Measurement of nitrogen content in rice by inversion of hyperspectral reflectance data from an unmanned aerial vehicle / Medição do conteúdo de nitrogênio no arroz por inversão de dados de refletância hiperspectral de um veículo aéreo não tripulado

The Nitrogen content of rice leaves has a significant effect on growth quality and crop yield. We proposed and demonstrated a non-invasive method for the quantitative inversion of rice nitrogen content based on hyperspectral remote sensing data collected by an unmanned aerial vehicle (UAV). Rice canopy albedo images were acquired by a hyperspectral imager onboard an M600-UAV platform. The radiation calibration method was then used to process these data and the reflectance of canopy leaves was acquired. Experimental validation was conducted using the rice field of Shenyang Agricultural University, which was classified into 4 fertilizer levels: zero nitrogen, low nitrogen, normal nitrogen, and high nitrogen. Gaussian process regression (GPR) was then used to train the inversion algorithm to identify specific spectral bands with the highest contribution. This led to a reduction in noise and a higher inversion accuracy. Principal component analysis (PCA) was also used for dimensionality reduction, thereby reducing redundant information and significantly increasing efficiency. A comparison with ground truth measurements demonstrated that the proposed technique was successful in establishing a nitrogen inversion model, the accuracy of which was quantified using a linear fit (R2=0.8525) and the root mean square error (RMSE=0.9507). These results support the use of GPR and provide a theoretical basis for the inversion of rice nitrogen by UAV hyperspectral remote sensing.(AU)

O teor de nitrogênio das folhas de arroz tem um efeito significativo sobre a qualidade do crescimento e o rendimento das culturas. Propõe-se e demonstrou-se um método não invasivo para a inversão quantitativa do teor de nitrogênio do arroz com base em dados de detecção remota hiperespectral coletados por um veículo aéreo não tripulado (UAV). As imagens de albedo do dossel de arroz foram adquiridas por uma imagem de imagem hiperespectral a bordo de uma plataforma M600-UAV. O método de calibração da radiação foi então usado para processar esses dados e a reflectância das folhas do dossel foi adquirida. A validação experimental foi realizada utilizando o campo de arroz da Universidade Agrícola de Shenyang, que foi classificado em 4 níveis de fertilizantes: nitrogênio zero, baixo teor de nitrogênio, nitrogênio normal e alto teor de nitrogênio. A regressão do processo gaussiano (GPR) foi então usada para treinar o algoritmo de inversão para identificar bandas espectrais específicas com a maior contribuição. Isso levou a uma redução no ruído e uma maior precisão de inversão. A análise de componentes praincipais (PCA) também foi usada para redução de dimensionalidade, reduzindo assim a informação redundante e aumentando significativamente a eficiência. Uma comparação com as medidas de verdade no solo demonstrou que a técnica proposta foi bem sucedida no estabelecimento de um modelo de inversão de nitrogênio, cuja precisão foi quantificada usando um ajuste linear (R2 = 0,8525) e o erro quadrático médio quadrado (RMSE = 0,9507). Estes resultados suportam o uso do GPR e fornecem uma base teórica para a inversão do nitrogênio do arroz pela detecção remota hiperespectral do UAV.(AU)

Measurement of nitrogen content in rice by inversion of hyperspectral reflectance data from an unmanned aerial vehicle / Medição do conteúdo de nitrogênio no arroz por inversão de dados de refletância hiperspectral de um veículo aéreo não tripulado

ABSTRACT: The Nitrogen content of rice leaves has a significant effect on growth quality and crop yield. We proposed and demonstrated a non-invasive method for the quantitative inversion of rice nitrogen content based on hyperspectral remote sensing data collected by an unmanned aerial vehicle (UAV). Rice canopy albedo images were acquired by a hyperspectral imager onboard an M600-UAV platform. The radiation calibration method was then used to process these data and the reflectance of canopy leaves was acquired. Experimental validation was conducted using the rice field of Shenyang Agricultural University, which was classified into 4 fertilizer levels: zero nitrogen, low nitrogen, normal nitrogen, and high nitrogen. Gaussian process regression (GPR) was then used to train the inversion algorithm to identify specific spectral bands with the highest contribution. This led to a reduction in noise and a higher inversion accuracy. Principal component analysis (PCA) was also used for dimensionality reduction, thereby reducing redundant information and significantly increasing efficiency. A comparison with ground truth measurements demonstrated that the proposed technique was successful in establishing a nitrogen inversion model, the accuracy of which was quantified using a linear fit (R2=0.8525) and the root mean square error (RMSE=0.9507). These results support the use of GPR and provide a theoretical basis for the inversion of rice nitrogen by UAV hyperspectral remote sensing.

RESUMO: O teor de nitrogênio das folhas de arroz tem um efeito significativo sobre a qualidade do crescimento e o rendimento das culturas. Propõe-se e demonstrou-se um método não invasivo para a inversão quantitativa do teor de nitrogênio do arroz com base em dados de detecção remota hiperespectral coletados por um veículo aéreo não tripulado (UAV). As imagens de albedo do dossel de arroz foram adquiridas por uma imagem de imagem hiperespectral a bordo de uma plataforma M600-UAV. O método de calibração da radiação foi então usado para processar esses dados e a reflectância das folhas do dossel foi adquirida. A validação experimental foi realizada utilizando o campo de arroz da Universidade Agrícola de Shenyang, que foi classificado em 4 níveis de fertilizantes: nitrogênio zero, baixo teor de nitrogênio, nitrogênio normal e alto teor de nitrogênio. A regressão do processo gaussiano (GPR) foi então usada para treinar o algoritmo de inversão para identificar bandas espectrais específicas com a maior contribuição. Isso levou a uma redução no ruído e uma maior precisão de inversão. A análise de componentes praincipais (PCA) também foi usada para redução de dimensionalidade, reduzindo assim a informação redundante e aumentando significativamente a eficiência. Uma comparação com as medidas de verdade no solo demonstrou que a técnica proposta foi bem sucedida no estabelecimento de um modelo de inversão de nitrogênio, cuja precisão foi quantificada usando um ajuste linear (R2 = 0,8525) e o erro quadrático médio quadrado (RMSE = 0,9507). Estes resultados suportam o uso do GPR e fornecem uma base teórica para a inversão do nitrogênio do arroz pela detecção remota hiperespectral do UAV.

Assessing biophysical variable parameters of bean crop with hyperspectral measurements

Recently high spectral resolution sensors have been developed, which allow new and more advanced applications in agriculture. Motivated by the increasing importance of hyperspectral remote sensing data, the need for research is important to define optimal wavebands to estimate biophysical parameters of crop. The use of narrow band vegetation indices (VI) derived from hyperspectral measurements acquired by a field spectrometer was evaluated to estimate bean (Phaseolus vulgaris L.) grain yield, plant height and leaf area index (LAI). Field canopy reflectance measurements were acquired at six bean growth stages over 48 plots with four water levels (179.5; 256.5; 357.5 and 406.2 mm) and tree nitrogen rates (0; 80 and 160 kg ha-1) and four replicates. The following VI was analyzed: OSNBR (optimum simple narrow-band reflectivity); NB_NDVI (narrow-band normalized difference vegetation index) and NDVI (normalized difference index). The vegetation indices investigated (OSNBR, NB_NDVI and NDVI) were efficient to estimate LAI, plant height and grain yield. During all crop development, the best correlations between biophysical variables and spectral variables were observed on V4 (the third trifoliolate leaves were unfolded in 50 % of plants) and R6 (plants developed first flowers in 50 % of plants) stages, according to the variable analyzed.

Assessing biophysical variable parameters of bean crop with hyperspectral measurements

Recently high spectral resolution sensors have been developed, which allow new and more advanced applications in agriculture. Motivated by the increasing importance of hyperspectral remote sensing data, the need for research is important to define optimal wavebands to estimate biophysical parameters of crop. The use of narrow band vegetation indices (VI) derived from hyperspectral measurements acquired by a field spectrometer was evaluated to estimate bean (Phaseolus vulgaris L.) grain yield, plant height and leaf area index (LAI). Field canopy reflectance measurements were acquired at six bean growth stages over 48 plots with four water levels (179.5; 256.5; 357.5 and 406.2 mm) and tree nitrogen rates (0; 80 and 160 kg ha-1) and four replicates. The following VI was analyzed: OSNBR (optimum simple narrow-band reflectivity); NB_NDVI (narrow-band normalized difference vegetation index) and NDVI (normalized difference index). The vegetation indices investigated (OSNBR, NB_NDVI and NDVI) were efficient to estimate LAI, plant height and grain yield. During all crop development, the best correlations between biophysical variables and spectral variables were observed on V4 (the third trifoliolate leaves were unfolded in 50 % of plants) and R6 (plants developed first flowers in 50 % of plants) stages, according to the variable analyzed.

Análise derivativa de dados hiperespectrais medidos em nível de campo e orbital para caracterizar a composição de águas opticamente complexas na Amazônia / Derivative analysis of hyperespectral data measured at field and orbital level to characterize the composition of optically complex waters in the amazon

A técnica de análise derivativa de dados espectrais foi usada para estudar a variação dos constituintes opticamente ativos (COAs) na água, por meio de dados de campo e de imagens do sensor orbital Hyperion/EO-1. A imagem Hyperion usada neste estudo foi adquirida no dia 23 de junho de 2005, no final do período de cheia. Uma campanha de campo foi realizada entre 23 e 29 de junho de 2005, para coletar dados espectrais e limnológicos in situ. A imagem foi pré-processada visando eliminar faixas de pixels anômalos e convertida de valores de radiância para reflectância de superfície, portanto, corrigidos dos efeitos de absorção e espalhamento atmosféricos. Uma análise da correlação foi realizada para examinar a associação da reflectância e de sua primeira derivada espectral com as concentrações dos COAs. Melhores resultados foram obtidos após a diferenciação dos espectros, o que ajudou a reduzir a influência de efeitos indesejáveis, provindos de diferentes fontes de radiância, sobre as medidas de reflectância da superfície da água realizadas em ambos os níveis de aquisição de dados. Por meio de ajustes de regressões empíricas, considerando o conjunto de dados Hyperion, a primeira derivada espectral em 711 nm explicou 86 por cento da variação da concentração de sedimentos inorgânicos em suspensão (µg.l-1) e a primeira derivada espectral em 691 nm explicou 73 por cento da variação na concentração da clorofila-alfa (µg.l-1). As relações de regressão foram não-lineares, pois, em geral, as águas que se misturam na planície de inundação Amazônica se tornam opticamente complexas. A técnica de análise derivativa hiperespectral demonstrou potenciais para mapear a composição dessas águas.

Derivative analysis of spectral data was used as a technique to study the variation of optically active constituents (OACs) of water, using field data and hyperspectral imagery of EO-1 Hyperion orbital sensor. The Hyperion image used in this study was acquired on June 23, 2005, at the end of the high water period for the Amazon River. A field campaign was carried out between June 23 and 29, 2005 to collect spectral and limnological in situ data. The image was pre-processed to remove stripes of abnormal pixels and converted from radiance to surface reflectance values, thus, correcting the effects of atmospheric absorption and scattering. A correlation analysis was carried out to examine the association of the spectral reflectance and its first derivative to the concentrations of OACs. Better results were obtained after spectra differentiation, which helped to reduce the influence of undesirable effects, coming from different sources of radiance, on the measurements of water surface reflectance taken at both data acquisition levels. Through empirical regression fits, considering the Hyperion dataset, the first spectral derivative at 711 nm explained 86 percent of the variation of suspended inorganic sediment concentration (µg.l-1), and the first derivative at 691 nm explained 73 percent of the variation of chlorophyll-a concentration (µg.l-1). The regression relations were nonlinear because, generally, the water masses that mix in the Amazon floodplain become optically complex. The hyperspectral derivative analysis demonstrated potential for mapping the composition of these waters.

Análise derivativa de dados hiperespectrais medidos em nível de campo e orbital para caracterizar a composição de águas opticamente complexas na Amazônia

Derivative analysis of spectral data was used as a technique to study the variation of optically active constituents (OACs) of water, using field data and hyperspectral imagery of EO-1 Hyperion orbital sensor. The Hyperion image used in this study was acquired on June 23, 2005, at the end of the high water period for the Amazon River. A field campaign was carried out between June 23 and 29, 2005 to collect spectral and limnological in situ data. The image was pre-processed to remove stripes of abnormal pixels and converted from radiance to surface reflectance values, thus, correcting the effects of atmospheric absorption and scattering. A correlation analysis was carried out to examine the association of the spectral reflectance and its first derivative to the concentrations of OACs. Better results were obtained after spectra differentiation, which helped to reduce the influence of undesirable effects, coming from different sources of radiance, on the measurements of water surface reflectance taken at both data acquisition levels. Through empirical regression fits, considering the Hyperion dataset, the first spectral derivative at 711 nm explained 86% of the variation of suspended inorganic sediment concentration (µg.l-1), and the first derivative at 691 nm explained 73% of the variation of chlorophyll-a concentration (µg.l-1). The regression relations were nonlinear because, generally, the water masses that mix in the Amazon floodplain become optically complex. The hyperspectral derivative analysis demonstrated potential for mapping the composition of these waters.

A técnica de análise derivativa de dados espectrais foi usada para estudar a variação dos constituintes opticamente ativos (COAs) na água, por meio de dados de campo e de imagens do sensor orbital Hyperion/EO-1. A imagem Hyperion usada neste estudo foi adquirida no dia 23 de junho de 2005, no final do período de cheia. Uma campanha de campo foi realizada entre 23 e 29 de junho de 2005, para coletar dados espectrais e limnológicos in situ. A imagem foi pré-processada visando eliminar faixas de pixels anômalos e convertida de valores de radiância para reflectância de superfície, portanto, corrigidos dos efeitos de absorção e espalhamento atmosféricos. Uma análise da correlação foi realizada para examinar a associação da reflectância e de sua primeira derivada espectral com as concentrações dos COAs. Melhores resultados foram obtidos após a diferenciação dos espectros, o que ajudou a reduzir a influência de efeitos indesejáveis, provindos de diferentes fontes de radiância, sobre as medidas de reflectância da superfície da água realizadas em ambos os níveis de aquisição de dados. Por meio de ajustes de regressões empíricas, considerando o conjunto de dados Hyperion, a primeira derivada espectral em 711 nm explicou 86% da variação da concentração de sedimentos inorgânicos em suspensão (µg.l-1) e a primeira derivada espectral em 691 nm explicou 73% da variação na concentração da clorofila-alfa (µg.l-1). As relações de regressão foram não-lineares, pois, em geral, as águas que se misturam na planície de inundação Amazônica se tornam opticamente complexas. A técnica de análise derivativa hiperespectral demonstrou potenciais para mapear a composição dessas águas.