Геометрія збірник задач і контрольних робіт 7 клас мерзляк: Збірник задач контрольних Геометрія 7 клас Мерзляк 2015. Скачать, читать

Решебник ГДЗ Геометрия 7 класс А. Г. Мерзляк, В. Б. Полонский, М. С. Якир, Ю. М. Рабинович 2015. Сборник задач

ГДЗ 7 класс Геометрия

показать обложку

Авторы:  А. Г. Мерзляк, В. Б. Полонский, М. С. Якир, Ю. М. Рабинович

Год:  2015

Описание:  Сборник задач

Рейтинг: 5.0Оцените книгу

Аналоги другого года издания

показать обложку

Авторы:А. Г. Мерзляк, В. Б. Полонский, М. С. Якир

Год:2011

показать обложку

Авторы:А. Г. Мерзляк, В. Б. Полонский, М. С. Якир

Год:2015

показать обложку

Авторы:А. Г. Мерзляк, В. Б. Полонский, М. С. Якир

Год:2015

Описание:Сборник задач и контрольных работ

показать обложку

Авторы:А. Г. Мерзляк, В. Б. Полонский, М. С. Якир, Ю. М. Рабинович

Год:2007

Описание:Сборник задач и заданий для тематического оценивания

Самые популярные книги

показать обложку

Авторы:А. Г. Мерзляк, В. Б. Полонский, М. С. Якир, Ю. М. Рабинович

Год:2013

Описание:Сборник задач и контрольных работ

показать обложку

Авторы:В. М. Бойко, И. Л. Дитчук

Год:2017

Описание:Тетрадь для практических работ

показать обложку

Авторы:В. И. Соболь

Год:2015

Описание:Рабочая тетрадь

показать обложку

Авторы:В. Г. Барьяхтар, Ф. Я. Божинова, С. А. Довгий

Год:2015

показать обложку

Авторы:Naomi Simmons

Год:2019

Описание:Family and Friends 4 workbook 2nd edition

показать обложку

Авторы:В. Г. Барьяхтар, Ф. Я. Божинова, Е. А. Кирюхина, С. А. Довгий

Год:2016

2. ✅ ГДЗ ✅
3. ⚡ 7 класс ⚡
4. Геометрия ✍
5. Геометрія. Збірник задач і завдань для тематичного оцінювання, 7 клас

Нужны ли ГДЗ в 7 классе

Особенности седьмого класса в том, что в этом возрасте дети уже умеют работать самостоятельно и в состоянии рационально оценить сложность задания. Однако, далеко не всегда дети могут самостоятельно разобраться в слишком сложном задании. Именно для таких сложных ситуаций и были созданы ГДЗ по геометрии за 7 класс А. Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач. Издание А.Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач ГДЗ по геометрии за 7 класс призвано, в первую очередь, помочь школьникам разобраться в сложном материале.

Что в ГДЗ

ГДЗ за 7 класс по геометрии А.Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач состоит из 2 частей:

Поможет ли ребенку ГДЗ

Школьные программы регулярно меняются, следовательно, подростки без помощи издания за 7 класс ГДЗ по геометрии А.Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач просто не смогут без посторонней помощи разобраться в сложной теме. В этой ситуации на помощь придет ГДЗ по геометрии за 7 класс А.Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач, где можно найти ответы абсолютно ко всем заданиям и разобраться в том почему данное упражнение или задание выполняется так, а не иначе.

ГДЗ — почему это работает

Проблема седьмого класса в том, что дети сталкиваются с постоянным увеличением нагрузки и усложнением выполняемых задач. Задания, которые из месяца в месяц становятся все сложнее и сложнее порой не под силу даже самым старательным ученикам. Именно для того, чтобы помочь подросткам осилить новый материал и необходима книга ГДЗ по геометрии за 7 класс А.Г.Мерзляк В.Б.Полонский Ю.М.Рабинович М.С.Якир 2015 сборник задач.

Гдз геометрія 7 клас збірник задач мерзляк 2015

Скачать гдз геометрія 7 клас збірник задач мерзляк 2015 doc

«ГДЗ по Геометрии 7 класс Учебник Мерзляк, Полонский, Якир Вентана-Граф Алгоритм успеха» поможет школьнику разобраться с нюансами и понять все тонкости данного предмета.

Решебник содержит правильные и подробно расписанные онлайн-ответы, которые легко отыскать по номеру упражнения. С их помощью ученик сможет проверить правильное выполнение домашней работы, углубить и закрепить пройденные темы, тщательно подготовиться к предстоящему уроку, при этом значительно сэкономив свои время и силы. Систематическое использование ГДЗ даст возможность подтянуть знания, и улучшить оценки в самые кратчайшие ср.

Решебник (ГДЗ) Геометрія 7 клас А.Г. Мерзляк, В.Б. Полонський, М.С. Якір ( рік) Збірник задач і контрольних робіт. Авторы: А.Г. Мерзляк, В.Б. Полонський, М.С. Якір. Год: |. Класс: 7 |. Предмет: Геометрія |. Похожие ГДЗ  Сборник задач по геометрии для седьмого класса. В седьмом классе все ученики будут изучать в школе геометрию.

Они получат учебник с огромным количеством заданий и с сборником задач. Хорошо, что есть решебник Геометрія 7 клас А.Г. Мерзляк, В.Б. Полонський, М.С. Якір Збірник задач і контрольних робіт года.

А какой вариант у тебя? Выполняя задания из сборника примеры и задачи делят на варианты. Так вот в этом решебнике есть ответы к каждому варианту. Пособие представляет собой дидактический материал по геометрии для 7 класса общеобразовательных учебных заведений. Книга является составной частью учебно-методического комплекта и соответствует учебнику по геометрии для 7 класса (авторы А. Г. Мерзляк, В. Б. Полонский, М. С. Якир). Пособие содержит около задач. Первая часть «Тренировочные упражнения» разделена на четыре однотипных варианта по задач в каждом.

Вторая часть содержит два варианта заданий для тематического оценивания учебных достижений учащихся по балльной шкале в соответствии с действующей программой по математике. Для. Геометрия 7 Контрольные Мерзляк — контрольные работы из пособия «Геометрия.

Дидактические материалы. 7 класс ФГОС» (Мерзляк, Полонский, Якир) + РЕШЕНИЯ.  Дидактические материалы. 7 класс ФГОС» (авт. А.Г. Мерзляк, В.Б. Полонский, М.С. Якир, изд-во «Вентана-Граф»), а также ОТВЕТЫ на задания контрольных (в пособии нет ответов).

7 класс. ФГОС А. Г. Мерзляка, В. Б. Полонского, М. С. Якира оранжевый. Издательство Вентана — Граф. Серия Математика (Алгоритм успеха). Состоит из одной части со страницами.

Начиная изучение геометрии, школьники узнают новые для себя понятия, которые станут основой освоения предмета в следующих классах. Луч, отрезок, прямая, биссектриса, равносторонний треугольник, параллельные и перпендикулярные прямые – расширят математические знания учащихся, станут основой развития логической интуиции, сформируют понимание значения геометрии в повседневной жизни.

Решение заданий в группе поможет вырабо.

А.Г. Мерзляк, Ю.М. Рабинович, В.Б. Полонский — Геометрия, 7 класс. Авторы, издание: Мерзляк A. Г., Рабинович Ю.

М., Полонский B. Б., Якир М. С. Нравится. Твитнуть.  О решебнике А.Г. Мерзляк, Ю.М. Рабинович, В.Б. Полонский. Другие решебники по геометрии для 7 классa. Л.С. Атанасян Л.С. Атанасян и др. — е изд. Геометрія 7 клас Збірник задач і завдань для тематичного оцінювання Мерзляк. Загружено 10 ноября Геометрія 7 клас Збірник задач і завдань для тематичного оцінювання Мерзляк Переглянути за посиланням: 8 КЛАС. ГЕОМЕТРІЯ.  Збірник задач і контрольних робіт з математики 5 клас Мерзляк Переглянути за посиланням: Збірник задач і контрольних робіт з геометрії 11 клас Мерзляк.

Загружено 16 ноября Збірник задач і контрольних робіт з геометрії 11 клас Мерзляк Переглянути за посиланням: Збірник задач і контрольних робіт з алгебри 10 клас Мерзляк. Загружено 16 ноября Збірник задач і контрольних робіт з алгебри 10 клас Мерзляк Переглянути за посиланням: 8 КЛАС. АЛГЕБРА. В цьому випадку ГДЗ з геометрії за 7 клас А.Г.Мерзляк М.С.Якір В.Б.Полонський збірник задач і контрольних робіт буде просто незамінним помічником для підлітків, які зможуть не тільки перевірити, чи правильно вони виконали завдання, але і згадають давно забуті правила.

Що в ГДЗ. ГДЗ за 7 клас з геометрії А.Г.Мерзляк М.С.Якір В.Б.Полонський збірник задач і контрольних робіт складається з 5 частин: Варіант 1. Варіант 2.

PDF, EPUB, djvu, djvu

Похожее:

Гдз по геометрии 7 класс мерзляк збірник задач

Скачать гдз по геометрии 7 класс мерзляк збірник задач djvu

ГДЗ решебник по Геометрии Збірник задач і завдань для тематичного оцінювання 7 класс Мерзляк Полонський Рабінович ГДЗ Геометрія 7 клас Мерзляк Полонський Рабінович Якір Тематичні контрольні роботи з геометрії.

Відповіді до підручника з геометрії ГДЗ. Контрольні та самостійні роботи з геометрії. Інші популярні підручники з геометрії. Відповіді до збірника. ГДЗ онлайн. Автор: Мерзляк А.Г., Полонский В.Б., Рабинович Е.М., Якир М.С.

Пособие представляет собой дидактический материал по геометрии для 7 класса общеобразовательных учебных заведений. Книга является составной частью учебно-методического комплекта и соответствует учебнику по геометрии для 7 класса (авторы А. Г. Мерзляк, В. Б. Полонский, М. С. Якир). Пособие содержит около задач.  Пособие представляет собой дидактический материал по геометрии для 7 класса общеобразовательных учебных заведений.

Книга является составной частью учебно-методического комплекта и соответствует учебнику по геометрии для 7 класса (авторы А. Г. Мерзляк, В. Б. Полонский, М. С. Якир). авторы: A.Г. Мерзляк, Ю.М. Рабинович, B.Б. Полонский, М.С. Якир. ГДЗ по геометрии 7 класс сборник задач, авторы: A.Г. Мерзляк, Ю.М. Рабинович, B.Б. Полонский, М.С. Якир, Украина год. ГДЗ к учебнику по геометрии за 7 класс Мерзляк Полонский для Российских школ.

ГДЗ к рабочей тетради по геометрии за 7 класс Мерзляк Полонский для Российских школ. Ответы к дидактическим материалам по геометрии 7 класс Мерзляк для Российских школ. Вариант 1. 1. «ГДЗ по Геометрии 7 класс Учебник Мерзляк, Полонский, Якир Вентана-Граф Алгоритм успеха» поможет школьнику разобраться с нюансами и понять все тонкости данного предмета. Решебник содержит правильные и подробно расписанные онлайн-ответы, которые легко отыскать по номеру упражнения.

С их помощью ученик сможет проверить правильное выполнение домашней работы, углубить и закрепить пройденные темы, тщательно подготовиться к предстоящему уроку, при этом значительно сэкономив свои время и силы. Систематическое использование ГДЗ даст возможность подтянуть знания, и улучшить оценки в самые кратчайшие ср. Решебник (ГДЗ) по Геометрии за 7 (седьмой) класс авторы: Мерзляк, Полонский, Якир издательство Вентана-граф, год.  В этом разделе онлайн-решебника по геометрии за 7 класс от Мерзляка учителя, школьники и их родители найдут решение заданий по рабочей программе математики за 7 класс группы авторов Мерзляк, Полонский, Якир.

ГДЗ рассчитано на учеников, занимающихся в школе и обучающихся на дому. Они могут использовать верные ответы несколькими способами: списывание или проверка упражнений  разбор задач, решенных в классе во время болезни или отсутствия ученика по другой причине; самостоятельные тренировки на простых и сложных заданиях.

Все задачи разделены по уровню сложности, чтобы педагог смог грамотно составлять учебный план и правильно задавать домашние задания. Если данный учебник использовать как пособие для индивидуального усвоения геометрической науки — очень кстати будет решебник к нему от тех же авторов — Мерзляк А.Г., Якир М.С.

и Полонский В.Б. Изучать предмет проще когда есть в наличии материал, с помощью которого есть потенциал сразу проверить верность выполнения упражнения.  ГДЗ к учебнику по Геометрии 7 класс Мерзляк, Поляков Углубленный уровень можно скачать здесь. Мерзляк А. Видавництво: Гімназія Рік: ВАРІАНТ 1.

Онлайн-решебники по алгебре за 7 класс Мерзляк А.Г. – готовые домашние задания, подробные решения и ответы, без регистрации, бесплатно, круглосуточно, самые актуальные ГДЗ по математике.  В этом вопросе им поможет решебник по алгебре за 7 класс Мерзляк сайта ГДЗ Путина, который позволяет находить ответы и решения в один клик.

Как работает система? Решебник можно найти по названию или фамилии автора через поиск, в таблице выбрать и кликнуть номер упражнения и получить готовый ответ. В чем главные преимущества ресурса ГДЗ Путина? здесь сосредоточены самые свежие версии онлайн-сборников готовых домашних заданий.

doc, rtf, EPUB, djvu

Похожее:

Учебники, рабочие тетради и сборники заданий по геометрии для 7 класса

Наша цена 80 грн

На складе

Наша цена 200 грн

На складе

Наша цена 200 грн

На складе

Наша цена 350 грн

На складе

Наша цена 70 грн

На складе

Наша цена 70 грн

На складе

Наша цена 70 грн

На складе

Наша цена 50 грн

На складе

Наша цена 80 грн

На складе

Наша цена 180 грн

На складе

Наша цена 250 грн

На складе

Наша цена 190 грн

На складе

Наша цена 70 грн

На складе

Наша цена 210 грн

На складе

Шесть учебников по геометрии для 7 класса на выбор по новой программе для украинских и русских школ предлагает своим посетителям и потенциальным покупателям книжный интернет-магазин «Книги-опт». Здесь Вы можете купить по себестоимости любой из них со скидками учителям, оптовой и зарегистрированным на сайте клиентам.
Все учебные пособия принимали участие во Всеукраинском конкурсе на лучший учебник и получили рекомендации Министерства образования и науки. Качество, конечно, вполне соответствует данному уровню.
Учебный материал подается в доступной и оригинальной форме. Все чертежи, необходимые для изучения тем, — налицо. Правила и определения выделяются рамками, цветом, специальными шрифтами.
Обложки учебников — привлекательные и в целом соответствуют содержанию книги. Активно используются условные обозначения, помогает быстро ориентироваться в содержании параграфов и тем. Страницы украшаются цветным фоном, таблицами, схемами.
Для закрепления изученного материала подаются разнообразные задачи, задачи, ответы на которые печатаются в конце учебника.
Ознакомьтесь, пожалуйста, с представленным Вам списку и выберите учебник по любимыми авторами или издательством.
Учебник «Геометрия. 7 класс », авторы — Ершова А. П., Голобородько В. В., Крыжановский А.Ф., издательство« Ранок », город Харьков, 224 страницы.§ Учебник «Геометрия. 7 класс », авторы — Хацкевич А. Г., Полонский В. Б., Якир М. С., харьковское издательство« Гимназия », объем — 224 страницы.Учебное пособие «Геометрия. 7 класс »для классов с углубленным изучением математики, авторы — Хацкевич А. Г., Полонский В. Б., Якир М. С., издательство« Гимназия », объем — 192 страницы.Учебник «Геометрия. 7 класс »авторов Бурды М. И., Тарасенков Н. А., киевского издательства« Просвещение », объемом — 208 страниц.Учебник «Геометрия. 7 класс »автора Тадеева В. А., тернопольского издательства« Учебная книга — Богдан », наибольший объем — 296 страниц.Учебник «Геометрия. 7 класс »автора Истера А. С., издательства« Генеза »города Киева, общий объем — 184 страницы.Все учебники достойны одобрения и избрания, следовательно, заказывайте тот, который все же больше понравился. А мы выполним любой Ваш заказ и в неограниченном количестве. Оптовой партии учебных пособий Вы получите скидку. А партии на особо крупную сумму отправляются бесплатно по всем адресам Украины.
Хороших Вам покупок! Удачи!

7 клас. Геометрія. Збірник задач і контрольних робіт (А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С.

В наличииОптом и в розницуКод: 9789664742600

70 грн.

67,90 грн.

Показать оптовые цены

• 59.50 грн/шт.

  при заказе от 5 шт.

• 52.50 грн/шт.

  при заказе от 10 шт.

• 45.50 грн/шт.

  при заказе от 20 шт.

Минимальная сумма заказа на сайте — 300 грн.

• +380 показать номер

  +380675799458

  Заказы по телефону не принимаются

7 клас. Геометрія. Збірник задач і контрольних робіт (А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С.

67,90 грн.70 грн.

В наличии

• +380 показать номер

  +380675799458

  Заказы по телефону не принимаются

У компании подключены электронные платежи. Теперь вы можете купить любой товар не покидая сайта.

Характеристики

Гдз геометрія 7 класс мерзляк 2015

Скачать гдз геометрія 7 класс мерзляк 2015 EPUB

Відповіді до підручника з геометрії для 7 класу Мерзляк. рік.  Добавить книги в список» По запросу «» не найдено ни одной книги. Геометрія. 7 клас. рік Мерзляк А.Г., Полонський В.Б., Якір М.С. «Геометрія. 7 клас. рік» ГДЗ. Мерзляк А.Г., Полонський В.Б., Якір М.С. Відповіді до підручника з геометрії для 7 класу Мерзляк. Ответы к учебнику по геометрии для 7 класса Мерзляк. Пiдручник. Збірник задач і контрольних робіт. Категория: ГДЗ готовое домашнее задание / ГДЗ готовое домашнее задание Название учебника: Відповіді (ГДЗ, ответы) Геометрія 7 клас Мерзляк Автор: Мерзляк А.

Г., Полонський В. Б., Якір М. С. ГДЗ: готовые ответы по геометрии за 7 класс, решебник Мерзляк, ФГОС, онлайн решения на giftadmin.ru  Авторы: Мерзляк А.Г., Полонский В.Б., Якир М.С. Издательство: Вентана-граф Тип книги: Учебник. Рекомендуем посмотреть. В седьмом классе, к несчастью учеников, помимо появления физики, происходит еще и разделение математики на две сложнейшие науки: алгебру и геометрию. Обучение каждой из них предполагает большие затраты времени и невероятные усилия даже для детей с математическим складом ума, что уж говорить о «гуманитариях», которые при одном взгляде на квадратные уравнения, синусы и тангенсы уже чувствуют тревогу.

Гдз и решебник Геометрия 7 класс Мерзляк, Полонский, Якир — Учебник. Геометрия 7 класс. Серия: Алгоритм успеха.

Тип пособия: Учебник. Авторы: Мерзляк, Полонский, Якир. Издательство: «Вентана-Граф». Геометрия – это сложный предмет. На такой вопрос нельзя ответить однозначно, потому что каждый человек считает по-своему.

Для кого-то геометрия – это очень легко и просто. А кто-то справляется с данным предметом с трудом. Только вот ничто не может отменить тот факт, что после девятого и одиннадцатого класса на ОГЭ и ЕГЭ геометрия является частью экзамена. К тому же, для того, чтобы получить любую оц.

Домашняя работа по геометрии за 7 класс к учебнику авторов А.Г. Мерзляк, В.Б. Полонский, М.С. Якир. «Геометрия 7 класс: учебник для учащихся общеобразовательных организаций». В пособии решены и в большинстве случаев подробно разобраны задачи и упражнения из учебника «Мерзляк А.Г. Геометрия: 7 класс: учебник для учащихся общеобразовательных организаций / А.Г.

Мерзляк, В.Б. Полонский, М.С. Якир. — М.: Вентана-Граф, — с.». Пособие адресовано родителям, которые смогут проконтролировать правильность решения, а в случае необходимости помочь детям в выполнении домашней работы по геометр.

ГДЗ геометрія 7 клас — (решебник) за підручником автора Мерзляк.  Підпишись та отримуй 12 балів! ГДЗ плюс. YouTubeYouTubeYouTube. +. геометрія 7 клас Мерзляк. 7 клас ➠ геометрія. Список параграфів та вправ: § 1. Найпростіші геометричні фігури та їхні властивості (вправи ) § 2. Трикутники (вправи ) § 3. Паралельні прямі. Гдз и решебник Геометрия 7 класс Мерзляк, Полонский, Якир — Учебник. Геометрия 7 класс. Серия: Алгоритм успеха. Тип пособия: Учебник. Авторы: Мерзляк, Полонский, Якир. Издательство: «Вентана-Граф».

Геометрия – это сложный предмет. На такой вопрос нельзя ответить однозначно, потому что каждый человек считает по-своему. Для кого-то геометрия – это очень легко и просто. А кто-то справляется с данным предметом с трудом.

Только вот ничто не может отменить тот факт, что после девятого и одиннадцатого класса на ОГЭ и ЕГЭ геометрия является частью экзамена. К тому же, для того, чтобы получить любую оц. Чтобы читать и смотреть Учебник Геометрия 7 класс Мерзляк Полонский Якир, нажмите на нужные страницы.

Появятся изображения с бесплатными учебными материалами.  В комментариях вы можете сверяться и делиться готовыми ответами на домашнее задание, создавая свой интерактивный решебник к сложным упражнениям.

djvu, EPUB, EPUB, txt

Похожее:

Геометрія збірник задач і контрольних робіт мерзляк 7 клас відповіді

Скачать геометрія збірник задач і контрольних робіт мерзляк 7 клас відповіді djvu

Тематичні контрольні роботи з геометріїВідповіді до підручника з геометрії ГДЗДивись ГДЗ Геометрія 7 клас Мерзляк збірник задач і завдань для. 7 клас. Геометрія. Збірник задач і контрольних робіт. Мерзляк. Интернет-магазин knigi Views years ago. Геометрія 7 клас Збірник задач і завдань для тематичного оцінювання Мерзляк.

Petrovka Online. Views years ago.  Придбати 8 кл АЛГЕБРА. Збірник задач і контрольних робіт. МЕРЗЛЯК, вид-во Гімназія: Главная ГДЗ 7 класс геометрия Мерзляк, Полонский, Якир.

Мерзляк, Полонский, Якир. Вентана-Граф. год. решебник по геометрии 7 класс Мерзляк, Полонский. Глава 1. Простейшие геометрические фигуры и их свойства. (Страницы 9 — 48) Вопросы к §1. Cтраница 1; 2; 3; 4; 5; 6; 7; 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; Вопросы к §2. Cтраница 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 20; 21; 22; 23; 24; 25; 26; 27; 28; 29; 30; 31; 32; 33  Онлайн решебник (гдз) по геометрии 7 класс Мерзляк — учебник.

Предыдущее Следующее. Геометрия 7 класс. Учебник. Мерзляк, Полонский, Якир. 1. Алгоритм успеха.  Действительно, появившаяся лишь в седьмом классе новая дисциплина геометрия требует от учеников не только знание теории, но и умение полноценно применять ее при решении практических задач.

Вряд ли многие родители смогут оказать помощь в изучении предмета, с которым они сами не сталкивались около двадцать лет. Гораздо эффективнее использовать помощь профессионала в этой науке — решебника к пособию «Геометрия 7 класс Учебник Мерзляк, Полонский, Якир Вентана-Граф Алгоритм успеха». Что входит в состав решебника. Готові відповіді на Збірник задач і контрольних робіт з геометрії для 7 класу, автори: Мерзляк А.

Г., Полонський В. Б., Якір М. С. Нова програма року.

ГДЗ 7 класс» Геометрия. Решебник для Збірника задач і завдань для тематичного оцінювання «Геометрія 7 клас, А.Г. Мерзляк, В.Б. Полонський». Идет загрузка решебника .

Другие решебники:  Геометрія. А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір.  Математика. А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С.

Якір.  Математика. А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір. Збірник задач Геометрія 7 клас Мерзляк. 89169775797.ru 12/09/ Мова навчання: Українська. Автор підручника: А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір. Видавництво: Харків, «Гімназія». Рік видання: Кількість сторінок: Збірник задач і завдань для тематичного оцінювання з Геометрії 7 клас А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір. ДПА Відповіді до Підсумкових контрольних робіт Англійська мова 9 клас ЗНО Все Історія України Довідник Пам’ятки архітектури та образотворчого мистецва Англ.

нім. мова Математика Тести для підготовки до ЗНО Історія України.  Сторінок: Предмет та Клас: Збірник задач контрольних Геометрія 7 клас. Підручник створено відповідно до навчальної програми з Геометрії Збірник задач контрольних 7 класу загальноосвітніх навчальних закладів.

Рекомендовано міністерством освіти і науки молоді та спорту України. Інструкція як завантажити підручник. Читати онлайн: Збірник задач контрольних Геометрія 7 клас Мерзляк Предыдущая статья Підручник Образотворче мистецтво 7 клас Рубля

rtf, fb2, PDF, txt

Похожее:

Робототехнические системы — Управление приложениями и программирование

Вы читаете бесплатный превью

Страницы с 28 по 31 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 47 по 91 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 110 по 197 не показаны при предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 213 по 236 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 258 по 268 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 286 по 309 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 326 по 379 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 395 по 405 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Стр. 409 не отображается в этом предварительном просмотре.

Вы читаете бесплатный превью

Page 425 не отображается в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 429 по 435 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 439 по 456 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 460 по 461 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Page 465 не отображается в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 487 по 556 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 566 по 597 не показаны в этом предварительном просмотре.

Вы читаете бесплатный превью

Страницы с 608 по 626 не показаны в этом предварительном просмотре.

Дистанционное зондирование | Бесплатный полнотекстовый | Летные эксперименты с БПЛА для дистанционного зондирования растительности

1.Введение

В последние годы использование беспилотных летательных аппаратов (БПЛА) распространилось на гражданские приложения, такие как внутренняя безопасность, мониторинг лесных пожаров, наблюдение за быстрым реагированием на чрезвычайные ситуации, исследования Земли, отбор проб вулканического газа, гуманитарные наблюдения, биологические / химические измерения. / задачи разминирования и мониторинг газопровода [1]. Международная организация гражданской авиации (ИКАО) определила беспилотный самолет как любой самолет, предназначенный для работы без пилота на борту [2], и установила правила для подмножества таких самолетов с ограниченным уровнем автономии, которые известны как дистанционно пилотируемые авиационные системы (ДПАС), готовящиеся к полетам в ближайшем будущем.В глобальном масштабе определяются стратегии дорожных карт и законодательные инициативы, призванные заполнить технологические и операционные пробелы, ограничивающие полноценное функционирование ДПАС. Для простоты и соответствия большей части исследовательской работы, рассматриваемой в этой статье, термин БПЛА применяется к любой воздушной платформе, способной летать без человека на борту, независимо от уровня ее автономности. Изначально рассматривались БПЛА для операций D3 (грязные, унылые и опасные).Например, использование БПЛА в грязных ситуациях, таких как радиоактивное заражение, было задокументировано после повреждения реактора на Фукусиме [3,4]. Использование БПЛА для скучных операций включает их использование для наблюдения за границами [5] и создания цифровой модели рельефа (DEM) [6]. В опасных ситуациях приложения на базе БПЛА использовались во время ураганов и лесных пожаров [7,8]. В настоящее время меньшая стоимость этих платформ по сравнению с другими альтернативами позиционирует БПЛА как жизнеспособную замену и / или дополнение к существующим воздушным платформам дистанционного зондирования, таким как спутники и полномасштабные пилотируемые самолеты.Из-за сниженной стоимости использование БПЛА также является возможностью для предприятий, связанных с развлечениями, логистикой, созданием мультимедиа, грузовыми операциями и т. Д. Помимо использования БПЛА в грязных, унылых и опасных условиях, ряд операций дистанционного зондирования апробировали использование БПЛА для мониторинга дикой природы, ледяного покрова, погодных явлений, изменения климата и т. д. [9]. Научные исследования в основном касались предшественников полетов дистанционного зондирования с использованием БПЛА. Они продемонстрировали возможность создания беспилотных летательных аппаратов и преимущества использования таких платформ, в том числе их экономию затрат и расширенные возможности использования, долговечность, гибкость и разрешающую способность.По сравнению со спутниковыми приложениями дистанционного зондирования, приложения на базе БПЛА имеют гораздо лучшее разрешение (от сотен метров до нескольких сантиметров) и большую гибкость в выборе подходящей полезной нагрузки и подходящего временного и / или пространственного разрешения [10]. При сравнении БПЛА с полномасштабным пилотируемым дистанционным зондированием самолетов с точки зрения долговечности, стоимости или возможностей беспилотные летательные аппараты показали преимущества, поскольку они имеют больший набор возможностей. Данфорд и др. [11] акцентировал внимание на преимуществах работы с БПЛА в плане получения изображений с высоким разрешением (менее 25 см), которые были собраны относительно дешево и с высоким временным разрешением из-за высокой гибкости работы БПЛА.Возможность легкого развертывания БПЛА делает их полезными для приложений быстрого реагирования. В этой статье мы рассмотрим ряд недавно опубликованных работ, описывающих использование БПЛА в приложениях дистанционного зондирования, особенно те эксперименты, которые документируют реальные полеты, посвященные мониторингу территорий с растительностью. Приблизительно 40 экспериментов с БПЛА используются в качестве основы для этого обзора, и они описывают полеты БПЛА более чем в 15 странах, которые наблюдали за 18 различными типами растительности, измеряли до 21 типа индексов растительности, включали аналогичное количество конфигураций полезной нагрузки и эксплуатировали 32 различные модели корпуса БПЛА.Следует отметить, что основное внимание в статье уделяется непосредственному применению БПЛА, а не текущим исследованиям платформ и датчиков. Более подробные обзоры эволюции и современного состояния платформ и полезных нагрузок можно найти в [10,12,13]. Цель статьи — показать успешность подобных экспериментов, проблемы, которые необходимо решить, использование алгоритмов обработки и результаты, полученные после полета и обработки данных. Мы также проверяем корреляции, если таковые имеются, между полезными нагрузками, кадрами и приложениями, чтобы, возможно, помочь новичкам в определении наилучших вариантов для каждого приложения дистанционного зондирования БПЛА на основе опыта исследований.Эта статья организована следующим образом. В разделе 2 представлены предыдущие обзорные работы, касающиеся БПЛА и дистанционного зондирования, и предлагается новая таксономия для классификации экспериментов с БПЛА. Раздел 3 классифицирует эксперименты с БПЛА на основе обнаруживаемых типов растительности. В разделе 4 представлены различные применения полетов БПЛА с дистанционным зондированием. Раздел 5 посвящен реализованной обработке данных и алгоритмам, выполняемым для получения полезных результатов. Раздел 6 и Раздел 7 представляют используемые датчики и кадры и классифицируют их в соответствии с типом растительности, применением, обработкой данных и ожидаемыми результатами дистанционного зондирования.В разделе 8 анализируются текущие и будущие тенденции, экстраполированные на основе рассмотренных работ. Наконец, в разделе 9 представлены выводы и перспективы авторов в отношении использования БПЛА для картирования и мониторинга растительности.

2. Таксономия экспериментов с БПЛА в дистанционном зондировании растительности

Недавно было опубликовано несколько обзоров, в которых сообщается об экспериментах с БПЛА [9,10,14,15,16]. В целом они сосредотачиваются на конкретной особенности экспериментов, такой как платформа, или на других приложениях, кроме мониторинга растительности.В этой статье мы сосредоточимся исключительно на реальных экспериментах по полету БПЛА над любым типом растительности. Чтобы получить полное представление обо всех элементах сцены, мы основываем наш обзор на таксономии, предложенной Zecha et al. [16]. Zecha et al. представить обзор использования роботизированных транспортных средств в точном земледелии, начиная с 2000 года, когда Министерство обороны США отключило выборочную доступность глобальной системы позиционирования (GPS) [17]. Улучшения в точной привязке местоположения открыли возможности для использования роботизированных транспортных средств, таких как БПЛА, для использования вне помещений и в большом космосе.Миниатюризация электронных устройств (датчики, модемы, процессоры, сервоприводы, батареи и т. Д.) Позволила создать элементы, необходимые для изменения парадигмы на арене беспилотных транспортных средств. Существует длинный список университетов и исследовательских центров, которые в настоящее время участвуют в проектах по разработке БПЛА, подходящих для сельского хозяйства, включая штат Юта, Технический университет Брауншвейга, Штутгарт, Иллинойс, Брисбен, Мюнстер, Fraunhofer FHR, Cordoba CSIC, NRC в Фьоренце, Аляска, Сидней, НАСА и др. Обзор ориентирован на описание и классификацию транспортных платформ.Платформы представлены согласно таксономии в виде дерева категорий [18]. В таблице 1 показана таксономия Зехи: первый столбец содержит категории, а каждая строка представляет классификации внутри каждой категории. Номенклатура была адаптирована для единообразия с остальной бумагой. Первый уровень устанавливает тринадцать категорий, таких как использование, двигательная установка или степень автоматизации, а второй уровень обеспечивает альтернативную классификацию внутри каждой категории. Например, категория мобильности 1-Зона состоит из трех подкатегорий: Воздух, Земля и Вода.Для целей этого обзора ясно, что некоторые категории таксономии не имеют отношения к делу, например, категория 1 — Область мобильности, поскольку для данной работы интерес представляет только подкатегория Воздух. В оставшейся части раздела мы представим упрощенную таксономию (см. Таблицу 2) экспериментов с БПЛА, применяемых для дистанционного зондирования покрытых растительностью территорий. Предлагаемая таксономия основана на категориях таксономии Зехи. Для каждой категории соответствующая категория или категории в таксономии Zecha показаны в скобках.Другие связанные рецензии также будут представлены в соответствующей категории.

Таблица 1.
Таксономия Зеча о мобильных сенсорных платформах [16].

Таблица 2.
Таксономия систем дистанционного зондирования на базе БПЛА, работающих на территориях с растительностью.

2.1. Растительность

Категория 2 — Область применения — повторяющаяся тема в других обзорах. Следуя рекомендации Международного общества фотограмметрии и дистанционного зондирования, Эверертс [19] представляет первую версию перечня существующих платформ и датчиков БПЛА, используемых в дистанционном зондировании. Основываясь на информации, собранной на веб-сайте UVS-International, который охватывает до 800 новых платформ БПЛА каждый год, они обнаружили, что военные организации являются наиболее продвинутыми пользователями БПЛА в настоящее время.Остин [20] также приводит длинный список приложений БПЛА для военного использования в этой книге, но также указывает на использование БПЛА на гражданской арене, включая аэрофотосъемку, сельское хозяйство, береговую охрану и таможенные операции, сохранение инфраструктуры, пожарные службы, рыболовство и т. Д. информационные и коммуникационные услуги, метеорология, дорожное движение, деятельность полиции и т. д. Этот список гражданских ролей еще не принят из-за текущих нормативных ограничений и проблем с принятием страховки.БПЛА использовались в Южной Африке и Австралии для задач, связанных с уходом за животными, особенно за овцами и стадами крупного рогатого скота. В отношении сельскохозяйственных и сельскохозяйственных работ в книге выделяются три типа приложений: мониторинг урожая, посев / опрыскивание сельскохозяйственных культур и мониторинг стада / управление стадом. Для Данфорда и др. [11], области применения БПЛА в дистанционном зондировании следующие: лесное хозяйство, сельское хозяйство, науки о земле, растительность, овраги, биофизика, археология, приливы, отложения, поверхности почвы, батиметрические карты и пастбищные угодья.Nex и Remondino [14] предлагают аналогичный список: сельское хозяйство, лесное хозяйство, археология и архитектура, окружающая среда, чрезвычайные ситуации и мониторинг дорожного движения. Их обзор содержит три тематических исследования авиационных работ для археологии, добычи полезных ископаемых и моделирования городских данных в трех измерениях.

Поскольку наш интерес ограничен экспериментами с БПЛА, которые проводились над растительностью для целей гражданского дистанционного зондирования, рассматриваются только подтипы сельского и лесного хозяйства таксономии Зеча. Наша первая категория (A-Растительность) упорядочена по типу растительности и делится на две подкатегории: дикие земли и сельскохозяйственные поля.«Дикая местность» включает пастбищные угодья и лес. «Сельскохозяйственное поле» включает большие участки однородных культур, таких как поля зерновых, и меньшие участки земли с фруктовыми деревьями или кустами с высокой добавленной стоимостью, например виноградники. Список культур, для которых были испытаны БПЛА, обширен (люцерна, пшеница, кукуруза, хлопок, оливки, персик, кофе, папайя, свекольная пальма, картофель, цитрусовые, ячмень, рис, клевер, сорго, подсолнечник, виноградники и т. Д. .). По мере снижения цен на электронику все большее количество сельскохозяйственных культур получают выгоду от использования БПЛА для дистанционного зондирования.

2.2. Приложение

В категории 3-Приложение перечислены подтипы: отображение, мониторинг, разведка и применение. Таким образом, эта классификация имеет возрастающий уровень сложности. Картография состоит из отображения наблюдаемых пространственных данных поверх карты. Добавление повторений по времени для получения результатов временного прогресса в мониторинге. Включение поиска цели, например, сорняков, приводит к разведке. Для последнего уровня сложности применение воздействует на наблюдаемую область. В этой статье мы покажем, что большинство зарегистрированных до сих пор полетов БПЛА над растительностью в основном выполнялись для картографических целей.Конечная цель этих экспериментов — испытать платформу и полезную нагрузку, чтобы продемонстрировать возможности БПЛА. В более сложных экспериментах данные, полученные с воздуха, сравниваются с наземными (истинными) данными. Лишь ограниченное количество рассмотренных работ [21,22] представляет фактический мониторинг посредством повторных полетов в течение сезона урожая или путем сравнения массивов лесов с предыдущими годами. Отчеты о разведке также ограничиваются классификацией растительности с использованием моделей аномального отражения света и обнаружения пропускания в растительности.Наконец, единственное упоминание «применения» от Остина [20] и Уоттса и др. [9] для посева и окуривания в Японии и Австралии; однако ссылка на научную статью не была предоставлена. В этой статье мы организовываем категорию (B-приложение) по-другому и определяем следующие подтипы: пассивный, проактивный и реактивный. Эта классификация учитывает возможные последствия использования БПЛА и, в частности, процессы принятия решений, которые следуют за полетами БПЛА.«Пассивные» приложения — это приложения, которые используются для создания карты без немедленных последствий, в которой полученная информация будет полезна в долгосрочной перспективе. Примером могут быть научные полеты БПЛА, которые поддерживают решения, принимаемые на политическом уровне, связанные с лесом. В «проактивных» приложениях данные БПЛА используются сразу после приземления и быстрой автономной обработки данных. Например, решения фермеров, связанные с управлением водными ресурсами (орошение, испарение / транспирация, засоление и т. Д.), Управлением питательными веществами (обычно азотом, но также железом, магнием, цинком и медью), применением пестицидов (гербициды для борьбы с сорняками, ограничение численности насекомых, клещей). популяции нематод и корневые заболевания), регулирование роста (густота и дефолиация растений) и оценка урожая [23].Наконец, «реактивные» приложения состоят из создания возможностей срабатывания для самого БПЛА в тот же момент, когда обнаруживается ситуация. Мы считаем, что переход от текущих пассивных приложений к проактивным уже идет, но конечной целью являются реактивные приложения.

2.3. Обработка

Категории от четырех до семи (4-обработка, 5-анализ данных, 6-уровень слияния данных и 7-программная архитектура) все относятся к обработке полезной нагрузки и в первую очередь ориентированы на то, как выполняется обработка.В длинном списке рассмотренных статей обработка полезной нагрузки выполняется в автономном режиме, за исключением статей, посвященных управлению полетом БПЛА [24]. Анализ данных основан в основном на классификации, а в некоторых работах используется регрессия [25]; однако ни одно из исследований не документирует методы интеллектуального анализа данных. Наконец, программная архитектура никогда не описывается в справочных материалах, что заставляет нас предположить, что используется последовательная модульная архитектура.

Вместо документирования того, как выполняется обработка, в рассмотренной литературе приводятся многочисленные подробности того, какая обработка выполняется, включая задействованные входные данные, их комбинацию и окончательные результаты обработки.Это приводит к нашей третьей категории (C-обработка). Выделяются три основных этапа обработки: расчет «индексов растительности», «сегментация» и «трехмерная (3D) реконструкция». Целевая информация, которую необходимо получить, определяет различные этапы обработки. При картировании растительности обычно применяется один или несколько вегетационных индексов для определения типа растительности, состояния здоровья, стресса или роста. Алгоритмы обработки, используемые при распознавании целей, в основном связаны с методами обработки изображений, такими как сегментация и классификация.Наконец, алгоритмы трехмерной реконструкции основаны на стереозрении, построении на основе движения и других методах из области компьютерной анимации. Ряд латеральных расчетов также упоминался во многих статьях. Калибровка сенсора и радиометрическая гомогенизация являются примерами этапов предварительной обработки, которые имеют большое значение для апостериорной обработки. Часто выполняются также методы географической привязки и мозаики. Все такие расчеты включены в четвертую подкатегорию: «предварительная обработка».

2.4. Полезная нагрузка

Категории 8-сенсорный набор, 9-сенсорная активность и 10-метод связаны с сенсорами, и все они включены в четвертую предложенную категорию (D-полезная нагрузка). В рассмотренном опыте из-за требований к низкой стоимости и ограниченного веса датчики никогда не являются дублирующими или взаимодействующими, а дополняют друг друга. Если на плате установлено более одного датчика, то второй датчик получает дополнительные требуемые данные, которые дополняют первый датчик. В большинстве датчиков используются оптические, электрооптические и тепловые методы, поэтому они являются пассивными датчиками.Согласно Остину [20], визуальные и инфракрасные камеры используются для мониторинга сельскохозяйственных культур почти во всем мире. Тем не менее, в ряде экспериментов для дистанционного зондирования растительности используются датчики радаров / LiDAR, которые используют активное акустическое, ультразвуковое и световое излучение [26,27,28]. Возможность беспилотных летательных аппаратов летать намного ближе к земле, чем спутники или полномасштабные пилотируемые самолеты, увеличивает разнообразие датчиков, которые могут использоваться в качестве полезной нагрузки, и они не ограничиваются только спектральной визуализацией. О биохимическом отборе образцов сообщили Techy et al.[29], но в документе сообщается только о возможностях координации полета. Исследования с использованием магнитных, механических или химических датчиков для мониторинга растительности не проводились. Обзор датчиков для классического дистанционного зондирования предоставлен Пинтером и др. [23]. Биофизическая основа таких датчиков является фундаментальной для получения информации о спектральной отражательной способности и тепловом излучении наземных объектов, а также о дифференциальных характеристиках листьев, почвы, сухой и зеленой растительности. Это классификационные характеристики электромагнитных датчиков.Другими факторами, влияющими на качество и достоверность результатов индекса вегетации, являются освещенность и метеорологические условия в целом, топография и угол обзора дистанционного датчика по отношению к растению.

2,5. Платформа

Категории 11-размер платформы, 12-ти ходовая установка и 13-степень автоматизации относятся к воздушной платформе. Размер платформы всегда указывается в данных для всех экспериментов с использованием БПЛА, поскольку такие данные характеризуют большинство функций и ограничений полета и полезной нагрузки эксперимента.Пропульсивная установка в целом напрямую связана с размером платформы. На больших платформах обычно используются двигатели внутреннего сгорания, а на малых платформах — электрические двигатели. Однако степень автоматизации, устанавливаемая автопилотом БПЛА, не зависит от размера платформы, которая будет показана ниже.

Удивительно, но большинство классификаций БПЛА, представленных в литературе [9,10,14,20], сосредоточены не на размере, силовой установке или степени автоматизации, а на воздушном пространстве и летных характеристиках.Выносливость, дальность полета, высота и аэродинамический профиль платформы (фиксированный ветер, винтокрылый аппарат, дирижабли и т. Д.) Являются основными отличительными характеристиками. Тем не менее, выносливость и высота потолка связаны с размером платформы, при этом большие платформы имеют большую выносливость, большие расстояния и высокие высоты потолка, а маленькие платформы имеют короткую выносливость, малую дальность и малую высоту. Кроме того, стоимость напрямую зависит от размера. Watts et al. [9] классифицируют БЛА по трем основным параметрам (высота, продолжительность полета и возможности полета).Они предлагают 7 категорий: HALE, MALE, LALE (все с большой продолжительностью полета с большой / средней / малой высотой), LASE, LASE Close (с малой высотой и короткой продолжительностью полета), MAV / NAV (мини- и микро / нано-БПЛА) и вертикальный взлетный самолет. (Вертикальный взлет и посадка). Похожая классификация платформ представлена ​​в книге Остина [20]. Автор классифицирует БЛА по дальности / выносливости платформы, но также и по размеру, и выделяет следующие пять категорий: дальнобойные дальнобойные; Средняя дальность; Близкая дистанция; Мини БПЛА; и БПЛА Micro / Nano.Эти две классификации дают разные названия схожих концепций, различаются категорией вертикального взлета и посадки (VTOL) и подразделениями в категории большой продолжительности полета. Кроме того, Everaerst [19] предлагает классификацию по высоте, но исключает средневысотные транспортные средства для приложений дистанционного зондирования из-за конфликта, указанного для коммерческих полетов. Для маловысотных БПЛА Everaerst расширяет предыдущую классификацию, включив в нее новые типы каркасов: дирижабли [30], воздушные шары [31] и парапланы с двигателем [32].Аналогичным образом Dunford et al. [11] представляют обзор, посвященный маловысотным БПЛА, и классифицируют такие БПЛА по методу полета: воздушные змеи, дирижабли, воздушные шары, парапланы и БЛА с двигателем. Nex и Remondino [14] представляют три ортогональные классификации платформ БПЛА: в соответствии с их использованием классифицируются как тактические и стратегические, в соответствии с их двигательными установками как вращающиеся, с неподвижным крылом и более легкие, чем в воздухе, и в соответствии с системой питания. альтернативную классификацию можно найти в Clothier et al.[33]. Согласно подходу, основанному на оценке риска, БЛА классифицируются по двум осям. Одна ось учитывает потенциальный ущерб с точки зрения энергии, а другая ось — ущерб с точки зрения размера площади или количества задействованных людей. Предлагаемая классификация имеет 5 уровней: Категория 1 для БПЛА меньшего риска (может нанести травмы только одному или нескольким людям), Категория 2 для БПЛА, способного травмировать небольшое количество людей, стоящих на открытом воздухе, Категория 3 для БПЛА с некоторой вероятностью поломки. стена / крыша и ранения людей в помещении, БПЛА категории 4 могут проникать в бетонную конструкцию, а БАС категории 5 — категории наивысшего риска, где площадь поражения может составлять более 1 гектара.Оценка рисков регулируется правилами летной годности, согласно которым все воздушные суда должны иметь Сертификат летной годности (CoA). До сих пор лишь очень немногие БПЛА получили его на временной основе [34], ожидая полной разработки законодательства. В будущем новое законодательство, разработанное после циркуляра ИКАО [2], установит точную классификацию БПЛА. Другой обзор, посвященный автопилотам только для небольших БПЛА (мини, микро и нано), был проведен Chao et al. [15].Автопилоты — это часть системы управления полетом, отвечающая за ведение транспортного средства по желаемому маршруту. И управление переводится в соответствующий порядок в замкнутый контур контроллера, систему управления, которая затем транслируется на наземные сервомеханизмы и двигатели. Команды управления должны учитывать текущее состояние БПЛА и желаемые команды, передаваемые с наземной станции пилотом, и их выполнение должно быть плавным. Текущее состояние обеспечивается сочетанием датчиков на борту, в основном внутренних блоков, приемников GPS и магнитометра.Существуют различные методы управления и фильтрации, такие как ПИД-регулятор, нечеткая логика, нейронные сети и фильтр Калмана. Распространенными коммерческими автопилотами, о которых сообщают, являются: Procerus Kertrel (всего 16,7 г веса), серия MicroPilot (то есть MP2028), семейство Piccolo (с поддержкой нескольких БПЛА) и UNAV 3500 (самый дешевый). Все они имеют навигацию по путевым точкам, состояниям удержания и автоматический взлет и посадку. На базаре с открытым исходным кодом список: Paparazzi (от ENAC), Crossbow (пакет, включающий инерциальную систему MNAV и процессор Stargate) и Ardupilot.

Рисунок 1.
Классификация экспериментов с БПЛА по типу растительности (цвету), корпусу (символы), высоте, размеру и выносливости.

Рисунок 1.
Классификация экспериментов с БПЛА по типу растительности (цвету), корпусу (символы), высоте, размеру и выносливости.

Общий вид наиболее важных характеристик некоторых экспериментальных полетов БПЛА показан на рисунке 1. Цвета показывают тип растительности: синий — для сельскохозяйственных культур, зеленый — для лесов, а красный — для пастбищ.Маркерами обозначен тип планера: кружок — самолет, треугольник — винтокрыл. Затем по трем осям указываются высота полета, время полета в эксперименте и размер платформы. Обратите внимание, что высота указана в логарифмической шкале, чтобы лучше различать полеты на малой высоте. Показаны не все эксперименты, потому что не все данные, необходимые для построения графика, были доступны. Тем не менее рисунок дает общее представление об экспериментах и ​​их характеристиках.

3. Типы растительности

С помощью БПЛА было исследовано несколько различных типов растительности.Большинство исследований сосредоточено на полях сельскохозяйственных культур, на которых область сканирования ограничена и хорошо известна. Однако существует также значительное количество исследований диких земель, где ограниченный доступ и низкая плотность населения делают использование БПЛА особенно интересным.

Эксперименты в дикой природе включают эксперименты на пастбищах [25,35,36,37,38] и закрытых пологих лесах [11,39,40,41]. Термин «пастбищные угодья» описывает обширные безлесные земли в виде прерий, пустынных лугов и кустарников, лесов, саванн, чапаралей, степей и тундр.Хотя различные формы пастбищных угодий составляют более половины поверхности суши, в этой области наблюдается недостаток подходов. Ранго и др. [35] представили предварительные результаты исследований в штатах Нью-Мексико и Айдахо, показывающие большой потенциал использования БПЛА для управления пастбищными угодьями. Hung et al. В эксперименте [25] получают распределение различных видов растительности и обнаруживают инвазивные сорняки на двух фермах крупного рогатого скота в Квинсленде, Австралия. Lucieer et al. [42] провели успешный эксперимент с использованием БПЛА для картирования моховых зарослей в Антарктиде.Логистические ограничения и пространственный масштаб моховых зарослей (десятки метров ² ) делают БПЛА идеальным инструментом для сбора изображений сверхвысокого разрешения в такой среде. Wallace et al. [39] продемонстрировали возможности системы UAV-LiDAR для инвентаризации леса. В [28] плантация Eucalyptus globulus на Тасмании, Австралия, используется в качестве тестового поля для оценки структуры растительного покрова. Гибкость и экономическая эффективность БПЛА также была продемонстрирована Dundorf et al. [11] для прибрежных лесов реки Дром на юге Франции, а также Jensen et al.[43] в Онейда-Нарроуз недалеко от Престона, штат Айдахо. С другой стороны, многочисленные исследования были проведены в сельскохозяйственных районах и включают множество испытательных полей, начиная от фруктовых деревьев и заканчивая кустами, корнями, бобовыми и зерновыми культурами. В литературе сообщается об экспериментах по дистанционному зондированию с использованием БПЛА цитрусовых, персиков и оливковых деревьев в Испании, а также папайи и пальмовых садов в Малайзии [44,45,46,47]. Виноградники — обычная цель исследований в винодельческих странах, таких как США [48,49] и Испания [50,51,52].В сентябре 2002 года беспилотный летательный аппарат НАСА Pathfinder-Plus на солнечной энергии использовался для проведения пилотной миссии в национальном воздушном пространстве США над плантацией Kauai Coffee Company на Гавайях площадью 1500 га [53]. Другие зарегистрированные культуры включают картофель [29,54], сою [54], сахарную свеклу [55,56], рис [57] кукурузу [46,56,58,59], пшеницу [22,57,60] и ячмень. [57]. Большее количество тестов по сравнению с дикими землями можно объяснить простотой эксплуатации, меньшей площадью исследования, меньшей неоднородностью и более знакомой характеристикой (для конкретной культуры), а также интересами продуктивности.

4. Приложения

Имеется большой опыт, демонстрирующий большой потенциал использования БПЛА для картирования и мониторинга растительности. Подмножество задокументированных вариантов использования приведено в таблице 3. Приложения для составления карт и мониторинга включают сбор и обработку данных, и ожидается, что полученные результаты послужат основой для принятия решений и инициируют различные действия для растительности. В зависимости от степени участия приложения в полном процессе мы классифицировали их как пассивные, проактивные или реактивные.

Таблица 3.
Приложения дистанционного зондирования растительности с использованием БПЛА.

Пассивные приложения в основном занимаются сбором информации, но не непосредственным воздействием на растительность в краткосрочной перспективе.Примеры таких приложений включают оценку растительного покрова, мониторинг изменения растительности, моделирование биофизических и биохимических характеристик и картографирование видов [11,25]. Изменение растительности [28,35] является основным индикатором изменения климата [42], сохранения биоразнообразия [41], а также оценки эффективности лечения и реабилитации [67]. Например, Брекенридж [38] использует различные системы картографии и классификации для оценки изменений в растительности в результате пожаров. В сельском хозяйстве изменения состояния урожая с течением времени можно экстраполировать для прогнозирования будущего роста урожая [56,65].Приложения для моделирования и картографии также используются для инвентаризации пастбищ и лесов. Лалиберте и Ранго [36] подчеркивают способность изображений БПЛА количественно определять пространственные узоры и участки растительности и почвы, которые нельзя обнаружить с помощью пилотируемых самолетов или спутниковых изображений. Высокое разрешение, низкая стоимость и гибкость беспилотных летательных аппаратов также являются ценными функциями для получения обновленных данных в постоянно меняющихся средах, таких как реки [43], где растительность, путь и течение реки постоянно меняются, и эфемерны. овраги на сельскохозяйственных полях [61], где их перемежаемость, небольшая ширина и глубина затрудняют их обнаружение при общей топографической съемке и картировании.Также заслуживает внимания универсальность систем на базе БПЛА для использования в различных контекстах. Так обстоит дело с платформой AggieAir [43], которая участвует в проектах по сельскому хозяйству, прибрежным территориям, средам обитания и дорожному картированию. Проактивные приложения обычно отслеживают состояние растительности для выявления зон болезней, дефицита питательных веществ, инвазивных сорняков, патогенов и засухи. Они отличаются от пассивного приложения тем, что собранные данные используются для принятия решений о краткосрочных действиях. Их основная область применения — точное земледелие (PA).PA позволяет применять удобрения, пестициды, гербициды и орошение для конкретных потребностей каждой культуры в каждой конкретной области, а не в равной степени для всего поля, таким образом улучшая продукт и экономя ресурсы. Например, мониторинг состояния воды [45,46,50,51,55] широко освещается в литературе и необходим для оптимизации стратегий орошения. Herwitz et al. [53], а также Джонсон и Хервиц [49] сообщили об экспериментах по анализу спелости виноградников и кофейных плантаций.Картирование азота [59] также может использоваться для решения задач по внесению удобрений. Отбор аэробиологических проб [29] позволяет патологам растений обнаруживать, отслеживать и прогнозировать распространение патогенов растений высокого риска над сельскохозяйственными полями. Кальдерон и др. [44] оценили методы раннего выявления вертициллезного увядания, которое является наиболее ограничивающим заболеванием во всех традиционных регионах выращивания оливок во всем мире. Другой важной областью применения, в которой критически важно быстрое и эффективное реагирование, является пожаротушение.Лесные пожары — разрушительная катастрофа для леса. Уже представлены эксперименты по дистанционному зондированию с использованием БПЛА для борьбы с лесными пожарами. В [62] разнородный парк БПЛА сотрудничает в обнаружении и мониторинге лесных пожаров. В [63] большой планер Ихана размещал сканер AMS и получал изображения с больших высот. Все вышеперечисленные приложения включают быстрый и многократный сбор и обработку данных за разные периоды времени, что делает системы на базе БПЛА особенно подходящими.В случае лесных пожаров безопасность добавляется к уже упомянутым преимуществам БПЛА. В ближайшем будущем ожидается, что БПЛА будут использоваться для реактивных приложений, что повысит их автономную способность принимать решения и выполнять действия. Системы БПЛА уже используются в Японии для посева и опрыскивания [20]. В таких случаях ограждения по периметру используются для электронного позиционирования и обеспечивают автоматический полет БПЛА. Следует учитывать интеллектуальные приложения для посева или опрыскивания, в которых данные, полученные от датчиков, обрабатываются в реальном времени, а система обладает интеллектом, чтобы реагировать в соответствии с результатами сканирования.В [66] обратная связь, полученная от беспроводной сенсорной сети, развернутой на посевном поле, используется для управления маршрутом распыляющего БПЛА. Как указано Zecha et al. [16], будущие решения этого типа потребуют стандартизированного обмена данными и компонентами системы. Дополнительные хорошо известные проблемы, которые необходимо решить с помощью решений на базе БПЛА, включают ограниченную точность данных о местоположении и ориентации, проблемы синхронизации между датчиками изображения и GPS и инерциальной навигационной системой, большие колебания крена и тангажа между изображениями, искажение перспективы и высокая изменчивость. в условиях освещения [6].

6. Полезная нагрузка

Оборудование, необходимое для моделирования, картирования и мониторинга растительности, в основном состоит из датчиков изображения вместе с GPS и инерциальной навигационной системой (INS). Существующие коммерческие технологии позволяют делать сенсоры изображений с высоким разрешением все более маленькими по размеру и весу и по разумной цене. На рисунке 5 показаны некоторые датчики изображения, используемые в системах БПЛА. Датчики в целом классифицируются как пассивные (внешний источник энергии, такой как солнечный свет, необходим для наблюдения за целью), и активные (они полагаются на свои собственные источники излучения для освещения цели, так что энергия отражается и возвращается в датчик можно измерить).

Рисунок 5.
Датчики изображения, используемые в системах дистанционного зондирования растительности на базе БПЛА.

Рисунок 5.
Датчики изображения, используемые в системах дистанционного зондирования растительности на базе БПЛА.

LiDAR — это активный оптический датчик, который передает лазерные лучи на цель. Время от момента, когда лазерный импульс покинул систему до момента возвращения отражения, используется для расчета дальности действия между датчиком и целью. Затем расстояние комбинируется с позиционной информацией (GPS и INS) для создания высокоточного облака точек с географической привязкой.Система UAV-LiDAR, представленная в [28], с приложением для инвентаризации леса, использует лазерный сканер Ibeo LUX (максимальная дальность 200 м, максимальная дальность сканирования 110 °, установленная на ± 30 °, разрешение по дальности 4 см, угловое разрешение 0,25 °, 1 кг). В [90] цифровые поверхности моделируются с помощью лазерного дальномера SICK LMS-291 (максимальная дальность 80 м, погрешность около 10 мм, угловое разрешение 0,25 °, 4 кг). Спектральный датчик изображения — это пассивный датчик, который фиксирует данные изображения. на определенных частотах в электромагнитном спектре.Данные со спектрального датчика изображения можно рассматривать как стопку изображений, каждое из которых соответствует разному цвету или спектральной полосе. Операции калибровки и коррекции должны выполняться для компенсации артефактов и изменений коэффициента усиления датчика [22,25,46,49,51,54,57,68,93,94]. Мультиспектральные формирователи изображений являются основным типом сенсоров, используемых в рассматриваемых экспериментах. В качестве примера используемых мультиспектральных датчиков можно привести MCA6 Tetracam (1,3 МП, 2,7 кг) [46,51,94], Mini MCA Tetracam (1.3 МП, 720 г) [55], Tetracam-ADC (2,1 МП, 500 г) [65] и Geospatial Systems MS3100 (1,3 МП, 13 кг) [53]. Сообщаемое пространственное разрешение составляет порядка дециметров на высоте 200 м над уровнем моря и сантиметров на высоте 50 м над уровнем моря. Для разных целей используются разные комбинации спектральных диапазонов. Как видно из предыдущего раздела, зеленый, красный и NIR-каналы чаще всего используются для приложений, связанных с растительностью. В некоторых работах требуемые полосы получаются путем добавления или удаления оптических фильтров в коммерческих цифровых камерах с RGB-подсветкой, просто заменяя один цветовой канал желаемой полосой NIR [22,42,56,58,60].Стандартные коммерческие цифровые камеры обеспечивают легкий доступ к стандартным каналам RGB. Разрешение пикселей обычно составляет от 5 до 12 МП, например, в Sony DSC-V1 [61], Canon PowerShot G5 и Canon EOS 5D [11], FUJIFILM-FinepixZ10fd [40], Canon PowerShot A480 [48] и Canon PowerShot SX100. [43]. Изображения RGB в основном использовались для стереоскопической или трехмерной реконструкции на основе SfM, но также для картирования и идентификации валежника [11]. В последнее время также появляются относительно недорогие, небольшие по размеру и легкие гиперспектральные датчики изображения.Датчик гиперспектрального изображения использует сотни смежных полос в широком спектральном диапазоне. Микрогиперспектральная камера Micro-Hyperspec VNIR (260 полос, спектральный диапазон 400–1000 нм, 6 нм FWHM, 450 г) была установлена ​​на борту БПЛА в Лаборатории методов исследования в количественном дистанционном зондировании (QuantaLab, IAS-CSIC, Испания) [44,45]. Уто и др. В [64] разработана гиперспектральная сенсорная система на основе мини-спектрометра C10988MA (256 полос, спектральный диапазон 340–763 нм, спектральное разрешение 14 нм, 400 г).Burkart et al. [93] разработали систему гиперспектральных измерений в диапазоне от видимого до ближнего инфракрасного диапазона на основе микроспектрометра Ocean Optics STS (1024 полосы, спектральный диапазон 350–800 нм, 3 нм на полувысоте, 216 г). Наконец, тепловизионные датчики, используемые для измерения температуры. измерения, сбор данных в спектральном диапазоне от 8 до 15 мкм. Примеры тепловизионных камер, задокументированных в рассмотренных экспериментах: Thermoteknix MIRICLE 307 (спектральный диапазон 8–12 мкм, разрешение 640 × 480 пикселей, 200 г) [44], NEC F30IS (спектральный диапазон 8–13 мкм, разрешение 160 × 120 пикселей, 300 г) [55], FLIR Thermovision A40M (спектральный диапазон 7.5–13 мкм, разрешение 320 × 240 пикселей, 1,7 кг) [46,51] и Xenics Gobi384 (спектральный диапазон 8–14 мкм, разрешение 384 × 288 пикселей, 500 г) [50]. Совершенно другой тип полезной нагрузки. это устройства для отбора проб спор, используемые Techy et al. [29] для аэробиологических миссий по отбору проб. Устройства для отбора проб состоят из круглых пластин Петри, которые можно открывать и закрывать, как раковину моллюска, во время полета БПЛА. После полета планшеты передаются в лабораторию для обнаружения, мониторинга и прогнозирования распространения патогенов растений высокого риска над сельскохозяйственными полями.

7. Воздушные платформы и летные характеристики

БПЛА — это летательный аппарат, поэтому он обладает теми же характеристиками, что и полномасштабный самолет. Принципиальные отличия заключаются в необходимости наземной станции, линии связи с планером и отсутствии регулирования. С точки зрения пользователя, БПЛА можно летать на более низких высотах, что может считаться опасным для беспилотных летательных аппаратов и с меньшими затратами. Более низкие высоты позволяют получать более высокое разрешение информации с датчиков, а более низкая стоимость позволяет увеличить частоту полетов и улучшить временное разрешение.

Подъемные платформы, используемые в рассматриваемых экспериментальных полетах, представляют собой почти наполовину самолеты с неподвижным крылом и наполовину винтокрылые летательные аппараты, при этом лишь в 10% экспериментов в качестве испытательной платформы используются планеры или воздушные змеи. Упомянутые названия платформ для самолетов: AggieAir [43], APV-3 [49], Carolo P330 [73], J3 Cub [25], L’Avion Jaune [22], MLB Bat 3 [35], Pathfinder [53]. ], Quantalab [45] и Vector-P [60]. Список рам винтокрылых машин еще больше: Camcopter [72], Align Trex 500 [42], AscTecFalcon-8 [93], Hexa XL [59], MD4-1000 [64], Microdrones md4-200 [72], Mikado Logo 600 [57], Mikrokopter [50], NUSQuadLion [27], Oktokopter MK-Okto [55], Parrot ARDrone [24], Quanta-H [94], Rotomotion [72], TerraLuna OktoKopter [28], Vario [46]) и WeControl AG [54].Некоторые работы используют более одной платформы одного и того же типа [27,29,44,54,59,72], а другие используют платформы разных типов [22,73,94]; определенные платформы используются для совместной работы, но большинство платформ сравнивают, чтобы проверить их ответы и подходы. На рисунке 6 показаны некоторые примеры.

Рисунок 6.
Различные платформы БПЛА, используемые для дистанционного зондирования растительности.

Рисунок 6.
Различные платформы БПЛА, используемые для дистанционного зондирования растительности.

Размеры обычно небольшие (23 мини / микро и 18 нано БПЛА), но есть также документация на 36.Самолет с размахом крыла 3 метра [53]; это работающий на солнечной энергии прибор AeroVironment Pathfinder, используемый для анализа спелости кофейных растений на Гавайях. Самым маленьким задокументированным размером является квадроцикл Parrot 30 × 30 сантиметров, который используется для навигации по лесу в Австралии [24] с помощью двух видеокамер. В целом, самолеты с неподвижным крылом больше, чем винтокрылые, первые — в пределах 2–5 м, а более поздние — 1–3 м. Для винтокрылых БПЛА вертолеты ближе к 3 м, тогда как мультикоптеры с 4-6-8 несущими винтами относятся к категории меньших размеров.Некоторые платформы спроектированы самостоятельно, но большинство (90%) представляют собой коммерческие серийные БПЛА и аэромодели, адаптированные для удержания полезной нагрузки. Число зарегистрированных автопилотов также очень велико: AP04 [44,46,51], Ardupilot AHRS [58], DJI ACE Waipoint [57], Mavionics [73], Microdrones [64], Micropilot [60], Mikrokopter [39,50,59], Paparazzi [43], Rotomotion AFCS [65] и WePilot1000 [54] ]. В небольшом количестве работ (8%) автопилот спроектирован самостоятельно. Высокая корреляция для винтокрылых машин с использованием автопилотов; эта корреляция не обнаруживается для платформ с неподвижным крылом.Причина, скорее всего, в сложности ручного управления винтокрылым аппаратом, особенно вертолетом. Большинство планеров, парапланов и воздушных змеев используют ручное пилотирование с радиоуправлением [11,22,48,73]. Здесь стоит упомянуть БПЛА Tetracam Hawkeye Parafoil [95], способный нести любую из многоспектральных систем построения изображений Tetracam. Hawkeye можно управлять либо вручную с помощью радиоуправления, либо выполнять заранее запрограммированную миссию с помощью автопилота Goose. Явным преимуществом платформ с автопилотом является то, что в ходе эксперимента получаются более подробные данные о местоположении, такие как высота над землей.Для точного определения местоположения наиболее часто используемая комбинация — это посадка на приемник GPS и добавление наземных контрольных точек на земле. Использование автопилота также позволяет создавать сложные планы полета, которые особенно подходят для мониторинга местности, который необходим во многих приложениях для картирования растительности. Простыми примерами являются линейные, квадратные, круглые и прямоугольные планы полета. Другие общие формы, такие как трохоидальная, L-образная или зацикленная, генерируются с использованием навигации по путевым точкам, доступной в большинстве автопилотов.Тем не менее, сканирование участков, следующих за параллельными разрезами, даже в перпендикулярных направлениях, является наиболее часто используемой схемой полета [28,54,57,60,64,73]. Размер контролируемых полетов БПЛА зон обычно находится в пределах 1–10 га. Самая большая площадь составляет 7000 га [43] из-за использования высотной платформы (AggieAir).

Полезная нагрузка и автономность полета платформы обычно являются компромиссным решением: дополнительная полезная нагрузка обычно возможна при использовании меньшего количества топлива. Однако оба напрямую связаны с размерами самолета.Мини / микро БЛА удерживают полезную нагрузку от 1 кг до 30 кг со средним значением 5 кг. Нано-БПЛА имеет уменьшенную полезную нагрузку (в пределах сотен граммов), но этой полезной нагрузки достаточно для установки серийных коммерческих камер. Время полета колеблется от 12 часов для Pathfinder до 5 минут для TerraLuna Oktokopter, что показывает прямую зависимость от размера платформы. Наиболее частые значения при мониторинге растительности находятся в диапазоне от получаса до часа.

8.Обсуждение

Обширный список документов, документирующих полеты дистанционного зондирования с использованием БПЛА, показывает возможности этих летательных аппаратов для использования в качестве дополнения или даже в качестве замены спутников и полномасштабных самолетов. Хотя эти уже существующие платформы и прикрепленные к ним датчики в последние десятилетия выполняли полеты с дистанционным зондированием, беспилотные летательные аппараты демонстрируют преимущества с точки зрения временного и пространственного разрешения изображений. Беспилотные летательные аппараты, пролетая над интересующей областью чаще и на меньших высотах, представляют собой хороший инструмент дистанционного зондирования по невысокой цене.Беспилотные летательные аппараты возникают в идеальный момент, чтобы извлечь выгоду из текущих знаний о свойствах светоотражения и излучения, новейших методов расчета и интерпретации индексов растительности, а также способности электроники миниатюризировать размер и цена. С другой стороны, чрезвычайно разнообразные альтернативы экспериментов показывают отсутствие стандартизации на всех уровнях, от датчиков, индексов растительности, методов работы, размеров и моделей БПЛА и автоматизации возможностей пилотов.

Высокоинтенсивные ценные культуры являются основной целью использования БПЛА, поскольку они обеспечивают хорошую окупаемость инвестиций. Большинство полетов (две трети работ) приходится на этот вид растительности. Использование БПЛА над посевами также объясняется простотой эксплуатации, хорошо разграниченной областью исследования, низкой неоднородностью, знакомыми характеристиками и интересами к продуктивности. Виноградники, наверное, лучший тому пример. Качество (и цена) винограда очень зависит от времени сбора урожая, температуры, недостатка воды или заражения.Вторая цель — зерновые поля, такие как кукуруза и пшеница, которые также часто используются при дистанционном зондировании с помощью БПЛА. Третий тип растительности по количеству опытов — фруктовые деревья. Напротив, хотя более половины поверхности суши представляют собой пастбищные угодья различных форм, только 20% задокументированных полетов сосредоточены на этих областях. В шести газетах рассказывается о полетах БПЛА над ближайшим лесом. Они представляют результаты картирования растительности, используемые в научных и экологических исследованиях, в которых не всегда даются краткосрочные экономические выгоды.Единственные три статьи, использующие LiDAR на своих БПЛА, также относятся к лесу.

Около двух третей отредактированных документов классифицируются в нашей таксономии как проактивные приложения, поскольку собранная информация используется для запуска будущих действий над растительностью, причем наиболее распространенными являются оценка водного стресса и уровня азота. Этот факт напрямую коррелирует с типом растительности большинства работ: зерновыми культурами. Оставшаяся треть документов документирует в основном пассивные заявки.Они использовали БПЛА для сбора данных для составления карт или инвентаризации. Только в двух документах сообщается о реактивных приложениях: оба используют БПЛА для распыления химикатов, но только один может выбрать маршрут, используя данные наземных датчиков. В целом, мы наблюдаем, что большинство работ просто копируют приложения, которые ранее выполнялись обычными самолетами, чтобы доказать возможности БПЛА для дистанционного зондирования. В ближайшем будущем мы ожидаем увидеть на борту более совершенные робототехнические системы, обеспечивающие автоматическое / автономное поведение БПЛА и их полезной нагрузки и работающие над реактивными приложениями как высокоэффективным и экономичным инструментом для точного земледелия.

Обычно полезная нагрузка БПЛА создает в качестве окончательного результата карту NDVI, которая считается хорошей оценкой биомассы растительности и для долгосрочной оценки водного стресса. Карта представляет собой большое мозаичное изображение, созданное путем сшивания изображений. Изображения содержат спектральную информацию, в основном NDVI или другие производные индексы растительности. Длины волн канала ближнего инфракрасного диапазона являются основным исходным сигналом для их получения (20 раз). Шесть работ демонстрируют, что серийные коммерческие камеры можно быстро преобразовать для получения ближнего инфракрасного диапазона.После проверки результатов аэрофотосъемки с биофизическими параметрами, измеренными на земле, точность в 15% демонстрирует правильность таких оценок. Кроме того, калибровка датчика и снижение шума имеют такое же большое значение, как и идентификация спектральных характеристик растительности. Низкая стоимость этих датчиков позволяет также иметь дублирующие камеры и увеличивать выпуск продукции. Немногие работы полагаются на тепловые датчики, которые почти на 2 порядка дороже, чем коммерческие камеры.Тепловые диапазоны в основном используются для обнаружения водного стресса, но аналогичные или даже лучшие результаты [51] получаются при сочетании ближнего инфракрасного и визуального диапазонов. С другой стороны, индексы водного стресса также были получены с использованием только визуальных полос. С точки зрения авторов, быстрое развитие программного обеспечения (обработка изображений, статистический анализ, объединение данных и т. Д.) И высокое качество коммерческих камер будут определять дистанционное зондирование, выполняемое с помощью БПЛА. Основная причина — ожидаемые краткосрочные экономические выгоды.Мы думаем, что дорогие датчики, такие как тепловизоры, LiDAR или мульти / гиперспектрометры, будут использоваться только в научных и исследовательских работах. Для этого конкретного типа приложений разрабатываются сложные алгоритмы, такие как объектно-ориентированная сегментация или трехмерная реконструкция. Особое внимание следует уделить комбинации полетных данных (таких как инерциальная информация и информация о местоположении) с полезной нагрузкой, чтобы повысить качество и точность выходных данных. Платформы

БПЛА разнообразны, почти половина — это самолеты с неподвижным крылом, а другая половина — винтокрылые.Только в двух статьях представлены длительные (8–12 часов) высотные (3–6 тыс. Метров) эксперименты с использованием Path Finder и RCATS / APV-3, обнаруживающих огромные участки растительности. Что касается остальных статей, трендом является экономичное решение адаптации аэромоделей к серийным автопилотам. Как правило, малые БПЛА обладают низкой автономностью и могут летать в течение коротких периодов времени (от 5 минут до получаса) и на малой высоте (5–30 м). Платформы большего размера обладают большей выносливостью (1–3 часа) и большей высотой (100–200 м).Площадь покрытых территорий колеблется от десятков до нескольких сотен гектаров.

Мы полагаем, что в будущем использование БПЛА будет распространяться во всем мире на пригородные районы. Наземные контрольные точки, которые в настоящее время используются для улучшения карт геолокации, будут представлять собой сеть датчиков, разбросанных по полям и взаимодействующих с задачами дистанционного зондирования. В то время как сегодня обработка данных, полученных с помощью БПЛА, обычно выполняется в автономном режиме, в будущем функции онлайн-обработки данных и связи обеспечат возможность дальнейшего расширения возможностей выполнения авиационных работ от текущих приложений для картографирования и моделирования до более интеллектуальных прикладных действий.Текущая концепция точного земледелия перейдет к интеллектуальному земледелию, включающему приложения для картографирования, мониторинга и разведки, а также возможность применять эти возможности с высоким уровнем автономии. Будущие экологические культуры потребуют меньшего количества водных отходов и минимального внесения удобрений, а также обеспечат получение качественной продукции. Достаточно частые, периодические полеты дистанционного зондирования (приложение для мониторинга) улучшат знания и развитие моделей зондирования и эффективность процессов принятия решений в режиме онлайн.Некоторые пробелы все еще должны быть заполнены, например, стандартизация, надежность полета БПЛА, повышенные уровни объединения данных (включая внешние датчики и дополнительные транспортные средства), более высокие уровни автоматизации, потенциальное понимание и необходимость исключения требований для небольших БПЛА, интерфейсов человек-БПЛА, Мы предлагаем следовать таксономии из 5 категорий, адаптированной из таксономии Зечи, чтобы получить целостный подход, способный заполнить все эти пробелы и иметь возможность использовать роботизированные воздушные платформы для мониторинга растительности. Текущие затраты на платформы зондирования БПЛА и сложность их использования предполагают возможности для предприятий дистанционного зондирования, которые могут предоставлять услуги с оплатой по факту использования для интеллектуального сельского хозяйства на основе своевременности и частоты, что потребует обновленных интерпретированных карт с регулярной доставкой. частота.

Дистанционное зондирование | Бесплатный полнотекстовый | Временные ряды Sentinel-1 и 2 для картирования растительности с использованием случайной классификации лесов: пример Северной Хорватии

1. Введение

Картирование растительности имеет важное значение для устойчивого управления лесами, обезлесения, ведения сельского хозяйства и лесоводства [1,2]. Оптические изображения с дистанционным зондированием являются обычным инструментом для простой классификации растительного покрова и мониторинга растительности [3,4]. Однако в сложных участках земного покрова сложно нанести на карту несколько классов, которые спектрально подобны.Поэтому временные ряды оптических спутниковых изображений с низким и средним разрешением (например, MODIS, Landsat) широко использовались для мониторинга растительности с 1970-х годов [5,6,7,8]. В последнее десятилетие изображения временных рядов спутники Sentinel-2 (S2) предоставили уникальную возможность для картирования растительности [3,9,10,11,12]. Спутник S2, разработанный в рамках программы Copernicus Европейского космического агентства (ESA), имеет трехдневное время повторного посещения и пространственное разрешение 10 м. Однако получение оптических изображений в ключевые периоды мониторинга может быть ограничено из-за их уязвимости в дождливую или пасмурную погоду.В этом контексте, как форма активного дистанционного зондирования, которая в основном не зависит от солнечной освещенности и облачности, радар с синтезированной апертурой (SAR) может использоваться как важный альтернативный или дополнительный источник данных [13]. Системы SAR регистрируют амплитуду и фазу сигнала обратного рассеяния, которые зависят от физических и электрических свойств отображаемого объекта (например, неровности местности, диэлектрической проницаемости) [14]. Недавно для мониторинга растительности были исследованы многоступенчатые радиолокационные изображения C-диапазона.Гашпарович и Добринич [15] использовали однодневные и многоступенчатые (MT) изображения Sentinel-1 (S1) для картирования городской растительности. Для классификации использовались различные методы машинного обучения, и исследование подтвердило возможность использования SAR-изображений MT в диапазоне C для картирования растительности. В последнее время интеграция SAR и оптических данных (например, S1 и S2) в основном использовалась для мониторинга наводнений и водно-болотных угодий или картирования нарушений лесов, вызванных важными абиотическими (например, пожары, засуха, ветер, снег) и биотическими (насекомые и патогены) ) возмущающие эффекты [16,17,18].В исследовании, проведенном Гашпаровичем и Добриничем [15], рисунок 1 показывает, что изображениями SAR не учитываются при картировании растительности в задачах классификации земного покрова по сравнению с оптическими данными и использованием серии MT по сравнению с изображениями с одной датой. Таким образом, временные ряды изображений S1 и S2 предоставляют большой потенциал для мониторинга растительности, и это исследование исследовало потенциал S1, S2 и объединенных данных S1 и S2 для картирования растительности. Помимо использования оптических изображений MT или изображений SAR для картирования растительности, в недавних исследованиях использовались индексы растительности и текстурные особенности для получения фенологической информации о растительности.Jin et al. [19] использовали данные временных рядов нормализованного разностного индекса растительности (NDVI) и текстурные особенности, вычисленные на основе матрицы совместной встречаемости серого уровня (GLCM) для картирования земного покрова в центральной части Шаньдуна. Наивысшая общая точность (OA) в 89% была достигнута при использовании мультитемпоральных снимков Landsat 5 TM, топографических (цифровая модель рельефа — DEM), временных рядов NDVI и текстурных переменных. Кроме того, влияние переменных временного ряда NDVI оказало большее влияние на ОД, чем влияние текстурных переменных.Гашпарович и Добринич [20] исследовали влияние различных этапов предварительной обработки изображений РСА в применении к классификации на основе пикселей. Классификация с использованием текстурных полос GLCM (среднее и дисперсия) увеличила OA на 19,38% по сравнению с классификацией по полосам вертикально-вертикальной (VV) и вертикально-горизонтальной (VH) поляризации. Кроме того, пространственный фильтр Ли с размером окна 5 × 5 оказался наиболее эффективным фильтром для уменьшения спеклов [19]. Использование данных дистанционного зондирования из нескольких источников и МТ позволяет создавать массивы данных большого размера для задач классификации.Многие особенности в вышеупомянутых наборах данных сильно коррелированы, что вызывает шум, который мешает самой классификации [21]. Хотя методы глубокого обучения, особенно сверточные нейронные сети (CNN), имеют возможность извлекать абстрактные элементы высокого уровня для сложных задач классификации изображений, требуется большой обучающий набор, представляющий рассматриваемую область исследования [22,23]. Поэтому для решения этих сложных задач классификации предлагаются различные методы выбора признаков (FS) [24].Следуя Saeys et al. [25], методы FS можно разделить на три категории: методы фильтрации, методы-оболочки и встроенные методы. Методы фильтрации ранжируют релевантность отдельных характеристик по их корреляции с зависимой переменной. Методы оболочки используют подмножества функций и оценивают их на основе производительности классификатора [26]. Этот метод является очень дорогостоящим в вычислительном отношении из-за повторяющихся классификаций моделей и перекрестных проверок. Встроенные методы выполняют FS во время обучения модели и сочетают в себе качества методов фильтрации и оболочки.Эти методы в основном встроены в алгоритм, например случайный лес (RF). Радиочастотный классификатор, представленный Брейманом в 2001 году [27], является очень популярным алгоритмом в сообществе дистанционного зондирования из-за способности работать с шумами, многомерными и несбалансированными наборами данных. RF принадлежит к алгоритму ансамблевого обучения, основанному на деревьях решений, и все чаще применяется при картировании растительности с использованием снимков многоспектральных и радиолокационных спутниковых датчиков [4,28,29,30]. Как упоминалось ранее, FS может выполняться во время выполнения алгоритма моделирования на основе следующих индексов важности переменных: средней точности уменьшения (MDA) и среднего уменьшения Gini (MDG) [24].Помимо использования современных методов машинного обучения для картирования растительности, общая точность классифицированного изображения зависит от качества, количества и семантического распределения справочных данных [31]. Balzter et al. [32] исследовали изображения РСА для классификации земного покрова с использованием схемы картографирования земного покрова CORINE. КОРИНЕ было начато в 1985 году и состоит из кадастра почвенного покрова по 44 классам. В [32] 17 классов земного покрова из гибридного CORINE уровня 2/3 использовались в качестве обучающих данных для классификатора РФ.Помимо CORINE, Европейское исследование структуры землепользования и покрытия (LUCAS) было проведено EUROSTAT для выявления изменений в землепользовании и земном покрове (LULC) в Европейском союзе. Weigand et al. [31] исследовали пространственные и семантические эффекты образцов LUCAS с использованием изображений S2 для картирования земного покрова (LC) и предложили схемы предварительной обработки данных LUCAS. Радиочастотный классификатор использовался для различения предложенной иерархии классов LC образцов LUCAS, и результаты показали, что данные LUCAS могут использоваться для классификации LULC с использованием данных S2.Белджиу и Чиллик [30] использовали данные LUCAS для исследуемых территорий в Европе для картирования пахотных земель. В зависимости от области исследования с помощью классификатора РФ было выделено шесть или семь классов LC. Следовательно, соответствующие справочные данные для задач классификации должны использоваться для обеспечения воспроизводимости исследования и в сочетании с планом выборки и рекомендациями «надлежащей практики», представленными в [33,34].

Это исследование направлено на оценку точности классификации с использованием изображений SAR и оптических изображений для различных сценариев и оценки добавления текстурных характеристик для изображений S1 и спектральных индексов для изображений S2.Следовательно, для картирования растительности было исследовано использование временных рядов S1 и S2, которые содержат большинство фенологических изменений. Кроме того, эффективность RF-классификатора в морфологически неоднородном ландшафте северной Хорватии была оценена с использованием гибридного эталонного набора данных, полученного из наборов данных CORINE, LUCAS и национальных систем идентификации земельных участков (LPIS) LC.

5. Выводы

Это исследование было направлено на оценку точности классификации данных временных рядов из нескольких источников (т.е., радиолокационные и оптические изображения) с высоким временным и пространственным разрешением для картографирования растительности.

Временные ряды SAR Sentinel-1 были объединены с изображениями Sentinel-2, показав, что можно получить улучшение точности классификации в отношении результатов с каждым датчиком независимо. В этом исследовании Random Forest использовался в качестве классификатора для картографирования растительности из-за способности работать с многомерными данными с помощью стратегии важности объектов. Вышеупомянутая мера позволила нам использовать четверть входных переменных в качестве компромисса между сложностью модели и общей точностью.Таким образом, в этом исследовании самый высокий ОА 91,78% был достигнут при использовании S1 с S2, при общем расхождении 8,22%.

Для картирования растительности наиболее подходящими характеристиками, полученными из изображений S1, были среднее значение и дисперсия GLCM, а также полоса поляризации VH. Учитывая спектральные индексы, полученные из изображений S2, NDVI, NDWI, SAVI и MSAVI содержали большую часть информации, необходимой для картирования растительности, наряду со спектральными полосами Red и SWIR S2. В целом, SRTM DEM значительно улучшила классификацию в качестве входной функции для картографирования растительности.

В рамках этого исследования гибридная классификационная схема была получена из европейских (например, LUCAS и CORINE) и национальных (LPIS) баз данных земельного покрова (LC). Результаты этого исследования показали, что вышеупомянутый подход хорошо подходит для картирования растительности с использованием изображений Sentinel, которые могут применяться для крупномасштабных классификаций LC.

Дальнейшие исследования должны быть сосредоточены на более продвинутых методах глубокого обучения (например, сверточных нейронных сетях), которые могут использовать отношения между пикселями и объектами на изображении.Кроме того, для этих методов глубокого обучения требуется множество обучающих выборок, которые могут быть получены из предложенной гибридной схемы классификации и объединены с изображениями временных рядов S1 и S2.

Подборка приложений БПЛА для точного земледелия

Панайотис Радоглу-Грамматикис получил диплом (5 лет) на кафедре информатики и телекоммуникаций инженерного факультета Университета Западной Македонии, Греция, в 2016 г. Теперь он доктор наук.Студентка того же факультета. Его основные исследовательские интересы лежат в области информационной безопасности и в основном сосредоточены на обнаружении вторжений, исследовании уязвимостей и прикладной криптографии. В настоящее время он работает научным сотрудником в Университете Западной Македонии в национальных и европейских исследовательских проектах.

Панайотис Саригианнидис — доцент кафедры информатики и телекоммуникаций Университета Западной Македонии, Козани, Греция, с 2016 года.Он получил степень бакалавра наук. и к.т.н. степени в области компьютерных наук Университета Аристотеля в Салониках, Салоники, Греция, в 2001 и 2007 годах, соответственно. Он опубликовал более 130 статей в международных журналах, на конференциях и в разделах книг. Он принимал участие в нескольких национальных, европейских и международных проектах. В настоящее время он является координатором проекта h3020 SPEAR: Secure and PrivatE smArt gRid (h3020-DS-SC7-2017) и операционной программы MARS: sMart fArming with dRoneS (конкурентоспособность, предпринимательство и инновации). главный исследователь проекта h3020 SDN-microSENSE: SDN-microgrid reSilient Electrical eNergy SystEm (h3020-SU-DS-2018) и Erasmus + KA2 ARRANGE-ICT: партнерство для решения мегатенденций в сфере ИКТ (сотрудничество для инноваций и обмена благами). Практики).Его исследовательские интересы включают телекоммуникационные сети, Интернет вещей и безопасность сетей. Он является членом IEEE и участвует в редакционных советах различных журналов.

Томас Лагкас получил докторскую степень в области компьютерных наук в Университете Аристотеля в Салониках, Греция, в 2006 году. Он является старшим преподавателем (доцентом) Международного факультета Университета Шеффилда — Колледжа CITY, в котором он работает с 2012 года. Он является директором по исследованиям Департамента компьютерных наук и руководителем направления исследований в области ИКТ в Исследовательском центре Юго-Восточной Европы с 2017 года.Его исследовательские интересы лежат в области IoT-коммуникаций и распределенных архитектур, сетей беспроводной связи, QoS в управлении доступом к среде передачи, мобильной мультимедийной связи, энергосбережения / обеспечения справедливости для распределения ресурсов в беспроводных широкополосных сетях с кооперативными датчиками, а также в гибридных оптоволоконных сетях. -Беспроводные сети, мониторинг данных электронного здравоохранения, системы 5G, летающие специальные сети, безопасность связи и компьютерные образовательные технологии с более чем 60 публикациями в ряде широко известных международных научных журналов и конференций.Он является членом IEEE и ACM, а также членом Академии высшего образования Великобритании. Он также участвует в редакционных советах следующих журналов: Computer Networks, Telecommunication Systems и EURASIP Journal on Wireless Communications and Networking.

Иоаннис Д. Москолиос родился в Афинах, Греция, в 1976 году. Он получил степень Dipl.-Eng. степень в области электротехники и вычислительной техники Университета Патры, Патры, Греция, в 1999 г., степень магистра наук. степень в области космических технологий и спутниковой связи Лондонского университетского колледжа, Великобритания, в 2000 году и докторская степень.Степень доктора в области электротехники и вычислительной техники Университета Патры в 2005 году. С 2005 по 2009 год он был научным сотрудником лаборатории проводной связи, кафедра электротехники и вычислительной техники Университета Патры. С 2009 по 2013 год он был преподавателем кафедры телекоммуникационных наук и технологий Университета Пелопоннеса, Триполис, Греция. С 2013 по 2018 год он был доцентом кафедры информатики и телекоммуникаций Университета Пелопоннеса, Триполис, Греция.В настоящее время он является доцентом кафедры информатики и телекоммуникаций Университета Пелопоннеса, Триполис, Греция. Его исследовательские интересы включают инженерию телетрафика, моделирование и анализ производительности сетей связи. Он опубликовал более 150 статей в международных журналах / конференциях. Он работал приглашенным редактором в: a) IET Communications, b) IET Networks и c) мобильных информационных системах. Он также работал младшим редактором журнала «Транзакции IEICE по коммуникациям».Он является научным сотрудником IARIA и членом Технической палаты Греции (TEE).

© 2020 Авторы. Опубликовано Elsevier B.V.

На главную | OB7 Collaborative Robot

МАГАЗИН СТАНКОВ с ЧПУ COBOT AUTOMATION

Высокое смешивание / малый объем? Нет проблем

Разработано и произведено в США

Познакомьтесь с OB7, 7-осевым коллаборативным роботом, меняющим правила игры, для автоматизации обслуживания станков с ЧПУ. OB7 поставляется в полностью укомплектованном корпусе, включая все необходимое для подключения к станкам с ЧПУ любой марки.OB7 прибывает к вашей двери готовым к установке и запуску автоматизации в первый же день. Для обучения OB7 не требуется никакого программирования, что позволяет персоналу легко настраивать и обучать задания в течение нескольких минут.

Операторы могут легко настроить и обучить за считанные минуты.

OB7 специально разработан с нуля для внутреннего персонала, позволяющего автоматизировать свои собственные производственные задачи. Его простой дизайн, отсутствие программного интерфейса и подход «обучение на демонстрации» позволяют любому легко реализовать свои собственные задания по автоматизации без необходимости программирования или программирования.Если вы можете выполнить работу, OB7 сможет ее освоить. Мобильный OB7 легко и быстро встраивается в существующую производственную ячейку без дорогостоящей модернизации рабочей ячейки.

ИСПОЛЬЗОВАНИЕ ТРЕХШПИНДЕЛЯ

OB7 не просто прост в эксплуатации и использовании, его можно быстро развернуть на сотнях различных работ. Разработанная OB7 мобильность и мощная 7-осевая гибкость предоставляют операторам неограниченный доступ к производственным машинам и компонентам. При производстве в механическом цехе шестиосевой робот должен быть расположен перед шпинделем, блокирующим доступ оператора.OB7 можно расположить сбоку и доставать внутрь машинного отделения, что дает оператору беспрепятственный доступ к шпинделю.

Включает все аксессуары, необходимые для мгновенного запуска автоматизации

• Простая и быстрая установка — без сложной интеграции

• Без программирования — операторы могут обучать за считанные минуты

• Гибкость по 7 осям — не блокирует доступ к дверце станка

• Сделано в США — собственная служба поддержки, которая оказывает непосредственную помощь

• Все марки ЧПУ — установочные комплекты для всех марок ЧПУ

Тимо Лансфорд, генеральный директор

«Когда мы приняли решение приобрести OB7, мы уже были знакомы с другими совместными роботами и принципами их работы.Мы обнаружили, что OB7 прост в освоении, и он справлялся с простыми задачами за считанные минуты. Графический интерфейс пользователя очень интуитивно понятен, и нам потребовалось очень мало инструкций, чтобы понять, как добиться тех движений, которые нам нужны ».

Марвин Родрикес, вице-президент по операциям

« Есть несколько роботов для совместной работы, но у OB7 7 Axes позволяет нам размещать робота рядом с дверью станка, а не перед ним, освобождая место для операторов станка.Простота настройки OB7 также с первого дня сделала нас прибыльными в нашей рабочей среде ».

Начать автоматизацию с помощью коллаборативных роботов OB7 просто, быстро и доступно. Производители могут внедрить OB7 мгновенно и увидеть окупаемость всего за одну неделю. Загрузите наши бесплатные ресурсы сегодня, чтобы узнать, как вы можете автоматизировать свое производство сегодня.

КОБОТЫ 101: Начало работы с коботами

Что такое коботы? Что они могут сделать? В этом руководстве объясняется, как компании используют коботов для автоматизации тысяч задач.

Роботизированная интеграция для машинных цехов

В этой книге рассказывается о многих преимуществах и методах производства станков с ЧПУ.

10 наиболее распространенных вопросов об автоматизации ЧПУ

Думаете об автоматизации станков с ЧПУ? Это руководство отвечает на 10 наиболее часто задаваемых вопросов.

Мы поможем вам в процессе интеграции

Наша команда в Productive Robotics готова ответить на любые ваши вопросы об автоматизации вашего производственного участка.Наша команда инженеров также может помочь вам в оценке вашей работы по автоматизации. Свяжитесь с нами сегодня, чтобы запросить нашу бесплатную таблицу приложений для роботов.

Использование искусственного интеллекта и дистанционного зондирования в качестве эффективных устройств для увеличения урожайности сельскохозяйственных систем

Искусственный интеллект — новая технология в области сельского хозяйства. Инструменты и оборудование на основе искусственного интеллекта фактически подняли сельскохозяйственный сектор на новый уровень. Эта новая технология позволила улучшить растениеводство и улучшить мгновенный мониторинг, обработку и сбор.Новейшие компьютеризированные структуры, использующие дистанционное зондирование и дроны, внесли значительный вклад в сферу сельского хозяйства. Более того, дистанционное зондирование может поддерживать развитие сельскохозяйственных приложений с целью противостоять этому главному вызову, предоставляя циклические записи о состоянии урожайности в течение изучаемых периодов с различной степенью и по различным параметрам. Различные высокотехнологичные, поддерживаемые компьютером структуры создаются для определения различных центральных факторов, таких как обнаружение растений, распознавание урожайности, качество урожая и некоторые другие методы.Этот документ включает методы, используемые для анализа собранной информации с целью повышения производительности, прогнозирования возможных угроз и снижения нагрузки на культиваторов.

1. Введение

Фактически, в сельскохозяйственном секторе различные производители сельскохозяйственной продукции борются с опасностями и рисками, связанными с использованием пестицидов в их сельскохозяйственных культурах для борьбы с вредителями и другими болезнями. Все эти компоненты объединяются и ставят перед фермерами новую задачу.Поскольку сельское хозяйство зависит от природных сил для большей части своей продукции и неопределенностей в отношении дождя, каждый год фермеры подвергаются сильному давлению из-за нехватки доступных рабочих и растущего желания добиться более высоких урожаев [1]. Это означает, что сельское хозяйство должно существенно расшириться в ближайшие годы, а эффективность хозяйств должна быть увеличена практически вдвое, чтобы владельцы ранчо могли достичь своих целей. Отрасль автоматизации в сельском хозяйстве остается в центре растущих проблем и проблем во всем мире.Население стремительно растет, и вместе с этим увеличивается потребность в продуктах питания и рабочих местах. В настоящее время традиционные методы фермеров не могут удовлетворить эти цели. Следовательно, были внедрены современные автоматизированные процедуры, чтобы сделать вещи более простыми и успешными [2]. Для различных технологических разработок искусственный интеллект может применяться в сельском хозяйстве. К ним относятся консультационные услуги по искусственному интеллекту, анализу данных, Интернету, использованию камер и других датчиков и т. Д.Искусственный интеллект в сельском хозяйстве станет достаточно компетентным, чтобы предлагать улучшенные, предсказуемые идеи путем изучения различных источников данных, таких как погода, ландшафт, урожайность сельскохозяйственных культур и температура [3]. Такая технология на основе искусственного интеллекта может помочь сельскохозяйственному сектору производить больше урожая в цепочке поставок продуктов питания и улучшить широкий спектр сельскохозяйственных работ. Эти новые подходы помогли повысить потребности в продуктах питания и предоставили миллиардам людей по всей системе возможности трудоустройства.Применение искусственного интеллекта в сельском хозяйстве защищает урожайность сельскохозяйственных культур от нескольких причин (таких как рост населения и изменение климата). В сельскохозяйственном секторе есть ключевые проблемы: (i) Каждый день решение о подготовке почвы, семян и сбора урожая становится все более сложной задачей для фермеров. Сельское хозяйство тесно связано с изменением различных климатических элементов, таких как температура, осадки и влажность. Увеличение загрязнения и деградации также приводит к изменению климата [4].Для фермеров это серьезная проблема. (Ii) Каждое растение требует точного питания почвы. Фосфор, калий и азот — три основных питательных вещества, необходимых почве. Недостаток любого из этих элементов может привести к низкой урожайности сельскохозяйственных культур [5]. (Iii) Защита растений или сорняков также является важной функцией. Это может привести к увеличению затрат в дополнение к поглощению питательных веществ почвы, что, если его не регулировать, приводит к недостатку питательных веществ в почве [6].

Хотя доступно множество приложений в сельском хозяйстве, знания о новейших технологиях во всем мире по-прежнему ограничены.Искусственный интеллект поддерживает различные сегменты для повышения урожайности и эффективности. Результаты искусственного интеллекта помогают преодолевать обычные трудности в каждой области. Точно так же искусственный интеллект в сельском хозяйстве помогает земледельцам повышать свою квалификацию и уменьшать естественные недружелюбные воздействия [7]. Сельскохозяйственный бизнес прозрачно включил искусственный интеллект в свое обучение, чтобы изменить общий результат. Искусственный интеллект помогает владельцам ранчо быть в курсе последних событий в области прогнозирования климата.Прогнозируемая информация помогает владельцам ранчо расширять производство и получать прибыль без ущерба для урожая [8]. Изучение полученной информации помогает владельцам ранчо избежать потенциального риска путем понимания и обучения с помощью искусственного интеллекта [9]. Осуществление такого упражнения помогает сформулировать разумную оценку при разумной задержке.

Более того, использование искусственного интеллекта — это эффективный метод выявления потенциальных недостатков и недостатков компонентов в почве.Используя подход к идентификации изображений, искусственный интеллект распознает потенциальные недостатки через изображения, пойманные камерой [10]. Устройства глубокого обучения разрабатываются с помощью искусственного интеллекта для исследования моделей растительности в сельском хозяйстве. Такие устройства с поддержкой искусственного интеллекта помогают понять недостатки почвы, неудобства растений и болезни [11]. Владельцы ранчо могут использовать искусственный интеллект для контроля за сорняками с помощью компьютерной визуализации, роботизированных технологий и машинного обучения [12].С помощью искусственного интеллекта собирается информация для ведения проверочных записей о сорняках, которые помогают владельцам ранчо использовать пестициды именно там, где находятся растения [13]. Это уменьшило использование всплеска синтетического продукта в желаемом секторе [14]. В результате искусственный интеллект сокращает использование гербицидов в данной области по сравнению с количеством синтетических веществ, регулярно распыляемых [15].

Дистанционное зондирование имеет отличительные преимущества по сравнению с другими типами методов экологических измерений [16].Эти преимущества включают способность оценивать факторы и характеристики земли / земли без прямой связи с регионом исследования; возможность проводить удаленные наблюдения, тем самым избегая рисков для пользователя и снижая плату за полевые измерения; и возможность вернуться в любое время и выполнить повторные исследования данных с целью наблюдения и оценки условий [17]. Области, связанные с дистанционным зондированием, многочисленны: морские, оценка рисков и наблюдение за природными ресурсами.Технологии непрерывно развиваются и создают основу для множества инноваций и разработок.

Дистанционное зондирование относится к идентификации электромагнитной энергии от заданной поверхности с помощью спутников или самолетов [18]. Спектральные детекторы можно разделить на две категории в зависимости от количества диапазонов волн, с помощью которых они оценивают спектральную отражательную способность: (а) мультиспектральные детекторы, которые получают данные об отражении в ограниченных (от 3 до 10) широких диапазонах волн только в видимой и ближней инфракрасной областях. спектральные зоны (от 400 до 1100 нм) с небольшим влиянием атмосферного диспергирования [19] и гиперспектральные детекторы (б), которые практически непрерывно получают данные об отражении (несколько сотен диапазонов волн) в воспринимаемой и инфракрасной спектральной зоне электромагнитного диапазона (от От 400 до 2500 нм).

Совершенствование новых технологий, например, высокопространственных и гиперспектральных детекторов, сделало важным создание набора новых методов, например многомерных статистических методов, для исследования такого рода информации [20].

2. Применение современных технологий в сельском хозяйстве

Как и многие отрасли промышленности, сельское хозяйство извлекает выгоду из воздействия технологий. Фермеры полагаются на информационные технологии для решения множества задач, а не только для управления фермой.На самом деле, то, как фермеры управляют урожаем и животноводством, было изменено информационными технологиями [21].

Фермеры могут использовать облачные вычисления для улучшения управления своими культурами и бизнесом. Они могут разрабатывать бюджеты и рабочие графики на основе своих производственных планов, используя некоторые из этих программ. Можно составить рабочие планы и отслеживать прогресс в соответствии с прогнозом погоды. Машинная деятельность и производство могут быть измерены с использованием мобильных систем управления задачами и методов интеграции данных [22].

Кроме того, радиочастотная идентификация (RFID) — это технология, используемая для слежения за сельским хозяйством и обеспечения безопасности. Например, домашний скот можно отслеживать с помощью RFID-меток для отслеживания домашнего скота. Это может быть полезно для ежедневного отслеживания крупного рогатого скота, а также для мониторинга здоровья и сохранения базы данных истории здоровья каждого животного. Кроме того, с помощью защитной маркировки эта технология помогает сократить количество фальсифицированных / загрязненных пищевых продуктов при транспортировке сельскохозяйственных культур, особенно сертифицированных органических культур [23].

Кроме того, точное земледелие содержит множество инструментов, в том числе аналитику данных. Это известно как «умное сельское хозяйство», и сейчас оно используется многими производителями продуктов питания для снижения затрат и повышения урожайности. Ниже описывается, как это работает: урожайность, внесение удобрений, картографирование почвы, погодные явления и здоровье животных — вот данные, которые собирают офисы фермерских хозяйств. Даже мелкие производители могут собирать данные из различных источников, чтобы помочь в принятии решений, которые помогут им сократить расходы и повысить урожайность.Здесь большое значение имеет использование датчиков воды, которые можно использовать для планирования будущих посевов и водопользования. Это особенно полезно в засушливых регионах [24].

Внедрение алгоритмов искусственного интеллекта на возделываемых территориях, а также в сельскохозяйственных продуктах было продвинуто в сельском хозяйстве. Когнитивные информационные технологии в сельском хозяйстве стали изобретательными, знающими и эффективными. Искусственный интеллект также может помочь производителям оценивать потребности путем предоставления таких данных, как тенденции исторических данных по продовольственным товарам, основные региональные предпочтения в еде и т. Д.[25]. Область применения искусственного интеллекта в сельском хозяйстве обширна и может использоваться, например, при распылении пестицидов с помощью датчиков и других устройств, установленных в дронах и роботах. Эти технологии способствуют предотвращению чрезмерного использования пестицидов, воды и гербицидов; поддерживать плодородие почвы; и, в то же время, повысить производительность и эффективность персонала при улучшении качества [26]. Решения на основе искусственного интеллекта предоставляют много преимуществ для сельскохозяйственного сектора.

2.1. Управление экологическими проблемами с использованием прогнозов погоды

В постоянно растущей сфере точного земледелия данные о погоде играют важную роль в качестве сельскохозяйственной техники, которая помогает контролировать и точно культивировать. Тем не менее, системы и информация, основанные на искусственном интеллекте, используют разумное распределение ресурсов, которое помогает фермерам договариваться о сменах в изменяющихся условиях окружающей среды в результате многих экологических проблем, таких как изменение климата и другие риски для продуктивности сельского хозяйства [27].

2.2. Система наблюдения за почвой и сельскохозяйственными культурами

Благодаря новым решениям и установке датчиков Интернета вещей (IoT) на сельскохозяйственных угодьях владельцы ранчо могут немедленно определять влажность почвы и знать ее химическую структуру и состав. Эти имплантированные датчики можно настроить так, чтобы фермеры автоматически получали информацию о недостаточном содержании в почве таких веществ, как калий, азот, фосфор или влажность [28]. Дистанционное зондирование, дополненное трехмерным лазерным сканированием, также помогает получить метрики растений сельскохозяйственных земель, которые гарантируют, что урожай выращивается в соответствии с правильными почвенными условиями.Кроме того, дроны играют важную роль в более раннем выявлении и количественной оценке проблем со здоровьем в сельском хозяйстве, предлагая значительную информацию об улучшении производства и минимизации производственных затрат с помощью профессиональных мультиспектральных камер и датчиков [29].

2.3. Сельское хозяйство и прогнозный анализ

Прогнозный анализ с использованием инноваций собирает факты и информацию, необходимые для принятия решения о том, как можно улучшить производство, и для принятия всех корректирующих мер для достижения цели. С другой стороны, интеллектуальное сельское хозяйство включает в себя ряд стратегий и навыков, которые позволяют фермерам максимизировать урожайность и улучшить плодородие почвы.При использовании этих технологий становится возможным надлежащим образом вмешиваться в нужное время, в правильном месте, чтобы с превосходной точностью реагировать на конкретные потребности отдельных культур и различных участков фермы [30].

2.4. Система с использованием искусственного интеллекта для оценки сельскохозяйственных данных и обнаружения насекомых

Применяя искусственный интеллект в сельском хозяйстве, производители теперь могут оценивать ряд вещей в режиме реального времени. Датчики могут обнаруживать появление насекомых на своей территории, а датчики могут определять, что это за насекомые.Он уходит и ничего не делает, если это полезное или нейтральное насекомое. Однако он предоставляет информацию из облака, если это серьезный вредитель или смертельная болезнь. Таким образом, решения, основанные на искусственном интеллекте, позволяют производителям оптимизировать свои планы для получения большей прибыли за счет адекватного использования ресурсов, управления выбором культур и многого другого [31].

2.5. Адекватное орошение и устойчивое земледелие

Растущий спрос на продукты питания привел к тому, что фермеры повысили свою продуктивность за счет использования различных методов, что привело к неправильному использованию почвы.Увеличение прибыли с течением времени снижает качество земли, что приводит к слишком низкой прибыли, чтобы платить даже за семена. Орошение — это процесс, требующий значительных усилий человека. Различные автоматизированные системы теперь могут влиять на искусственный интеллект и машины для оценки плодородия почвы, исторических погодных условий и качества семян, чтобы помочь фермерам эффективно управлять своими запасами воды [32]. За счет посева оптимальных культур, минимизации потерь воды и повышения урожайности использование решений Cognitive IoT может способствовать улучшению управления водными ресурсами.

3. Применение дистанционного зондирования в сельском хозяйстве и инвентаризации растительности

Стратегии, используемые для исследования характеристик растительности с дистанционным обнаружением, можно разделить на физические методы, эмпирические методы и их комбинацию [33]. Как правило, физические методы основаны на гипотезе радиационного обмена, и они воспроизводят связи между растением и светом с помощью моделирования [34]. Эмпирические методы зависят от статистической связи, включающей оцененных свойств растительности in situ и данных отражательной способности растительности [35].

Вообще говоря, прикладная методология обнаружения эмпирических связей между характеристиками растительности и спектральной отражательной способностью включает объединение данных отражательной способности по крайней мере двух отдельных спектральных диапазонов волн для вычета показателя, называемого индексом растительности (VI). Например, Нормализованный разностный индекс растительности (NDVI) использует данные по уменьшенной отражательной способности в красной области и повышенной отражательной способности в ближней инфракрасной области [36]. NDVI использовался в течение многих лет для измерения различных факторов растительности; например, биомасса и урожай, от ограниченного до исчерпывающего [37, 38].Аналогичным образом были построены физически обоснованные индикаторы растительности, идентифицированные с биофизическими характеристиками растительности [39]. В таблице 1 представлены основные дистанционные индикаторы растительности, используемые при дистанционной оценке растительности сельскохозяйственных культур.

Среди этих индексов улучшенный индекс растительности (EVI) аналогичен нормированному разностному индексу растительности (NDVI) и может использоваться для количественной оценки зелень растительности [52, 53].Однако EVI корректирует некоторые атмосферные условия, фоновый шум навеса и более чувствителен в районах с густой растительностью. Кроме того, индекс растительности с поправкой на почву (SAVI) имеет структуру, аналогичную NDVI, но с добавлением поправочного коэффициента яркости почвы [54]. Более того, NDRE (нормализованная разность красного края) — это индекс, который может быть сформулирован только тогда, когда в датчике имеется красная кромочная полоса. Он чувствителен к содержанию хлорофилла в листьях (как выглядит зеленый лист), изменчивости площади листьев и фоновым эффектам почвы [55].

Другая стратегия включает смешивание многочисленных спектральных диапазонов волн в уникальный эмпирический прототип с использованием многомерных статистических методов [56, 57]. Эмпирические планы можно дополнительно разделить на линейные (например, регрессия частичных наименьших квадратов) и нелинейные (например, машины опорных векторов).

Эмпирические методы являются быстрыми в вычислительном отношении и эффективно обобщают локальную информацию; однако у них есть и недостатки [58]. В этих процессах часто отсутствуют причинно-следственные связи, что затрудняет перемещение конструкции в новое место, изучение ее в другое время или даже на другой спектральный детектор без систематической повторной калибровки.Ограничения эмпирических методов можно частично преодолеть, используя физические методы [59]. Тем не менее, физические методы требуют большого количества компьютеров, иногда требуют нескольких входных переменных для калибровки и требуют строгой параметризации, прежде чем их можно будет использовать [60].

4. Спутниковые системы наблюдения Земли

Спутники для осмотра земного шара колеблются в соответствии с их орбитой, положением устройства формирования изображений, информационными категориями, спектральными характеристиками и размером полосы обзора детекторов [61].Эти переменные устанавливаются в начале работы и являются частью установки спутника. Например, с целью наблюдения за погодными условиями в большом масштабе и на повышенной частоте, спутник может находиться на геостационарной траектории. Тем не менее, поскольку траектория находится на значительном расстоянии над земным шаром, сложно достичь повышенного пространственного разрешения. С другой стороны, для таких устройств, как прохождение облаков над сушей, повышенное пространственное разрешение не требуется [62].

Устройство с повышенным пространственным разрешением потребуется для проектов, требующих изображений с высоким разрешением определенного региона, таких как наблюдение за ледниковой рекой или осмотр сооружений, поврежденных в результате стихийного бедствия [63]. Такой детектор обычно имел бы тонкую полосу обзора и был бы на орбитальном аппарате на низкой околоземной орбите (как, например, спутник QuickBird). На такой орбите невозможно постоянно наблюдать идентичный район из-за непрерывного движения спутника вокруг земного шара [64].Снимки можно просто получить на спутнике. Например, изображения спектрорадиометра изображения среднего разрешения (MODIS) использовались для построения водоемов на общем и местном уровнях. Для выполнения локальных задач широко используются изображения, полученные через Enhanced Thematic Mapper Plus (ETM +), Thematic Mapper (TM) и Operational Land Imager (OLI) из серии спутников Landsat [65].

Hui et al. [66] разработал, используя разновременные изображения Landsat TM и ETM +, временные и пространственные модификации изучаемого озера.Изображения OLI были использованы Du et al. [67], чтобы удалить карты водоемов в подрайонах. При оценке с помощью MODIS изображения Landsat TM, ETM + и OLI имеют гораздо большее пространственное разрешение (30 метров) и могут извлекать объекты с более высоким аспектом и точностью. В таблице 2 показаны основные спектральные свойства Landsat TM / ETM.

Тем не менее, изображения Landsat с пространственным разрешением все еще недостаточно увеличены для распознавания достаточно малых масс [68]. Торговые спутниковые структуры, такие как IKONOS, SPOT6, SPOT7 и Quick-Bird, позволяют наносить на карту эти небольшие объекты и тела, хотя они могут быть дорогими.

Кроме того, Европейское космическое агентство инициировало новую спутниковую технологию с повышенным оптическим пространственным разрешением, обозначенную как Sentinel 2 в конце июня 2015 года.Этот спутник может предлагать автоматические и общие предварительные просмотры подробного пространственного разрешения и мультиспектральных изображений с повышенным временным движением, удовлетворяя потребности следующего поколения функциональных продуктов, таких как, например, участки почвенного покрова, участки обнаружения почвенного покрова и преобразования, а также геофизические атрибуты [69, 70]. Снимки Sentinel-2 имеют возможность представить огромное значение для составления местных карт объектов в соответствии с его интересными характеристиками (такими как пространственное разрешение в десять метров для 4 различных диапазонов и десять дней частотной экспедиции) и доступными бесплатными записями.Мультиспектральное изображение Sentinel-2 имеет третьи-подростковые полосы, в которых четыре полосы (синий, красный, зеленый и ближний инфракрасный) имеют пространственное разрешение десять метров, а шесть полос имеют пространственное разрешение двадцать метров. На рисунке 1 показан процесс геопространственной аналитики.

4.1. Электромагнитный спектр

Электромагнитное излучение можно описать как мощность, которая движется со скоростью яркости в модели гармонических волн. Видимая яркость — это только один класс электромагнитного излучения; другие категории включают радиосигналы, гамма-лучи, а также инфракрасные лучи.Все они включают электромагнитный спектр; различные типы электромагнитного излучения различаются в электромагнитном диапазоне по частоте и длине волны [72]. Длину волны можно определить как длину, включающую положения в двух последовательностях волн, тогда как частота описывается как количество последовательностей волн, доставляющих идентичную точку в заданную временную фазу (1 цикл в секунду = 1 Гц или Гц). Числовая связь между частотой и длиной волны указывается с помощью уравнения: S =, где — длина волны, f — частота, а S — яркостная скорость (которая постоянна при 300 × 10 ³ км. в секунду в вакууме).Видимая яркость символизирует лишь небольшую часть электромагнитного спектра. Длина волны варьируется от 3,9 × 10 ⁻⁷ м (фиолетовый) до 7,5 × 10 ⁻⁷ м (красный), а соответствующие частоты меняются, начиная с 7,9 × 10 ¹⁴ до 4 × 10 ¹⁴ .

При дистанционном зондировании инструмент (например, датчик или сканер) прикрепляется к спутнику или самолету, который собирает данные и информацию о конкретных объектах или районах на суше.Как правило, в данных указывается уровень электромагнитной мощности, которой обладает объектив. Степень выбранного географического региона зависит от научных требований похитителя и высоты навигационного аппарата, которым он оборудован. Когда электромагнитное излучение вступает в контакт с любым объектом или материалом, таким как вода, деревья или атмосферные газы, могут происходить различные взаимодействия, включая излучение, отражение, рассеяние или поглощение электромагнитного излучения веществом, или диффузию электромагнитное излучение через вещество.Обычно дистанционное зондирование связано с транскрипцией данных и распознаванием возвращенного и испускаемого электромагнитного излучения. Каждый объект или материя имеет определенную характеристику высвобождения и / или отражательной способности, совместно идентифицируемую как его спектральное одобрение, что отличает его от других объектов и материалов. Дистанционные детекторы настроены на сборку этих спектральных подтверждений. Спектральные записи могут быть собраны в двух конфигурациях: аналоговая, как аэрофотоснимки, или цифровая конфигурация, как двумерная матрица, или изображение, скомпилированное с пикселями, которые накапливают уровни электромагнитного излучения, собранные с помощью фиксированного набора спутников [73].Кроме того, датчики можно разделить на две группы: активные и пассивные датчики. Пассивные датчики, наиболее известный класс датчиков, которые в настоящее время используются во всем мире, изучают естественное электромагнитное излучение, которое либо возвращается, либо испускается из важных районов и организаций. В то время как активные датчики, такие как микроволновые системы, такие как радар, передают искусственное электромагнитное излучение на важные элементы и впоследствии регистрируют, какое количество этого электромагнитного излучения возвращается в систему [74].

4.2. Разрешение данных

Запись дистанционного зондирования в основном определяется четырьмя видами разрешения:

4.2.1. Временное разрешение

Временное разрешение указывает частоту повторных посещений спутникового детектора для целевого местоположения. Временное разрешение связано с многочисленными особенностями, а также с перекрытием полосы обзора, подходящими спутниками и широтой. Период дня или месяца имеет огромное влияние на спутниковые изображения [75]. Конкретные организмы-мишени могут быстро колебаться в любое время, например, периоды лунного времени, которые влияют на океаны, постоянно увеличиваясь и уменьшаясь, или же фруктовые деревья могут терять листья зимой, что создает дополнительную трудность для точной дифференциации зеленой листвы.

4.2.2. Спектральное разрешение

Спектральное разрешение детектора обеспечивает количество спектральных групп (красный, синий, зеленый, ближний инфракрасный, средний инфракрасный, термический и т. Д.), В которых детектор может регистрировать электромагнитное излучение. Тем не менее количество полос не является единственным основным признаком спектрального разрешения [76]. Полосы частот в электромагнитном поле ценны. Чувствительность детекторов к незначительным изменениям в мощности электромагнитного излучения значительна.Чем выше радиометрическое разрешение детектора, тем он более восприимчив к восприятию небольших различий в возвращаемой или высвобождаемой энергии.

4.2.3. Пространственное разрешение

Пространственное разрешение обеспечивает пиксельные измерения спутниковых изображений, представляющих поверхность земного шара. В аэрофотоснимках это связано с характеристиками изображения и стадией, на которой небольшие объекты могут быть идентифицированы на изображении [77]. Пространственное разрешение аэрофотоснимков в белом и черном цвете (только одна полоса) составляет от 40 до 800 пар строк на миллиметр.Чем выше разрешение чувствительной структуры, тем эффективнее можно контролировать осадку объектов на почве. Пространственное разрешение изображения включает: (i) коэффициент размера изображения: пространственное разрешение уменьшается с увеличением коэффициента размерности (ii) количество оптической структуры (iii) тип сборки фотографического движения (iv) несоответствие отдельных сущностей и объектов (v) Последствия распространения в атмосфере: могут вызвать снижение разрешения и контрастности (vi) Движение изображения: относительная активность, связанная с почвой и детектором, может вызвать искажение

Кроме того, важно отметить, что наиболее непредсказуемой особенностью является атмосфера, которую трудно предсказать и обычно колеблется [78].

4.2.4. Радиометрическое разрешение

Радиометрическое разрешение определяется как количество данных в одном пикселе и определяется в битах. Один бит данных указывает на двоичное решение «нет» или «да», сопровождаемое числовым значением 0 или 1 [79]. Белые и черные изображения, называемые изображениями в градациях серого, с цифровых фотоустройств обычно состоят из 8 бит с оценкой от 0 до 255 для обозначения данных. Цветные изображения часто имеют три канала по 8 бит; каждый канал имеет определенное значение для синего, зеленого и красного цветов.Одновременно они генерируют видимый цвет, а интенсивность каждого канала управляет темнотой. Это метод аддитивного слияния цветов.

В качестве примера, радиометрическое разрешение 11 означает, что пиксель имеет 2048 (эквивалент 2 ¹¹ ) возможных оттенков красного, 12 бит символизируют 4096 (эквивалент 2 ¹² ) оттенков красного, а 14 бит соответствуют до 16384 (эквивалент 2 ¹⁴ ) оттенков красного. Хотя увеличение радиометрического разрешения приводит к увеличению интервала для пикселя, это не означает, что это лучший вариант.

5. Машинное обучение в дистанционном зондировании

Во-первых, в девяностые годы в дистанционном зондировании применялись методы машинного обучения. Он был основан прежде всего на дистанционном зондировании как методе компьютеризации построения, основанного на познании. В работе Хуанга и Дженсена [80] объясняется, как была построена основа познания с минимальным участием пользователей, а затем были выращены деревья решений для понимания команд из отдельных входных данных для специализированной структуры. Они пришли к выводу, что методология с использованием машинного обучения обеспечивает большую точность по сравнению с традиционными методами.Следовательно, аналогичные улучшения в машинном обучении были сделаны и были быстро одобрены как важный инструмент специалистами по дистанционному зондированию и учеными. В настоящее время он используется в большом количестве разнообразных задач, от неконтролируемой категоризации спутниковых изображений до организации [81].

5.1. Категории машинного обучения

Машинное обучение можно разделить на три типа, как показано на рисунке 2: (i) Машинное обучение с учителем: машина обучается с помощью помеченных данных.Прототип готовится на основе существующих записей, прежде чем он начнет формулировать решения на основе новых записей. Производительность контролируемого машинного обучения измеряется. Целевая переменная может быть непрерывной, как линейная, полиномиальная или квадратичная регрессия, или категориальной, как логистическая регрессия, машина опорных векторов, дерево решений, градиентное усиление, бэггинг, случайный лес и т. Д. [82]. (Ii) Неконтролируемое машинное обучение: машина обучен на немаркированных данных и без подходящего контроля. Он механически выводит модели и ассоциации в записях посредством построения кластеров.Прототип учится на основе измерений и предполагаемых построений в записях. Цель отсутствует, как в анализе главных компонентов, факторном анализе и т. Д. [83]. (Iii) Усиленное обучение: прототип учится с помощью техники тестирования и ошибок. Этот тип обучения предполагает наличие оператора, который будет взаимодействовать с окружающей средой, чтобы реагировать и впоследствии определять ошибки или последствия реакции [84].

Различие между контролируемым и неконтролируемым обучением присутствует при использовании контролируемых прототипов, когда оператор сконструировал заранее установленный маркер с набором признаков.В то время как неконтролируемый алгоритм выводит набор данных посредством классификации информации по различным категориям, построенным на связи, которую он идентифицировал среди различных данных [85], обучение с подкреплением совершенно не похоже. Оператор задает алгоритму настройку, и алгоритм формулирует варианты выбора в рамках этой настройки. Он постоянно совершенствуется с каждым решением, подкрепленным результатами предыдущего решения.

5.2. Обработка изображений и изготовление карт

Процесс получения данных о поверхности земли из записей дистанционного зондирования зависит от последовательности сложных шагов по той причине, что энергетическая яркость, рассчитанная с помощью датчиков (выраженная в ваттах на м ² ), не позволяет сделать немедленный вывод почвенного покрова.Ранее многочисленные функциональные картографические структуры создавались на основе мониторинга интерактивного окулярного анализа некоторых изображений, полученных в определенные периоды года, и в основном зависели от объяснений специалиста. Устройства для обработки изображений постепенно утвердились в этом направлении.

Создание любого плана почвенного покрова включает в себя последовательность основных этапов работы. Для каждого этапа возможны многочисленные алгоритмические и теоретические варианты. Waldner et al. [86] показали, что точность масок культур отличается больше от одного сельскохозяйственного района к другому, чем от одной современной техники к другой.Очевидно, что одни технологические решения могут быть более подходящими, чем другие. Тем не менее, в большинстве случаев качество и объем входных данных дистанционного зондирования и набора уравнивающих данных играют важную роль. Решением для достижения является практически достаточный выбор технологических решений, выбранных для качества и количества входных осмотров глобуса и записей корректировки на месте, а также в отношении характеристик участка, которые должны быть нанесены на график. Заметно можно выделить четыре основных уровня построения последовательности покрытия территории: (1) сегментация изображения; (2) характерное извлечение; (3) категоризация; и, наконец, (4) постобработка, подсчет, фильтрация и / или комбинация.

5.2.1. Сегментация изображений

Почва разделена на пиксели с помощью спутниковых описаний, в то время как визуальный анализ монитора определяет стандартизованные модели. Растр изображения, составленный из пикселей, и вектор, составленный из объектов, определены как два наиболее важных концептуальных шаблона, установленных для иллюстрации пространственного аспекта земного шара. Хотя пространственное разрешение больше или меньше размера представляемых компонентов почвенного покрова, данные о почвенном покрове обычно обрабатываются с точностью до пикселя, и тогда этап сегментации не требуется.Для снимков с высоким пространственным разрешением, в которых пиксели гораздо менее важны, чем компоненты наземного покрова, обычно желателен прототип вектора, и изображение следует сегментировать на объекты с помощью алгоритмов сегментации изображения. При сегментации изображения смежные пиксели собираются в пространственно непрерывные объекты в соответствии со спектральными характеристиками и их пространственными перспективами с целью регистрации значимых пространственно изолированных наземных объектов и объектов. Принцип, основанный на объектах, эффективно приспособлен к извлечению структуры изображения, имеет необходимую необходимую информацию и допускает многомасштабный анализ благодаря иерархической или многоуровневой сегментации [87].С другой точки зрения, этот этап является дополнительным источником ошибки при оценке с использованием пиксельной методологии. Фактически, в основном предлагается работать с категоризацией на основе объектов, в то время как размер в пикселях гораздо менее важен, чем компоненты ландшафта. Обычно метрические и декаметрические изображения часто фрагментируются на объекты, в то время как изображения с гектометрическим разрешением, несомненно, не фрагментируются. В исключительных случаях планируется пиксельное и объектное построение цепочек, а также осуществляется интерактивное построение плана почвенного покрова [88].Сегментация изображения может выполняться в соответствии с двумя различными методологиями: стратегиями на основе угла, которые зависят от ограниченного распознавания краев, и методами районирования, которые различают пространственные группы упорядоченных пикселей. Один из наиболее известных расчетов в области дистанционного зондирования, связанных с развитием районов, включает в себя процесс сборки объектов до тех пор, пока стандартизованная дисперсия значений пикселей в смешанном объекте сохраняется ниже определенного порога [89]. Помимо спектральной однородности, смешивание объектов может также контролироваться формой объекта, чтобы улучшить координацию с пространственными объектами почвенного покрова.

5.2.2. Извлечение атрибутов

Этап извлечения атрибутов влечет за собой оценку наиболее дискриминантных факторов, которые будут использоваться в качестве вкладов для вычисления категоризации на основе изображений дистанционного зондирования или временных циклов. Эти атрибуты могут иметь различную природу: (1) спектральные, такие как мультиспектральная отражательная способность, или полученные индексы, такие как NDVI или некоторые другие индексы растительности, хлорофилла или почвы; (2) временные, такие как наименьшее, наибольшее значение или амплитуда переменной за определенный период времени; (3) текстурные, такие как локальное несоответствие, энтропия или некоторая другая переменная, полученная из матрицы совместной встречаемости; и (4) пространственная или релевантная переменная, которая особенно подходит для объектно-ориентированной методологии.В настоящее время можно увидеть три основных процедуры в области создания земного покрова. Во-первых, обычные методологии фундаментально зависят от спектральных характеристик и, в конечном итоге, некоторых основных временных характеристик, зависящих от временного расположения NDVI, с учетом того, что они являются истоками всех других характеристик в любых обстоятельствах. Принимая во внимание постоянно увеличивающуюся производительность вычислений и распространение алгоритмов искусственного интеллекта, многочисленные эксперты по дистанционному зондированию в настоящее время считают, что «чем больше, тем лучше», и полагаются на расчеты классификации, чтобы выбрать наиболее дискриминантные.Более того, информационные подходы предназначены для включения познания внешнего специалиста посредством структурирования неупорядоченных атрибутов, как указано в цели классификации, а также посредством удержания только тех атрибутов, которые считаются важными в соответствии с принципом специалистов [90].

5.2.3. Категоризация

Этот этап включает один или несколько числовых шагов для окончательного присвоения каждого пикселя или объекта одному из классов конфигурации почвенного покрова. Большое разнообразие алгоритмов категоризации можно разделить на две основные группы: контролируемая группа, которая использует обучающий набор данных для согласования алгоритма априори , и неконтролируемая группа, которая создает группы пикселей, которые будут называться апостериори в качестве категории почвенного покрова с учетом in situ или вспомогательных записей.В настоящее время чрезвычайно ценно прогнозирование этапов контролируемой категоризации. Они включают в себя программную очистку набора обучающих данных на месте или динамическое обучение для создания более качественного набора обучающих данных путем многократного повышения эффективности конструкции классификатора. Набор методов, используемых для различения изображений в категориях почвенного покрова, постоянно расширяется. Обзор этих методов был возобновлен Nitze et al. [91] и включен следующим образом:

(1) Категоризация на основе максимального правдоподобия .До недавнего времени метод категоризации максимального правдоподобия считался наиболее часто используемым подходом для контролируемой категоризации информации с удаленных датчиков [92]. Принцип максимального правдоподобия зависит от вероятности. В этой методологии подготовка информации используется для статистического объяснения целевых категорий через их многомерные вероятностные возможности плотности. Каждая емкость плотности соответствует вероятности того, что спектральная модель класса попадает в заданный район в многомерном спектральном пространстве.Спектральная привязка каждого пикселя впоследствии распределяется по категории, элементом которой он имеет наиболее высокую вероятность быть элементом [93], в то время как существенным преимуществом подхода максимального правдоподобия является полный контроль, который пользователь имеет над классами почвенного покрова. для использования в последней категории. Его применение ограничено его зависимостью от гауссовского распределения входных записей, допущение, которое часто игнорируется при использовании многокомпонентных записей многочисленных спектральных характеристик и мультимодальных распределений [94].Кроме того, категоризация посредством максимального правдоподобия использует эквивалентный набор признаков для всех категорий и требует повышенного количества вычислений для полной категоризации информации изображения. Это особенно очевидно, когда повышенное количество атрибутов используется в качестве входных данных на этапе категоризации или когда необходимо разделить большое количество спектральных категорий. В таких случаях использование классификатора максимального правдоподобия может быть значительно быстрее, чем другие контролируемые методы категоризации.Различные ограничения, связанные с категоризацией по максимальному правдоподобию, преобразуются в динамическое совершенствование новых расчетов категоризации для области дистанционного зондирования. Из этих новых методов огромную надежду подали искусственные нейронные сети [95], вспомогательные векторные машины [96], деревья решений [97] и группы деревьев классификации, такие как Random Forest [98].

(2) Искусственные нейронные сети . Использование искусственных нейронных сетей для категоризации дистанционного зондирования вызвано тем фактом, что человеческий мозг способен обрабатывать большие объемы информации и записей из широкого диапазона источников [99, 100], и что научное воплощение этой методологии может быть полезен для подготовки и анализа графической информации.Применительно к категоризации изображений искусственная нейронная сеть представляет собой чрезвычайно равный выделенный процессор, состоящий из основных элементов обработки, который получает информацию из своей среды посредством операции самообучения для адаптивного построения связей, включающих входные записи, как, например, спутниковые изображения. атрибуты и выходные записи, например, целевые группы прикрытия [101]. Известными искусственными нейронными сетями являются многослойный персептрон (MLP) [102], а также карта самоорганизующихся функций Кохонена [103] и нечеткий ARTMAP [104].Хотя эти методологии меняются в том, что касается их конкретного использования, они требуют обучения и организации для отделения важных данных от дистанционно обнаруженной информации об изображении [105]. На рисунке 3 представлена ​​структура искусственной нейронной сети [106].

На этапе обучения собираются данные изображений из областей, чьи функции (или классы) используются в качестве входных данных для системы. Эти данные используются системой в итеративной методологии, которая характеризует правила, обеспечивающие наилучшие организационные результаты.Показанные правила затем используются на этапе организации для обозначения атрибутивной информации для обучающего класса, компонентом которого она имеет наиболее значительную вероятность.

Преимущества искусственных нейронных сетей объединяют их возможности для: (1) более точной работы, когда входные данные включают множество больших наборов данных, которые оцениваются в различных масштабах и частотные распределения которых необычны; (2) изучать и постоянно обновлять сложные модели, такие как, например, нелинейные связи между входной информацией и группами выходных данных, по мере того как больше информации предоставляется в различной области; (3) давать путем обобщения убедительные ответы при наличии частичной или неточной информации; и (4) объединить априорных понимания и логических физических ограничений в исследовании [107, 108].Однако неудобства, связанные с искусственными нейронными сетями, ограничили их применение только базовыми приложениями [109]. С другой стороны, наиболее важным недостатком искусственных нейронных сетей является то, что они представляют собой «черный ящик» для объяснения [110]. Фактически, обычно было трудно существенно прояснить процедуру, посредством которой был получен результат, потому что руководящие принципы для организации изображений и анализа, полученные через систему, не просто достижимы или описываются [111].Поэтому в целом будут использоваться другие стратегии организации с более быстрыми способностями к логическому разъяснению.

(3) Машины опорных векторов . Машины опорных векторов, определяемые как контролируемая непараметрическая процедура статистического обучения для решения задач категоризации [112], демонстрируют невероятный потенциал для категоризации дистанционно обнаруженной информации изображения [113]. Машины опорных векторов решают задачу квадратичной оптимизации для определения идеальных разделяющих пределов (гиперплоскостей), включающих две группы в многомерном пространстве элементов [114].Машины опорных векторов выполняют эту задачу, концентрируясь на обучающих данных, которые находятся на грани группового распространения. Хотя группы не могут быть изолированы, обучающие данные назначаются в многомерное пространство с использованием основных методов, где новое распределение записей позволяет лучше подобрать прямую гиперплоскость [115]. Этот метод повторяется для каждой пары групп, чтобы разделить информацию на предварительно выбранное количество групп. Затем руководящие принципы для наилучшего группового разделения используются для распределения всей графической информации по заранее выбранным целевым группам.Рисунок 4 иллюстрирует принцип машины опорных векторов [116].

В основе принципа категоризации машин опорных векторов лежит идея о том, что для распознавания требуются только обучающие выборки, которые лежат в пределах группы [117]. Преимущество использования машин опорных векторов заключается в их способности превосходить традиционные методы организации, когда доступны лишь небольшие наборы обучающих данных [118]. Фундаментальное правило, которое продвигает машины опорных векторов, состоит в том, что процедура обучения зависит от минимизации основных опасностей [119].Согласно этой идее, машины опорных векторов ограничивают ошибки организации в отношении скрытой информации, не делая никаких априорных предположений о статистическом распределении информации [120]. Существенная слабость в использовании машин опорных векторов касается выбора наиболее подходящего типа основной функции и связанных с ней параметров. Даже если существуют различные варианты выбора, некоторые базовые функции не могут дать лучший дизайн машин опорных векторов для использования удаленного обнаружения [121]. Это важно, потому что неадекватные решения могут вызвать переоснащение, что может иметь огромное негативное влияние на выполнение машин опорных векторов и точность организации [122].Кроме того, машины опорных векторов не были улучшены для управления разнородной информацией, такой как выбросы, обычно встречающиеся в данных дистанционного зондирования, добавление которых может значительно снизить влияние классификатора [123]. Независимо от этих проблем, машины опорных векторов — отличная альтернатива для организаций, занимающихся почвенно-растительным покровом.

(4) Древовидная классификация решений . Деревья решений, стратегии контролируемой организации, зависящие от рекурсивного бинарного деления, согласующиеся со многими обновленными руководящими принципами, стали заманчивой альтернативой для разделения данных дискретных классов для классификации земного покрова [124].Дерево решений принимает множество элементов в качестве входных данных и возвращается с выходными данными посредством набора тестов [125]. Деревья строят инструкции с помощью рекурсивных двоичных разделительных областей, которые становятся все более однородными относительно своей переменной класса [126]. Классификаторы дерева решений делают многомерные схемы зависимыми от многих инструкций принятия решений, характеризующихся сочетанием параметров и множеством линейных дискриминантных уравнений, которые применяются в каждом тестовом узле [127]. Обычно после того, как собрано достаточное количество обучающих тестов, расчет обучения Дерева решений использует обучающую информацию для создания Дерева решений, которые затем преобразуются в другую иллюстрацию представления информации, называемую производственными инструкциями.Поскольку производственные инструкции несложны, они могут быть проанализированы специалистами и могут быть легко представлены [128].

Использование деревьев решений для организации изображений имеет много преимуществ, например, способность собирать информацию в различных оценочных шкалах [129], необычные (непараметрические) частотные распределения входной информации [130] и нелинейные связи между входной информацией и группами. [131]. Они аналогичны тем, которые объясняются искусственными нейронными сетями.Тем не менее, деревья решений просты в использовании, поскольку требуется определять меньшее количество факторов [132], как показано на рисунке 5; они дают ясную и простую для интерпретации иерархическую конструкцию [133]; и их можно обучить, создавая инструкции и настраивая непосредственно на основе обучающей информации с минимальным участием оператора [134].

Одной из наиболее важных особенностей деревьев решений является то, что они могут корректироваться при предоставлении новой обучающей информации и что выходные данные системы могут быть оценены, чтобы увидеть, как был достигнут вывод [135].К недостаткам использования деревьев решений можно отнести невозможность включения пространств с высокой размерностью [136], зашумленные данные [137] и переоснащение [112]. Лучшее понимание воздействий на производительность организации дерева решений является частью удаленного обнаружения, которое в настоящее время подвергается дальнейшему исследованию [138], и побудило к развитию ансамблевых стратегий на основе дерева решений, например, метод случайного леса, который улучшает организацию производительность благодаря сочетанию множества отдельных деревьев решений.

(5) Классификация случайных лесов . Случайный лес, улучшенная форма дерева решений, представляет собой вычисление для обучения ансамблю, которое объединяет различные организации схожей информации для генерации более высокой точности упорядочения, чем разные типы деревьев решений [98]. Случайный лес работает путем подгонки множества организаций, основанных на дереве решений, к набору данных и последующего использования подхода, основанного на рекомендациях, для объединения прогнозов из всех деревьев, как показано на рисунке 6 [139].

Во время этой процедуры единичные деревья разрабатываются из различных подмножеств обучающей информации с использованием процедуры, называемой пакетированием. Пакетирование включает в себя нерегулярную подвыборку (с подстановкой) исходной информации для разработки каждого дерева. Обычно для каждого разработанного дерева 66% обучающей информации используется для разработки дерева, а остальные 34% остаются неиспользованными для последующей оценки ошибок [140]. Впоследствии для каждой модели начальной загрузки применяется классификация; тем не менее, в каждом узле (разбиении) только несколько случайно определенных индикаторных факторов используются в бинарном делении [141].Процедура разделения продолжается до тех пор, пока дополнительное подразделение не перестанет уменьшать индексы Джини [142]. Только с одним голосом каждое дерево вносит свой вклад в задачу самого общего класса входных данных [143]. Прогнозируемая группа определяется общим голосованием по наблюдению, а разделение привязок определяется случайным образом [144].

Самым важным преимуществом Random Forest является то, что он, по-видимому, более точен и надежен, чем обычные параметрические методы или методы искусственного интеллекта дерева решений [143].Это связано с тем, что категория классификаторов выполняется более точно, чем любой уникальный классификатор, при этом избегая ограничений классификатора [145]. Кроме того, Random Forest нуждается в описании только двух факторов для построения модели прогноза (то есть количества требуемых деревьев классификации и количества факторов прогноза, используемых в каждом узле для построения дерева), и, соответственно, считается умеренно простым. для параметризации [143]. Дальнейшие интересные моменты возникают в результате использования случайным лесом пакетирования, чтобы вызвать развитие единственного дерева из подмножеств обучающей информации.Полностью разработанные деревья используются для оценки точности и частоты ошибок для каждой выборки с использованием прогнозов Out-Of-Bag, которые затем стандартизируются для всех тестов. Поскольку записи Out-Of-Bag не используются для подгонки к деревьям, оценки Out-Of-Bag в основном являются оценками точности с перекрестной проверкой [143]. Random Forest дополнительно готов оценить значимость только одной переменной. По этой причине Random Forest переключает один из входных факторов, оставляя остальные неизменными, и определяет снижение точности, которое произошло с помощью методов для ошибки Out-Of-Bag [143].Это полезно, когда критически важно понять, как каждая прогностическая переменная влияет на структуру организации [145]. Недостатком использования случайного леса является то, что при большом количестве деревьев становится труднее анализировать отдельные деревья и понимать их конфигурацию [146], что приводит к среде черного ящика, которая усложняет инструкции по принятию решений [147]. В таблице 3 представлены преимущества и ограничения алгоритмов, используемых для классификации областей спутниковых изображений.

(6) Постобработка .Эти процессы могут разрабатывать выходные данные категоризации из-за возможности использовать различные методы фильтрации или иным образом комбинировать различные выходные данные категоризации. Первоначально макроскопические дефекты модифицируются интерактивно, поскольку они четко идентифицируются с помощью регулярного оптического исследования. Основные параметры фильтрации по скользящей секции размером 3 пикселя × 3 пикселя или 5 пикселей × 5 пикселей, такие как фильтр большинства, устраняют неприятный результат, вызванный категоризацией на основе пикселей.Такой фильтр большинства, кроме того, можно использовать для категоризации на основе пикселей объектов, полученных с помощью сегментации изображения с мультиспектральной отражательной способностью, тем самым предлагая гораздо более гладкий план земного покрова. Методы слияния необходимы для объединения выходных данных из группы классификаторов. При голосовании большинством голосов можно получить уникальную диаграмму выходных данных либо когда ансамбль выбирает категорию, с которой согласны все классификаторы, либо когда соглашается не менее половины классификаторов. Взвешенное большинство голосов может использоваться, в то время как ряд классификаторов должен работать лучше, чем другие, или взвешиваются через связанную возможность или членство в выходных данных категоризации.Обязательно отметить, что различные этапы, описанные выше, в основном взаимосвязаны, и каждый выбор должен учитывать общую последовательность создания картографии земного покрова, чтобы гарантировать реализацию подходящего решения.

6. Заключение

Сегодня эти решения на базе искусственного интеллекта используются для решения нескольких промышленных задач, таких как транспорт, банковское дело, медицина и сельское хозяйство. Использование этой технологии искусственного интеллекта произвело революцию во всем пищевом процессе с огромными преимуществами.Помимо поддержки производителей в автоматическом земледелии и культуре, искусственный интеллект в сельском хозяйстве также ведет к точному земледелию с более высокой урожайностью и лучшим качеством при использовании ограниченных ресурсов. Более того, дистанционное зондирование использует передовые методы, которые помогают владельцам ранчо наблюдать за своими посевами, не наблюдая за фермой физически. Сегодня несколько компаний с нетерпением ждут развития сельского хозяйства с использованием искусственного интеллекта. Искусственный интеллект в сочетании с дистанционным зондированием переопределяет обычные модели сельского хозяйства и, таким образом, переклассифицирует традиционную модель сельского хозяйства.В сельском хозяйстве будущее искусственного интеллекта все больше зависит от множества сложных стратегий посредством комплексных преобразований.

Конфликт интересов

Авторы заявляют, что у них нет конфликта интересов.

Вклад авторов

К.Е. разработал план рецензирования и написал текст; СС участвовал в написании текста; YG, MC и OBB участвовали в подготовке рисунков и таблиц, а также в написании текста; ME и MAT внесли свой вклад в рецензирование текста.Все авторы читали и одобрили окончательный вариант рукописи.

Метро-карты динамики заболеваний растений — автоматическое выявление различий с использованием гиперспектральных изображений

Abstract

Понимание динамики реакции растений на биотический стресс необходимо для улучшения методов управления и селекционных стратегий сельскохозяйственных культур и, таким образом, для перехода к более устойчивому сельскому хозяйству в ближайшие десятилетия. В этом контексте гиперспектральная визуализация предлагает особенно многообещающий подход, поскольку он обеспечивает неразрушающие измерения растений, коррелирующих с внутренней структурой и биохимическими соединениями.В этой статье мы представляем каскад методов интеллектуального анализа данных для быстрого и надежного построения эскизов сложной гиперспектральной динамики в науке о растениях и фенотипировании растений. Чтобы достичь этого, мы опираемся на недавний метод факторизации линейной матрицы времени, называемый симплексной максимизацией объема, чтобы автоматически обнаруживать архетипические гиперспектральные сигнатуры, характерные для конкретных заболеваний. Методы были применены к набору данных о листьях ячменя ( Hordeum vulgare ), пораженных патогенами листовых растений Pyrenophora teres , Puccinia hordei и Blumeria graminis hordei .Для более интуитивной визуализации динамики болезней растений мы используем архетипические сигнатуры для создания структурированных сводок, вдохновленных картами метро, ​​то есть схематическими диаграммами сетей общественного транспорта. Метро-карты динамики болезней растений, составленные на основе нескольких наборов реальных данных, соответствуют физиологическим знаниям растений и четко иллюстрируют взаимодействие между болезнями и растениями. Что наиболее важно, они дают абстрактное и понятное представление о прогрессировании болезней растений.

Образец цитирования: Wahabzada M, Mahlein A-K, Bauckhage C, Steiner U, Oerke E-C, Kersting K (2015) Метро-карты динамики заболеваний растений — автоматическое выявление различий с использованием гиперспектральных изображений. PLoS ONE 10 (1):
e0116902.

https://doi.org/10.1371/journal.pone.0116902

Академический редактор: Дэвид А. Лайтфут,
Колледж сельскохозяйственных наук, США

Поступила: 29.05.2014; Одобрена: 17 декабря 2014 г .; Опубликовано: 26 января 2015 г.

Авторские права: © 2015 Wahabzada et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника

Доступность данных: Все соответствующие данные находятся в пределах документ и вспомогательные информационные файлы к нему.

Финансирование: Эта работа может быть выполнена благодаря финансовой поддержке Федерального министерства образования и исследований Германии (BMBF) в рамках конкурсной программы грантов «Сети передового опыта в области сельскохозяйственных исследований и исследований в области питания» — http://www.smart.com/ / www.Cropsense.uni-bonn.de/ (код финансирования: 0315529). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи. CB и KK работают с Fraunhofer IAIS, некоммерческим исследовательским институтом Общества фраунгофера в Германии. Fraunhofer IAIS предоставил поддержку в виде заработной платы для них обоих, но не имел никакой дополнительной роли в дизайне исследования, сборе и анализе данных, решении опубликовать или подготовке рукописи.Конкретные роли этих авторов сформулированы в разделе «Авторский вклад».

Конкурирующие интересы: Авторы имеют следующие интересы: Кристиан Баукхаге и Кристиан Керстинг работают в Fraunhofer IAIS, некоммерческом исследовательском институте Общества Фраунгофера в Германии. Нет никаких патентов, продуктов в разработке или продаваемых продуктов, которые можно было бы декларировать. Это не влияет на соблюдение авторами всех политик PLOS ONE в отношении обмена данными и материалами, как подробно описано в руководстве для авторов.

Введение

Болезни растений являются причиной потери не менее 10% мирового производства продуктов питания, что обостряет проблему нехватки продовольствия в мире, где не менее 800 миллионов человек страдают от недоедания [1, 2]. Поэтому болезни растений являются ключевой проблемой в растениеводстве и требуют пристального внимания. Однако понимание и моделирование ответного поведения больных растений само по себе является сложной задачей. Патогенез является результатом сложных взаимодействий между генотипом растения, патогена и окружающей среды, приводящих к появлению симптомов заболевания.В то время как генетические и биохимические подходы к пониманию стрессовых реакций постоянно совершенствуются, недавно было обнаружено, что феноменальные подходы , которые измеряют структурное и функциональное состояние растений, преодолевают ограниченные прогностические возможности современных методов [3] и являются примером современной тенденции. из «моделирование жизни на земле» [4].

Особенно многообещающий подход к преодолению разрыва между нынешними «омическими» технологиями, такими как транскриптомика, геномика, метаболомика и феномика [5–7], заключается в неинвазивной гиперспектральной визуализации (HSI).Этот вид сенсорного фенотипирования уже доказал свою эффективность в мониторинге физиологических признаков и специфических для генотипа растений реакций на биотические и абиотические стрессы [7,8]. В настоящее время доступны различные автоматизированные платформы фенотипирования, которые включают автоматизированное управление и организацию экспериментальных растений, инновационные технологии от робототехники, а также новые датчики и технологии визуализации и, следовательно, позволяют использовать широкий спектр приложений, от лабораторных исследований до систем скрининга в полевых условиях. [6,9].Однако современные сенсорные методы и увеличивающееся количество сенсорных данных создают новые проблемы в науке о растениях, поскольку данные необходимо интерпретировать и соотносить с характеристиками растений. В конечном итоге количественные и качественные признаки растений должны определяться автоматически, чтобы достичь высокопроизводительного фенотипирования. Для этого требуются эффективные и надежные методы анализа, позволяющие избежать дорогостоящего и трудоемкого ручного вмешательства.

Информация о здоровье и физиологии растений может быть получена практически из любой части электромагнитного спектра.Например, видимая область (VIS) от 400 до 700 нм зависит от содержания пигмента, ближняя инфракрасная область (NIR) отражает структурные характеристики растений, а коротковолновая инфракрасная область (SWIR) в основном отражает химические компоненты листьев и содержание воды [10 ]. Заболевания растений, в свою очередь, влияют на эти биофизические и биохимические свойства во время патогенеза, поскольку они вызывают изменение пигментов и структуры листьев из-за хлороза, некроза и грибковых структур на поверхности листа. Эти изменения приведут к определенным спектральным характеристикам, которые динамически меняются в процессе развития болезней растений и насаждений.Следовательно, процессы фенотипирования могут выиграть от гиперспектрального анализа и соответствующих моделей динамики заболевания.

Ячмень ( Hordeum vulgare ), важная культура для производства продуктов питания и кормов, может страдать от ряда экономически значимых болезней листьев в течение вегетационного периода, что приводит к значительному снижению урожайности и качества зерна [11]. Сетчатая пятнистость, бурая ржавчина и мучнистая роса являются разрушительными патогенами при производстве ячменя. Поэтому своевременное обнаружение очагов первичной болезни в поле имеет жизненно важное значение для эффективных стратегий защиты растений.Как показывают примеры на рис. 1, каждое из этих заболеваний проявляет различные симптомы и определенным образом влияет на метаболизм и функцию растения-хозяина [12]. Это приводит к характерным спектральным характеристикам отражения. Чтобы гиперспектральные датчики поддерживали автоматическое обнаружение болезней растений, необходимо знать характерную спектральную динамику во время развития симптомов, а информацию, получаемую с помощью гиперспектральных изображений, следует визуализировать интуитивно.

Рисунок 1.Характерные фенотипы здоровых и больных листьев ячменя.

( A ) Здоровый лист ячменя, ( B ) сетчатая пятнистость, вызванная Pyrenophora teres , ( C ) коричневая ржавчина, вызванная Puccinia hordei , и ( C ) мучнистая роса, вызванная Blumeria graminis hordei .

https://doi.org/10.1371/journal.pone.0116902.g001

Тем не менее, любой автоматизированный анализ биологических процессов на основе гиперспектральных изображений создает проблемы в отношении масштабируемости и интерпретируемости.Например, ученые, работающие над фенотипированием растений, часто сталкиваются с проблемой необходимости иметь дело с массивными, многомерными и меняющимися во времени наблюдениями, содержащимися в больших коллекциях гиперспектральных кубов данных (используемых в настоящем исследовании). Более того, говоря простым языком, сегодняшнее «большое» — это завтрашнее «среднее», а на следующей неделе — «маленькое». Наконец, в дополнение к мультиспектральным и гиперспектральным датчикам вступают в строй первые сверхспектральные датчики. Следовательно, помимо проблемы оптимизации технических решений для автоматического фенотипирования, исследования должны решать проблему интерпретации и обработки фенологических данных.Воодушевленные этими наблюдениями, мы подошли к задаче, как эффективно анализировать огромные объемы гиперспектральных данных в феноменах. В частности, мы исследовали вопрос «Могут ли машины автоматически предоставлять интерпретируемые сводки о прогрессировании болезней растений в массовом масштабе?» Этот вопрос «интерпретируемости» является ключевым в нашей работе, поскольку фенотипирование растений обязательно является междисциплинарным мероприятием, в котором ученые с дополнительными навыками работают вместе. Интуитивно интерпретируемые сводки, которые мы называем эскизов , можно определить как описание гиперспектральной динамики болезни растений, состоящее из одного (один эскиз) или нескольких маршрутов (карты метро), которые описывают развитие или выделяют интересные моменты болезни.Эскизы нарисованы в разные моменты времени во время развития болезни и основаны на так называемых «архетипических гиперспектральных сигнатурах болезни». Эти сигнатуры характеризуют экстремальные измерения для конкретной болезни и, следовательно, отличаются от сигнатур других болезней или здоровых растений. Более того, они могут быть обнаружены автоматически в массовом масштабе с учетом любой заданной информации, такой как гиперспектральные изображения или присвоенные вручную метки.

Вышеупомянутые проблемы затрудняют использование стандартных статистических методов, таких как анализ главных компонентов, скрытые марковские модели, опорные векторные машины или гауссовские процессы для анализа последовательностей гиперспектральных изображений: они часто не обеспечивают простой интерпретации функции или модели и — если не прибегать к приближениям, влекущим за собой потерю информации — они обычно плохо масштабируются для больших объемов данных.Таким образом, в этой статье мы основываемся на недавних быстрых основанных на данных подходах к поиску абиотических сигналов стресса [13–16], которые решают проблемы интерпретируемости и масштабируемости.

Основными целями представленного исследования являются (i) автоматическое извлечение специфических спектральных сигнатур болезни с течением времени (архетипические сигнатуры), (ii) привязка спектральной динамики к биологическим процессам во время патогенеза и (iii) визуализация прогрессирования болезни с помощью набросков. гиперспектральная динамика в легко интерпретируемой и интуитивно понятной форме с использованием карт метро.Для достижения этих целей мы адаптируем методы машинного обучения и интеллектуального анализа данных для быстрого и точного анализа и применяем недавний подход, основанный на линейном времени, простой для распараллеливания данных, чтобы получить подходящие представления данных.

Результаты и обсуждение

Процедуру создания интерпретируемых сводок можно кратко разбить на пять последовательных шагов, которые кратко представлены на рис. 2 (внизу). Мы начинаем с определения нового представления, используя интерпретируемую матричную факторизацию (шаг 1).Другими словами, на основе набора данных гиперспектральных изображений здоровых и больных листьев ячменя, которые были записаны во время развития болезни, репрезентативные данные автоматически определяются с помощью симплексной максимизации объема для всех изображений. Это дает нам общие характеристики здоровых и больных листьев. Затем каждая гиперспектральная сигнатура выражается как комбинация этих представителей, что приводит к параметрическому распределению (шаг 2) для каждого гиперспектрального изображения. Эти представления фиксируют локальные зависимости.На основе оцененных распределений параметров мы автоматически обнаруживаем архетипические признаки заболевания с помощью байесовских факторов (шаг 3) и фиксируем их динамику с помощью регрессии агрегирования Дирихле (шаг 4). Наконец, эта информация используется для визуализации динамики болезней растений в виде карт метро (Шаг 5).

Рисунок 2. Массовое картирование прогрессирования болезней растений.

Последовательные шаги от данных гиперспектральной визуализации здоровых и больных листьев ячменя до интерпретируемых сводок на картах метро в пять последовательных шагов.(Лучшее отображение в цвете)

https://doi.org/10.1371/journal.pone.0116902.g002

Целью этого подхода является исследование нашего главного вопроса (MQ): соответствуют ли автоматически создаваемые эскизы гиперспектральной динамики физиологическим знаниям растений и дают ли они характеристики? и правдоподобная картина развития болезни и появления симптомов? Кроме того, мы исследуем вспомогательный вопрос (SQ): позволяют ли архетипические сигнатуры выбранных болезней различать растения с разными заболеваниями лучше, чем сигнатуры, которые игнорируют доступную информацию о болезнях?

Оценка архетипических признаков заболевания

Чтобы ответить на вопросы (MQ) и (SQ), мы сравнили гиперспектральные сигнатуры до и после выбора архетипических сигнатур болезней.Автоматически определенные средние сигнатуры Дирихле за день показаны на рис. 3, где средние сигнатуры Дирихле в левом столбце были получены до выбора архетипических сигнатур болезни, а средние сигнатуры в правом столбце были определены после выбора архетипических сигнатур болезни. В архетипических сигнатурах заболевания учитываются только те пиксели, которые являются релевантными и характерными для заболевания (рис. 4), здоровые пиксели игнорируются. Таким образом, они представляют собой точную меру для дифференциации болезней (рис.3, правый столбец). Характерные изменения в спектральной отражательной способности более отчетливы по сравнению с обычными средними сигнатурами, извлеченными из целых листьев (рис. 3, левый столбец). Эти архетипические сигнатуры дополнительно полезны для различения различных временных точек во время патогенеза, что обсуждается ниже. То есть каждый патоген вызывал характерное развитие болезни и появление симптомов на растениях ячменя, и из архетипических сигнатур можно вывести следующую простуду:

Рисунок 3.Интерполированные средние сигнатуры и архетипические сигнатуры для длин волн видимого ближнего инфракрасного (VNIR) и коротковолнового (SWIR) инфракрасного диапазона (измеренные 4–14 дней).

В левом столбце показаны средние сигнатуры больных растений ячменя до выбора архетипических сигнатур болезни, а в правом столбце показаны средние архетипические сигнатуры для η = 1. Архетипические сигнатуры позволяют лучше различать разные стадии развития заболеваний. Более того, они соответствуют визуально и вручную извлеченным сигнатурам отражательной способности во время развития болезни.(Лучшее отображение в цвете)

https://doi.org/10.1371/journal.pone.0116902.g003

Рис. 4. Типичные выборки болезней.

Пример изображения, показывающего больные растения ячменя (RGB, первый столбец) с мучнистой росой (первый ряд), сетчатыми пятнами (второй ряд) и ржавчиной (третий ряд) 14 дней. На изображениях в ложных цветах представлены автоматически определенные пиксели пораженных растений на основе архетипических сигнатур болезни для данных VNIR и SWIR (средний и правый столбцы). Чем желтее / краснее цвет, тем больше разница между пикселем и здоровым растением.(Лучшее отображение в цвете)

https://doi.org/10.1371/journal.pone.0116902.g004

Сетчатая пятнистость, вызванная некротрофным патогеном P. teres , появилась через 4 дня (дни после инокуляции). Через 24 часа после проникновения на месте инфицирования появились небольшие коричневые и некротические пятна [17]. Ранние симптомы увеличили коэффициент отражения в VIS с 550 до 700 нм, наблюдались небольшие изменения в NIR (рис. 3, первая строка). Эти поражения росли вдоль жилок листа, образуя сетчатый узор.Со временем окружающие ткани стали хлоротичными и пропитанными водой, что может быть вызвано диффузными токсинами или эффекторами, секретируемыми гифами грибов [17]. Физиологические изменения во время патогенеза хорошо отражаются в автоматически оцениваемых архетипических сигнатурах болезни. Увеличение отражательной способности в видимом диапазоне связано с локальной потерей хлорофилла при появлении некроза; аналогичные эффекты описаны в [12] для развития симптомов Cercospora beticola у сахарной свеклы. Наблюдается неуклонное развитие симптомов с течением времени, изменения отражательной способности были более постепенными, чем нарастающими, соответственно со стадией заболевания.На более поздних стадиях патогенеза ткань ячменя некротизировалась; потеря воды в симптоматических областях повлияла на спектральную отражательную способность в SWIR-области (рис. 3, первая строка) [18].

В первые дни после инокуляции P. hordei на поверхности листа появились небольшие хлоротичные пятна ржавчины, что привело к увеличению отражательной способности в диапазоне 550–700 нм, как показано на рис. 3, второй ряд. Это изменение коэффициента отражения подтвердило результаты Teng and Close [19], которые измерили коэффициент отражения листьев ячменя, различающихся степенью ржавчины.Хлоротичные пятна разрастались до 6 дней. Между 6 и 8 днями в местах инфицирования стало заметно скопление спор уредино оранжево-коричневого цвета под эпидермисом. Явные изменения в спектральных характеристиках наблюдались через 12 дней, когда эпидермальный слой разрывался, и споры ржавчины становились видимыми на поверхности листа, вызывая сдвиг отражательной способности, достигающий максимума при 520 нм. Teng et al. [19] заявили, что отражательная способность листьев, инфицированных ржавчиной, является функцией проросшей уредины и роста субэпидермальных грибов.Увеличение отражательной способности около 600 нм связано с большим количеством спор оранжево-коричневой ржавчины на листе [20, 21]. Однако влияние P. hordei на структуру листьев и содержание воды в тканях было сравнительно низким. Это было ясно видно в NIR и SWIR архетипических сигнатур.

Мучнистая роса вызывает белые пушистые пустулы, распространяющиеся на верхней и нижней стороне листа. Первые пустулы вызвали общее увеличение отражательной способности в VIS. Подобные эффекты на отражательную способность листьев ячменя наблюдались на полях ячменя, пораженных мучнистой росой [22, 23].Этот параллельный сдвиг отражательной способности четко описывался архетипическими сигнатурами (рис. 3, третий ряд). Размер и количество этих симптомов увеличились в течение 10 дней, что привело к изменению отражательной способности NIR. Как биотрофный патоген B. graminis hordei устанавливает долгосрочные кормовые отношения с живыми клетками растений-хозяев [24]. После десяти дней заражения мучнистой росой ткань рядом с колониями стала хлоротичной и, наконец, некротизированной. Это заметное влияние на структуру листа и фенологию листа было отражено в архетипических сигнатурах, где самые сильные различия наблюдались в период с 10 по 14 день [22].В этот момент времени отражение SWIR было значительно выше из-за последовательной потери воды в очагах поражения и вокруг них.

Кроме того, мы вычислили точность правильно классифицированных сигнатур, используя обучающие примеры как для всех, так и только для архетипических выборок болезней, используя подход классификации по ближайшей выпуклой оболочке [25]. Результаты точности для тестового набора со всеми данными показали, что использование обучающих примеров из архетипических сигнатур болезней может значительно превзойти результаты из всех данных, что указывает на лучшую дифференциацию между заболеваниями.Отметим, что классификация не являлась целью данной работы. Здесь мы только исследовали, позволяют ли архетипические сигнатуры болезней различать разные заболевания. Для обучения классификаторам мы рассматривали только метки для целых изображений и не учитывали, представляют ли отдельные сигнатуры / пиксели здоровые или больные части листа. Тем не менее классификация больных растений с использованием сенсорных данных, таких как гиперспектральные изображения, представляет значительный практический интерес. Оставляем этот вопрос на будущее.

Картирование прогрессирования заболевания

Гиперспектральные коэффициенты отражения различаются между сетью, ржавчиной и мучнистой росой в зависимости от стадии развития болезней. Это было ясно видно по архетипическим сигнатурам болезни. Что касается вопроса (MQ), мы также спросили, в какой момент времени во время патогенеза релевантная динамика и изменения в отражательной способности становятся очевидными? Поэтому мы предоставляем расчетные сводки, делая наброски гиперспектральной динамики больных растений, которые мы подробно обсудим в следующих подразделах.

Прогресс болезни по отдельным наброскам.

для диапазонов VNIR, отдельные эскизы болезней ячменя, основанные на архетипах средней отражательной способности, показаны на рис. 5 (для ясности на рисунке опущены результаты для диапазонов SWIR, которые представлены во вспомогательной информации). Каждый эскиз состоит из частей (сегментов линии), которые кодируют основные этапы динамики с использованием одинаковых весов. Таким образом, чем короче часть, тем выше влияние соответствующего периода.

Рисунок 5.Единичные эскизы гиперспектральной динамики болезней растений для длин волн видимого и ближнего инфракрасного (VNIR) диапазона.

Каждый набросок состоит из частей, кодирующих основные состояния во время патогенеза болезни растений с одинаковым весом. Таким образом, чем короче часть, тем выше влияние соответствующего периода. (Лучшее отображение в цвете)

https://doi.org/10.1371/journal.pone.0116902.g005

Основные состояния динамики, по-видимому, различались для разных болезней: пораженные сетчатой ​​пятнистостью листья демонстрировали устойчивое развитие в первые 7 дней.От 7 до 12 дней в диапазонах VNIR и SWIR появились значительные изменения отражательной способности, что соответствует биологическим процессам во время патогенеза. Первыми симптомами являются хлороз и небольшие некрозы от 4 до 7 дней, что отражается в изменениях VNIR. Серьезные структурные и биохимические изменения ткани листа происходят от 7 до 12 дней, и значительная потеря воды может быть выведена из периода с сильным воздействием на наброске данных SWIR. Воздействие ржавчины на листья ячменя было сравнительно незначительным и более постоянным с течением времени.Биотрофный патоген питается живыми клетками-хозяевами, чтобы производить новые споры ржавчины. Временные точки с критическими процессами появляются в VNIR между 5 и 7 днями, когда появляются первые хлорозы и превращаются в небольшие коричневатые пустулы ржавчины. Начиная с 10 дней, споры ржавчины разрывали эпидермис, и из каждой пустулы выделялось огромное количество спор; этот важный этап патогенеза ржавчины был четко обозначен на рисунках (рис. 5). Динамика патогенеза ржавчины в SWIR была незначительной, так как эффект зависит от биотрофного образа жизни P.Hordei . Характерные пустулы мучнистой росы на поверхности листа постоянно росли в течение первых 9 дней патогенеза. Могли быть зарегистрированы заметные изменения размера пустулы; однако цвет колоний мучнистой росы оставался беловатым, а окружающие ткани ячменя, по-видимому, оставались нетронутыми в максимально возможной степени. Начиная с 9 дня и позже цвет мицелия мучнистой росы изменился с беловатого на серый на коричневатый. Этот процесс можно проследить на зарисовках гиперспектральной динамики мучнистой росы (рис.5). Ткань ячменя некротизировалась с 12 дня, и, в свою очередь, отражательная способность SWIR заметно увеличивалась. Наброски, основанные на архетипических сигнатурах болезни, выделяют соответствующие этапы развития болезни. Эта характерная информация скрыта при использовании средних сигнатур без архетипического выбора.

Метро карты динамики заболеваний.

Так называемые карты метро предоставляют инновационный и интуитивно понятный способ иллюстрировать спектральную динамику и изменения во время патогенеза (рис.6), поскольку их можно рассматривать как сжатый структурированный набор важной информации. Таким образом, Metro-карты развития болезни обеспечивают показатель взаимодействия между каждым патогеном и тканью хозяина, а также просто структурированную сводку спектральной информации во время развития болезни. Связность карты передает основные биофизические и биохимические процессы во время развития болезни, а также сходство между тремя заболеваниями на разных стадиях развития.

Рисунок 6.Коллективное прогрессирование болезни с помощью Metro Maps гиперспектральной динамики больных растений для длин волн видимого-ближнего инфракрасного (VNIR) (вверху) и коротковолнового (SWIR) инфракрасного (SWIR) диапазона (внизу).

Каждая дорожка болезни на гиперспектральных изображениях показывает определенный маршрут на карте метро, ​​направление и динамические шаги соответствуют биофизическим и биохимическим процессам во время развития болезни. Начало всех маршрутов в одной и той же временной точке / на вокзале (день вакцинации, серый кружок).(Лучшее отображение в цвете)

https://doi.org/10.1371/journal.pone.0116902.g006

Каждый трек болезни показывает определенный маршрут на карте метро. Начало всех маршрутов установлено в одной и той же временной точке / на вокзале (день вакцинации, серый кружок). С первых дней после инокуляции появление мучнистой росы на ячмене отличается от других болезней; Относительно неповрежденная ткань покрыта колониями белого мицелия, производящими все большее количество конидий с доминирующим влиянием на спектр VNIR (рис.6, вверху). Сетчатая пятнистость и ржавчина являются общими для хлорозов на ранних стадиях развития болезни. Однако сетчатая пятнистость вызывает раннее некротическое повреждение ткани и до 10 дней следовала другим путем; здесь пути распространения ржавчины и сетчатой ​​пятнистости переплетаются в VNIR, поскольку эпидермис пораженных ржавчиной листьев ячменя разрывается и выделяются тысячи коричневатых спор ржавчины. Путь здоровых растений ячменя имеет другое общее направление, чем другие виды обработки на карте метро VNIR и SWIR, потому что только естественные процессы старения влияют на спектральный ход здоровых растений ячменя (рис.6). На спектральную отражательную способность SWIR в основном влияет содержание воды. При патогенезе ржавчины на ткани появляются только крошечные хлоротичные пятна с ржавчиной урединой; некроз и потеря воды произошли только на более поздних стадиях и не присутствовали в наших экспериментах. Таким образом, отклонение следа ржавчины от такового у здоровых растений незначительно (рис. 6, внизу). Наблюдалось значительное влияние на коэффициент отражения SWIR мучнистой росы и сетчатых пятен и описывалось архетипическими сигнатурами. Карты метро — это легко интерпретируемое графическое изображение этого эффекта.Течение мучнистой росы и сетчатой ​​пятнистости резюмируется аналогичным образом до дня 9, после чего деструктивная характеристика сетчатой ​​пятнистости влияет на отражательную способность SWIR в большей степени, чем мучнистая роса, которая вызывает скорее местный некроз и повреждение тканей.

Обсуждение методологии.

В данной статье представлен новый и эффективный каскад анализа данных для данных фенотипирования растений, полученных от растений, пораженных различными патогенами. Разработанная структура направлена ​​на автоматическое извлечение информации из гиперспектральных изображений и на интуитивно понятную визуализацию результатов; особое внимание уделяется потенциальному практическому воздействию и потенциалу внедрения в платформы автоматического фенотипирования.

Преимущества представленных подходов к построению набросков, резюмированные на рис. 2, многочисленны: карты метро — естественные инструменты для пассажиров, которые могут ориентироваться в больших городских районах [26]. Поскольку люди легко читают и понимают такие карты, метафора карты метро в настоящее время появляется как простой для понимания метод визуализации абстрактных взаимосвязанных «цепочек мыслей» [27] и как инструмент для автоматического построения структурированных сводок информации в научных текстах. или новостные статьи [28].Дополнительным благоприятным свойством является то, что карты метро иллюстрируют взаимосвязь между линиями болезни, которые, в нашем исследовании, представляют собой динамику здоровых и больных листьев ячменя. Одиночные зарисовки, а также карты метро выражаются в виде архетипических сигнатур болезней, которые несут значимую информацию для биологов-растений. Они соответствуют физиологическим знаниям растений, ясно иллюстрируют взаимодействие между растениями и патогенами и обеспечивают интерпретируемую сводку прогрессирования заболевания.

Архетипические сигнатуры заболеваний могут быть обнаружены в массовом масштабе с помощью недавних подходов к факторизации линейной временной матрицы, которые повторно параметризуют каждое гиперспектральное изображение болезни (матрицу данных) с точки зрения распределения на симплексе, охватываемого несколькими крайними сигнатурами ( небольшое количество пикселей на гиперспектральных изображениях).Это облегчает фенотипирование с высокой пропускной способностью и позволяет избежать риска потери информации при выборе типичных сигнатур вручную только на некоторых пораженных участках. Поскольку экстремальные точки данных (приблизительно) образуют симплекс, существуют естественные кандидаты для описания их статистического распределения, а именно симплексные распределения, такие как распределение Дирихле. В отличие от других методов встраивания «облака данных», см., Например, [29], поэтому мы не делаем никаких предположений относительно истинного распределения генерации каждой матрицы входных данных, что является хорошей практикой, поскольку они обычно неизвестны.В отличие от подходов встраивания на основе гистограмм, таких как, например, предложенный Sakurai et al. [30], вероятностный вывод может быть выполнен для количественной оценки «воздействия» крайностей в модели дисперсии или для определения «расстояния» между матрицами данных теоретическим способом информации, ср. Kersting et al. [14]. Как правило, распределения открывают путь к методам статистического анализа данных, таким как методы регрессии, метрики сходства, низкоранговые встраивания и расширенные методы визуализации.

Подводя итог, увязка симптоматики болезни с архетипическими сигнатурами болезни и метокартами больных растений ясно показывает, что на вопросы (MQ) и (SQ) можно ответить утвердительно.

Материалы и методы

Описание данных

Растительный материал и патогены.

Набор данных гиперспектральных изображений растений ячменя послужил основой для дальнейшего анализа в этом исследовании. Саженцы ячменя ( Hordeum vulgare cv.Leibniz, KWS Lochow, Bergen-Wohlde, Германия), выращенные в контролируемой тепличной среде, использовали для гиперспектральных измерений после достижения стадии роста (GS) 32 [31]. Для каждой обработки патогеном 9 растений инокулировали Pyrenophora teres (вызывающим заболевание сетчатой ​​пятнистостью), Puccinia hordei (вызывающим листовую ржавчину ячменя) и Blumeria graminis hordei (вызывающим мучнистую росу), соответственно. Контрольную группу оставляли без прививки. Конидии P. teres собирали с больных листьев ячменя, отбирали образцы с полей весной и инкубировали во влажной камере в течение 24 часов при комнатной температуре. Pyrenophora teres инокулировали путем распыления суспензии спор (1 × 10 ⁴ конидий мл ^-1 ) на листья с использованием ручного опрыскивателя. Затем растения помещали в прозрачные пластиковые ящики для достижения 100% относительной влажности (RH) при 23/20 ° C в течение 24 часов. Уредоспоры P. hordei для инокуляции получали из больных листьев и хранили при 4 ^∘ ° C. Опрыскивали суспензию P. hordei (4 × 10 ⁴ уредоспор мл ^-1 ). на листья перед тем, как поместить растения ячменя в пластиковые ящики и инкубировать их в течение 24 часов при температуре 23/20 ^∘ ° C и относительной влажности 100%.Через 24 ч растения вынимали из пластиковых ящиков. Для инокуляции B. graminis hordei конидии из спорулирующих колоний распределяли по листьям ячменя в камере вентиляции. После инкубации все растения содержали в теплице при 21/18 ^∘ ° C и относительной влажности 60%, тогда как инокулированных растений B. graminis hordei содержали в дополнительной камере, чтобы избежать перекрестного заражения при других обработках. В течение 2 недель после инокуляции наблюдали за развитием лиственных патогенов Pyrenophora teres , Puccinia hordei и Blumeria graminis hordei .Для каждой обработки оценивали 9 листьев (каждый из которых принадлежал разному растению соответственно) в каждый день измерения.

Гиперспектральные изображения и представление данных.

Гиперспектральные изображения листьев ячменя получали с помощью спектрографов с двухстрочным сканированием через 4, 6, 8, 10, 12 и 14 дней после инокуляции (dai). ImSpector V10E (Spectral Imaging Ltd., Оулу, Финляндия) покрывает видимый и ближний ИК диапазоны от 400 до 1000 нм со спектральным разрешением до 2,8 нм и пространственным разрешением 0.12 мм на пиксель, что дает 210 гиперспектральных полос. SWIR-камера (Spectral Imaging Ltd., Оулу, Финляндия) использовалась для записи гиперспектральных изображений в диапазоне SWIR от 1000 до 2500 нм, со спектральным разрешением 5,8 нм и пространственным разрешением 0,4 мм на пиксель, что дало 226 изображений. группы. Постоянное освещение обеспечивали шесть ламп ASD-Pro-Lamps (Analytical Spectral Devices Inc., Боулдер, США). Гиперспектральные камеры и система освещения устанавливались на моторизованный линейный сканер (Spectral Imaging Ltd., Оулу, Финляндия), чтобы получить второе пространственное измерение. Настройки камеры и управление моторизованным линейным сканером были адаптированы с использованием программного обеспечения SpectralCube (Spectral Imaging Ltd., Оулу, Финляндия). Гиперспектральные изображения записывались в темной камере для обеспечения постоянного и воспроизводимого освещения и условий измерения. Подробное описание измерительной установки см. В Mahlein et al. [12]. Нормализация и сглаживание необработанных гиперспектральных изображений выполнялись с помощью программы ENVI 4.6 + IDL 7.0 (EXELIS Visual Information Solutions, Боулдер, США). Отражение рассчитывали относительно белой эталонной полосы и измерения темнового тока. Затем был применен фильтр Савицкого-Голея [32] для удаления шума и сглаживания спектральной информации гиперспектральных изображений. Кроме того, фон изображений был замаскирован с применением пороговых значений полосы R551 нм <0,045, R667 нм> 0,085 и R798 нм <0,8 в VNIR и R1124 нм <0,1 в SWIR (R = коэффициент отражения на указанных длинах волн).

Для последующего анализа каждое гиперспектральное изображение было представлено в виде плотной матрицы Λ × N , где N обозначает количество пикселей, а Λ — количество спектральных полос (см. Рисунок 2 (вверху) для абстрактной иллюстрации). Путем суммирования всех матриц данных, записанных во время патогенеза, мы получили матрицу данных с примерно 10 миллионами столбцов или примерно 2 миллиардами матричных записей (кодирующих отраженную энергию в различных спектральных диапазонах) для VNIR и около 200 миллионов записей для набора данных SWIR.Кроме того, каждый набор гиперспектральных данных содержит временную информацию (день после инокуляции) и одну из четырех меток «здоровый» , «ржавчина» , «мучнистая роса» и «сетчатая пятнистость» , которые использовались на протяжении всего эксперимента. анализ в этой работе.

От гиперспектральных данных к интерпретируемой сводке

В этом разделе рассматривается методологическая часть этой работы, и мы описываем этапы каскада анализа, показанного на рис. 2. Отправной точкой нашего анализа являются гиперспектральные изображения, представленные в виде плотных матриц данных.Далее мы мотивируем использование интерпретируемых методов матричной факторизации [33] и обсуждаем, как они приводят к параметрическим распределениям. Учитывая эти параметры, мы можем автоматически обнаруживать архетипические признаки заболевания с помощью байесовских факторов и фиксировать их динамику с помощью регрессии агрегирования Дирихле [15]. Наконец, мы представляем дополнительную информацию о создании интерпретируемых резюме. То есть шаги (3) и (5) на рис. 2 (внизу) и о том, как разработать общий каскад, который производит интерпретируемые сводки, которые являются основным алгоритмическим вкладом в данную статью.

Шаг 1. Интерпретируемая матричная факторизация.

На первом этапе нашей структуры мы используем интерпретируемую матричную факторизацию в массовом масштабе. Методы матричной факторизации позволяют встраивать данные большой размерности в пространства меньшей размерности и, следовательно, могут смягчить эффекты из-за шума, выявить скрытые связи или облегчить дальнейшую обработку и, в конечном итоге, помочь найти закономерности в распределении набора данных. Точнее, они разлагают матрицу X∈ℝm × n на две матрицы
(1)
где матрица базисных векторов W∈ℝm × c и матрица коэффициентов H∈ℝc × n, содержащая низкоразмерные координаты, обычно определяются путем минимизации функции стоимости, такой как квадрат нормы Фробениуса.Широко используемый метод факторизации в уравнении. (1) — это анализ главных компонентов (PCA) [34], который, как известно, сохраняет как можно больше вариаций, присутствующих в данных. Он эффективен с точки зрения сжатия данных, уменьшения шума и избыточности и обычно проецирует точки данных в пространство более низкой размерности, охватываемое верхними собственными векторами ковариационной матрицы. Хотя эти базисные векторы являются оптимальными в статистическом смысле, PCA подвергается критике за то, что он менее соответствует природе имеющихся данных.Например, специалисты по интеллектуальному анализу данных часто склонны приписывать результирующим факторам «физическое» значение. Такое овеществление должно основываться на глубоком знании предметной области и часто не может быть оправдано математикой. Это также относится к другим методам, таким как факторизация неотрицательной матрицы из-за [35] и кластеризация K-средних, которая неявно выполняет матричную факторизацию. Что еще более важно, классические подходы создают трудность описания сложных шаблонов распределения точек данных в единой параметрической и интерпретируемой форме.Это вообще трудноразрешимо [36].

Альтернативой являются методы интерпретируемой матричной факторизации, которые вычисляют приближения низкого ранга из выбранных столбцов матрицы данных [37]. Они становятся все более популярными в сообществе интеллектуального анализа данных [33, 38–43], поскольку сохраняют такие свойства, как разреженность или неотрицательность, и успешно применялись во многих важных приложениях, например обнаружение мошенничества, сегментация фМРТ, обнаружение засухи на заводах или совместная фильтрация. Здесь мы рассматриваем методы, управляемые интерпретируемыми данными, в контексте факторизации матрицы с ограничениями по выпуклости, которая может быть записана как
(2)
где ‖⋅‖ _F обозначает норму Форбениуса, значения в матрице H имеют ограничения неотрицательности, а матрица G ограничена как двоичная.Следовательно, базисные векторы W представляют собой реальные точки данных, то есть столбцы матрицы данных X , которые представляют фактические наблюдения. Следовательно, они имеют естественное биологическое значение и могут быть легко интерпретированы экспертом в предметной области. Как указали Катлер и Брейман [44], базисные векторы в матричной факторизации с ограничениями выпуклости соответствуют наиболее крайним, а не средним столбцам. Более того, было показано, что хорошее подмножество столбцов увеличивает их объем [45,46].Следовательно, мы определяем c столбцов из матрицы входных данных X как базисные векторы W , так что объем симплекса, охватываемого столбцами W , максимален. Однако критерий максимального объема доказуемо NP-труден [45]. Приближение, называемое максимизацией симплексного объема (SiVM), было введено Thurau et al. (2012) [33] и эмпирически доказано, что оно выполнимо и надежно. Авторы представили эффективный и жадный по линейному времени подход, который итеративно определяет базисные векторы, используя понятие дистанционной геометрии.Пример того, как работает SiVM, проиллюстрирован на рис. 7 на синтетическом наборе данных, состоящем из трех компонентов гауссианы. Чтобы выбрать первые точки данных, мы просто берем две точки, которые, скорее всего, наиболее удалены друг от друга. Попарные расстояния, вычисленные в одной итерации, можно повторно использовать в последующих итерациях, так что для получения столбцов c нам нужно вычислить расстояния от последнего выбранного столбца до всех других точек данных ровно c + 1 раз. Поскольку c является постоянным, у нас есть общие усилия O (n), поскольку коэффициенты в H можно вычислить за один проход по набору данных, решая квадратичную программу с ограничениями [47] с фиксированными размерами на точку данных.Обратимся к [33] для получения более подробной информации.

Мы используем SiVM в (Шаг 1) нашего подхода, чтобы определить самые крайние столбцы (гиперспектральные сигнатуры) и использовать их в качестве базисных векторов W в уравнении. (2). Однако для данных растений перед вычислением разложения мы сложили все матрицы гиперспектральных изображений. В полученной матрице мы сначала выбрали c = 25 крайних сигнатур на набор данных (VNIR и SWIR), которые образуют матрицу базисных векторов W .Это позволяет нам фиксировать глобальные зависимости. Поскольку базисные векторы соответствуют фактическим точкам данных, их можно идентифицировать как признаки больного, сухого или здорового листа. Учитывая матрицу W , мы затем вычислили коэффициенты H , то есть координаты всех сигнатур в пространстве, охватываемом крайними точками данных, за один проход по всему набору данных. Эксперименты проводились на стандартном четырехъядерном процессоре Intel с тактовой частотой 3,06 ГГц и 8 ГБ оперативной памяти. Для больших данных VNIR потребовалось около 80 минут только на одном ядре, чтобы определить базисные векторы c ; для меньшего набора данных SWIR это заняло менее 1 минуты.Вычисление матрицы реконструкции H для всех изображений заняло менее 2 часов при использовании всех ядер. Однако вычисление факторизации было наиболее трудоемкой частью каскада, тогда как выполнение оставшихся шагов в каждом случае занимало несколько минут.

Этапы 2–3: Архетипические байесовские факторы.

Одна из наших целей — найти архетипические гиперспектральные признаки болезни. До сих пор гиперспектральные сигнатуры представляли посредством выпуклых комбинаций H крайних сигнатур W , обнаруженных путем суммирования гиперспектральных сигнатур всех растений и болезней.Следовательно, теперь мы обращаемся к вопросу о том, как превратить эти «глобальные» реконструкции в реконструкции для конкретных заболеваний? То есть, как использовать доступную метку болезни на каждом гиперспекральном изображении?

Шаг 2: От реконструкций к распределениям на симплексе : Результирующие реконструкции H представляют собой пропорции, которые в сумме равны единице и описывают относительный вклад каждого из столбцов c в W в гиперспектральный пиксель. С геометрической точки зрения, столбцы h ₁ ,…, h _n из H можно рассматривать как точки данных, находящиеся в симплексе, охватываемом W , так что есть естественные параметрические распределения для h _i на симплексе.Вероятно, наиболее известным из них является распределение Дирихле.

который параметризуется вектором α = (α1, α2,…, αc) и где Γ обозначает гамма-функцию, см. рисунок 2 (шаг 2) для иллюстрации. Дирихле, естественно, накладывает ограничения на выпуклость реконструкций, 0 ≤ h _ij ≤ 1 и ∑j = 1chij = 1, так что изменение одного h _ij влияет на все остальные h _ik. . Чтобы оценить параметры α из реконструкций H _i , мы следуем подходу максимального правдоподобия [48].Симплексное распределение, индуцированное реконструкциями H _i на класс / болезнь i , получается без каких-либо априорных предположений относительно основного распределения рядом с мерой расстояния, используемой в SiVM.

Шаг 3. Использование меток для выбора архетипов заболеваний: Наличие распределений открывает двери для статистического машинного обучения. В частности, мы используем информацию на этикетке. Учитывая распределения Дирихле с параметрами α _k для болезни k и α _h для здорового растения, задача состоит в том, чтобы решить, какое распределение лучше всего описывает сигнатуры S _k в больном растении k .Для этого применим байесовский фактор [49, 50]: BF (S) = P (S∣ℋi) P (S∣ℋj). Здесь два распределения ℋi и ℋj сравниваются, образуя апостериорные шансы. Обратите внимание, что мы предполагаем, что априорность моделей однородна, то есть P (ℋ) является константой. Поскольку наши модели представляют собой распределения классов, изученных на симплексе, мы имеем дело с простейшим случаем, когда байесовские факторы совпадают с отношением правдоподобия [49]. В частности, мы выступаем за использование логарифмического отношения правдоподобия вместе с Дирихле:
(3)

Интерпретация LLR _ij w.r.t. class i выглядит следующим образом: если LLR _ij ⩽ log (1), нет разницы с j , но если LLR _ij > log (1), есть различия, и чем больше LLR _ij , тем более выражены различия. Рис. 2 (Шаг 3) иллюстрирует это с помощью трех перекрывающихся гауссиан; более темные точки данных для Gaussian 2 обозначают более высокую разницу, то есть более высокое значение min _j LLR _{2 j} значение для j = 1,3.Используя LLR , мы можем выбрать сильно различающиеся архетипические сигнатуры для каждого заболевания. Примеры болезненных пятен и их отличия от здорового растения, которые были отобраны на (Шаг 3) нашего подхода, показаны на рис. 4. Чем больше желтого или красного цвета в пикселях на этом рисунке, тем больше он отличается.

Шаг 4: Регрессия агрегирования Дирихле и средние архетипические сигнатуры.

Учитывая последовательность распределения болезней, мы заинтересованы в регистрации их динамики во времени.Чтобы зафиксировать динамику отдельного заболевания, мы используем регрессию агрегации Дирихле (DAR) [15]. DAR позволяет моделировать и прогнозировать распределение по архетипическим сигнатурам болезней в любое время. В частности, DAR предполагает байесовскую перспективу и предполагает, что реконструкция htk, вычисленная для одного пикселя в гиперспектральном изображении растения k в момент времени t , была сгенерирована из скрытого распределения Дирихле, параметризованного переменной αtk = [αt1k, …, Αtck] T, где c обозначает размерность реконструкции.Для этого перед распределениями Дирихле, индуцированными на симплексе, натянутом на экстремумы, ставится гауссовский процесс [51]. Подробнее см. [15].

DAR реализован на (Шаге 4) нашего подхода (см. Рис. 2). Чтобы набросать гиперспектральную динамику больных растений, мы сначала прогнозируем αtk Дирихле, используя GP для промежуточных временных точек T , и вычисляем среднюю архетипическую сигнатуру Дирихле ςtk = [ςt1k…, ςtΛk] для растения k в момент времени t как
(4)
где E [αtik] = αtik / (∑jαtjk) и W∈ℝΛ × c содержит c крайних сигнатур, выбранных для всех заводов и временных шагов, а λ обозначает текущее измерение (длину волны в гиперспектральной сигнатуре).Примеры средних архетипических сигнатур для различных больных растений показаны на рис. 3. Как обсуждалось выше, они позволяют нам автоматически набросать гиперспектральную динамику болезней растений, как показано на рис. 5 и 6. Затем мы обсудим, как это сделать. нарисуйте такие понятные резюме.

Шаг 5: Отображение гиперспектральной динамики больных растений.

Учитывая K последовательностей автоматически оцениваемых архетипических сигнатур среднего заболевания для разных стадий прогрессирования заболеваний (где K — количество заболеваний), нам остается суммировать их динамику, выделить интересные моменты времени и описать поведение. симптомов болезни.Мы делаем различие между множественными и одиночными эскизами, которые мы формально определяем как

.

Определение 1 (Сводка) Эскиз S — ориентированный связный граф G = ( V , E ), , где V — набор узлов, а E — набор ребер, и Π набор D путей в G. Каждое ребро e ∈ E принадлежит по крайней мере одному пути Π , а каждый узел v _i ∈ V состоит не более чем из D входящих и D исходящих ребер .

Здесь D обозначает количество различных путей, скажем, болезней. Один эскиз следует из этого определения, установив D = 1 и, таким образом, состоит из эскиза, суммирующего интересные моменты времени для одного конкретного больного растения.

Отдельные эскизы: Для создания одного эскиза мы ищем сегментацию упорядоченных объектов в ячейках B с одинаковым весом, которые сохраняют исходный порядок объектов. Учитывая матрицу X∈ℝK × N, в которой столбцы обозначают гиперспектральные сигнатуры, представляющие различные стадии прогрессирования заболеваний, мы можем достичь сегментации на B интервалов следующим образом: Сначала мы вычисляем расстояния последовательных спектров (столбцов), используя их евклидовы расстояние и вычислить средний размер бункера как
(5)
Затем мы последовательно заполняем ячейки B −1 объектами в соответствии с размером ячейки δ .Последняя корзина заполняется оставшимися объектами. Нарисовать один эскиз теперь просто. Каждый узел обозначает начало (соответственно конец) периода и длину края e _b между двумя последовательными узлами v _b и v _{b +1} устанавливается относительно продолжительности периода, охватываемого объектами в ячейке b . Таким образом, чем короче часть, тем выше влияние соответствующего периода.Это проиллюстрировано на рис. 5 для нескольких больных растений. Каждый рисунок выделяет интересные периоды болезни, где небольшая грань обозначает период сильного воздействия (изменение гиперспектральной сигнатуры).

Ограничение одного эскиза, однако, состоит в том, что он представляет только развитие одного больного растения. Таким образом, чтобы выявить (несходства) сходства в развитии и поведении нескольких больных растений, мы рассматриваем несколько эскизов.

Множественные зарисовки больных растений с помощью карт метро: В дополнение к вышеприведенным зарисовкам мы предоставляем абстрактную карту, показывающую спектральную динамику и изменения в ходе патогенеза.Здесь мы сначала встраиваем гиперспектральные изображения растений, представленные средствами архетипических сигнатур, в низкоразмерное евклидово пространство. классическими подходами для этого являются многомерное масштабирование (MDS) [52] и IsoMap [53]. IsoMap сначала создает граф, соединяя каждый объект с -1 его соседями, а затем рассматривает длины путей в графе для встраивания с использованием многомерного масштабирования. Тем не менее, анализируя такие вложения, легко сосредоточиться на узком аспекте, например, насколько близко два растения находятся в определенный момент времени, и потерять общую картину.Поскольку небольшая разница в расстояниях в целом не имеет большого значения, мы абстрагируемся от встраивания дальше в составной эскиз, который мотивирован идеей карт метро, ​​схематических диаграмм сетей общественного транспорта. Чтобы нарисовать карту метро больных растений, мы использовали подход, описанный Нелленбургом и Вольфом [26], который принимает в качестве входных данных двумерное вложение, вычисленное, например, с помощью с помощью MDS или IsoMap, и превращается в карту метро путем решения линейной программы. См. Подробности в [26].

Модифицированная версия IsoMap, которая использует временную информацию, уже использовалась для создания симплексных трасс [14]. В отличие от классического MDS (который используется IsoMap), здесь мы ищем решение проблемы минимизации, используя любой метод оптимизации на основе градиента, например с помощью квазиньютоновских методов [54] или с помощью алгоритма SMACOF для функций напряжения [52], который основан на итеративном мажоризации. В частности, мы ищем такую ​​конфигурацию точек, представляющих растения, чтобы расстояния между этими точками максимально соответствовали их сходству.
(6)
где δ _ij обозначает различие между установкой i и j , X обозначает точечную конфигурацию, веса в a _ij указывают, если значение 60 ij отсутствует ( a _ij = 0, не накладывая ограничений на конфигурацию в X ) или известны ( a _ij = 1) и d _ij ( X ) — евклидово расстояние, используемое в уравнении.∈X такой, что функция напряжения минимизирована.

Чтобы увидеть, что этот двухэтапный подход может рисовать динамику в целом, рассмотрим два движущихся гауссиана, показанных на рис. 8 (слева). Оба гауссиана начинаются в верхнем левом углу, затем зеленый перемещается в форме буквы L в нижний правый угол, а красный перемещается сначала в нижний правый угол, а затем в нижний левый угол. Каждую гауссиану оценивали в 16 позициях с выборкой 100 точек данных. Чтобы получить вложение, мы взяли средние координаты каждого гауссиана.Матрица A была определена, как описано выше, путем сохранения временной информации (см., Например, фиг. 8 справа). Результирующее вложение показано на рис.8 (в центре), где черные точки были зафиксированы в обоих измерениях, тогда как для остальных зеленых и красных точек были зафиксированы только координаты оси x ( x _i = t). _i , где t — временная информация) и координаты y были неизвестны (изучены MDS). Таким образом, поведение обоих гауссианцев фиксируется при уважении их сходства.Чтобы вычислить эскиз этого вложения, мы сначала соединяем два элемента i и j , если d _ij ( X ) < ε , для небольшого порога ε > 0. Результирующая карта метро проиллюстрирована на рис. 2 (шаг 5) и содержит абстрактную сводку, описывающую поведение двух движущихся гауссиан.

Рис. 8. Пример нескольких эскизов на синтетическом наборе данных.

Набор данных был сгенерирован двумя движущимися гауссианами (зеленым и красным), где яркость кодирует время (чем темнее, тем позже) (слева).Соответствующее встраивание с использованием MDS (в центре), черные точки были зафиксированы в обоих измерениях, тогда как для зеленой и красной точек были зафиксированы только координаты оси x ( x _i = t _i , где t — временная информация) и координаты y были неизвестны (изучены MDS). (справа) График связи, определяющий весовую матрицу W между различными состояниями N последовательностей во времени, например движущиеся гауссианы: w _ij = 1, если два элемента i и j принадлежат одному и тому же временному интервалу (столбцу) или одному объекту (необработанному или одного цвета), скажем, движущемуся гауссу , но в последовательные моменты времени.

https://doi.org/10.1371/journal.pone.0116902.g008

Выводы

В этой статье мы представляем первый быстрый и надежный метод, основанный на данных, для создания набросков сложной гиперспектральной динамики в науке о растениях и для фенотипирования растений. Архетипические сигнатуры заболеваний, а также эскизы гиперспектральной динамики соответствуют физиологическим знаниям растений, обеспечивая интерпретируемые сводные данные о прогрессировании заболевания с помощью отдельных эскизов и городских карт больных растений.

Наша работа открывает несколько интересных возможностей для будущей работы. Очевидно, что необходимо исследовать другие системы патогенов растений и различные генотипы в условиях абиотического или биотического стресса. Еще одно интересное направление — разработка эскизов на основе деталей, например, путем применения регуляризованного скрытого распределения Дирихле [13]. Кроме того, могут быть дополнительно исследованы преимущества использования архетипических сигнатур болезней в задачах раннего обнаружения или классификации.

Вспомогательная информация

Файл S1.Базисные векторы, определенные с помощью симплексной максимизации объема.

Базисные векторы соответствуют наиболее экстремальным сигнатурам для диапазонов VNIR и SWIR. Каждая строка соответствует длине волны, а столбец — базисному вектору. Записи содержат информацию об отражении в разных спектральных диапазонах.

https://doi.org/10.1371/journal.pone.0116902.s001

(ZIP)

S2 Файл. Параметр Дирихле, предсказанный гауссовским процессом.

Каждый файл содержит информацию о конкретном заболевании или контрольных растениях для диапазонов VNIR и SWIR.Параметр Дирихле использовался для вычисления средних архетипических сигнатур, которые являются основой для создания городских карт больных растений.

https://doi.org/10.1371/journal.pone.0116902.s002

(ZIP)

Благодарности

Авторы благодарят Мартина Нёлленбурга за обсуждения и за предоставленный код для создания карт метро.

Вклад авторов

Задумал и спроектировал эксперименты: MW AKM CB US ECO KK. Проведены эксперименты: МВ АКМ.Проанализированы данные: МВ АКМ КК. Внесенные реактивы / материалы / инструменты анализа: MW AKM CB US ECO KK. Написал бумагу: MW AKM KK.

Ссылки

1. 1.

   Стрэндж Р., Скотт П. (2005) Болезни растений: угроза глобальной продовольственной безопасности. Ежегодный обзор фитопатологии 43: 83–116. pmid: 16078878

2. 2.

   Oerke EC, Dehne HW (2004) Защита производства — потери основных культур и роль защиты растений. Защита урожая 23: 275–285.

3. 3.Ричардс Р., Ребецке Дж., Ватт М., Кондон А., Шпильмейер В. и др. (2010) Селекция для повышения продуктивности воды в зерновых культурах умеренного пояса: фенотипирование, локусы количественных признаков, маркеры и среда отбора. Функциональная биология растений 37: 85–97.
4. 4.

   Purves D, Scharlemann J, Harfoot M, Newbold T, Tittensor D и др. (2013) Время моделировать всю жизнь на Земле. Природа 493: 295–297. pmid: 23325192

5. 5.

   Бергер Б, Родитель Б, Тестер М (2010) Высокопроизводительная визуализация побегов для изучения реакции на засуху.Журнал экспериментальной ботаники 61: 3519–3528. pmid: 20660495

6. 6.

   Granier C, Vile D (2014) Фенотипирование и не только: моделирование отношений между признаками. Текущее мнение по биологии растений 18: 96–102. pmid: 24637194

7. 7.

   Фурбанк Р.Т., Тестер М (2011) Феномика – технологии для устранения узких мест фенотипирования. Тенденции в растениеводстве 16: 635–644. pmid: 22074787

8. 8.

   Mahlein AK, Oerke EC, Steiner U, Dehne HW (2012) Последние достижения в обнаружении болезней растений для точной защиты растений.Европейский журнал патологии растений 133: 197–209.

9. 08.

   40. Sun J, Xie Y, Zhang H, Faloutsos C (2008) Меньше значит больше: интеллектуальный анализ разреженных графов с компактным матричным разложением. Статистический анализ и интеллектуальный анализ данных 1: 6–22.

10. 9.

    Фиорани Ф., Шурр У. (2013) Будущие сценарии фенотипирования растений. Ежегодный обзор биологии растений 64: 267–291. pmid: 23451789

11. 10.

    Гительсон А., Мерзляк М. (1996) Сигнатурный анализ спектров отражательной способности листьев: разработка алгоритма дистанционного зондирования хлорофилла.Физиология растений 148: 494–500.

12. 11.

    Уолтерс Д., Аврова А., Бингхэм И., Бернетт Ф., Фаунтейн Дж. И др. (2012) Борьба с болезнями листьев ячменя: к комплексному подходу. Европейский журнал патологии растений 133: 33–73.

13. 12.

    Mahlein AK, Steiner U, Hillnhütter C, Dehne HW, Oerke EC (2012) Гиперспектральная визуализация для мелкомасштабного анализа симптомов, вызванных различными заболеваниями сахарной свеклы. Растительные методы 8: 3. pmid: 22273513

14. 13.

    Вахабзада М., Керстинг К., Баукхаге С., Ремер С., Баллвора А. и др.(2012) Скрытое распределение дирихле раскрывает спектральные характеристики растений, подвергшихся засухе. В: Материалы 28-й конференции по неопределенности в искусственном интеллекте (UAI 12).

15. 14.

    Керстинг К., Вахабзада М., Ремер С., Турау С., Баллвора А. и др. (2012) Симплексные распределения для встраивания матриц данных во времени. В: Материалы 12-й Международной конференции SIAM по интеллектуальному анализу данных (SDM 12).

16. 15.

    Kersting K, Xu Z, Wahabzada M, Bauckhage C, Thurau C и др.(2012) Предсимптоматическое прогнозирование стресса растений от засухи с использованием регрессии дирихле – агрегации на гиперспектральных изображениях. В: Материалы двадцать шестой конференции AAAI по искусственному интеллекту (AAAI-12). Специальный курс по вычислительной устойчивости и искусственному интеллекту.
    https://doi.org/
    10.1071 / FP12060

17. 16.

    Ремер С., Вахабзада М., Баллвора А., Пинто Ф., Россини М. и др. (2012) Раннее обнаружение стресса от засухи в зерновых: Максимизация симплексного объема для анализа гиперспектральных изображений.Функциональная биология растений 39: 878–890.

18. 17.

    Лю З., Эллвуд С., Оливер Р., Фризен Т. (2011) Pyrenophora teres : профиль все более разрушительного патогена ячменя. Молекулярная патология растений 12: 1–19. pmid: 21118345

19. 18.

    Аснер Г.П. (1998) Биофизические и биохимические источники изменчивости отражательной способности растительного покрова. Дистанционное зондирование окружающей среды 64: 234–253.

20. 19.

    Teng P, Close R (1977) Спектральная отражательная способность здоровых и инфицированных листовой ржавчиной листьев ячменя.Информационный бюллетень Австралийского общества патологов растений 6: 7–9.

21. 20.

    Скоулз Дж., Фаррар Дж. (1987) Развитие симптомов бурой ржавчины ячменя в связи с распределением накопления крахмала грибкового мицелия и локализованными изменениями концентрации хлорофилла. Новый фитолог 107: 103–117.

22. 21.

    Скоулз Дж., Рольфе С. (1996) Фотосинтез в локализованных областях листьев овса, инфицированных кроновой ржавчиной ( Puccinia coronata ): количественная визуализация флуоресценции хлорофилла.Planta 199: 573–582.

23. 22.

    Lorenzen B, Jensen A (1989) Изменения спектральных свойств листьев ячменя, вызванные мучнистой росой злаков. Дистанционное зондирование окружающей среды 27: 201–209.

24. 23.

    Ньютон А., Хакетт С., Лоу Р., Уэйл С. (2004) Взаимосвязь между отражательной способностью полога и потерей урожая из-за болезни ячменя. Анналы прикладной биологии 145: 95–106.

25. 24.

    Hückelhoven R, Panstruga R (2011) Клеточная биология взаимодействия растений и мучнистой росы.Текущее мнение по биологии растений 14: 738–746.

26. 25.

    Thurau C (2010) Методы ближайшего архетипа корпуса для крупномасштабной классификации данных. В: Материалы 20-й Международной конференции по распознаванию образов (ICPR 10). С. 4040–4043.
    https://doi.org/
    10.1109 / TVCG.2010.81

27. 26.

    Нелленбург М., Вольф А. (2011) Рисование и маркировка высококачественных карт метро с помощью смешанно-целочисленного программирования. IEEE Trans Vis Comput Graph 17: 626–641.

28. 27.Несбитт К.В. (2004) Попадание в более абстрактные места с помощью метафоры карты метро. В кн .: Материалы Восьмой Международной конференции по визуализации информации (IV 04). С. 488–493.
    https://doi.org/
    10.1145 / 2339530.2339706
29. 28.

    Shahaf D, Guestrin C, Horvitz E (2012) Научные карты метро. В: Материалы 18-й международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных (KDD 12). С. 1122–1130. https://doi.org/10.1145/2339530.2339706

30. 29.

    Дэвис Дж, Диллон И. (2006) Дифференциальная энтропийная кластеризация многомерных гауссианов. В: Материалы двадцатой ежегодной конференции по системам обработки нейронной информации (NIPS 2006).
    https://doi.org/
    10,1137 / 1,9781611972788,58

31. 30.

    Сакурай Й., Чонг Р., Ли Л., Фалаутсос С. (2008) Эффективный распределительный анализ и классификация. В: Материалы Международной конференции SIAM по интеллектуальному анализу данных (SDM 2008). С. 632–643.https://doi.org/10.1137/1.9781611972788.58

32. 31.

    Ланкашир П., Блейхолдер Х, Лангельдеке П., Стаусс Р., Ван Ден Бум Т. и др. (1991) Единый десятичный код для стадий роста сельскохозяйственных культур и сорняков. Анналы прикладной биологии 119: 561–601.

33. 32.

    Савицкий А., Голей Дж. (1964) Сглаживание и дифференцирование данных с помощью упрощенных процедур наименьших квадратов. Аналитическая химия 36 (8): 1627–1639.

34. 33.

    Thurau C, Kersting K, Wahabzada M, Bauckhage C (2012) Описательная матричная факторизация для устойчивости: принятие принципа противоположностей.Журнал интеллектуального анализа данных и открытия знаний 24: 325–354.

35. 34.

    Jolliffe IT (2002) Анализ главных компонентов. Springer, второе издание.

36. 35.

    Ли Д.Д., Сын Х.С. (1999) Изучение частей объектов с помощью неотрицательной матричной факторизации. Природа 6755: 788–799.
    https://doi.org/
    10.1145 / 1273496.1273617

37. 36.

    Ван Х.Й., Чжа Х., Цинь Х. (2007) Агрегация Дирихле: обучение без учителя для достижения оптимальной метрики для пропорциональных данных.В: Материалы 24-й Международной конференции по машинному обучению (ICML 07). https://doi.org/10.1145/1273496.1273617

38. 37.

    Гореинов С.А., Тыртышников Е.Е., Замарашкин Н.Л. (1997) Теория псевдоскелетных приближений. Линейная алгебра и ее приложения 261: 1–21.

39. 38.

    Frieze A, Kannan R, Vempala S (2004) Быстрые алгоритмы Монте-Карло для поиска приближений низкого уровня. Журнал ACM 51: 1025–1041.

40. 39.

    Feng P, Xiang Z, Wei W (2008) CRD: Быстрая совместная кластеризация больших наборов данных с использованием разложения матрицы на основе выборки.В: Материалы международной конференции ACM SIGMOD 2008 г. по управлению данными SIGMOD.
    https://doi.org/
    10.1002 / sam.102

41. 41.

    Hyvönen S, Miettinen P, Terzi E (2008) Интерпретируемые разложения неотрицательных матриц. В: Материалы 14-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных (KDD 08). С. 345–353.

42. 42.

    Mahoney M, Drineas P (2009) Разложение матрицы CUR для улучшенного анализа данных. Труды Национальной академии наук 106: 697–702.

43. 43.

    Thurau C, Kersting K, Wahabzada M, Bauckhage C (2011) Факторизация выпуклой неотрицательной матрицы для массивных наборов данных. Знания и информационные системы 29: 457–478.

44. 44.

    Катлер А., Брейман Л. (1994) Архетипический анализ. Технометрика 36: 338–347.

45. 45.

    Ivril A, Magdon-Ismail M (2009) О выборе подматрицы максимального объема матрицы и связанных проблем. Теоретическая информатика 410: 4801–4811.

46. 46.Горейнов С.А., Тыртышников Е.Е. (2001) Концепция максимального объема в приближении матрицей низкого ранга. В: DeTurck D, Blass A, Magid A, Vogelius M, editors, Contemporary Mathematics, AMS, volume 280. pp. 47–51.
47. 47.

    Бойд С., Ванденберге Л. (2004) Выпуклая оптимизация. Издательство Кембриджского университета.

48. 48.

    Минка Т. (2000) Оценка распределения Дирихле. В: Заметка, доступная для всех на домашней странице автора.

49. 49.

    Касс Р., Рафтери А. (1995) Байесовские факторы.Журнал Американской статистической ассоциации 90: 773–795.

50. 50.

    Хасти Т., Тибширани Р., Фридман Дж. (2001) Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование. Springer Нью-Йорк.

51. 51.

    Расмуссен CE, Williams CKI (2006) Гауссовские процессы для машинного обучения. MIT Press.

52. 52.

    Борг И., Гроенен П. (1997) Современное многомерное масштабирование: теория и приложения. Серии Спрингера в статистических сериях.Springer Нью-Йорк.

53. 53.

    Тененбаум Дж., Де Сильва В., Лангфорд Дж. (2000) Глобальная геометрическая структура для нелинейного уменьшения размерности. Наука 5500: 2319–2323.

54. 54.

    Нокедал Дж., Райт С. (1999) Численная оптимизация. Серия Спрингера в исследовании операций. Springer Нью-Йорк.

.