени соответствия между наблюдаемыми значениями и прогнозами модели [26]. RMSE, чувствительная к выбросам, дает общую меру ошибки прогноза. Напротив, MAE обеспечивает прямое указание на среднюю величину ошибки, будучи менее подверженной влиянию выбросов, и оба показателя могут использоваться для оценки отклонений между наблюдаемыми значениями и прогнозами модели [27]. Более высокие значения R² и более низкие значения RMSE и MAE указывают на лучшее качество подгонки, отражая более высокую точность оценки и стабильность модели. Соответствующие формулы следующие:

В этих формулах ŷᵢ представляет прогнозируемое значение для i-го образца, yᵢ обозначает фактическое значение для i-го образца, ȳ — среднее фактических значений образцов, а N указывает общее количество образцов.

3.1. Наблюдаемые динамические изменения САЛ технических томатов на разных стадиях роста

Траектория изменения САЛ в технических томатах на разных фазах роста показана на Рисунке 4. На стадии укоренения рассады медианное значение САЛ составляло 8,74, что указывает на относительно низкий уровень азота, так как культуры находились на начальных этапах развития и их корневые системы еще полностью не сформировались, ограничивая их способность к поглощению питательных веществ. По мере перехода растений к фазе начала цветения САЛ заметно повысился до 13,7, что свидетельствует о значительном увеличении потребности в азоте, совпадающем с дифференциацией цветочных почек и процессом цветения. На этом этапе культурам требовалось значительное количество азота для поддержки формирования и роста цветков. Впоследствии, в период пика цветения, значение САЛ дополнительно повысилось до 11,2. Хотя это было небольшое снижение по сравнению с фазой начала цветения, оно оставалось повышенным, отражая потребность в азоте, связанную с полным цветением и процессом опыления. По мере вступления растений в стадию завязывания плодов содержание в них азота снова выросло, достигнув пика в 15,2, что указывает на самую высокую потребность в азоте во время развития плодов. Эта стадия требовала значительного количества азота для обеспечения клеточного деления и быстрого роста. На стадии созревания содержание азота в листьях немного снизилось до 12,8, что отражает относительно более низкие потребности в азоте, хотя он все еще был необходим для поддержки полного созревания плодов и накопления питательных веществ. В целом, содержание азота в листьях технических томатов достигло своего апогея на стадии завязывания плодов, после чего снизилось по мере приближения растений к зрелости.

Рисунок 4. График изменений измеренного САЛ технических томатов на протяжении всего жизненного цикла.

3.2. Корреляционный анализ между измеренными значениями САЛ и мультиспектральными вегетационными индексами

Был проведен корреляционный анализ Пирсона между спектральными переменными и измеренными значениями САЛ технических томатов на пяти стадиях роста, как показано на Рисунке 5. Среди этих стадий период полного цветения показал наиболее высокую корреляцию спектральных индексов с САЛ на уровне значимости 0,01, с абсолютными значениями от 0,54 до 0,76. Примечательно, что NDCI показал самую сильную корреляцию — 0,75. На стадиях начала цветения и завязывания плодов NDCI также продемонстрировал более высокие корреляции на уровне 0,01 со значениями 0,73 и 0,70 соответственно. На стадии укоренения рассады RVI показал заметную корреляцию 0,64 на уровне 0,01. И наоборот, на стадии созревания большинство спектральных индексов, за исключением MTCI, TVI и SAVI, достигли уровней значимости, при этом NDCI снова показал самую высокую корреляцию — 0,60. В целом, большинство спектральных индексов показали значимые корреляции с САЛ на стадиях укоренения рассады и начала цветения (p < 0,01). Однако на стадии созревания, хотя некоторые индексы сохранили значимость, такие как VARI с корреляцией 0,16, общая сила корреляции заметно уменьшилась.

Рисунок 5. Корреляция спектральных переменных с измеренными значениями САЛ.

Чтобы снизить риск серьезной мультиколлинеарности или переобучения среди вегетационных индексов, используемых для моделирования, были отобраны данные периода полного цветения, который показал наиболее высокую корреляцию, для дальнейшего анализа. Пошаговый множественный линейный регрессионный анализ был проведен с использованием программного обеспечения SPSS 26.0 для этих переменных, с применением коэффициентов инфляции дисперсии (VIF) для обнаружения мультиколлинеарности среди вегетационных индексов. Этот подход эффективно уменьшил влияние избыточной информации, обеспечивая при этом независимость отобранных переменных и надежность модели. Результаты, представленные в Таблице 2, показали, что VIF для 10 входных параметров был меньше трех, что подтверждает отсутствие мультиколлинеарности среди этих вегетационных индексов. Следовательно, риск переобучения был существенно снижен.

Таблица 2. Результаты пошагового множественного линейного регрессионного анализа.

3.3. Сравнение эффективности моделирования САЛ технических томатов в разные периоды вегетации

На основе корреляционного анализа между спектральными переменными и САЛ было замечено, что коэффициенты корреляции для TVI и SAVI на различных стадиях роста стабильно были ниже 0,20, что указывает на отсутствие значимой взаимосвязи. Следовательно, для моделирования были отобраны следующие спектрально-чувствительные переменные: NDCI, NDRE, NPCI, RVI, NDVI, TCARI, VARI, RERDVI, MTCI и SIPI. Примечательно, что NDCI показал самую высокую корреляцию на стадии цветения, достигнув впечатляющих 0,75. В свете этого результата NDCI был выбран в качестве единственной переменной, наряду с вышеупомянутыми десятью чувствительными спектральными переменными, для построения трех различных моделей, а именно BP, МЛР и RF. Каждая модель была подвергнута проверке точности, чтобы определить наиболее оптимальную модель оценки.

3.3.1. Построение моделей оценки с использованием одной переменной

Результаты оценки САЛ с использованием индекса NDCI в качестве единственной переменной на разных стадиях роста, представленные в Таблице 3 и на Рисунках 6, 7 и 8, показывают, что среди трех моделей оценки модель RF продемонстрировала наиболее оптимальную производительность. В частности, на стадиях укоренения рассады и начала цветения объясняющая способность NDCI была относительно ограниченной, что привело к снижению стабильности модели и ограниченной эффективности оценки САЛ. Напротив, на стадии пика цветения NDCI проявил свою наиболее значительную прогностическую способность, при этом модель RF достигла R² 0,874, а также низких значений как RMSE, так и MAE. Это предполагает, что в период пика цветения физиологическая активность растений была на своем апогее, усиливая корреляцию между NDCI и содержанием азота в листьях, что дает наиболее точные прогнозы. Однако по мере перехода растений на стадии завязывания плодов и созревания наблюдалось заметное снижение прогностической эффективности модели. Значения R² на этапе проверки упали до 0,730 и 0,750, сопровождаясь значительным увеличением как RMSE, так и MAE. Это снижение производительности может быть связано с изменениями в потребностях растений в азоте на этих стадиях, так как растущие плоды оказывают сложное влияние на содержание азота в листьях, что усложняет прогностические способности модели.

Рисунок 6. Результаты оценки САЛ технических томатов методом RF на основе NDCI.

Рисунок 7. Результаты оценки САЛ технических томатов методом BP на основе NDCI.

Рисунок 8. Результаты оценки САЛ технических томатов методом МЛР на основе NDCI.

Таблица 3. Результаты оценки САЛ по индексу NDCI на разных стадиях вегетации.

3.3.2. Построение моделей оценки с использованием нескольких переменных

Результаты оценки САЛ с использованием различных индексов в качестве переменных на разных стадиях роста проиллюстрированы в Таблице 4 и на Рисунках 9, 10 и 11. На стадии укоренения рассады модель RF продемонстрировала наиболее превосходную производительность, со значениями R² 0,824 для обучающего набора и 0,825 для проверочного набора. На стадии начала цветения модель RF продолжала показывать хорошие результаты, достигнув значений R² 0,825 и 0,842 для обучающего и проверочного наборов соответственно. На стадии пика цветения модель МЛР превзошла модели BP и RF, достигнув значений R² 0,875 и 0,865 для обучающего и проверочного наборов соответственно. Эта фаза характеризовалась повышенной фотосинтетической активностью и значительными колебаниями САЛ, что позволило модели МЛР эффективно улавливать сложные взаимосвязи внутри данных. По мере продвижения растений на стадии завязывания плодов и созревания модель BP оказалась наиболее эффективной, со значениями R² 0,886 и 0,875 для обучающего набора, а также 0,810 и 0,827 для проверочного набора. В целом, очевидно, что эффективность различных моделей варьировала на протяжении различных периодов роста, причем модели, созданные на стадиях пика цветения и начала цветения, продемонстрировали наиболее надежные прогностические способности.

Рисунок 9. Результаты оценки САЛ технических томатов моделью RF на основе 10 вегетационных индексов.

Рисунок 10. Результаты оценки САЛ технических томатов моделью BP на основе 10 вегетационных индексов.

Рисунок 11. Результаты оценки САЛ технических томатов моделью МЛР на основе 10 вегетационных индексов.

Таблица 4. Результаты оценки САЛ с использованием 10 вегетационных индексов на разных стадиях вегетации.

Потребности технических томатов в азоте значительно различаются на пяти различных стадиях роста, и это различие напрямую влияет на их процессы развития. Эта взаимосвязь может быть эффективно отражена через содержание азота в их листьях [28, 29]. Основываясь на данных мониторинга за последние три года и предыдущих исследованиях [30], у технических томатов наблюдались как унимодальные, так и бимодальные паттерны. Вообще говоря, унимодальный паттерн указывает на концентрированное поступление питательных веществ, в то время как бимодальный паттерн предполагает наличие двух основных пиков распределения питательных веществ в период роста. Это явление было подтверждено на стадиях роста технических томатов в Синьцзяне, что указывает на изменение спроса и распределения питательных веществ на разных этапах роста, потенциально находящихся под влиянием различных факторов, таких как климат, почвенные условия и практика управления. Примечательно, что на стадии пика цветения дефицит азота наиболее распространен. Этот период требует азота не только для содействия переходу от крупных цветочных бутонов к формированию плодов, но и для обеспечения нормального роста стеблей и листьев растения [31]. Таким образом, обеспечение азотом на этой критической фазе необходимо для роста и развития томатов.

В данном исследовании оценивается взаимосвязь между спектральными индексами и САЛ листьев технических томатов на разных стадиях роста. По мере созревания растений технических томатов растительный покров постепенно увеличивается [32]. Результаты показывают заметные различия в корреляциях между спектральными индексами и САЛ на различных стадиях роста. На фазах укоренения рассады и начала цветения, когда растительный покров достигает 60%, несколько спектральных индексов (таких как NDRE, RVI и NDCI) демонстрируют сильную положительную корреляцию с САЛ, при этом коэффициенты корреляции превышают 0,6 (p < 0,01) [33]. Примечательно, что как RVI, так и NDVI показывают значимые корреляции с содержанием азота в листьях [34]. Эффективное поглощение азота важно для растений на ранних стадиях роста, и спектральные индексы могут эффективно отражать физиологическое состояние растительности. На стадии пика цветения, когда растительный покров достигает 60–80%, NDCI демонстрирует значимую положительную корреляцию с содержанием азота в листьях. На этом этапе потребность культуры в азоте заметно возрастает для поддержки развития органов цветка, что приводит к пику содержания азота в листьях. Эта значимая взаимосвязь указывает на тесную связь между содержанием азота в листьях и вегетационными индексами. Однако на стадиях завязывания плодов и созревания, когда растительный покров превышает 80%, корреляция между спектральными индексами и САЛ значительно снижается. В частности, VARI (0,16) и RERDVI (0,14) во время созревания демонстрируют заметно низкие корреляции. Это снижение может быть связано с явлением перенасыщения, которое происходит, когда покров переходит от значения ниже единицы к значению выше единицы, что приводит к снижению изменчивости или стагнации определенных вегетационных индексов [35]. Когда культуры достигают определенного порога роста, ограничения в почвенных питательных веществах или влаге могут препятствовать дальнейшему увеличению вегетационных индексов [36]. Более того, фокус роста технических томатов смещается в сторону созревания плодов, что приводит к переносу азота из листьев в плоды. Этот переход приводит к снижению содержания азота в листьях, старению листьев, деградации хлорофилла и уменьшению фотосинтетической способности, вызывая менее отзывчивую характеристику отражения и дополнительно уменьшая изменчивость вегетационных индексов [37]. Кроме того, наблюдается, что спектральные индексы, такие как SIPI и NPCI, демонстрируют отрицательные корреляции на более поздних стадиях, что может отражать снижение эффективности использования азота или ингибирование роста из-за недостаточного снабжения азотом [38, 39].

Путем сравнительного анализа производительности трех моделей (RF, BP и МЛР) в моделирующих и проверочных наборах с R² ≥ 0,8 на разных стадиях роста можно сделать несколько выводов. На фазах укоренения рассады и начала цветения относительно небольшой размер листьев растений и их ограниченная фотосинтетическая способность приводят к тому, что сигналы дистанционного зондирования находятся под преимущественным влиянием фона почвы [40, 41]. Модель случайного леса (RF), путем построения множества деревьев решений, эффективно выбирает ключевые признаки, снижает переобучение данных и улавливает влияние исходных значений фона почвы на спектральное отражение растительности. Кроме того, она умело моделирует нелинейную связь между сигналами дистанционного зондирования и фоном почвы. Ее надежность и стабильность гарантируют, что точные и достоверные прогнозы сохраняются даже в условиях значительного шума [42], что делает ее особенно подходящей для анализа сигналов дистанционного зондирования, на которых на этой стадии доминирует фон почвы. Более того, хотя повышение разрешения изображения может более точно улавливать тонкие различия между листьями растений и фоном, тем самым уменьшая помехи от фона почвы, это также создает проблемы, связанные с увеличением объема данных и сложности обработки. Таким образом, необходим всесторонний учет как технологических, так и ресурсных аспектов для обеспечения точности и практичности данных.

На стадии пика цветения рост растений достигает своего апогея, что приводит к усилению линейной связи между параметрами роста и данными дистанционного зондирования. Это позволяет множественной линейной регрессии (МЛР) эффективно улавливать корреляции переменных и повышать точность прогнозирования. Более того, сигналы дистанционного зондирования в этот период отчетливо выражены, характеризуются высоким растительным покровом и обильным содержанием хлорофилла, что обеспечивает четкие сигналы [43]. Кроме того, стабильные условия окружающей среды снижают помехи от внешнего шума, позволяя МЛР более точно улавливать связь между независимыми и зависимыми переменными. Это наблюдение согласуется с выводами Мэн и др. [44], которые успешно проводили мониторинг содержания азота в листьях томатов с использованием модели МЛР. Кроме того, на этой стадии модель случайного леса (RF), построенная с использованием нормализованного разностного азотного индекса (NDCI), может быстро отслеживать изменения содержания азота в листьях, что подтверждает исследование, проведенное Чжао и др. [45]. Таким образом, используя эти две методологии, можно достичь эффективной оценки состояния роста и уровня питательных веществ технических томатов в период пика цветения. На стадиях завязывания плодов и созревания, по мере постепенного созревания плодов растений, стебли и листья подвергаются сложному процессу старения и отмирания. Модель обратного распространения ошибки (BP) с ее мощными возможностями нелинейного моделирования, динамическим извлечением признаков, хорошей адаптируемостью и устойчивостью к помехам оказывается особенно подходящей для этой фазы, что согласуется с исследованием Ху и др. [46]. Нейронная сеть BP эффективно улавливает нелинейные взаимосвязи между различными факторами на протяжении процесса роста растений и использует многослойную структуру для извлечения и изучения динамических изменений признаков, сохраняя высокую прогностическую способность. Даже среди внешних возмущений она умело адаптируется для оптимизации моделирования и прогнозирования роста растений [47].

Более того, процесс роста технических томатов по своей сути сложен и подвержен влиянию множества факторов, таких как сорт, среда произрастания и климатические условия. Комплексный учет этих факторов повысит эффективность мониторинга содержания азота в листьях. Будущие исследования могут быть сосредоточены на нескольких следующих ключевых областях: (1) Получение данных: Использование гиперспектральных данных с большим количеством спектральных каналов может значительно повысить точность данных, предоставляя более точную информацию для мониторинга физиологического состояния сельскохозяйственных культур. (2) Мониторинг элементов питания: Хотя это исследование сосредоточено на мониторинге содержания азота в листьях технических томатов, будущие исследования должны быть направлены на расширение охвата, включив в него другие важные питательные вещества, такие как фосфор и калий. Это расширение облегчит формирование более целостного взгляда на питательный статус сельскохозяйственных культур, тем самым обеспечивая научную основу для разработки стратегий точного внесения удобрений. (3) Пространственное разрешение и интеграция дистанционного зондирования: Получая данные с различным пространственным разрешением и интегрируя их с технологией спутникового дистанционного зондирования, становится возможным мониторинг роста сельскохозяйственных культур и условий окружающей среды на более обширной географической территории. Эта кросс-масштабная способность мониторинга не только помогает понять временную и пространственную динамику роста сельскохозяйственных культур, но и предоставляет критически важные данные для оптимизации методов ведения сельского хозяйства и повышения производительности сельского хозяйства. Таким образом, будущие исследования могут предоставить более глубокие и всесторонние научные рекомендации в области управления сельскохозяйственными культурами и устойчивости сельского хозяйства.

Это исследование использует мультиспектральные изображения с беспилотных летательных аппаратов для мониторинга САЛ технических томатов на различных стадиях роста, что приводит к следующим выводам. В течение всего жизненного цикла содержание азота в САЛ технических томатов демонстрирует выраженные фазово-специфичные вариации, характеризующиеся отчетливым бимодальным паттерном. На ранних стадиях САЛ относительно низок, демонстрируя сильную положительную корреляцию с множеством спектральных индексов, таких как NDRE, RVI и NDCI. Это указывает на то, что поглощение азота на этих фазах является критическим, при этом растения демонстрируют существенную потребность в азоте. По мере продвижения стадий роста САЛ прогрессивно увеличивается, достигая пика в период завязывания плодов, когда корреляция между спектральными индексами и САЛ значительно снижается. Это предполагает, что на этих более поздних стадиях роста потребность в азоте уменьшается, и растения могут все больше полагаться на питательные вещества, накопленные на более ранних фазах. Путем сравнительного анализа различных моделей мониторинга, построенных на основе различных вегетационных индексов за весь период роста, очевидно, что на разных стадиях роста для практического мониторинга могут быть использованы разные методологии. Когда растительный покров технических томатов составляет от 60% до 80%, модель мониторинга RF, основанная на единственном вегетационном индексе NDCI, может быть эффективно использована для быстрой оценки содержания азота в листьях. И наоборот, когда растительный покров падает ниже 60% или превышает 80%, рекомендуется комбинированный подход с использованием нескольких вегетационных индексов и многомодельного комплексного анализа. Наиболее эффективная модель должна быть выбрана в качестве основного инструмента, а дополнительные модели могут быть использованы для проверки результатов, тем самым повышая надежность прогнозов.

В исследовании интеграции сельскохозяйственного производства и современных технологий выбор подходящих экспериментальных объектов и условий имеет первостепенное значение. Однако это исследование также сталкивается с несколькими ограничивающими факторами, которые могут повлиять на обобщаемость и точность экспериментальных результатов. Во-первых, сорт технических томатов, использованный в этом эксперименте — Tunhe 1911. Этот конкретный сорт демонстрирует уникальные характеристики роста, устойчивость к вредителям и болезням, а также эффективность фотосинтеза. Однако важно отметить, что разные сорта томатов могут значительно по-разному реагировать на изменения окружающей среды и технологические приложения. Следовательно, результаты этого исследования могут быть ограничены этим конкретным сортом и не обязательно могут быть распространены на другие сорта. Во-вторых, могут быть ограничения, присущие выбранным спектральным каналам для БПЛА, использованных в этом исследовании. Как важный инструмент в современном сельскохозяйственном мониторинге, датчики и выбранные спектральные каналы, установленные на БПЛА, напрямую влияют на эффективность процесса мониторинга. В этом исследовании выбранные спектральные каналы могут не полностью охватывать весь спектральный диапазон, который может влиять на рост технических томатов, особенно в сложных сельскохозяйственных условиях и при переменчивых погодных условиях, что потенциально может привести к смещениям в данных мониторинга. Более того, экологические различия в разных регионах представляют собой еще одно значительное ограничение этого исследования. Это исследование проводилось в засушливой и полузасушливой климатической зоне, где уникальные климатические условия могут оказывать специфическое влияние на рост технических томатов. Это ограничение сужает применимость результатов к другим климатическим контекстам, особенно в регионах с обильными водными ресурсами или более мягким климатом. Таким образом, эти ограничивающие факторы служат напоминанием о том, что при проведении сельскохозяйственных технологических экспериментов необходимо тщательно учитывать потенциальное влияние выбранных объектов, технологических решений и условий окружающей среды на результаты экспериментов. Этот тщательный подход имеет жизненно важное значение для повышения научной строгости исследований и применимости их выводов, в конечном итоге способствуя более научному, точному и эффективному подходу к управлению питательными веществами сельскохозяйственных культур.

1.    Qian, X.; Wang, S.Y.; Wang, X.J.; Xue, J.L.; Bao, F.J. Effects of drip irrigation with CO, aqueous solution onagronomic traits and yield of processing tomato. J. Zhejiang Agric. Sci. 2024, 65, 1037–1041. [Google Scholar] [CrossRef]

2.    Ronga, D.; Pentangelo, A.; Parisi, M. Optimizing N Fertilization to Improve Yield, Technological and Nutritional Quality of Tomato Grown in High Fertility Soil Conditions. Plants 2020, 9, 575. [Google Scholar] [CrossRef] [PubMed]

3.    Soto, F.; Gallardo, M.; Thompson, R.B.; Peña-Fleitas, M.T.; Padilla, F.M. Consideration of total available N supply reduces N fertilizer requirement and potential for nitrate leaching loss in tomato production. Agric. Ecosyst. Environ. 2015, 200, 62–70. [Google Scholar] [CrossRef]

4.    Zhang, F.; Liu, Y.; Liang, Y.; Dai, Z.; Zhao, Y.; Shi, Y.; Gao, J.; Hou, L.; Zhang, Y.; Ahammed, G.J. Improving the Yield and Quality of Tomato by Using Organic Fertilizer and Silicon Compared to Reducing Chemical Nitrogen Fertilization. Agronomy 2024, 14, 966. [Google Scholar] [CrossRef]

5.    Yang, F.; Tian, J.; Meersmans, J.; Fang, H.; Yang, H.; Lou, Y.; Li, Z.; Liu, K.; Zhou, Y.; Blagodatskaya, E.; et al. Functional soil organic matter fractions in response to long-term fertilization in upland and paddy systems in South China. CATENA 2017, 162, 270–277. [Google Scholar] [CrossRef]

6.    Zhang, K.; Wei, H.; Chai, Q.; Li, L.; Wang, Y.; Sun, J. Biological soil conditioner with reduced rates of chemical fertilization improves soil functionality and enhances rice production in vegetable-rice rotation. Appl. Soil Ecol. 2023, 195, 105242. [Google Scholar] [CrossRef]

7.    Bustamante, S.C.; Hartz, T.K. Nitrogen Management in Organic Processing Tomato Production: Nitrogen Sufficiency Prediction Through Early-season Soil and Plant Monitoring. HortScience 2019, 50, 1055–1063. [Google Scholar] [CrossRef]

8.    Lee, H.; Wang, J.; Leblon, B. Using Linear Regression, Random Forests, and Support Vector Machine with Unmanned Aerial Vehicle Multispectral Images to Predict Canopy Nitrogen Weight in Corn. Remote Sens. 2020, 12, 2071. [Google Scholar] [CrossRef]

9.    Lu, N.; Wang, W.; Zhang, Q.; Li, D.; Yao, X.; Tian, Y.; Zhu, Y.; Cao, W.; Baret, F.; Liu, S.; et al. Estimation of Nitrogen Nutrition Status in Winter Wheat From Unmanned Aerial Vehicle Based Multi-Angular Multispectral Imagery. Front. Plant Sci. 2019, 10, 1601. [Google Scholar] [CrossRef]

10. Wang, S.W.; Niu, Y.X.; Ma, X.Y.; Chen, S.L.; Amani, N.; Feng, J. Prediction Model for Nitrogen Content of Rice Leaves during Heading Stage in Cold Region Based on Hyperspectrum. J. Agric. Mech. Res. 2019, 41, 158–164. [Google Scholar] [CrossRef]

11. Liu, H.; Zhu, H.; Wang, P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyperspectral data. Int. J. Remote Sens. 2016, 38, 2117–2134. [Google Scholar] [CrossRef]

12. Li, Y.N. A tomato’s Path to Industrialization. People’s Daily, 23 September 2024; 010. [Google Scholar]

13. Shan, C.F.; Lan, Y.B.; Wang, J.; Liu, Q.; Zhao, D.; Lu, W.X. Method for Measuring Nitrogen Content in Crops and Precise Nitrogen Application. J. Agric. Mech. Res. 2021, 43, 146–150. [Google Scholar] [CrossRef]

14. Ranjan, R.; Chopra, U.K.; Sahoo, R.N.; Singh, A.K.; Pradhan, S. Assessment of plant nitrogen stress in wheat (Triticum aestivum L.) through hyperspectral indices. Int. J. Remote Sens. 2012, 33, 6342–6360. [Google Scholar] [CrossRef]

15. Rodriguez, D.; Fitzgerald, G.J.; Belford, R.; Christensen, L.K. Detection of nitrogen deficiency in wheat from spectral reflectance indices and basic crop eco-physiological concepts. Aust. J. Agric. Res. 2006, 57, 781–789. [Google Scholar] [CrossRef]

16. Verrelst, J.; Schaepman, M.E.; Koetz, B.; Kneubühler, M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data. Remote Sens. Environ. 2008, 112, 2341–2353. [Google Scholar] [CrossRef]

17. Han, L.; Yang, G.; Dai, H.; Xu, B.; Yang, H.; Feng, H.; Li, Z.; Yang, X. Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data. Plant Methods 2019, 15, 10. [Google Scholar] [CrossRef]

18. Broge, N.H.; Leblanc, E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 2001, 76, 156–172. [Google Scholar] [CrossRef]

19. Fieuzal, R.; Marais Sicre, C.; Baup, F. Estimation of corn yield using multi-temporal optical and radar satellite data and artificial neural networks. Int. J. Appl. Earth Obs. Geoinf. 2016, 57, 14–23. [Google Scholar] [CrossRef]

20. Haboudane, D.; Miller, J.R.; Tremblay, N.; Zarco-Tejada, P.J.; Dextraze, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 2002, 81, 416–426. [Google Scholar] [CrossRef]

21. Gitelson, A.A.; Kaufman, Y.J.; Stark, R.; Rundquist, D. Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 2002, 80, 76–87. [Google Scholar] [CrossRef]

22. Gitelson, A.A.; Kaufman, Y.J.; Merzlyak, M.N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens. Environ. 1996, 58, 289–298. [Google Scholar] [CrossRef]

23. Huete, A.R. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 1988, 25, 295–309. [Google Scholar] [CrossRef]

24. Dash, J.; Curran, P.J. The MERIS terrestrial chlorophyll index. Int. J. Remote Sens. 2004, 25, 5403–5413. [Google Scholar] [CrossRef]

25. Penuelas, J.; Filella, I.; Lloret, P.; Munoz, F.; Vilajeliu, M. Reflectance assessment of mite effects on apple trees. Int. J. Remote Sens. 1995, 16, 2727–2733. [Google Scholar] [CrossRef]

26. Yang, X.; Li, G.; Luo, W.; Chen, L.; Li, S.; Cao, M.; Zhang, X. Quantifying the Relationship between Leaf Nitrogen Content and Growth Dynamics and Yield of Muskmelon Grown in Plastic Greenhouse. HortScience 2015, 50, 1677–1687. [Google Scholar] [CrossRef]

27. Willmott, C.J.; Matsuura, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim. Res. 2005, 30, 79–82. [Google Scholar] [CrossRef]

28. Pourdarbani, R.; Sabzi, S.; Rohban, M.H.; García-Mateos, G.; Arribas, J.I. Nondestructive nitrogen content estimation in tomato plant leaves by Vis-NIR hyperspectral imaging and regression data models. Appl. Opt. 2021, 60, 9560–9569. [Google Scholar] [CrossRef]

29. Ulissi, V.; Antonucci, F.; Benincasa, P.; Farneselli, M.; Tosti, G.; Guiducci, M.; Tei, F.; Costa, C.; Pallottino, F.; Pari, L.; et al. Nitrogen Concentration Estimation in Tomato Leaves by VIS-NIR Non-Destructive Spectroscopy. Sensors 2011, 11, 6411. [Google Scholar] [CrossRef]

30. Tang, M.Y.; Zhang, Y.; Hu, G.Z.; Li, Q.J. Diagnostic Study of Nitrogen Fertilizer Use and Nitrogen Nutritional Status in Processing Tomatoes. Soil Fertil. Sci. China 2015, 4, 82–87. [Google Scholar]

31. Carrizo García, C.; Guarnieri, M.; Pacini, E. Soluble carbohydrates content in tomato pollen and its variations along and between blooming periods. Sci. Hortic. 2010, 125, 524–527. [Google Scholar] [CrossRef]

32. Zou, W.J.; Hua, S.; Xu, Z.F.; Xu, M.J.; Li, S.W.; Bao, W.N. Study on Estimation Method of Canopy Coverage for Facility Tomato Based on RGB Images. North. Hortic. 2024, 3, 41–50. [Google Scholar]

33. Li, H.; Li, D.; Xu, K.; Cao, W.; Jiang, X.; Ni, J. Monitoring of Nitrogen Indices in Wheat Leaves Based on the Integration of Spectral and Canopy Structure Information. Agronomy 2022, 12, 833. [Google Scholar] [CrossRef]

34. Oliveira, T.C.d.; Ferreira, E.; Dantas, A.A.A. Temporal variation of normalized difference vegetation index (NDVI) and calculation of the crop coefficient (Kc) from NDVI in areas cultivated with irrigated soybean. Ciência Rural 2016, 46, 1683–1688. [Google Scholar] [CrossRef][Green Version]

35. Yanto, B.; Kartawidjaja, M.A.; Sukwadi, R.; Bachtiar, M. Implementation of hue saturation intensity (hsi) color space transformation algorithm with red, green, blue (rgb) color brightness in assessing tomato fruit maturity. RJOCS Riau J. Comput. Sci. 2023, 9, 167–178. [Google Scholar] [CrossRef]

36. Marino, S.; Alvino, A. Proximal sensing and vegetation indices for site-specific evaluation on an irrigated crop tomato. Eur. J. Remote Sens. 2014, 47, 271–283. [Google Scholar] [CrossRef]

37. Gamon, J.A.; Field, C.B.; Goulden, M.L.; Griffin, K.L.; Hartley, A.E.; Joel, G.; Penuelas, J.; Valentini, R.J. Relationships between NDVI, canopy structure, and photosynthesis in three Californian vegetation types. Ecol. Appl. 1995, 5, 28–41. [Google Scholar] [CrossRef]

38. Boussadia, O.; Steppe, K.; Van Labeke, M.C.; Lemeur, R.; Braham, M. Effects of Nitrogen Deficiency on Leaf Chlorophyll Fluorescence Parameters in Two Olive Tree Cultivars ‘Meski’ and ‘Koroneiki’. J. Plant Nutr. 2015, 38, 2230–2246. [Google Scholar] [CrossRef]

39. Zeng, J.; Sheng, H.; Liu, Y.; Wang, Y.; Wang, Y.; Kang, H.; Fan, X.; Sha, L.; Yuan, S.; Zhou, Y. High Nitrogen Supply Induces Physiological Responsiveness to Long Photoperiod in Barley. Front. Plant Sci. 2017, 8, 569. [Google Scholar] [CrossRef]

40. Halliday, K.J.; Martínez-García, J.F.; Josse, E.-M. Integration of light and auxin signaling. Cold Spring Harb. Perspect. Biol. 2009, 1, a001586. [Google Scholar] [CrossRef]

41. Iglesias, M.J.; Sellaro, R.; Zurbriggen, M.D.; Casal, J.J. Multiple links between shade avoidance and auxin networks. J. Exp. Bot. 2017, 69, 213–228. [Google Scholar] [CrossRef]

42. Waske, B.; Heinzel, V.; Braun, M.; Menz, G. Random forests for classifying multi-temporal sar data. In Proceedings of the Proc.‘Envisat Symposium, Montreux, Switzerland, 23–27 April 2007; pp. 23–27. [Google Scholar]

43. Zhou, Q.; Ismaeel, A. Integration of maximum crop response with machine learning regression model to timely estimate crop yield. Geo-Spat. Inf. Sci. 2021, 24, 474–483. [Google Scholar] [CrossRef]

44. Meng, L.; Zhang, J.; Yang, T.; Wu, L.-g. Study on the visual distribution of tomato leaf chlorophyll content based on hyperspectral imaging technology. Hubei Agric. Sci. 2022, 61, 171. [Google Scholar]

45. Zhao, R.-j.; Li, M.-z.; Yang, C.; Yang, W.; Sun, H. The canopy and leaf spectral characteristics and nutrition diagnosis of tomato in greenhouse. Guang Pu Xue Yu Guang Pu Fen Xi = Guang Pu 2010, 30, 3103–3106. [Google Scholar] [PubMed]

46. Hu, J.; Xin, P.; Zhang, S.; Zhang, H.; He, D. Model for tomato photosynthetic rate based on neural network with genetic algorithm. Int. J. Agric. Biol. Eng. 2019, 12, 179–185. [Google Scholar] [CrossRef]

47. Xing, H.H.; Lin, H.Y. An intelligent method optimizing BP neural network model. Adv. Mater. Res. 2013, 605, 2470–2474. [Google Scholar] [CrossRef]

Zhang H, Zhang L, Wu H, Wang D, Ma X, Shao Y, Jiang M, Chen X. Unmanned-Aerial-Vehicle-Based Multispectral Monitoring of Nitrogen Content in Canopy Leaves of Processed Tomatoes. Agriculture. 2025; 15(3):309. https://doi.org/10.3390/agriculture15030309

Перевод статьи «Unmanned-Aerial-Vehicle-Based Multispectral Monitoring of Nitrogen Content in Canopy Leaves of Processed Tomatoes» авторов Zhang H, Zhang L, Wu H, Wang D, Ma X, Shao Y, Jiang M, Chen X., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык