Применение БПЛА и спутников для оценки степени поражения авокадо корневой гнилью

Производство авокадо сталкивается с серьезной глобальной угрозой в виде корневой гнили, вызываемой фитофторой (PRR). Когда деревья поражаются PRR, состояние их кроны ухудшается, что негативно сказывается на урожайности. Для эффективного применения лечебных стратегий необходимо выявлять, оценивать и локализовать зараженные деревья в поле. 

В настоящее время коммерчески признанный метод определения степени тяжести PRR по состоянию кроны заключается в визуальной оценке с использованием шкалы ранжирования «Ciba-Geigy». Эта шкала включает числовую систему ранжирования степени поражения, основанную на визуальном подходе, выполняемом обученным персоналом. Однако отслеживание здоровья деревьев с помощью визуальных оценок — это трудоемкий процесс, сопряженный с практическими трудностями, обусловленными постепенными визуальными изменениями, пространственной неоднородностью и размерами садов. Чтобы преодолеть эти ограничения, предлагается интеграция методов дистанционного зондирования (ДЗ) в качестве жизнеспособной альтернативы визуальному ранжированию степени поражения. Был проведен полевой эксперимент на двух участках авокадо для изучения влияния пространственного разрешения, фенологических стадий и состояния кроны на картирование степени тяжести PRR. Результаты этого исследования показали, что методы управления кроной оказывают выраженное влияние на определение степени поражения с помощью методов дистанционного зондирования, и что эти методы могут использоваться как альтернатива визуальным оценкам. Кроме того, пространственное разрешение снимков оказалось значимым фактором: оно улучшало оценку степени поражения при включении в анализ более детальных пространственных данных. В наиболее благоприятном сценарии был достигнут коэффициент детерминации R², равный 0,80. Резюмируя, подходы с использованием дистанционного зондирования могут предоставить ценную информацию для снижения воздействия PRR на производство авокадо. Однако для создания надежного метода, пригодного для обоснованного принятия решений, необходимо тщательно учитывать характеристики изображений и конкретное состояние крон. Тем не менее, результаты являются многообещающими и открывают возможности для дальнейшего исследования методов ДЗ как субъективного и эффективного средства ранжирования степени тяжести PRR.

Болезни авокадо негативно влияют на продуктивность и со временем могут привести к гибели деревьев. Корневая гниль, вызываемая фитофторой (PRR), является глобально значимым заболеванием с широким спектром растений-хозяев, поражающим почти 5000 видов растений (Haagsma et al., 2020). Она считается основной угрозой для производства авокадо во всем мире (Erwin and Ribeiro, 1996). PRR — это болезнь, передающаяся через почву и вызываемая оомицетом Phytophthora cinnamomi, который поражает корни в основном в условиях теплой и влажной почвы. У взрослых растений патоген вызывает чрезмерное образование плодов низкого веса, что наносит вред урожайности (Ramírez-Gil et al., 2017). Известно, что патоген атакует деревья, разрушая их мелкие всасывающие корешки. Эти корни становятся ломкими и в конечном итоге могут отмирать, оставляя дерево с низкой способностью поглощать питательные вещества и воду. В экстремальных случаях деревья, зараженные PRR, превращаются в голый каркас отмирающих ветвей (Pegg et al., 2002; García-Pineda et al., 2010). У деревьев авокадо, пораженных PRR, характерно ухудшается состояние кроны, что приводит к появлению более мелких увядших листьев с коричневыми кончиками бледно-зеленого цвета (Marais et al., 2002).

После выявления PRR у производителей есть возможность внедрять лечебные стратегии, которые сочетают агротехнические методы с химическим контролем (Eskalen et al., 2017). Наиболее используемый метод химического контроля включает обработку фосфонатами (Salgadoe et al., 2018). Применение фосфонатов наиболее эффективно при профилактическом использовании или на ранней стадии ухудшения состояния дерева. Следовательно, учитывая агрессивный и разрушительный характер заболевания, производители часто вносят фосфонаты профилактически на ежегодной основе. Однако этот профилактический подход может привести к ненужным расходам и распределению ресурсов, если дерево не заражено значительно. В результате некоторые производители предпочитают проводить визуальную оценку здоровья кроны. Это позволяет им принимать обоснованные решения о необходимости применения фосфонатов и использовать химический контроль только при необходимости.

В настоящее время коммерчески признанный метод оценки степени тяжести PRR по состоянию кроны заключается в визуальной оценке с использованием шкалы ранжирования «Ciba-Geigy». Эта визуальная шкала ранжирования включает числовую систему ранжирования степени поражения, которая главным образом оценивает пористость кроны, цвет листьев и отмирание ветвей, и проводится обученным персоналом (Darvas et al., 1984; Nutter et al., 2006). Однако отслеживание изменений в здоровье деревьев из-за инфекций PRR с помощью визуальных оценок — это трудоемкий процесс, который может оказаться исключительно сложным на практике. Эта сложность возникает из-за постепенного характера визуальных изменений, пространственной неоднородности внутри садов и значительных площадей земли, требующих мониторинга (Garza et al., 2020). Salgadoe et al. (2018) подчеркнули, что, несмотря на его широкое использование, визуальная оценка здоровья деревьев неэффективна с точки зрения затрат времени, труда и средств. Mahlein (2016) дополнительно подчеркивает, что такие методы визуальной оценки требуют участия опытных специалистов с хорошо развитыми навыками диагностики и обнаружения болезней и, таким образом, создают потенциальную возможность для человеческой предвзятости. Кроме того, оценки требуют привлечения обученных экспертов для обеспечения сопоставимости наблюдений в разных садах и вегетационных сезонах, что дополнительно увеличивает потенциал человеческой предвзятости.

В контексте применения фосфонатов их профилактическое использование требует точного выбора времени, обычно сразу после сбора урожая и во время летнего прироста корней, когда прирост листьев уже огрубел. Это усложняет процесс, особенно при работе с обширными гектарами, которые могут требовать обработки фосфонатами. Это может привести к ограничениям и сложностям, связанным со временем и рабочей силой. Поэтому возникает потребность в объективном и эффективном методе, характеризующемся высокой чувствительностью и надежностью для улучшения обнаружения степени тяжести заболевания PRR в кронах деревьев авокадо.

Методы, основанные на дистанционном зондировании, предлагают альтернативу визуальному осмотру человека для обнаружения болезней, предоставляя заметные преимущества для управления инфекциями PRR в садах авокадо (например, Abdulridha et al., 2018; Salgadoe et al., 2018). Эти методы облегчают быстрое покрытие больших площадей, способствуя более быстрому и обоснованному принятию управленческих решений относительно обработок фосфонатами. Среди этих дистанционных датчиков оптические датчики, измеряющие отражение, стали весьма перспективными инструментами (Chaerle and van der Straeten, 2000; West and Bravo, 2003; Sankaran et al., 2010; Mahlein et al., 2012). Датчики, основанные на отражении, могут обнаруживать изменения в структуре листьев и пигментах растений, вызванные патогенами и болезнями растений. Эти датчики устанавливаются на различных платформах, которые подразделяются на три основные категории: космические (спутники), воздушные (самолеты и беспилотные летательные аппараты (БПЛА)) и наземные (проксимальное зондирование). Аэральное (космическое и воздушное) дистанционное зондирование (ДЗ) в последнее время набирает популярность в приложениях для обнаружения болезней растений, при этом наибольшее внимание до сих пор уделяется датчикам красного, зеленого и синего (RGB) и спектральным (мульти- и гиперспектральным) датчикам (Mahlein, 2016).

RGB и мультиспектральные (MS) изображения, полученные с аэральных платформ с разным разрешением, показали свою эффективность в обнаружении различных симптомов болезней и состояния здоровья на нескольких плодовых культурах на уровне сада или фермы. Примеры включают банановые растения (Selvaraj et al., 2020), макадамию (Johansen et al., 2020), оливки (Hornero et al., 2020), авокадо (De Castro et al., 2015; Salgadoe et al., 2018; Pérez-Bueno et al., 2019; Tu et al., 2019) и цитрусовые (Kumar et al., 2010; Li et al., 2012; Garcia-Ruiz et al., 2013; Chang et al., 2020; Garza et al., 2020). Однако большинство этих исследований были сосредоточены на фиксированных/одинаковых состояниях кроны в течение короткого/одного временного диапазона, часто пренебрегая фенологическими аспектами.

Что касается деревьев авокадо, предыдущие исследования не учитывали состояние кроны и влияние управления садом. Эти исследования в основном сосредоточены на отдельных садах с краткосрочными или без временных аспектов для обнаружения болезней или оценки состояния кроны на уровне сада или фермы. Кроме того, хотя несколько платформ (т.е. одна платформа или проксимальная в сочетании со спутниковыми снимками) были исследованы на других культурах, комбинированное использование снимков БПЛА и спутников остается неизученным на авокадо.

В этом контексте данное исследование направлено на изучение различных методов ДЗ для картирования степени тяжести PRR в садах авокадо, учитывая комбинацию и взаимодействие трех важных факторов: i) пространственное разрешение (спутник и БПЛА); ii) мультивременной подход (фенологические периоды); и iii) состояние кроны (тип и интенсивность обрезки). Методы ДЗ представляли собой две различные платформы: БПЛА (RGB и MS снимки) и спутники (MS снимки). Спектральные свойства целевых деревьев были извлечены из каждого метода за четыре периода и сравнены с коммерческим визуальным методом оценки степени тяжести, шкалой ранжирования «Ciba Geigy», с помощью линейной регрессии. Проводя это исследование, данная работа вносит вклад в лучшее понимание использования методов ДЗ как альтернативы человеческому зрению при обнаружении PRR в садах авокадо.

2.1 Экспериментальные участки

Исследование было проведено на двух коммерческих фермах по выращиванию авокадо, ZZ2 и Westfalia Fruit, расположенных в районе Цанеен провинции Лимпопо, Северная Южная Африка (Рисунок 1A). Эта местность классифицируется как имеющая влажный субтропический климат с муссонным влиянием (Региональная погода и климат Южной Африки, 2023). Для этого исследования были выбраны отдельные сады, зараженные PRR, на каждой ферме. Эти сады имели одинаковые сорта, подвои и год посадки, но различались по методам управления кроной (Таблица 1). Отбор был основан на предыдущих внутренних и академических исследовательских проектах, проведенных совместно с владельцами и управляющими ферм (McLeod et al., 2018). Кроме того, был проведен анализ скрининга на основе ДЗ снимков Sentinel-2A (S2A) для оценки внутриблочных изменений жизненной силы, выраженных как нормализованный разностный вегетационный индекс (NDVI) (Рисунки 1B, C), и для дальнейшего определения области исследования. Более того, этот скрининговый анализ гарантировал, что в выбранных блоках сада проявлялась изменчивость степени тяжести. Одним из основных симптомов PRR является прогрессирующее отмирание побегов и ветвей, которое обнаруживается с помощью анализа NDVI. Сады с различными методами управления кроной были выбраны для создания более «реалистичного» представления данных, поскольку разные фермы/компании часто внедряют разные методы.

Рисунок 1  Расположение исследовательских блоков с использованием снимков Google Earth (A). Пример анализа скрининга на основе ДЗ, использованного для отбора блоков (A, B). Нормализованный разностный вегетационный индекс (NDVI), полученный спутником S2A (май 2020 г.) (B) Блок –1 – Gigas (управляется ZZ2) (C) Блок –2 – McNoon Estate (управляется Westfalia Fruit).

Таблица 1 Характеристики блоков, выбранных в этом исследовании.

2.2 Отбор целевых деревьев и геолокация

Были выбраны исследовательские блоки, содержащие от 13 до 17 рядов деревьев площадью ±1,18 гектара (га) для блока, управляемого ZZ2 (блок 1), и ±1,85 га для блока, управляемого Westfalia Fruit (блок 2). Целевые деревья были отобраны двумя опытными специалистами из ZZ2 и Westfalia Fruit, полагаясь на визуальные оценки с использованием шкалы ранжирования «Ciba-Geigy». Для этого исследования было отобрано в общей сложности 69 деревьев: 34 дерева в блоке 1 и 35 деревьев в блоке 2. Чтобы обеспечить наличие изменчивости в наборе данных о деревьях, были отобраны целевые деревья, проявляющие разную степень ухудшения состояния кроны, с безразмерными значениями от 0 до 8. Кроме того, местоположения целевых деревьев были зафиксированы с помощью GPS-ровера, и их координаты были сохранены в системе отсчета WGS-84. Положения деревьев измерялись в середине рядов, перпендикулярно деревьям. Точность этих положений имеет первостепенное значение из-за мультивременного аспекта этого исследования и необходимости точной интеграции по используемым методам ДЗ.

2.3 Сбор данных

Эталонные измерения, снимки БПЛА и спутниковые снимки были получены в течение 10 месяцев, с мая 2021 года по февраль 2022 года, охватывая четыре различных фенологических периода. Рисунок 2 суммирует весь процесс, использованный в этом исследовании. Он включает сбор данных с различных платформ/методов ДЗ и этапы обработки для получения качественных результатов, на основе которых был проведен анализ. Снимки были получены с платформ БПЛА и спутников, а затем был проведен анализ изображений.

Рисунок 2 Блок-схема сбора данных и анализа.

2.4 Эталонные измерения – оценки степени тяжести

Визуальные оценки целевых деревьев в каждом блоке проводились с использованием шкалы «Ciba-Geigy» для каждого периода (Darvas et al., 1984). Чтобы обеспечить согласованность внутри оценок, визуальные оценки проводились одними и теми же двумя специалистами на протяжении всего эксперимента.

2.5 Снимки БПЛА – MS и RGB

Изображения обоих блоков были получены в каждый из четырех периодов сбора данных с использованием мультиротора DJI Phantom 4 Pro (DJI, Шэньчжэнь, Китай). Мультиротор был оснащен 16-битной RGB-камерой (модель FC6310) и 12-битной мультиспектральной камерой RedEdge™ 3 (MicaSense Inc., Сиэтл, США). Камера RedEdge™ 3 регистрировала спектральную информацию в синем [B] (465 – 475 нм); зеленом [G] (550 – 570 нм); красном [R] (663 – 673 нм); красном ребре [RE] (716 – 722 нм) и ближнем инфракрасном [NIR] (820 – 860 нм) диапазонах. Обе камеры были стабилизированы по тангажу, крену и рысканию трехосным подвесом. Чтобы обеспечить полное покрытие площадей, БПЛА управлялся автономно по предварительно запрограммированным траекториям полета с параметрами, показанными в Таблице 2, установленными в приложении DroneDeploy (Калифорния, США). Полеты проводились как можно ближе к солнечному полудню, чтобы избежать теней, и БПЛА летел по траектории полета вдоль рядов деревьев.

Таблица 2 Параметры планирования полетов на исследуемых участках.

AGL — высота над уровнем земли; SAST — южноафриканское стандартное время; RGB — красный, зеленый, синий; MS — мультиспектральный.

Полевые маркеры были размещены в середине рядов (в точках GPS) рядом с целевыми деревьями для идентификации целевых деревьев, и панель отражения была сфотографирована непосредственно перед каждым полетом на соответствующих участках для радиометрической калибровки. Ортомозаики были созданы для наборов данных RGB (камера DJI) и MS (камера RedEdge™ 3), а также RGB-цифровые модели рельефа (DEM) и MS-DEM для каждого полета были построены с использованием Agisoft Metashape версии 1.7.6 (Agisoft LLC., Санкт-Петербург, Россия) в соответствии со стандартным фотограмметрическим конвейером Agisoft, который создает плотные облака точек Structure-from-Motion (SfM). Встроенный GPS на БПЛА обеспечивал достаточную геолокацию; поэтому изображения не были геометрически откалиброваны в Agisoft. Перед обработкой все фотографии были визуально оценены для обеспечения качества. DEM достигли разрешения 2,0 < 7,0 см/пиксель для всех 16 наборов данных (8 x RGB-DEM, 8 x MS-DEM), а ортомозаики достигли разрешения 1,0 < 4,0 см/пиксель для всех 16 наборов данных (8 x RGB, 8 x MS ортомозаик). Эти результаты, поддерживающие уровень точности 5,0 см, считаются достаточными для целей точного земледелия (Candiago et al., 2015). После завершения DEM-снимки были экспортированы как файлы GeoTIFF, а ортомозаики были экспортированы в формате JPEG с сохранением каналов B, G, R, RE и NIR для анализа.

После создания ортомозаик и DEM для участков отдельные целевые деревья были вырезаны из исходных изображений с использованием QGIS. Эти отдельные изображения были сохранены в формате tiff и использованы для последующего анализа. Размер вырезанных изображений определялся расстоянием между рядами и деревьями, размером кроны и степенью перекрытия крон. Размеры отдельных изображений для блока 1 составляли 7,0 м на 5,0 м, а для блока 2 — 8,5 м на 4,0 м. Эти размеры были уже, потому что деревья росли переплетенными, и исследователи старались не включать соседние деревья в изображение. Кроме того, они были длиннее, чтобы вместить более крупные кроны и более широкие междурядья.

Радиометрическая калибровка была выполнена на MS-снимках в Agisoft Metashape версии 1.7.6 (Agisoft LLC., Санкт-Петербург, Россия) как часть рабочего процесса перед обработкой ортомозаик. Программное обеспечение использовало изображения белой радиометрической панели и предварительно определенные калибровочные значения панели (полученные от MicaSense) для преобразования исходных значений датчика в значения отражения.

2.6 Спутниковые снимки – MS

Спутниковые снимки высокого разрешения (0,50 – 0,75 м) были получены от сторонних поставщиков (Maxar Technologies и GEO Data Design (Pty) LTD). Эти снимки поставлялись предварительно геопривязанными и прошли радиометрическую коррекцию. Снимки высокого разрешения обычно имеют короткое время повторного посещения, поэтому снимки были получены с датами съемки как можно ближе к датам сбора данных БПЛА (Таблица 3).

Таблица 3 Сводка собранных снимков.

Спутниковые снимки среднего разрешения (10 м) Sentinel-2B (S2B) были получены из Европейского космического агентства (ESA) Copernicus Open Access Hub (https://scihub.copernicus.eu/dhus/#/home). Безоблачные L1C (Level-1C), орторектифицированные снимки, выраженные в отражении на верхней границе атмосферы (TOA), были загружены и подвергнуты атмосферной коррекции для создания Level-2C с использованием Sen2Cor (версия 2.5.5, ESA, Париж, Франция) в платформе спутниковых приложений SNAP (версия 9.0.0, ESA, Париж, Франция) с параметрами по умолчанию. Снимки не фильтровались по облачности, поскольку над исследуемыми районами не было облаков, и снимки не были передискретизированы. Наконец, каналы с разрешением 10 м 2, 3, 4 и 8 (соответственно B, G, R и NIR) были экспортированы в формате GeoTIFF как одно изображение. Отдельные деревья были вырезаны из всех исходных изображений с использованием того же метода, что описан выше.

2.7 Анализ данных – выходные данные снимков БПЛА и спутников

2.7.1 Определение проективного покрытия растений (fcover) по снимкам БПЛА-RGB

Расчет проективного покрытия растений (fcover) выполнялся с использованием DEM, полученных из снимков БПЛА-RGB. Эти DEM позволяли определить протяженность кроны, учитывая все точки выше определенного порога высоты и игнорируя точки ниже. Используя отдельные DEM в качестве масок и задавая предварительно определенный порог высоты в качестве входных данных, fcover было рассчитано для каждого отдельного изображения с использованием кода MATLAB (версия 9.11.0.1809720 (R2021b) Update 1, MathWorks, США) и экспортировано в процентах. Порог высоты основывался на высоте/альтитуде и определялся путем измерения разницы высот между землей и самой низкой частью дерева. Впоследствии fcover было сопоставлено с оценками ранжирования «Ciba-Geigy», чтобы определить, существует ли взаимосвязь между fcover и степенью тяжести.

2.7.2 Вегетационные индексы

2.7.2.1 Определение вегетационных индексов по снимкам БПЛА-MS

MS-снимки были использованы для расчета вегетационных индексов (VI). Выбранные VI были определены на основе пяти спектральных каналов, полученных датчиком, и соответствующей литературы (Таблица A1 в Приложении A). DEM из MS-снимков использовались в качестве масок для той же цели маскирования, что упомянуто выше. Отдельные изображения деревьев были проанализированы с использованием кода MATLAB, который рассчитывал среднее значение отражения для каждого канала, и на основе этих средних значений было рассчитано в общей сложности 45 VI с использованием каналов B, G, R, RE и NIR. Полный список VI, использованных в этом исследовании, представлен в Приложении A (Таблица A1).

2.7.2.2 Определение вегетационных индексов по спутниковым снимкам – высокого и среднего разрешения

Спутниковые снимки высокого и среднего разрешения отдельных деревьев были использованы для расчета 27 VI, которые использовали каналы B, G, R и NIR. Для снимков среднего разрешения (S2B) значения отражения одного канала для каждого дерева были извлечены с использованием плагина «Point Sampling Tool» в QGIS (версия 3.20.2 Odense, Команда разработчиков QGIS). Эти извлечения были выполнены в точных точках GPS, отмеченных в поле, для извлечения среднего значения отражения соответствующего канала. Перед расчетом VI цифровые значения (DN) S2B были разделены на 1000 для получения отражения в диапазоне от 0 до 1. «Point Sampling Tool» использовался из-за большого размера пикселя (разрешение 10 м), что делало использование обрезающего полигона ненужным. Для снимков высокого разрешения использовался метод обрезки, описанный ранее, для извлечения отдельных деревьев из исходных растров в QGIS. Впоследствии к каждому отдельному растру дерева применялась «zonal statistics», рассчитывающая среднее значение отражения для соответствующего канала. Чтобы избежать включения элементов, не относящихся к кроне, полигоны размещались таким образом, чтобы внутрь них попадала только крона.

2.8 Статистический анализ

Это исследование было направлено на определение тенденций между оценками степени тяжести и расчетными значениями VI с различных платформ дистанционного зондирования, чтобы извлечь базовую модель поведения за четыре периода. Тенденции определялись с помощью анализа линейной регрессии, используя в качестве критерия визуальную меру степени тяжести, полученную экспертами в полевых экспериментах, а в качестве предикторов — значения, полученные с помощью дистанционного зондирования (значения fcover и VI). Были идентифицированы VI, показывающие наиболее значительные корреляции с визуальными оценками степени тяжести, и для них была проведена описательная статистика. Анализ линейной регрессии был выполнен с использованием R Statistical Software версии 4.1.2 (Команда R Core, 2021), а GraphPad Prism версии 9.0.0 (GraphPad Software, Калифорния, США) использовался для создания диаграмм рассеяния и ящичковых диаграмм.

3.1  Оценки степени тяжести

Оценки степени тяжести были получены для каждого целевого дерева за четыре фенологических периода: послеуборочный период (PH), период цветения (F), период раннего развития плодов (ED) и период позднего развития плодов (LD). Рисунок 3 показывает пример пространственного распределения значений, измеренных в поле в течение периода PH в мае 2021 года для блока 1 (Рисунок 3A) и блока 2 (Рисунок 3B). Как видно для этого периода в блоке 1, деревья с более высокими значениями степени тяжести расположены на юго-западной стороне блока, в то время как в блоке 2 они распределены более разреженно. Показатели степени тяжести блока 1 были довольно стабильными в течение четырех периодов сбора данных, изменяясь не более чем на одну-две единицы (Рисунок 4A). Чаще изменения были отрицательными по мере развития сезона, в результате чего в феврале были самые высокие показатели степени тяжести (Рисунок 4B). Показатели степени тяжести блока 2 были относительно сходны по стабильности, хотя и немного меньше, в течение четырех периодов сбора данных (Рисунки 4C, D). Значения степени тяжести, полученные в сентябре (FP), были явно самыми высокими (Рисунок 4D).

Рисунок 3 Расположение целевых деревьев. (A) Блок 1 и (B) Блок 2. Изображения с БПЛА (получены в мае 2021 г.).

Рисунок 4 — Оценки степени тяжести целевых деревьев для каждого дерева в блоке 1 (A) и блоке 2 (C), и ящичковые диаграммы значений степени тяжести для каждого периода в блоке 1 (B) и блоке 2 (D).

3.2 Проективное покрытие растений (fcover) (изображения БПЛА-RGB)

fcover было рассчитано для каждого целевого дерева в каждый период с использованием изображений БПЛА-RGB в процентах от определенного выбранного размера прямоугольника. Рисунок 5 показывает пример метода извлечения дерева, использованного для расчета fcover на основе высоты дерева. Рисунок 5A показывает RGB-изображение участка сада в блоке 2, а Рисунок 5B показывает RGB-изображение целевого дерева, для которого рассчитывается fcover. Рисунки 5C, D соответственно показывают DEM, где земля исключена с использованием метода порога высоты. fcover для блока 1 варьировалось от 22% до 100% с медианой 48% (Рисунок 6A). Стандартное отклонение составило 15%, что указывает на некоторую вариацию. В то время как fcover для блока 2 варьировалось от 71% до 100% с медианой 83%. Стандартное отклонение составило 6%, что указывает на небольшую вариацию (Рисунок 6B).

Рисунок 5 Пример извлечения одного дерева. RGB-изображение выбранной области (A), RGB-изображение одного дерева (B), DEM-изображение выбранной области (C) и DEM-изображение одного дерева (D).

Рисунок 6  Диаграммы проективного покрытия fcover за все периоды сбора данных для блока 1 (A) и блока 2 (B).

В блоке 1 анализ линейной регрессии показал значительную корреляцию между fcover и ранжированием степени тяжести для всех изученных периодов со значениями R² в диапазоне от 0,52 до 0,65 (Рисунок 7). Многообещающие результаты были получены в период PH (Рисунок 7A). Период F также достиг высоких значений R² (Рисунок 7B). Периоды ED и LD дали самые низкие значения R² (Рисунки 7C, D). Кроме того, в блоке 2 регрессионный анализ показал низкую корреляцию со значениями R² 0,30, 0,01, 0,26 и 0,48 для периодов PH, F, ED и LD соответственно (Рисунок 8). Лучшие результаты были достигнуты в периоды PH и LD (Рисунок 8). Они согласуются с результатами блока 1. Блок 1 подвергался интенсивной обрезке, в то время как блок 2 подвергался легкой обрезке, и кроны оставались большими. Важно отметить, что обрезка проводится для улучшения проникновения солнечного света внутрь кроны и поэтому выполняется независимо от инфекций PRR.

Рисунок 7 — Линейная регрессия между ранжированием степени тяжести и фракционным покрытием для блока 1. (A) Май 2021 г., (B) Сентябрь 2021 г., (C) Декабрь 2021 г. и (D) Февраль 2022 г.

Рисунок 8 — Простая линейная регрессия между ранжированием степени тяжести и фракционным покрытием для блока 2. (A) Май 2021 г., (B) Сентябрь 2021 г., (C) Декабрь 2021 г. и (D) Февраль 2022 г.

3.3 Вегетационные индексы

3.3.1 Сверхвысокое разрешение (изображения БПЛА)

Чтобы упростить идентификацию VI, которые обеспечили хорошее соответствие с ранжированием степени тяжести, был определен порог R² 0,65 (Таблица 4). Блок 1 достиг весьма многообещающих результатов, в частности в периоды PH и F, где 25 и 27 VI соответственно достигли корреляций 0,65 или более. Блок 2 достиг корреляций 0,65 или более (шесть VI) только в период PH. Кроме того, в блоке 2 период F достиг корреляций от 0,50 до 0,57 для шести VI, в то время как в оставшиеся два периода максимальный показатель составил 0,40. В обоих блоках отдельные каналы не были хорошими индикаторами. Хотя зеленый канал в период PH в блоке 2 получил корреляцию 0,51.

Таблица 4 — Коэффициенты корреляции (R²) сравнения между ранжированием степени тяжести и VI, полученными из изображений сверхвысокого разрешения (БПЛА).

Эта таблица показывает VI (вегетационные индексы), которые достигли R² 0,65 или выше в любой период. Жирный текст указывает на R² 0,80 или более. Остальные VI и незначимые VI опущены. PH — послеуборочный период; F — период цветения; ED — период раннего развития плодов; LD — период позднего развития плодов. Для VI см. Таблицу A1 в Приложении.

Шесть VI достигли корреляций 0,80 в период PH для блока 1: GNDVI, REMSR, CI, GRVI, MACI и CIGE. Эти каналы также хорошо показали себя в блоке 2 в этот период, но не так высоко. В блоке 1 потенциальными VI по всем периодам были ACI, BRVI, CIGE, GNDVI, GRVI, MACI, MARI, MSR, REMSR и SR. Они достигли R² выше 0,70 в каждый период. Однако после выполнения базового статистического анализа в пятерку лучших VI (с учетом стандартного отклонения и R²) входят IPVI, ACI и BNDVI. Хотя R² для блока 2 был существенно ниже, эти VI также входили в пятерку лучших для всех периодов. Блок 2 не достиг никаких стабильно высоких корреляций. Хотя CI, CIGE, GNVDI, GRVI, MACI, MARI, NDRE и REMSR были относительно последовательными от PH до F. Кроме того, значения R², по-видимому, уменьшаются с течением времени.

3.3.2 Высокое разрешение (спутниковые снимки)

Наборы данных «0,50 м, LD» и «0,50 м, развитие почек» достигли самых высоких результатов для блока 1 со значениями регрессии 0,64 и выше, в то время как «0,75 м, LD» и «0,50 м, F» достигли самых высоких показателей в блоке 2 со значениями регрессии до 0,55 (Таблица 5). Хотя корреляции не такие высокие, как корреляции снимков БПЛА, они все еще были относительно высокими, причем CIGE, GRVI и GNDVI (блок 1, период LD, 0,50 м); TCARI, TCARI/OSAVI (блок 1, период LD, 0,75 м); MSAVI и GNDVI (блок 1, период развития почек, 0,50 м); и TCARI/OSAVI (блок 1, период F, 0,50 м) были самыми высокими в соответствующие периоды. В блоке 2 самая высокая корреляция была в период LD (0,75 м), TCARI, за которым следуют GARI и TCARI/OSAVI в тот же период, причем последний достиг той же корреляции в период F. В остальном блок 2 достиг низких значений регрессии, без сильных корреляций. Индексы, достигшие высоких корреляций в блоке 1, соответствуют некоторым из высоких показателей на снимках БПЛА. Хотя явная закономерность не очевидна, TCARI/OSAVI, CIGE, GRVI, GNDVI, SR, GARI и REDCI показали некоторую согласованность по всем периодам сбора.

Таблица 5 — Коэффициенты корреляции (R²) сравнения между ранжированием степени тяжести и VI, полученными из снимков высокого разрешения (спутник).

Эта таблица показывает VI (вегетационные индексы), которые достигли наивысшего R² в любой период. Остальные VI и незначимые VI опущены. Жирный текст указывает на R² выше 0,65.

3.3.3 Среднее разрешение (спутниковые снимки)

VI блока 1 показали больше перспектив, однако оба блока достигли низких значений корреляции (Таблица 6). Опять же, снимки PH показали наибольшие перспективы, но только в блоке 1. Блок 2 показал себя крайне плохо. GNDVI, казалось, работал лучше всего. Значения, полученные в период LD, были значительно ниже, чем в другие периоды. В дополнение к другим методам ДЗ, CIGE и GRVI также хорошо показали себя в блоке 1, период PH. Кроме того, RDVI достиг относительно высокой корреляции. GNDVI, CIGE и GRVI хорошо показали себя на снимках БПЛА и относительно хорошо на снимках спутников высокого разрешения.

Таблица 6 — Коэффициенты детерминации (R²) сравнения между ранжированием степени тяжести и VI, полученными из снимков среднего разрешения (спутник).

Эта таблица показывает VI (вегетационные индексы), которые достигли наивысшего R² в любой данный период. Остальные VI и незначимые VI опущены. Жирный текст указывает на R² выше 0,45.

4.1 Оценки степени тяжести

Оценки степени тяжести были получены для каждого целевого дерева за четыре периода сбора данных обученными агрономами. Значения степени тяжести были согласованы с точки зрения пространственных закономерностей и не изменились значительно в течение вегетационного периода. Самые низкие значения степени тяжести, присутствовавшие в период PH в обоих блоках, могли быть потенциально обусловлены наличием зрелых листьев и отсутствием прироста или плодов, которые могут влиять на структурные свойства крон (Рисунок 4C). Наличие плодов и цветов может влиять на значения степени тяжести из-за того, что они являются энергопотребителями (Rahman et al., 2022). Приросты происходят весной (период F, накладывающийся на цветение), поэтому возникает конкуренция за питательные вещества и воду (Rahman et al., 2022), и летом (период LD).

С практической точки зрения, визуальный скрининг значений степени тяжести в блоке 1 был простым из-за ровного рельефа, меньших крон и минимальной растительности на почве. Проявление симптомов в этом блоке было более четким, что потенциально было связано с меньшими, менее интенсивными кронами, которые были результатом интенсивной обрезки. Интенсивная обрезка на этой ферме означает удаление крупных ветвей для обеспечения доступа между рядами в саду и улучшения улавливания света. С другой стороны, блок 2 был немного более сложным из-за покатого рельефа, больших и интенсивных крон и разросшейся растительности на почве. Уровень обрезки оказал сильное влияние на процесс скрининга.

Выбранные блоки хорошо орошались; поэтому маловероятно, что ухудшение состояния крон было результатом водного стресса. Напротив, в блоке 1 высокие инфекции могли быть связаны с избытком воды в юго-восточной части блока, которая находится близко к водоему и у подножия небольшого склона. Этот фактор, наряду с плохо дренированными почвами и высокими температурами почвы, является оптимальной средой для PRR. Salgadoe et al. (2018) обнаружили, что распределение деревьев в сильном упадке находилось в районах, подверженных заболачиванию, и на более низких высотах, как в блоке 1. Хотя в этом блоке используется мульча для борьбы с инфекциями PPR, они, кажется, все еще присутствуют. С другой стороны, здоровые деревья, по-видимому, расположены на северной стороне блока, который находится на вершине небольшого склона. Высокие инфекции в блоке 2, по-видимому, не указывают на четкую закономерность.

4.2 Сверхвысокое разрешение (изображения БПЛА – fcover)

В нашем случае сверхвысокое разрешение относится к размеру пикселя <0,05 м, полученному MS-снимками с датчиком, установленным на БПЛА, летящем на высоте 55 м. На основе этих снимков БПЛА были оценены fcover и VI как индикаторы степени тяжести PRR. VI, полученные из снимков БПЛА, обсуждаются в следующем разделе. fcover, полученное по снимкам БПЛА, менялось с течением времени, поэтому корреляция с ранжированием степени тяжести PRR варьировалась в зависимости от фенологии. В блоке 1 многообещающие результаты с высокими корреляциями были получены в период PH, когда присутствовали только зрелые листья (Рисунок 8). Высокий R² в период F может быть обусловлен тем, что первый прирост и удаление ветвей произошли вскоре после периода PH. Периоды ED и LD дали самые низкие значения R², что потенциально может быть связано с тем, что деревья плодоносили (тем самым немного испытывая стресс) и потому что обрезка с удалением ветвей была проведена в ноябре 2021 года, тем самым уменьшив биомассу кроны. Важно отметить, что обрезка проводится для улучшения проникновения солнечного света внутрь кроны. Обрезка выполняется для улавливания света, чтобы завязывание плодов происходило как внутри, так и снаружи. Следовательно, обрезка не зависит от степени тяжести PRR, т.е. ветви с отмиранием сохраняются на дереве, если только они не блокируют проникновение солнечного света в центр дерева.

В блоке 2 лучшие результаты были достигнуты в периоды PH и LD (Рисунок 8), хотя корреляции были низкими. Они согласуются с результатами блока 1. Интересно, что период F не показал корреляции, и все значения fcover, кажется, немного ниже, чем в остальные периоды. Плохие результаты блока 2 потенциально связаны с низкой интенсивностью обрезки, высокой жизненной силой и большим размером переплетающихся крон, что привело к минимальным изменениям fcover за период исследования. Кроме того, в блоке 2 была высокая растительность на почве, что потенциально могло повлиять на расчет. Ясно, что использование fcover в качестве метода определения степени тяжести PPR неадекватно в этом случае легкой обрезки и больших крон. fcover является хорошим индикатором улавливания света, что является ключевым фактором, определяющим рост сельскохозяйственных культур, и важным для цветения, созревания и качества плодов, а также для снижения заболеваемости и проникновения вредителей для плодовых древесных культур (Wu et al., 2020).

Salgadoe et al. (2018) нашли сходные результаты сильной линейной зависимости между процентом пористости кроны и шкалой ранжирования «Ciba-Geigy» с R² 0,97 в исследовании PRR на авокадо. В этом исследовании пористость кроны была определена как «доля площади неба, видимой в пределах периметра крон отдельных растений». Следовательно, концепция сходна с fcover с той разницей, что небо использовалось в качестве фона вместо земли. Tu et al. (2019) использовали тот же параметр (с землей в качестве фона) для исследования стратегии ранжирования состояния деревьев авокадо, где они оценивали состояние древесных культур напрямую, связанное со структурными атрибутами кроны, оцененными по данным изображений БПЛА, и использовали данные для ранжирования состояния деревьев авокадо. Одним из измеренных параметров было fcover, и авторы получили значение R² 0,62 по сравнению с полевыми данными. Взаимосвязь fcover с ранжированием степени тяжести PRR будет зависеть от методов управления садом, т.е. если фермеры обрезают только ветви с сильным отмиранием, это повлияет на взаимосвязь, поэтому это важный фактор, который следует учитывать при использовании этого показателя для идентификации степени тяжести состояния дерева.

4.3 Вегетационные индексы

4.3.1 Сверхвысокое разрешение (изображения БПЛА)

Что касается спектральной информации, хорошо известно, что на отражение видимого света значительно влияет концентрация фотосинтетических пигментов, в то время как отражение NIR чувствительно к структуре листа и кроны (Rahman et al., 2022). Также литература указывает, что на спектральное отражение деревьев влияют местоположение сада (т.е. топография, уклон, угол солнца) и вегетационный период (т.е. фенологическая фаза) (Robson et al., 2017). Следовательно, VI могут предоставить ценную информацию для оценки степени тяжести PRR в садах авокадо.

Согласно нашим результатам, VI, содержащие NIR-канал, достигли более высоких корреляций. Шесть самых высоких корреляций в блоке 1: CI (содержащий NIR и RE каналы) и CIGE (содержащий NIR и G) определяют количество хлорофилла в растениях, а растения, зараженные PRR, имеют листья более светлого цвета. GNDVI (содержащий NIR и G) оценивает фотосинтетическую активность (как и GRVI (содержащий NIR и G)) и обычно используется для определения поглощения воды и азота растением. Деревья, зараженные PRR, имеют сниженную способность к поглощению воды. MACI (содержащий NIR и G) измеряет содержание антоцианов, а ослабленная растительность содержит более высокие концентрации антоцианов, поэтому этот VI является хорошим индикатором стрессовой растительности. REMSR (содержащий NIR и RE) является хорошим индикатором стресса. Исследование, проведенное на банановых деревьях, зараженных фузариозным увяданием, также показало, что CIGE, наряду с REDCI, NDVI и NDRE, легко различают здоровые и больные растения (Ye et al., 2020).

Все эти индексы содержат комбинацию NIR, RE и G, которые распространены при обнаружении здоровья. Стрессовая растительность дает более низкое солнечное отражение в NIR, а когда дерево заражено PRR, количество хлорофилла в листьях уменьшается (Gitelson et al., 2003). Несмотря на то, что цветы изменили спектральные свойства снимков, период F все же показал высокие результаты корреляции в блоке 1. Длина волны RE более чувствительна к приросту и, следовательно, более эффективна для обнаружения прироста, связанного со здоровьем деревьев (Chang et al., 2020). Это может объяснить, почему VI, связанные с RE, достигли более высоких корреляций в период F в блоке 1. Низкое стандартное отклонение VI в блоке 2 потенциально было связано с тем, что все кроны были большими и имели высокую жизненную силу, и поэтому в VI не очевидно большой вариации. Расчет VI для блока 2 оказался немного проблематичным из-за того, что участок находился на относительно крутом склоне, и присутствовал густой почвенный покров.

Метод маски использовался для устранения спектральных помех от других покрытий, таких как растительность на почве, тени, почва, подлесок (более применимо к разреженным деревьям, очевидным в блоке 1) и т.д. Было проведено сравнение между корреляциями VI, рассчитанными с использованием метода маски и без использования маски для блока 1 (Таблица 7). Меньше различий произошло в феврале (влажный сезон, выпало 13 см осадков), в то время как более высокие различия произошли в декабре (влажный сезон) и мае (сухой сезон, почти без осадков). За исключением SAVI, где самые высокие различия были в феврале и сентябре. Результаты VI из анализа «без маски» в целом были хуже, чем те, которые использовали маску (Таблица 7). Возможно, немного меньшую разницу в IPVI можно объяснить тем, что IPVI включает атмосферную и почвенную коррекции (Huete et al., 1999). GNDVI и NDVI также имели очень маленькие различия, в то время как ACI и BNDVI имели самые большие различия. В заключение, эффект метода маски был невелик: почва и растительность на почве, по-видимому, не оказали большого влияния на индекс в случае отсутствия маски. Однако присутствуют тонкие различия, и они могли способствовать благоприятным результатам высоких корреляций.

Таблица 7 Сравнение между использованием метода маски и его неиспользованием в блоке 1.

Для VI см. Таблицу A1 в Приложении.

Тени могут приводить к вариациям VI. Тени заметны на снимках, и они могут приводить к завышению NDVI, SAVI и SR и занижению некоторых VI, таких как RVI1 (Ranson and Daughtry, 1987). Как в исследовании Garcia-Ruiz et al. (2013), тень могла привести к большей вариации некоторых индексов на всех снимках.

VI с наибольшим потенциалом, IPVI, ACI и BNDVI, не были зарегистрированы как эффективные в исследовании PRR на деревьях авокадо. NDVI, GNDVI и SAVI являются одними из наиболее часто используемых VI в сельском хозяйстве, и из трех только один (GNDVI) проявил себя относительно значительно в этом исследовании. GNDVI, как было обнаружено, является надежной спектральной особенностью для обнаружения стресса в цитрусовых садах и может быть более эффективным, чем NDVI, для обнаружения изменений в растительности, вызванных такими факторами, как болезнь (Sankaran et al., 2013). GNDVI более чувствителен к вариациям содержания хлорофилла, он хорошо работает на культурах с густыми кронами или на более продвинутых стадиях развития (Sankaran et al., 2013). De Castro et al. (2015) оценили спектральные требования для быстрого и точного обнаружения деревьев авокадо, зараженных увяданием лавра, с использованием MS-снимков. Они обнаружили, что GNDVI был среди оптимальных VI для обнаружения. Garcia-Ruiz et al. (2013) изучали инфекции хаунглобинга (Huanglongbing) на цитрусовых деревьях с использованием MS-снимков БПЛА, обнаружив, что здоровые кроны должны иметь более высокие значения NDVI, GNDVI, SAVI, SR и других. В этом исследовании GNDVI был одним из наиболее статистически значимых VI для блока 1, в то время как NDVI, SAVI и SR показали себя хорошо. Кроме того, они обнаружили, что SR имел большую разницу между здоровыми и больными деревьями. Это согласуется с выводами данного исследования, где SR достиг высоких корреляций в блоке 1. Интересно, что наше исследование не показало, что NDVI был среди лучших дискриминантных факторов степени тяжести, в то время как исследование Pérez-Bueno et al. (2019), которые использовали MS-снимки БПЛА для обнаружения белой корневой гнили на деревьях авокадо, показало, что NDVI обнаружил значительные различия между больными и здоровыми деревьями авокадо.

Chang et al. (2020) изучали болезнь позеленения цитрусовых с использованием MS-снимков с воздуха. Сосредоточившись на NDVI, NDRE, MSAVI и CI, они обнаружили, что VI, связанные с RE, показали более высокую способность для мониторинга цитрусовых садов. MSAVI превзошел другие в количественной оценке состояния культур, а CI был наиболее эффективным признаком для мониторинга инфекции позеленения цитрусовых. Кроме того, другие работы по болезни позеленения цитрусовых, выполненные Li et al. (2012), также показали, что CI хорошо различает. Эти выводы согласуются с данным исследованием, в котором NDVI, NDRE, MSAVI и CI достигли относительно высоких корреляций, причем CI достиг самого высокого показателя. Однако CI не был хорош статистически.

ACI, разработанный van den Berg и Perkins (2004), — это VI, который увеличивается в ответ на увеличение содержания антоцианов по мере того, как отражение зеленых листьев падает (Roberts et al., 2011). В нашем исследовании значения ACI имеют тенденцию к увеличению в период LD (февраль) и период F (сентябрь), что соответствует более высоким значениям степени тяжести и наличию крупных плодов или цветов. Крупные плоды и цветы могут изменять значения спектрального отражения в периоды LD и F, что может добавлять стресс кронам, тем самым уменьшая отражение зеленых листьев. В то время как отсутствие и маленький размер плодов в периоды PH и ED соответственно могут уменьшать значения ACI. BNDVI, или синий NDVI, часто используется для зон, чувствительных к содержанию хлорофилла, и было обнаружено, что он обеспечивает наилучшее разделение между здоровыми персиковыми деревьями и деревьями, зараженными курчавостью листьев (Pourazar et al., 2019). Периоды PH и LD имеют самый низкий BNDVI, возможно, это связано с отсутствием прироста.

Радиометрическая калибровка является обязательным условием при использовании спектральной информации, особенно в случае мультивременных исследований, поскольку условия не будут точно такими же (например, различные условия освещения), что повлияет на достоверность данных (Pourazar et al., 2019; Tu et al., 2019). Хотя Pourazar et al. (2019) и Candiago et al. (2015) обнаружили, что радиометрическая калибровка оказала незначительное влияние на результаты классификации и хорошее описание состояния культур все же было достигнуто, эти авторы не исследовали влияние в течение нескольких периодов времени. Поэтому их результаты были в основном качественными, в отличие от результатов данного исследования, где спектральная информация деревьев была нормализована с помощью радиометрической калибровки.

Что касается высоты полета, результаты этого исследования показывают, что это ключевой фактор для получения аэральных снимков из-за его влияния на пространственное и спектральное разрешение. Более низкая высота позволяет получить более высокое пространственное разрешение, в то время как снимки с большей высоты имеют более низкое пространственное разрешение. Наше исследование показывает, что высота полета от 50 до 60 м подходит для обнаружения PRR в садах авокадо. Аналогично, Sankaran et al. (2013) обнаружили, что высота 60 м более подходит для обнаружения стресса в цитрусовых садах. В то время как De Castro et al. (2015) обнаружили, что 250 м было достаточно для обнаружения деревьев авокадо, зараженных увяданием лавра. Кроме того, они утверждают, что любая из протестированных ими высот (180 м, 250 м, 300 м) могла бы различить дерево авокадо, зараженное увяданием лавра. Однако точность этого утверждения зависит от таких факторов, как выбор датчика в сочетании с выбранной высотой. Датчик с низким пространственным разрешением, получающий снимки с большей высоты, может привести к получению снимков низкого качества (например, снимков, подверженных влиянию теней и смешения пикселей), и поэтому может не обнаружить болезнь точно.

Для количественной оценки инфекций на уровне листьев и кроны на низкой высоте необходимо получать точные VI (Kubera, 2013). Поэтому нужны качественные MS ортомозаики и, кроме того, качественные полутоновые MS изображения. Причина в том, что полутоновые MS изображения в конечном итоге «сшиваются» вместе для создания многоканальных ортомозаик, из которых рассчитываются VI. Такие проблемы, как различная высота кроны и движение от ветра, могут снизить качество полутонового изображения и дополнительно уменьшить и без того ограниченное количество связующих точек (по сравнению с RGB-изображениями), которые присущи полутоновым изображениям. Меньшее количество ключевых точек обычно является причиной того, что RGB-изображения имеют более высокое разрешение.

4.3.2 Высокое разрешение (спутниковые снимки)

В нашем исследовании высокое разрешение относится к размеру пикселя 0,50 м и 0,75 м, полученному такими спутниками, как SuperView, JPSS1 и ViewReady. Эффект смешения пикселей гораздо сильнее в случае спутниковых снимков, поскольку метод маски не использовался, а пиксели крупнее, чем на снимках БПЛА. Смешение пикселей с тенями, почвой, подлеском, прилегающей растительностью на почве в междурядьях, такой как мульча (блок 1) и сорняки/покровные культуры (оба блока), было очевидным, и весьма вероятно, что оно нарушило спектральные значения крон. Добавляет сложности сезонность подлеска или пространства между рядами и управление им, поскольку они меняются от сезона к сезону и зависят от методов управления и, следовательно, влияют на мультивременные спектральные наборы данных (Hornero et al., 2020). Во влажные сезоны (лето) оно может быть полностью покрыто сорняками, в то время как в сухой сезон (зима) это может быть просто голая земля. Это может повлиять на изменчивость результатов, где июнь (сухой) показал лучшие результаты, чем другие периоды в блоке 1. Теневой эффект также может быть очевиден и вызывать изменчивость и более низкие корреляции. Снимки за июнь с разрешением 0,50 м, имеющие самые высокие корреляции в блоке 1, хорошо согласуются со снимками БПЛА, где май имел самые высокие корреляции. Далее следуют снимки за март с разрешением 0,50 м, которые соответствуют периоду LD. Этот месяц не согласуется со снимками БПЛА.

Robson et al. (2017) использовали спутниковые снимки высокого разрешения WorldView-2 и WorldView-3 для картирования урожайности в садах авокадо. Используя мультивременной подход, они успешно определили три класса жизненной силы с помощью NDVI, извлекли VI для каждого образца дерева и определили урожайность. В этом исследовании NDVI показал себя нехорошо, за исключением снимков блока 1 за июнь. Исследование, проведенное Salgadoe et al. (2018), изучало использование снимков WorldView-3 для количественной оценки степени тяжести PRR на деревьях авокадо. Они обнаружили, что SR (NIR/R) имел наилучшую корреляцию (R² = 0,96) с ранжированием заболевания и мог обнаруживать раннее ухудшение состояния. Пространственное разрешение снимков WorldView-3 составляло 1,2 м, и снимки были сделаны в апреле. В этом исследовании SR достиг коэффициента детерминации 0,73 в июне для спутниковых снимков с разрешением 0,50 м, что является сходным результатом.

Исследование, проведенное Johansen et al. (2020), показало, что NIR-канал, RDVI, SIPI, GNDVI и NDVI, среди прочих, имели наибольшую важность при исследовании состояния деревьев макадамии с использованием изображений БПЛА и WorldView-3. Хотя метод анализа отличается от этого исследования (подход машинного обучения), результаты все же показательны. RDVI достиг хороших результатов в этом исследовании на спутниковых снимках высокого и среднего разрешения, в то время как GNDVI, NDVI, SIPI достигли многообещающих результатов на снимках среднего разрешения. Исследование, проведенное на грушах с бактериальным ожогом, также показало, что RDVI, наряду с TCARI и другими, полезен для раннего обнаружения (Bagheri, 2020).

Помимо снимков с разрешением 0,50 м, полученных в июне, и трех индексов с высокой корреляцией из мартовских снимков, значения VI для обоих блоков были относительно сходными. Это предполагает, что эффект управления кроной с помощью этой методики не так очевиден, как с помощью методики БПЛА. Это связано с тем, что разрешение слишком низкое, и невозможно различить более мелкие детали кроны. Из этой части нашего исследования мы можем предположить, что CIGE, GRVI, GNDVI, MSAVI и OSAVI следует дополнительно исследовать при обнаружении PRR, поскольку они показали перспективность в периоды LD и развития почек.

4.3.3 Среднее разрешение (спутниковые снимки)

В нашем случае среднее разрешение относится к размеру пикселя 10 м, полученному со спутников S2B. Хотя некоторые корреляции были очевидны, результаты VI все равно показали плохие результаты в этом случае снимков среднего разрешения. Спутниковые снимки среднего разрешения не дадут показательных результатов из-за более низкого разрешения, особенно в густо засаженных садах, что приводит к низкой точности. Одним из основных вкладчиков является эффект смешанных пикселей. Это создает трудности при попытке разделить вклад различных компонентов сцены кроны, таких как почва, тени и подлесок, особенно в открытых пологах растительности (Hornero et al., 2020). Что касается деревьев авокадо, их обычно сажают близко друг к другу (особенно в блоке 2), где их кроны перекрываются. Наряду со смешением пикселей деревьев, существует также проблема смешения пикселей с подлеском, таким как мульча (блок 1) и сорняки/покровные культуры (оба блока). Добавляет сложности сезонность подлеска или пространства между рядами. Во влажные сезоны он может быть полностью покрыт сорняками (декабрь и февраль), в то время как в сухой сезон (май и сентябрь) это может быть просто голая земля. Это может частично объяснить, почему результаты с мая и сентября в целом были лучше, чем результаты с декабря и февраля в блоке 1. Теневые эффекты также могут влиять на спектральные свойства. При таком низком разрешении методы управления кроной могут не играть роли в спектральных свойствах, поскольку пиксели 10 м слишком велики, чтобы описать эти более тонкие детали.

Что касается VI, GNDVI, казалось, работал лучше всего по всем периодам в блоке 1; это неудивительно, поскольку этот индекс является хлорофилльным индексом и измеряет «зеленость» растений или фотосинтетическую активность. Это один из наиболее широко используемых вегетационных индексов для определения поглощения воды кроной. Этот индекс в основном используется на промежуточных и конечных стадиях цикла сельскохозяйственных культур, поэтому он показывает самые высокие результаты в период PH. Кроме того, CIGE, используемый для оценки содержания хлорофилла в листьях, и GRVI, чувствительный к листовым пигментам, хорошо показали себя в блоке 1, период PH. Возможно, это указывает на то, что зрелые листья не испытывали стресс от других факторов, т.е. плодов или цветов, истощающих энергию. GNDVI, CIGE и GRVI хорошо показали себя на снимках высокого разрешения за июнь (месяц после PH) и март (два месяца до PH) и, кроме того, хорошо показали себя в индексах, полученных с БПЛА, для периода PH. Это показывает, что результаты согласуются и что совместимость весьма потенциальна.

Доступность частых MS-данных со спутников S2B предоставляет возможность оценивать как пространственную, так и временную вариацию. Однако не на уровне кроны отдельного дерева, а на уровне блока или сада. Этот метод ДЗ может использоваться в качестве процедуры «предварительного скрининга» для идентификации потенциально больных деревьев (Pérez-Bueno et al., 2019). Используя данные S2B, Hornero et al. (2020) обнаружили, что VI, которые минимизируют атмосферные и фоновые эффекты, ARVI и OSAVI, работали лучше, чем традиционные VI, такие как NDVI, RDVI и MSR. Кроме того, они обнаружили, что ARVI и OSAVI могут использоваться для мониторинга изменений на уровне сада в заболеваемости при исследовании болезни Xylella fastidiosa на оливковых деревьях. Однако они также обнаружили, что эффекты подлеска оказали значительное влияние на VI. Сходные результаты были получены в этом исследовании, но для спутниковых снимков высокого разрешения (0,50 м). Исследование, проведенное на банановых деревьях Selvaraj et al. (2020), использовало платформы, сходные с этим исследованием. Они также исследовали снимки БПЛА наряду с многоуровневыми спутниковыми снимками. Из снимков S2B они обнаружили, что не могут отобразить бананы так же точно, как снимки БПЛА и спутников высокого разрешения. Rahman et al. (2022) исследовали потенциал данных S2B для мониторинга фенологии культуры авокадо. Им удалось показать статистически значимые различия между четырьмя фенологическими периодами с использованием EVI. Этот индекс не проявил себя в настоящем исследовании.

4.4 Сравнение между платформами

Сверхвысокое разрешение изображений дало наилучшие результаты в обоих блоках, хотя в блоке 2 они были значительно ниже. Это указывает на то, что MS-снимки БПЛА могут быть хорошим индикатором степени тяжести PRR, особенно в период PH, но их все еще недостаточно, чтобы преодолеть проблему больших крон, где проявление симптомов было нечетким. Основные ограничения MS-снимков БПЛА включают охват, затраты, время обработки изображений и погодные условия. Хотя БПЛА не подвержены влиянию облачности, как спутниковые снимки. Спутниковые снимки высокого разрешения могут быть хорошим индикатором инфекции на уровне блока и сада, в частности в периоды LD и развития почек. Смешение пикселей, облачность и угол солнца являются основными проблемами для спутниковых снимков высокого разрешения. Получение изображений, временное разрешение и гибкость выбора датчика меньше, чем у снимков БПЛА, а стоимость примерно такая же. Ключевой проблемой спутниковых снимков является пространственное разрешение (Zhang et al., 2020). Хотя спутниковые снимки высокого разрешения могут иметь пространственное разрешение до 0,31 м, спутниковый снимок все еще не так хорош, как снимки, полученные с помощью БПЛА, и он не подходит для применения там, где признаки растений едва заметны (Zhang et al., 2020). Снимки среднего разрешения могут предоставить указание на высокую степень тяжести в масштабе сада/фермы. Разрешение слишком низкое для обнаружения одного дерева, и эффект смешения пикселей слишком заметен. Хотя снимки S2B бесплатны, они не подходят для точного обнаружения PRR.

В этом исследовании мы изучили использование методов ДЗ для картирования степени тяжести PRR в садах авокадо, учитывая влияние пространственного разрешения, фенологических периодов и состояния крон, модулируемого интенсивностью обрезки. Наземная верификация здоровых и зараженных PRR деревьев с различными показателями степени поражения, а также их GPS-позиции были зарегистрированы, и деревья были идентифицированы и сегментированы на всех снимках ДЗ.

Что касается изображений БПЛА-RGB, мы протестировали fcover в качестве индикатора ранжирования степени тяжести. Результаты показывают, что взаимосвязь fcover зависит от методов управления садом, поскольку этот параметр сильно зависит от уровня обрезки, жизненной силы и размера крон и расстояния между деревьями. В блоке 1 с высоким уровнем обрезки были зарегистрированы значительные взаимосвязи для всех проанализированных фенологических периодов. Однако в блоке 2 были плохие результаты из-за высокой жизненной силы и размера крон. В этих условиях ясно, что fcover, полученное с воздушного вида, не является адекватным параметром для определения степени тяжести PPR из-за отсутствия чувствительности к изменениям кроны.

Индексы растительности (VI), полученные с помощью MS-снимков, также были проанализированы как потенциальные индикаторы ранжирования степени тяжести PRR; в этом случае эффект разрешения был протестирован с использованием различных платформ для получения сверхвысокого, высокого и среднего разрешений. VI CIGE, GNDVI и GRVI были признаны значительно различными, имея при этом хорошую корреляцию с наземной истинностью, при всех пространственных разрешениях. Следовательно, VI с наивысшей корреляцией были признаны подходящими индикаторами степени тяжести PRR. До статистического анализа ACI, BNDVI и IPVI были признаны имеющими наилучший потенциал для степени тяжести PRR в данных MS с БПЛА. Кроме того, результаты показали, что взаимосвязь с лучшими VI также зависит от методов управления садом, поскольку VI в блоке 1, который подвергался обрезке с удалением ветвей, достигли лучших результатов при всех протестированных разрешениях. Результаты показывают, что MS-снимки БПЛА могут быть хорошим индикатором степени тяжести PRR, но их все еще недостаточно, чтобы преодолеть проблему больших крон.

Спутниковые снимки высокого разрешения могут быть хорошим индикатором общей зоны инфекции, в частности в периоды LD и развития почек. С другой стороны, снимки среднего разрешения могут предоставить указание на высокую степень тяжести в масштабе сада/фермы. Во всех случаях период PH дал наилучшие результаты. Выявление проблем со здоровьем является важной практикой в индустрии авокадо, и понимание пространственных и временных различий PRR было бы полезно для управления болезнями. Результаты этого исследования показывают потенциал fcover и VI, полученных из сверхвысокого разрешения изображений БПЛА, и VI, полученных из спутниковых снимков высокого разрешения, в определении степени тяжести PRR в садах авокадо. Эти результаты могут быть использованы в качестве быстрой технологии зондирования для помощи в процессе выявления проблем путем снижения затрат на выявление и повышения эффективности.

1.    Abdulridha J., Ampatzidis Y., Ehsani R., de Castro A. I. (2018). Evaluating the performance of spectral features and multivariate analysis tools to detect laurel wilt disease and nutritional deficiency in avocado. Comput. Electron. Agric. 155, 203–2011. doi: 10.1016/j.compag.2018.10.016. CrossRef. Google Scholar.

2.    Bagheri N. (2020). Application of aerial remote sensing technology for detection of fire blight infected pear trees. Comput. Electron. Agric. 168, 105147. doi: 10.1016/j.compag.2019.105147. CrossRef. Google Scholar.

3.    Candiago S., Remondino F., De Giglio M., Dubbini M., Gattelli M. (2015). Evaluating multispectral images and vegetation indices for precision farming applications from UAV imagery. Remote Sens. 7, 4026–4047. doi: 10.3390/rs70404026. CrossRef. Google Scholar.

4.    Chaerle L., van der Straeten D. (2000). Imaging techniques and the early detection of plant stress. Trends Plant Sci. 5, 495–501. doi: 10.1016/S1360-1385(00)01781-7. CrossRef. Google Scholar.

5.    Chang A., Yeom J., Jung J., Landivar J. (2020). Comparison of canopy shape and vegetation indices of citrus trees derived from UAV multispectral images for characterization of citrus greening disease. Remote Sens. 12, 4122. doi: 10.3390/rs12244122. CrossRef. Google Scholar.

6.    Darvas J. M., Toerien J. C., Milne D. L. (1984). Control of avocado root rot by trunk injection with phosetyl-Al. Plant Dis. 68, 691–693. doi: 10.1094/PD-68-691. CrossRef. Google Scholar.

7.    De Castro A. I., Ehsani R., Ploetz R., Crane J. H., Abdulridha J. (2015). Optimum spectral and geometric parameters for early detection of laurel wilt disease in avocado. Remote Sens. Environ. 171, 33–44. doi: 10.1016/j.rse.2015.09.011. CrossRef. Google Scholar.

8.    Erwin D. C., Ribeiro O. K. (1996). Phytophthora Diseases Worldwide (St. Paul, MN, USA: APS Press), 269–279. Google Scholar.

9.    Eskalen A., Bender G., Faber B., Rios S. (2017). Phytophthora root rot of avocado and management strategies. From the Grove. 7 (2), 31–32. Google Scholar.

10. García-Pineda E., Benezer-Benezer M., Gutiérrez-Segundo A., Rangel-Sánchez G., Arreola-Cortés A., Castro-Mercado E. (2010). Regulation of defence responses in avocado roots infected with Phytophthora cinnamomi (Rands). Plant Soil 331, 45–56. doi: 10.1007/s11104-009-0225-5. CrossRef. Google Scholar.

11. Garcia-Ruiz F., Sankaran S., Maja J. M., Lee W. S., Rasmussen J., Ehsani R. (2013). Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees. Comput. Electron. Agric. 91, 106–115. doi: 10.1016/j.compag.2012.12.002. CrossRef. Google Scholar.

12. Garza B. N., Ancona V., Enciso J., Perotto-Baldivieso H. L., Kunta M., Simpson C. (2020). Quantifying citrus tree health using true color UAV images. Remote Sens. 12, 170. doi: 10.3390/rs12010170. CrossRef. Google Scholar.

13. Gitelson A. A., Gritz Y., Merzlyak M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 160, 271–282. doi: 10.1078/0176-1617-00887. CrossRef. Google Scholar.

14. Haagsma M., Page G. F. M., Johnson J. S., Still C., Waring K. M., Sniezko R. A., et al. (2020). Using hyperspectral imagery to detect an invasive fungal pathogen and symptom severity in Pinus strobiformis seedlings of different genotypes. Remote Sens. 12, 1–19. doi: 10.3390/rs12244041. CrossRef. Google Scholar.

15. Hornero A., Hernández-Clemente R., North P. R. J., Beck P. S. A., Boscia D., Navas-Cortes J. A., et al. (2020). Monitoring the incidence of Xylella fastidiosa infection in olive orchards using ground-based evaluations, airborne imaging spectroscopy and Sentinel-2 time series through 3-D radiative transfer modelling. Remote Sens. Environ. 236, 111480. doi: 10.1016/j.rse.2019.111480. CrossRef. Google Scholar.

16. Huete A., Justice C., van Leeuwen W. (1999). MODIS Vegetation Index (MOD 13). Algorithm Theoretical Basis Document. 3 (213), 295–309. Google Scholar.

17. Johansen K., Duan Q., Tu Y. H., Searle C., Wu D., Phinn S., et al. (2020). Mapping the condition of macadamia tree crops using multi-spectral UAV and WorldView-3 imagery. ISPRS J. Photogramm. Remote Sens. 165, 28–40. doi: 10.1016/j.isprsjprs.2020.04.017. CrossRef. Google Scholar.

18. Kubera C. (2013). Enhancing Remote Sensing for Agriculture Using Small Unmanned Aerial Systems: San Diego, CA, as a Test Case. Geography and the Environment: Graduate Student Capstones. 42. doi: 10.56902/ETDCRP.2013.15. CrossRef. Google Scholar.

19. Kumar A., Lee W. S., Ehsani R., Albrigo L. G., Yang C., Mangan R. L. (2010). Citrus greening disease detection using airborne multispectral and hyperspectral imaging. In Proceedings of the 10th International Conference on Precision Agriculture. Denver, Colorado: American Society of Agricultural and Biological Engineers. Google Scholar.

20. Li X., Lee W. S., Li M., Ehsani R., Mishra A. R., Yang C., et al. (2012). Spectral difference analysis and airborne imaging classification for citrus greening infected trees. Comput. Electron. Agric. 83, 32–46. doi: 10.1016/j.compag.2012.01.010. CrossRef. Google Scholar.

21. Mahlein A. K. (2016). Plant disease detection by imaging sensors -- Parallels and specific demands for precision agriculture and plant phenotyping. Plant Dis. 100, 241–254. doi: 10.1094/PDIS-03-15-0340-FE. CrossRef. Google Scholar.

22. Mahlein A. K., Oerke E. C., Steiner U., Dehne H. W. (2012). Recent advances in sensing plant diseases for precision crop protection. Eur. J. Plant Pathol. 1, 197–209. doi: 10.1007/s10658-011-9878-z. CrossRef. Google Scholar.

23. Marais L. J., Menge J. A., Bender G. S., Faber B. (2002). Phytophthora root rot. AvoResearch 2, 15–18. Google Scholar.

24. McLeod A., Masikane S. L., Novela P., Ma J., Mohale M., Nyoni M., et al. (2018). Quantification of root phosphite concentrations for evaluating the potential of foliar phosphonate sprays for the management of avocado root rot. Crop Protect. 103, 87–97. doi: 10.1016/j.cropro.2019.105008. CrossRef. Google Scholar.

25. Nutter F. W., Esker P. D., Netto R. A. C. (2006). Disease assessment concepts and the advancements made in improving the accuracy and precision of plant disease data. Eur. J. Plant Pathol. 115, 95–103. doi: 10.1007/s10658-005-1230-z. CrossRef. Google Scholar.

26. Pegg K. G., Coates L. M., Korsten L., Harding R. M. (2002). Foliar, fruit and soilborne diseases. In The Avocado: botany, production and uses. Eds. Whiley A. W., Schaffer B., Wolstenholme B. N. (CAB International, Wallingford, Oxfordshire, United Kingdom), 299–338. doi: 10.1079/9780851993577.0299. CrossRef. Google Scholar.

27. Pérez-Bueno M. L., Pineda M., Vida C., Fernández-Ortuño D., Torés J. A., de Vicente A., et al. (2019). Detection of white root rot in avocado trees by remote sensing. Plant Dis. 103, 1119–1125. doi: 10.1094/PDIS-10-18-1778-RE. CrossRef. Google Scholar.

28. Pourazar H., Samadzadegan F., Dadrass Javan F. (2019). Aerial multispectral imagery for plant disease detection: radiometric calibration necessity assessment. Eur. J. Remote Sens. 52, 17–31. doi: 10.1080/22797254.2019.1642143. CrossRef. Google Scholar.

29. Rahman M. M., Robson A., Brinkhoff J. (2022). Potential of time-series sentinel 2 data for monitoring avocado crop phenology. Remote Sens. 14, 5942. doi: 10.3390/rs14235942. CrossRef. Google Scholar.

30. Ramírez-Gil J. G., Castañeda-Sánchez D. A., Morales-Osorio J. G. (2017). Production of avocado trees infected with Phytophthora cinnamomi under different management regimes. Plant Pathol. 66, 623–632. doi: 10.1111/ppa.12620. CrossRef. Google Scholar.

31. Ranson K. J., Daughtry C. S. T. (1987). Scene shadow effects on multispectral response. IEEE Trans. Geosci. Remote Sens. GE-25, 502–509. doi: 10.1109/TGRS.1987.289863. CrossRef. Google Scholar.

32. R Core Team (2021). R: A language and environment for statistical computing (Vienna, Austria: R Foundation for Statistical Computing). Available at: https://www.R-project.org/. Google Scholar.

33. Regional Weather and Climate of South Africa (2023). doi: 10.10520/ejc-rwcsa_v2023_n1_a4. CrossRef. Google Scholar.

34. Roberts D. A., Roth K. L., Perroy R. L. (2011). Hyperspectral vegetation indices. In Hyperspectral Remote Sensing of Vegetation. Thenkabail P. S., Lyon J. G., Huete A. Eds. (Boca Raton, FL, USA: CRC Press, Taylor & Francis Group), 309–327. Google Scholar.

35. Robson A., Rahman M. M., Muir J. (2017). Using worldview satellite imagery to map yield in avocado (Persea americana): A case study in Bundaberg, Australia. Remote Sens. 9, 1223. doi: 10.3390/rs9121223. CrossRef. Google Scholar.

36. Salgadoe A. S. A., Robson A. J., Lamb D. W., Dann E. K., Searle C. (2018). Quantifying the severity of Phytophthora rot disease in avocado trees using image analysis. Remote Sens. 10, 226. doi: 10.3390/rs10020226. CrossRef. Google Scholar.

37. Sankaran S., Khot L. R., Maja J. M., Ehsani R. (2013). Comparison of two multiband cameras for use on small UAVs in agriculture. In 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS). Piscataway, NJ: IEEE, 1–4. doi: 10.1109/WHISPERS.2013.8080668. CrossRef. Google Scholar.

38. Sankaran S., Mishra A., Ehsani R., Davis C. (2010). A review of advanced techniques for detecting plant diseases. Comput. Electron. Agric. 72, 1–13. doi: 10.1016/j.compag.2010.02.007. CrossRef. Google Scholar.

39. Selvaraj M. G., Vergara A., Montenegro F., Alonso Ruiz H., Safari N., Raymaekers D., et al. (2020). Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS J. Photogramm. Remote Sens. 169, 110–124. doi: 10.1016/j.isprsjprs.2020.08.025. CrossRef. Google Scholar.

40. Tu Y. H., Johansen K., Phinn S., Robson A. (2019). Measuring canopy structure and condition using multi-spectral UAS imagery in a horticultural environment. Remote Sens. (Basel) 11, 3. doi: 10.3390/rs11030269. CrossRef. Google Scholar.

41. van den Berg A. K., Perkins T. D. (2004). Evaluation of a portable chlorophyll meter to estimate chlorophyll and nitrogen contents in sugar maple (Acer saccharum Marsh.) leaves. For. Ecol. Manage. 200, 113–117. doi: 10.1016/j.foreco.2004.06.005. CrossRef. Google Scholar.

42. West J. S., Bravo C. (2003). The potential of optical canopy measurement for targeted control of field crop diseases. Annu. Rev. Phytopathol. 41, 593–614. doi: 10.1146/annurev.phyto.41.121702.103726. CrossRef. Google Scholar.

43. Wu D., Johansen K., Phinn S., Robson A. (2020). Suitability of airborne and terrestrial laser scanning for mapping tree crop structural metrics for improved orchard management. Remote Sens. 12, 1647. doi: 10.3390/rs12101647. CrossRef. Google Scholar.

44. Ye H., Huang W., Huang S., Cui B., Dong Y., Guo A., et al. (2020). Recognition of banana Fusarium wilt based on UAV remote sensing. Remote Sens. 12, 938–956. doi: 10.3390/rs12060938. CrossRef. Google Scholar.

45. Zhang C., Marzougui A., Sankaran S. (2020). High-resolution satellite imagery applications in crop phenotyping: An overview. Comput. Electron. Agric. 175, 1055844. doi: 10.1016/j.compag.2020.105584. CrossRef. Google Scholar.

Duncan S, McLeod A and Poblete-Echeverria C (2024) Application of UAV and satellite technologies for assessing phytophthora root rot severity in avocado orchards. Front. Agron. 6:1419479. doi: 10.3389/fagro.2024.1419479

Перевод статьи «Application of UAV and satellite technologies for assessing phytophthora root rot severity in avocado orchards» авторов Duncan S, McLeod A and Poblete-Echeverria C., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: wikipedia