Cereal crop status diagnosis from hyperspectral measurements in visible and infrared spectral region

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00027006%3A_____%2F22%3A10175292" target="_blank" >RIV/00027006:_____/22:10175292 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Diagnostika stavu obilnin na základě hyperspektrálního měření ve viditelné a infračervené spektrální oblasti

Original language description

Východiskem prezentace je přítomnost interakce půda--rostliny. Výskyt stresu u rostlin může informovat o přítomnosti faktorů negativně ovlivňujících kvalitu půdy. K takovým faktorům patří například sucho, nedostatek čí nedostupnost živin nebo znečištění půdy. Posluchačům je připomenuta široká škála abiotických a biotických stresorů zemědělských plodin. Je i naznačená souvislost mezi výskytem stresu a redukci obsahu rostlinných pigmentů, zejména chlorofylu. Následně jsou uvedeny motivace pro použití hyperspektrálního měření v kontextu diagnostiky fyziologického stavu porostů. Nasleduje stručný přehled senzorů a senzorických platforem dostupných pro tento účel. Jsou zmíněná vybraná omezení těchto prostředků. Na to navazuje diskuze dostupných technických a analytických metod jejich překonání během sběru a předzpracování spektrálních dat. Posluchači mohou si pak vizuálně srovnat průběhy hyperspektrálních signatur odpovídajících porostům zasaženým stresem různé úrovně. Rozdíly jsou vysvětlený s odkazem k fyziologii rostlin. Ukázané je i přiřazení jednotlivých křivek absolutním hodnotám referenčních dat. Další část prezentace se týká predikčního modelování, které takovéto přiřazení umožňuje. Tato část zpět odkazuje k motivacím k použití hyperspektrálních měření namísto tradičního přístupu mapování stresu porostů. Je zdůrazněná velká početnost algoritmů predikčních modelů, nepřesnost získávaných výsledků a omezené možností transferu natrénovaných modelů za účelem jejich aplikace do nových podmínek. Následuje diskuze dostupných nástrojů pro zmírnění těchto problémů: použití alternativních strategii sběru referenčních dat a aplikace algoritmů předzpracování spekter. Vybrané poznatky jsou ilustrovány pomocí výsledků dvou experimentů s obilninami, na nich se podílel autor příspěvku. První experiment se tyká stanovení stupně napadení odrůd pšenice ozime fuzariózou klasů s použitím kontaktního měření spektroradiometrem. V druhým experimentu stanoveno obsah listového chlorofylu u ovsa na základě analýzy hyperspektrálních snímků pořízených z bezpilotního letadla.

Czech name

Diagnostika stavu obilnin na základě hyperspektrálního měření ve viditelné a infračervené spektrální oblasti

Czech description

Východiskem prezentace je přítomnost interakce půda--rostliny. Výskyt stresu u rostlin může informovat o přítomnosti faktorů negativně ovlivňujících kvalitu půdy. K takovým faktorům patří například sucho, nedostatek čí nedostupnost živin nebo znečištění půdy. Posluchačům je připomenuta široká škála abiotických a biotických stresorů zemědělských plodin. Je i naznačená souvislost mezi výskytem stresu a redukci obsahu rostlinných pigmentů, zejména chlorofylu. Následně jsou uvedeny motivace pro použití hyperspektrálního měření v kontextu diagnostiky fyziologického stavu porostů. Nasleduje stručný přehled senzorů a senzorických platforem dostupných pro tento účel. Jsou zmíněná vybraná omezení těchto prostředků. Na to navazuje diskuze dostupných technických a analytických metod jejich překonání během sběru a předzpracování spektrálních dat. Posluchači mohou si pak vizuálně srovnat průběhy hyperspektrálních signatur odpovídajících porostům zasaženým stresem různé úrovně. Rozdíly jsou vysvětlený s odkazem k fyziologii rostlin. Ukázané je i přiřazení jednotlivých křivek absolutním hodnotám referenčních dat. Další část prezentace se týká predikčního modelování, které takovéto přiřazení umožňuje. Tato část zpět odkazuje k motivacím k použití hyperspektrálních měření namísto tradičního přístupu mapování stresu porostů. Je zdůrazněná velká početnost algoritmů predikčních modelů, nepřesnost získávaných výsledků a omezené možností transferu natrénovaných modelů za účelem jejich aplikace do nových podmínek. Následuje diskuze dostupných nástrojů pro zmírnění těchto problémů: použití alternativních strategii sběru referenčních dat a aplikace algoritmů předzpracování spekter. Vybrané poznatky jsou ilustrovány pomocí výsledků dvou experimentů s obilninami, na nich se podílel autor příspěvku. První experiment se tyká stanovení stupně napadení odrůd pšenice ozime fuzariózou klasů s použitím kontaktního měření spektroradiometrem. V druhým experimentu stanoveno obsah listového chlorofylu u ovsa na základě analýzy hyperspektrálních snímků pořízených z bezpilotního letadla.

Type

O - Miscellaneous

CEP classification

—

OECD FORD branch

40106 - Agronomy, plant breeding and plant protection; (Agricultural biotechnology to be 4.4)

Project

—

Continuities

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Publication year

2022

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů