Prospettive per il monitoraggio colturale con i droni e imaging multi e iperspettrali

Transcript

1 Prospettive per il monitoraggio colturale con i droni e imaging multi e iperspettrali Martina Corti, Giovanni Cabassi (CRA-FLC), Daniele Cavalli, Luca Bechini, Pietro Marino Gallina, Lamberto Borrelli (CRA- FLC)

2 Remote Sensing in agricoltura: perché? Tecniche ottiche indagano la presenza dello stress dalla riflettanza della foglia: Reflectance Leaf Reflectance 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0, Wavelength (nm) Riuscire a far coincidere gli apporti idrici e azotati con le variazioni delle esigenze della coltura nel tempo e nello spazio consente di mantenere le rese ottimali, migliorando le prestazioni ambientali dei sistemi agricoli.

3 Indici Vegetazionali Indice più comune è NDVI= (NIR-RED)/(NIR+RED)

4 Sensori ottici SENSORI MULTISPETTRALI Raccolgono riflettanze in bande larghe e di numero ridotto, spesso non vicine (es. nel verde nel rosso e nel vicino infrarosso) SENSORI IPERSPETTRALI Raccolgono riflettanze in molte bande strette, spesso molto vicine (es. ogni 10 nm) Tecniche di IMAGING Combinano le potenzialità dei sensori ottici con le immagini dell oggetto di interesse Multispettrali - Iperspettrali

5 Usi per la gestione della nutrizione azotata Sensori multispettrali Sensori iperspettrali Reflectance Wavelength (nm) Commercializzati Gli algoritmi sviluppati sono specifici per sensore, coltura e luogo di applicazione La correlazione tra indici vegetazionali e contenuto di azoto aumenta con l avanzare del ciclo colturale Alta risoluzione spettrale Nessuna informazione della distribuzione spaziale dello spettro Usata per fini accademici Uso di poche bande e dubbi su univocità delle risposte

6 Usi per la gestione della nutrizione azotata Imaging multispettrale Imaging iperspettrale Economica Facile applicazione Necessario pre-processamento delle immagini La correlazione tra indici vegetazionali e contenuto di azoto aumenta con l avanzare del ciclo colturale Alta risoluzione spaziale e spettrale Necessario pre-processamento delle immagini Poco studiata Uso di poche bande e dubbi su univocità delle risposte.

7 Usi per la gestione dell irrigazione Sensori termici (8-14 um) Sensori ottici (0,4-1um) Usate nella gestione dell irrigazione Mappe di variabilità della temperatura (camere) Indicano la presenza dello stress ma non quantificano la quantità d acqua necessaria Usati con successo implementando output in modelli per calcolo dell evapotrasipirazione Difficile trovare relazione tra contenuto idrico della pianta e riflettanza nel visibileinfrarosso Poco usati per la gestione dell irrigazione

8 Esperienza 1: Imaging Multispettrale ~ Modified Canon PowerShot SX260 HS (300 ) Fotocamera modificata NIR Spectral transmission of a "superblue" filter. Most red light (600 to 700 nm) is blocked, but other visible light and most near infrared light (> 700 nm) passes through. This type of filter can replace the IR block filter to allow NDVI to be produced from a single camera. The red channel in the image file will record mostly infrared light, and the blue channel will record light that plants use for photosynthesis.

9 Caso di studio su mais (Lodi) Obiettivo: valutazione preliminare della relazione tra indici vegetazionali rilevati con fotocamera e biomassa del mais, concentrazione di azoto, asportazione N Lavoro in corso

10 Imaging Multispettrale Disegno sperimentale: campo di mais, 4 blocchi di 6 parcelle corrispondenti a sei diverse disponibilità di azoto 2 voli del drone a 35 m e a 65 m, allo stadio di sesta e nona foglia Costruzione di ortofoto con Software AgiSoft PhotoScan (179 USD USD)

11 Imaging Multispettrale Processing dell immagine Estrazione dei canali Blu e Vicino Infrarosso (NIR) per il calcolo dell NDVI Normalizzazione di dei valori di NDVI scalando ogni canale dell intensità massima registrata: Blu/Blu Max ; NIR/ NIR Max Calcolo dell NDVI NDVI=(NIR-BLU) / (NIR+BLU) Correzione dei valori NDVI per avere solo valori positivi Calcolo NDVI Studio di regressione NDVI e biomassa aerea NDVI e contenuto azoto

12 Primi risultati Imaging Multispettrale Biomassa aerea (g DM m -2 ) NDVI della sola vegetazione 80 Biomassa aerea (g DM m -2 ) y = 495x + 26 R² = y = 625x + 19 R² = NDVI medio vegetazione 0 Biomassa aerea (g DM m-2) NDVI medio vegetazione NDVI medio delle parcelle comprendente suolo e vegetazione Biomassa aerea (g DM m -2 ) y = 628x - 28 R² = 0.35 y = 945x - 67 R² = NDVI medio CO SA INT SL SS LIQ CO SA INT SL SS LIQ CO SA INT SL SS LIQ CO SA SL SS LIQ INT Blocco 1 Blocco 2 Blocco 3 Blocco NDVI medio vegetazione

13 Variabilità della biomassa riscontrata Trattamenti Peso secco Medio(g/m 2 ) ± Dev. standard CO 41,63 3,97 INT 45,13 1,74 LIQ 48,75 4,17 SA 42,14 6,27 SL 49,46 7,86 SS 57,98 11,62

14 Esperienza 2: Imaging Iperspettrale Prelievo di 19 foglie di mais al V6 Foglie divise in tre parti Sistema di imaging iperspettrale che colleziona riflettanza da 512 a 1768 nm Determinazioni analitiche del contenuto di azoto e del concentrazione di azoto

15 Analisi multivariata dei dati Imaging Iperspettrale Modelli di regressione PLS tra contenuto di azoto sul peso fresco e contenuto idrico delle parti di foglia selezionate Modello previsione concentrazione azoto Modello previsione contenuto idrico Samples/Scores Plot NFM CV predicted R 2 = Latent Variables RMSEC = RMSECV = Calibration Bias = e-016 CV Bias = NFM measured Water content CV Predicted R 2 = Latent Variables RMSEC = RMSECV = Calibration Bias = e-014 CV Bias = Water content Measured Apice Medio Base Apice Medio Base

16 Iperspettrale vs Multispettrale Imaging Iperspettrale 1. Simulazione dei più usati indici vegetazionali Normalized Difference Vegetation Index NDVI=(NIR-RED)/(NIR+RED) Green (NDVI) GNDVI= (NIR-GREEN)/(NIR+GREEN) Photochemical Reflectance Index PRI= R570 - R531 / R570 + R531 Water Index WI= R900/R970 Normalized Difference Water Index NDWI=(NIR-SWIR)/(NIR+SWIR) 2. Costruzione di modelli di regressione lineare per la stima del contenuto di azoto sul fresco e del contenuto idrico

17 NDVI Imaging Iperspettrale NFM (%) 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20 0,00 0,60 0,62 0,64 0,66 0,68 0,70 NDVI Moisture (%) ,63 0,64 0,65 0,66 0,67 0,68 0,69 NDVI

18 Migliori predittori tra indici vegetazionali Imaging Iperspettrale NFM predicted 1,40 1,20 1,00 0,80 0,60 0,40 0,20 y = 0,5741x + 0,3625 R² = 0,5856 PRI 0,00 0,00 0,50 1,00 1,50 NFM measured WI Moisture predicted y = 0,4276x + 43,297 R² = 0, Moisture measured

19 Considerazioni Imaging Iperspettrale Sistemi iperspettrali predicono meglio il contenuto di azoto MA Sono molto costosi Serve grande lavoro per il trattamento delle immagini PROSPETTIVE DI UTILIZZO Se meno costosi montabili su drone FINO AD ALLORA Uso in ambito di ricerca: utili alla creazione di nuovi indici vegetazionali più performanti per la diagnosi dello stress azotato