2 Материалы и методы комплексного спектрального мониторинга агроценозов яровой пшеницы

2.1 Материалы и методы мультиспектрального мониторинга

2.1.1 Материалы мультиспектральных исследований

Материальную основу мультиспектральных исследований составили цифровые многоканальные изображения агроценозов яровой пшеницы (Triticum aestivum L.), полученные в течение вегетационных периодов 2024–2026 гг. на территории Павлодарской области Республики Казахстан, а также сформированные на их основе ортотрансформированные мозаики, тематические растровые изображения вегетационных индексов и результаты наземных агробиологических и фитосанитарных наблюдений.

Для получения исходных дистанционных данных применялся беспилотный летательный аппарат DJI Mavic 3 Multispectral, оснащённый мультиспектральной камерой, обеспечивающей регистрацию отражённого электромагнитного излучения в зелёном (Green), красном (Red), красном краевом (Red Edge) и ближнем инфракрасном (NIR) диапазонах спектра. Использование многозональной съёмки обеспечивало получение пространственно распределённых спектральных характеристик растительного покрова, необходимых для количественной оценки состояния посевов и анализа их внутриполевой неоднородности.

Первичные материалы представляли собой цифровые изображения отдельных спектральных каналов, на основе которых формировались геометрически согласованные ортомозаики сельскохозяйственных полей. Последующая обработка данных предусматривала расчёт вегетационных индексов NDVI, NDRE и GNDVI, а также дополнительных спектральных и биофизических показателей, используемых для характеристики развития растительного покрова и его пространственно-временной изменчивости.

Дополнительную группу экспериментальных материалов составляли результаты контактных наземных исследований, включавшие фенологические наблюдения, биометрические измерения, оценку фитосанитарного состояния посевов и засорённости. Полученные данные использовались для сопоставления спектральных показателей с фактическим состоянием растений, уточнения причин выявленной пространственной неоднородности и верификации результатов дистанционного мониторинга.

Фотограмметрическая и тематическая обработка мультиспектральных изображений осуществлялась в программной среде Pix4Dfields, обеспечивающей формирование ортомозаик, расчёт вегетационных индексов и пространственный анализ исследуемых сельскохозяйственных угодий. Сформированные массивы данных использовались для последующей оценки сезонной и межгодовой динамики агроценозов яровой пшеницы.

Таблица 1 – Материалы и технические средства мультиспектрального мониторинга

2.1.2 Методика мультиспектральной съёмки агроценозов

Мультиспектральный мониторинг [1] основывался на регистрации отражённого электромагнитного излучения растительного покрова в нескольких узких спектральных диапазонах, характеризующих особенности взаимодействия солнечного излучения с фотосинтетическими пигментами, клеточными структурами и листовым аппаратом растений.

Методика дистанционного обследования предусматривала последовательное выполнение подготовительного, съёмочного и аналитического этапов. На подготовительном этапе определялись границы исследуемых полей, параметры получения изображений и условия проведения наблюдений с учётом фенологического состояния яровой пшеницы.

Планирование полётных заданий осуществлялось с учётом площади и конфигурации сельскохозяйственных угодий, характеристик оптического сенсора, необходимого пространственного разрешения и условий освещения. Для обеспечения последующей фотограмметрической реконструкции предусматривалось получение последовательности изображений с продольным и поперечным перекрытием.

При организации мультиспектральной съёмки учитывались факторы, способные влиять на радиометрическое качество исходных данных: облачность, изменение солнечной освещённости, наличие теневых участков, характеристики почвенного фона и состояние растительного покрова.

Исследование спектральных характеристик выполнялось применительно к основным фенологическим этапам развития яровой пшеницы, включая кущение, выход в трубку, колошение и созревание. Получение изображений на различных этапах онтогенеза обеспечивало возможность сопоставления пространственного распределения спектральных показателей и изучения сезонных изменений растительности.

Методологически важным условием являлось соблюдение сопоставимости дистанционных наблюдений, выполненных в различные сроки. При анализе изображений учитывались изменения высоты растений, густоты посевов, степени сомкнутости растительного покрова и других характеристик, оказывающих влияние на зарегистрированное спектральное отражение.

Мультиспектральные изображения использовались для пространственной характеристики растительного покрова на уровне сельскохозяйственного поля, тогда как установление биологических причин наблюдаемых изменений осуществлялось на основе дополнительных контактных исследований.

2.1.3 Предварительная и фотограмметрическая обработка мультиспектральных изображений

Предварительная обработка мультиспектральных данных включала подготовку исходных снимков, геометрическую и радиометрическую коррекцию, фотограмметрическое согласование изображений, формирование ортотрансформированных мозаик и подготовку растровых материалов для последующего спектрального анализа.

Обработка изображений осуществлялась с применением программного обеспечения Pix4Dfields. Фотограмметрическое объединение отдельных снимков позволяло формировать пространственно непрерывные изображения исследуемых посевных массивов и обеспечивать согласованность данных отдельных спектральных каналов.

Особое значение имела радиометрическая подготовка изображений, необходимая для корректного использования коэффициентов спектрального отражения при расчёте вегетационных индексов. Радиометрическая сопоставимость данных является одним из основных требований при исследовании сезонной динамики растительного покрова, поскольку изменения параметров освещения могут приводить к появлению различий, не связанных с физиологическим состоянием растений.

Для описания отражательных свойств объектов использовался коэффициент спектрального отражения, определяемый как отношение отражённого излучения к падающему при заданной длине волны:

$\rho \left(\lambda \right)=\frac{E_r\mathrm{(\lambda )}}{E_i\mathrm{(\lambda )}},$

где $\rho \left(\lambda \right)$ – коэффициент спектрального отражения; $E_r\mathrm{(\lambda )}$ – отражённое излучение; $E_i\mathrm{(\lambda )}$ – падающее излучение на соответствующей длине волны

После фотограмметрической обработки формировались индексные изображения, характеризующие пространственную изменчивость спектральных показателей. Для ограничения анализа пределами исследуемых посевов применялось выделение границ полей и исключение участков, не относящихся к целевому растительному покрову, в зависимости от задач обработки.

Полученные ортомозаики и индексные растры составляли основу последующего пространственного анализа, сопоставления данных разных сроков наблюдений и выделения зон, требующих дополнительной наземной диагностики.

2.1.4 Расчёт и интерпретация вегетационных индексов

Количественная оценка мультиспектральных изображений основывалась на расчёте спектральных вегетационных индексов, характеризующих соотношение коэффициентов отражения в отдельных диапазонах электромагнитного спектра.

В качестве основных аналитических показателей рассматривались NDVI, NDRE, GNDVI, EVI и индекс листовой поверхности LAI (таблица 2). Выбор указанных показателей обусловлен необходимостью комплексной характеристики растительного покрова, оценки состояния фотосинтетического аппарата и выявления пространственной неоднородности агроценозов яровой пшеницы.

Нормализованный разностный вегетационный индекс (NDVI) рассчитывался по формуле:

$\mathrm{NDVI=}\frac{\mathrm{NIR-RED}}{\mathrm{NIR+RED}},$

где NIR – отражение в ближнем инфракрасном диапазоне спектра;

RED – отражение в красном диапазоне спектра.

NDVI характеризует контраст спектрального отражения в красном и ближнем инфракрасном диапазонах. Его использование позволяет оценивать пространственное распределение фотосинтетически активного растительного покрова и анализировать изменения растительности в процессе вегетации.

Нормализованный разностный индекс красного края (NDRE) определялся следующим образом:

$\mathrm{NDRE=}\frac{\mathrm{NIR-RED\; EDGE}}{\mathrm{NIR+RED\; EDGE}},$

где NIR – отражение в ближнем инфракрасном диапазоне спектра;

RED EDGE – значения пикселов из дальнего инфракрасного канала.

NDRE основывается на использовании диапазона красного края спектра, который характеризуется высокой чувствительностью к изменениям оптических свойств листового аппарата, связанных с содержанием фотосинтетических пигментов и состоянием растений.

Зелёный нормализованный разностный вегетационный индекс (GNDVI) рассчитывался по формуле:

$\mathrm{GNVI=}\frac{\mathrm{NIR-GREEN}}{\mathrm{NIR+GREEN}},$

где NIR – отражение в ближнем инфракрасном диапазоне спектра;

GREEN – отражение в зеленой области спектра.

GNDVI применяется для анализа спектральных характеристик растительного покрова с использованием зелёного и ближнего инфракрасного диапазонов и может дополнять оценку изменений состояния фотосинтетического аппарата.

Усовершенствованный вегетационный индекс (EVI) описывается выражением:

$\mathrm{EVI=2.5\times }\frac{\mathrm{(NIR-RED)}}{\mathrm{NIR+}\left(C_1\mathrm{\times RED}\right)-\left(C_2\mathrm{\times BLUE}\right)\mathrm{+L}},$

где NIR – отражение в ближнем инфракрасном диапазоне спектра;

RED – отражение в красном диапазоне спектра;

BLUE – отражение в синей области спектра.

EVI разработан для дополнительной характеристики растительности с учётом влияния атмосферных и фоновых факторов. В отличие от NDVI, его классическая формула требует данных синего спектрального канала. Поэтому использование EVI при мультиспектральной съёмке зависит от состава каналов применяемого сенсора и способа вычисления показателя.

Индекс листовой поверхности (LAI) определяется как отношение односторонней площади листьев к площади поверхности почвы:

$\mathrm{LAI=}\left(\mathrm{0.108\times NDVI-0.009}\right)\times \left(\mathrm{1+38.859\times Exp}\left(\mathrm{0.667\times NDVI}\right)\right),$

где NDVI – вегетационный индекс Normalized Difference Vegetation Index.

При дистанционном определении LAI требуется использование эмпирических, полуэмпирических либо физически обоснованных моделей, связывающих спектральные характеристики растительности с биофизическими параметрами листового аппарата.

Таблица 2 – Основные спектральные индексы и их диагностическое назначение

Комплексное использование вегетационных индексов обеспечивало возможность изучения пространственного распределения спектральных показателей и выделения участков, отличающихся от фонового состояния растительного покрова. При этом значения индексов рассматривались как косвенные диагностические характеристики, требующие дополнительной биологической интерпретации.

2.1.5 Пространственно-временной анализ мультиспектральных данных

Методика пространственно-временного анализа предусматривала сопоставление результатов мультиспектральной съёмки, полученных в различные сроки вегетационных периодов 2024–2026 гг., с учётом фенологических особенностей развития яровой пшеницы.

Пространственный анализ осуществлялся на основе индексных растров, позволяющих характеризовать внутриполевую неоднородность спектральных свойств растительного покрова. В пределах исследуемых полей определялись зоны, различающиеся по величине расчётных индексов, и оценивались особенности их распределения.

Для количественного описания спектральной неоднородности могут применяться показатели среднего значения, стандартного отклонения и коэффициента вариации. Среднее значение вегетационного индекса определяется по формуле:

$\overline{\mathrm{VI}}=\frac{1}{n}\sum _{\mathrm{i=1}}^n{\mathrm{VI}}_i,$

где $\overline{\mathrm{VI}}$ – значение индекса для отдельного пикселя или наблюдения; $n$ – количество анализируемых значений.

Стандартное отклонение характеризует степень разброса значений относительно среднего:

$\mathrm{s=}\sqrt{\frac{\sum _{\mathrm{i=1}}^n{({\mathrm{VI}}_i-\overline{\mathrm{VI}})}^2}{\mathrm{n-1}}.}$

Коэффициент вариации определяется следующим образом:

$\mathrm{CV=}\frac{s}{\overline{\mathrm{VI}}}\mathrm{\times 100\%.}$

Использование указанных статистических характеристик позволяет количественно описывать неоднородность индексных значений в пределах отдельных полей и выделенных пространственных зон.

Временной анализ основывался на сопоставлении соответствующих показателей в различные фенологические периоды. При сравнении результатов учитывалась необходимость разграничения закономерной сезонной изменчивости растительного покрова и изменений, обусловленных воздействием биотических и абиотических факторов.

Для анализа динамики отдельных показателей может использоваться абсолютное изменение индекса между двумя сроками наблюдений:

$\mathrm{∆VI=}{\mathrm{VI}}_{t_2}-{\mathrm{VI}}_{t_1},$

где ${\mathrm{VI}}_{t_2}$ и ${\mathrm{VI}}_{t_1}$ – значения индекса в первый и второй сроки наблюдений соответственно.

Интерпретация межгодовых различий выполняется с учётом сопоставимости фенологических фаз, сроков съёмки, радиометрических характеристик изображений и условий произрастания растений.

Методика пространственно-временного анализа направлена на выявление закономерностей изменения спектральных характеристик агроценозов, определение пространственно устойчивых и временно изменяющихся зон неоднородности и подготовку данных для последующей контактной верификации.

2.1.6 Контактные методы верификации результатов мультиспектрального мониторинга

Для обеспечения биологической достоверности интерпретации мультиспектральных изображений использовались контактные методы исследования, предусматривающие сопоставление дистанционно полученных спектральных характеристик с фактическим состоянием агроценозов яровой пшеницы.

Наземная верификация основывалась на комплексной оценке фенологического состояния растений, их морфометрических характеристик и фитосанитарной обстановки. Контактные обследования позволяли уточнять возможные причины формирования пространственной неоднородности спектрального отражения.

Фенологические наблюдения предусматривали регистрацию основных этапов развития растений с использованием шкалы BBCH. Биометрическая оценка включала определение высоты растений, густоты стояния, особенностей формирования надземной фитомассы и характеристик листового аппарата.

Фитопатологические обследования осуществлялись путём визуальной оценки растений, определения характерных симптомов поражения и отбора образцов для лабораторной диагностики. Энтомологические наблюдения использовались для выявления представителей вредной энтомофауны и оценки характера повреждения растений. Дополнительное внимание уделялось видовой принадлежности и распространённости сорной растительности.

Сопоставление наземных и дистанционных данных предусматривало соотнесение участков контактного обследования с соответствующими зонами мультиспектральных изображений. Такой подход обеспечивал возможность проверки выявленных спектральных отклонений и уточнения их биологической интерпретации.

Особое методологическое значение имела наземная проверка участков со сниженными значениями вегетационных индексов. Поскольку изменение спектральных характеристик может быть связано с различными факторами, включая дефицит влаги, особенности минерального питания, развитие заболеваний, повреждение вредителями или естественное старение растительности, дистанционная оценка не рассматривалась как самостоятельное подтверждение конкретного типа повреждения.

Таким образом, контактные методы выполняли функцию наземной верификации мультиспектрального мониторинга и обеспечивали основу для последующей интеграции полученных данных с результатами гиперспектральной визуализации.

2.2 Материалы и методы гиперспектрального мониторинга

2.2.1 Материалы гиперспектральных исследований

Гиперспектральные исследования, проведённые в 2024–2026 гг. с использованием камеры FigSpec FS-13 в диапазоне 400–1000 нм, позволили получить детализированные характеристики отражательной способности основных фитосанитарных компонентов пшеничного агроценоза. Исследованием охвачены 11 видов заболеваний грибной этиологии, 9 видов сорной растительности и 12 видов насекомых. Полученные спектральные данные послужили основой для изучения межвидовых и внутригрупповых различий, выделения информативных спектральных признаков и построения моделей классификации. Более детализировано объекты исследования и выборка представлены в таблице 3.

Таблица 3 – Основные объекты исследования

Растительные и энтомологические образцы отобраны в вегетационный период яровой пшеницы в основных зернопроизводящих районах северо-восточной части Казахстана (Павлодарской области) в основные фенологические фазы ее развития (по шкале Biologische Bundesanstalt, Bundessortenamt und Chemische Industrie 25–35, 39–59, 61–75).

Исследования проводились на территории, представленной типичными степными агроландшафтами с равнинным рельефом и резко континентальным климатом. Погодные условия в вегетационный период были умеренно теплыми со средней температурой воздуха +17–+18°C, осадками от 15 до 70 мм, северо-восточным и юго-западными ветрами со скоростью в среднем от 3 до 5 м/с. Почвенный покров представлен преимущественно каштаново-среднесуглинистые и темно-каштановыми почвами с известковым составом и рН 7.3-7.6, а также варьированием запасов влаги в слое 0-50 см от 30 до 90 мм.

Отобранные на полях образцы доставлялись в лабораторию для последующей обработки и проведения гиперспектральной съемки. Полученные данные использованы для формирования набора спектральных данных, используемых при машинном обучении и построении ML-моделей.

2.2.2 Оценка пораженности растений фитопатогенами

Растительные пробы отбирались на выбранных территориях с интервалом 25-50 шагов начиная от края поля 25-50 м и продвигаясь вглубь посевов на 200-300 нм. При равномерном распределении пораженных болезнями растений по исследуемым участкам, применялась схема отбора проб прямоугольного или треугольного типа, а при очаговом распространении болезней применялась шахматная или диагональная съема маршрута [2]. В выборку включали растения с визуально различимыми характерными признаками поражений заболеваниями. Определение фитопатогенов проводилось лабораторными методами по ГОСТ 12044–93 «Методы определения заражённости болезнями» [3].

2.2.3 Сбор и идентификация энтомологического материала

Сбор энтомологического материала проведен в посевах яровой пшеницы в период её вегетации. Для равномерного покрытия участков исследования использован маршрутный метод. Сбор насекомых проведен энтомологическим сачком, имеющим длину рукояти 1 м, глубину мешка 60 см и диаметр обода 30 см, а также вручную с верхнего слоя травостоя. Учет количества вредителей осуществлен в соответствии с энтомологической методикой [4] на 100 взмахов. Собранных насекомых усыпляли парами этилацетата в переносной камере (энтомологический киллер). Далее экземпляры маркировались и транспортировались в лабораторию. Таксономическая идентификация проводилась под ×10–×40-кратным увеличением стереомикроскопа на основе диагностических признаков (форма головы, строение усиков, жилкованию и окраске крыльев, особенности щетинок и покровов). Видовая принадлежность определялась по специализированным определителям насекомых [5].

2.2.4 Гиперспектральная визуализация

Лабораторные исследования проводились в научно-исследовательской лаборатории биологии Торайгыров университета (г. Павлодар, Казахстан).

Перед началом съемки подготовлены референсные калибровочные панели – белый и темный эталоны (белый эталон – Spectralon, 99 % (Labsphere, Inc., North Sutton, NH, USA)) [6].

2.2.5 Предсъемочная подготовка растительных образцов

Образцы растений размещались от камеры на расстоянии 30-40 см в зависимости от очага поражения, размера образца и пространственного разрешения. Фиксирование образцов производилось в их естественном положении (адаксиальной и абаксиальной сторонами листа вверх) с обеспечением свободного доступа к морфологически значимым зонам у сорняков и пораженным участкам пшеницы. Далее проводилась калибровка камеры использованием референсных панелей для обеспечения радиометрической коррекции и минимизации шумов.

2.2.6 Предсъемочная подготовка энтомологических образцов

Образцы насекомых размещались от камеры на расстоянии 30-40 см преимущественно дорсальной, вентральной и латеральной сторонами вверх, а при одновременном расположении нескольких образцов – между ними выдерживалось расстояние 3-5 см для минимизации перекрытия и корректного извлечения спектров, а также обеспечения целостности естественных покровов и минимизации механических воздействий. После фиксации насекомых проведена радиометрическая коррекция калибровочными панелями.

2.2.7 Гиперспектральная съемка образцов и обработка снимков

Гиперспектральная съемка проведена камерой сканирующего типа FigSpec® FS-13 (CHNSpec Technology, Hangzhou, China), работающей в диапазоне 400-1000 нм с 1200 спектральными каналами, спектральным разрешением 2,5 нм, пространственным разрешением 1920 пикселей/строка, 128 fps, 3300 fps after ROI. Спектральный метод – трансмиссионная дифракционная решетка, тип детектора – CMOS. Полученные необработанные гиперкубы загружались в программное обеспечение Breeze (v2024.2.0) с последующей редукцией размерности трехмерных массивов в двухмерные пространственные структуры, предобработки в виде сглаживания, SNV нормализации, центрирования, удаления фоновых пикселей, минимизации шумов и формирования масок ROI-инструментами с использованием морфологической фильтрации.

2.2.8 Спектральный и PCA-анализ образцов

После снижения размерности полученных гиперспектральных кубов, построена PCA-модель с послойным преставлением изображений по главным компонентам. Извлечение спектров VNIR-диапазона осуществлялось по данным изображениям с получением графиков Raw Spectrum. Графики Variance Scatter использованы для выявления плотности распределения спектральной информации по первым шести главным компонентам, среди которых выбраны первый две t[1] и t[2] ввиду своей наибольшей информативности. Первая главная компонента описывала основную долю дисперсии и ключевой ряд диагностических признаков, а вторая компонента дополняла ряд признаков дополнительными в виде особенностей покровов или отдельных морфологических структур. Формирование Variance Scatter осуществлялось в соответствии с плотностью группировки пикселей по их сходству, где синий цвет соответствовал менее плотным участкам и дисперсия объясняла дополнительные признаки, а красные ядра – максимальной плотности и ключевые спектральные признаки, лежащие в основе классификации.

2.2.9 Алгоритмы машинного обучения для идентификации и дифференциации фитосанитарных компонентов агроценоза

Для идентификации и дифференциации болезней пшеницы, сорняков и насекомых построены модели машинного обучения. На основе PCA-модели строилась эталонная модель, которая использовалась для выделения областей интереса с одновременным удалением фона и шумовых пикселей. Также для выделения отдельных участков использовался ручной метод сегментации без последующего объединения извлеченных участков. Полученная выборка разделена на два независимых сета: обучающая выборка (80 %) и тестовая выборка (20 %), где каждый образец использовался только в одной выборке. Извлеченные образцы тестировались пятью алгоритмами машинного обучения: Random Forest (Fast Forest), Maximum Entropy (SDCA), SVM, Neural Network (AP), SIMCA с пятикратной кросс-валидацией. На этапе построения моделей машинного обучения для всех алгоритмов использовались значения гиперпараметров, заданные по умолчанию в ПО Breeze, без дополнительной оптимизации.

Схема процесса от получения сырых данных до классификации представлена на рисунке 2.

Рисунок 2 – Процесс построения моделей машинного обучения

Оценка качества работы моделей, построенных на основе алгоритмов машинного обучения проведена по таким основным метрикам как: Precision, Recall, F1-score, Sensitivity, Specificity, Binary Accuracy, Balanced Accuracy, Cohen’s kappa coefficient, Matthews correlation coefficient (MCC).

2.2.10 Статистическая обработка данных

Спектральные характеристики оценены с помощью показателей дискриптивной статистики. Для выявления сходства спектральных характеристик в каждой группе фитосанитарных объектов применен метод иерархической кластеризации Варда (Ward’s method), выполненный по стандартизированным значениям спектральных признаков (z-score) с использованием евклидовой метрики расстояния, по которым строились дендрограммы позволяющие подтвердить степень сходства или различия отдельных фитосанитарных объектов внутри каждой группы, а также выявить явных аутлайеров. Ключевые формулы основных расчетов представлены в таблице 4.

Таблица 4 – Формулы расчёта спектральных показателей и качества работоспособности моделей

Полученные результаты статистического анализа использованы для оценки спектральных паттернов и работы классификационных моделей по идентификации и дифференциации поражений пшеницы возбудителями заболеваний, сорной растительности и насекомых.