Усовершенствование методик определения индекса листовой поверхности с применением беспилотных летательных аппаратов для определения продуктивности фитоценозов

В ландшафтных и биогеографических исследованиях особую актуальность имеет оценка процесса фотосинтеза, влияющего на возможность определения продуктивности фитоценозов, расчета прироста фитомассы. Использование беспилотных летательных аппаратов (БПЛА) для оценки индекса листовой поверхности (LAI) со временем получает все больший размах благодаря их малой цены, высокой эффективности функционирования и точности. Основой для определения LAI является модель для щелевой фракции, теоретически оцениваемой с использованием закона Бера-Бугера-Ламберта. Проанализирована возможность определения  растительности с применением БПЛА, на борту которого может быть установлен либо лидар либо мультиспектрометр. В первой задаче  определяется по методу вычисления логарифма щелевой функции (фракции), умноженной на косинус угла сканирования и деленной на коэффициент ослабления. Во второй задаче используется существующая корреляции между известными вегетационными индексами и . Модели эмпирической статистической регрессии могут быть пригодными для определения LAI после определения различных вегетационных индексов. На основе результатов проводимых мультиспектральных измерений было обнаружено, что методика определения LAI, основанная на измерении интенсивности лучей, прошедших через крону растений приводит к сильно зашумленным оценкам. По этой причине было решено использование щелевой фракции (GF) При этом использован тот экспериментально установленный факт о том, что при умножении логарифма вегетационного индекса на высоту крону указанная корреляция значительно усиливается. Для повышения достоверности полученных значений  предложено использовать среднеинтегральное значение этого показателя, вычисляемого путем составления и вычисления оптимизационной вариационной задачи, содержащей дополнительно вводимое ограничительное условие. При этом удается решить обе задачи на максимум, т.е. появляется возможность повысить отношения сигнал/шум вычисляемой величины индекса . В обоих процедурах оптимизационных расчетов присутствуют обобщенные показатели, имеющие различный физический смысл.

1. Yao, X. Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery / X. Yao, N. Wang, Y. Liu, T. Cheng, Y. Tian, Q. Chen, Y. Zhu // Remote Sensing. 2017. – 9 (12). https://doi.org/10.3390/rs9121304

2. Zhang, Z. Estimation of leaf area index with various vegetation indices from Gaofen-5 band reflectances / Z. Zhang, B. H. Tang // In proceedings of the IGARSS 2018. IEEE international geoscience and remote sensing symposium, Valencia, Spain. 23-27 July 2018. – Pp. 2619-2622.

3. Hasan, U. Estimating the leaf area index of winter wheat based on unmanned aerial vehicle rgb-image parameters / U. Hasan, M. Sawut, S. Chen // Sustainability, 2019. 11. 6829.

4. Tunca, E. Yield and leaf area index estimations for sunflower plants using unmanned aerial vehicle images / E. Tunca, E. S. Koksal, S. Cetin [et al.] // Environ. Monit. Assess. 2018. 190. 682.

5. Hu, T. Development and performance evaluation of a very low-cost UAV-LiDAR system for forestry applications / T. Hu, X. Sun, Y. Su, H. Guan, Q. Sun, M. Kelly, Q Guo. // Remote Sens. 2021. 13. 77.

6. Lopez-Calderon, M. J. Estimation of total nitrogen content in forage maize (Zea Mays I). Using spectral indices: analysis by random forest / M. J. Lopez-Calderon, J. Estrada-Avalos, V. M. Rodriguez-Moreno [et al.] // Agriculture 2020. 10. 451.

7. Bates, J. S. Winter wheat LAI estimation using UAV mounted LiDAR / J. S. Bates // Geomundus 2020.

8. Yan, P. Estimating LAI for cotton using multisource UAV data and a modified universal model / P. Yan, Q. Han, Y. Feng, S. Kang // Remote Sens. 2022. 14. 4272.

9. Gong, Y. Remote estimation of leaf area index (LAI) with unmanned aerial vehicle (UAV) imaging for different rice cultivars throughout the entire growing season / Y. Gong, K. Yang, Z. Lin, S. Fang, X. Wu, R. Zhu, Y. Peng // Plant Methods (2021) 17:88. https://doi.org/10.1186/s13007-021-00789-10.