Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Progetto Axia - Indicatori stress idrico - 27.02.2012
1. Verso l’individuazione di indicatori precoci dello stress idrico e carenza di nutrienti in
agricoltura: sviluppo di metodi innovativi di telerilevamento iperspettrale da aereo
R. Colombo, Cinzia Panigada e collaboratori
Laboratorio di Telerilevamento delle Dinamiche Ambientali (LTDA)
Dipartimento Scienze dell’Ambiente e del Territorio (DISAT)
Università degli Studi di Milano-Bicocca (UNIMIB)
20126 Milano, Italia
Tel. 0264482819
roberto.colombo@unimib.it
http://www.disat.unimib.it/Telerilevamento/
LTDA
Milano, 27 febbraio 2012 Relatore: R. Colombo
2. Sommario
• Presentazione del progetto di ricerca;
• Pianificazione dell’esperimento;
• Acquisizione dei dati;
• Preelaborazione e elaborazione delle immagini
• Risultati ottenuti
• Conclusioni
LTDA
3. Obiettivi della ricerca
Sperimentare tecniche innovative di telerilevamento iperspettrale finalizzate alla detezione
precoce dello stress ossidativo (deficit di acqua e azoto) utilizzando sensori
aviotrasportati
Contesto: stato di salute delle colture, agricoltura di precisione, sostenibilità
• Migliorare gli algoritmi per la stima di parametri biofisici e processi fisiologici dalle immagini acquisite (LAI, Fs,
PRI e Ts);
• Individuare le relazioni tra indicatori remoti e descrittori dello stato di stress delle colture misurati in campo
(esperimento irrigazione/fertilizzazione);
• Generare mappe dello stato di salute delle colture e valutare l'efficacia del sistema proposto.
LTDA
5. Progettazione dell’esperimento
Disegno sperimentale
randomized block design split plot, 4 blocchi,
48 parcelle 15x16.5 m (247.5 m2)
• Specie & trattamenti:
2 colture (mais e sorgo)
2 livelli di fertilizzazione (0 and 100 kg/ha N)
3 regimi idrici: non irrigato, irrigato e in
variabile deficit idrico (imposto dalla fase
fenologica, tra emergenza e fioritura)
LTDA
6. Progettazione dell’esperimento
Stagione meteorologica, regimi irrigui e calendario irriguo
50 30
45
25
40
35
20
30
25 15
20
10
15
10 Rainfall
5
5 Mean temperature
0 0
06-giu 10-giu 14-giu 18-giu 22-giu 26-giu 30-giu 04-lug 08-lug 12-lug 16-lug
3 giugno 2010
13 settembre raccolta mais
semina voli
LTDA
7. Progettazione dell’esperimento
Installazione strumenti di misura per
misure in continuo
Sensori TDR, umidità del suolo;
Stazione meteorologica (umidità relativa, tensiometri (potenziale totale e
temperatura, precipitazioni, radiazione solare matriciale del terreno) a diverse
PAR e GLOB, velocità e direzione vento) profondità
LTDA
9. Progettazione dell’esperimento
Pianificazione dei sorvoli aerei con
sensori iperspettrali
E’ determinante la scelta strumenti e momento temporale!!!!
-fase fenologica di levata precedente alla comparsa del fiore;
-sensori ipersettrali CASI, AHS, AISA (+ Lidar)
June July August
LTDA
12. Progettazione dell’esperimento
a parte..telerilevamento dei
PAR
processi incidente
Interazione radiazione-foglia
Riflessa Trasmessa
(% della incidente) (6-12%) (0-40%)
Assorbita
(48-94%)
Dissipazione dell’energia assorbita
(% dell’assorbita)
Fluorescenza Calore Fotochimica
(3-5%) (75-97%) (0-20%)
LTDA
13. Progettazione dell’esperimento
a parte..telerilevamento dei
PAR
processi incidente
Interazione radiazione-foglia
Riflessa Trasmessa
(% della incidente) (6-12%) (0-40%)
Assorbita
(48-94%)
Dissipazione dell’energia assorbita
(% dell’assorbita)
Fluorescenza Calore Fotochimica
(3-5%) (75-97%) (0-20%)
LTDA
14. Acquisizione dati telerilevati
Configurazione adottata
AISA Eagle (VIS-NIR)
[Istituto Nazionale di Oceanografia e
di Geofisica Sperimentale, Trieste]
sorvolo: 20 luglio 2010
FOV
H: 770 - 830 m
IFOV
D = 1.0 m S
D
S = 500 m
LTDA
15. Acquisizione dati telerilevati
Configurazione adottata
AHS (VIS-NIR-TIR)
[Instituto Nacional de Tecnica
Nacional Aerospacial, Madrid]
sorvolo: 19 luglio 2010
FOV
H: 1000 m
IFOV
D = 2.0 m S
D
S = 2000 m
EUFAR supported!
LTDA
16. Acquisizione dati di campo
In contemporanea ai sorvoli
Misure spettroscopiche
– Riflettanze a livello di canopy acquisite sulle parcelle di
mais (spectral camera VIS/NIR & SWIR, Specim Finland);
–Fluorescenza attiva (FluorWatt Leaf Clip);
–Riflettanze superfici target per correzione atmosferica
(6x6m black and white reference panels; high and low
reflectance natural targets);
–Misure in continuo di radianza incidente nella banda di
assorbimento atmosferico O2-A (FWHM=0.13 nm) e misure di
riflettanza con spettrometri ad alta risoluzione spettrale;
–Temperature della canopy per diversi trattamenti (FLIR
hand-held thermal radiometer)
LTDA
17. Acquisizione dati di campo
In contemporanea ai sorvoli
Misure strutturali e fisiologiche fogliari e di canopy
– Biometria campo
– LAI (Delta-T quantum ceptometer Hemispherical camera)
– fAPAR (Delta-T quantum ceptometer)
– Relative chlorophyll content (Minolta SPAD)
– Indice PRI a livello fogliare (PRI Plant Pen, PSI)
– Fluorescenza attiva, yield & Fv/Fm (miniPAM)
– Gas exchange: assimilazione istantanea e curve di luce (Ciras,
Licor6400)
– Concentrazione pigmenti fogliari (Chl a, Chl b e Car)
– Contenuto d’acqua (EWT e RWC)
– Camere di Scholander (potenziale fogliare)
LTDA
18. Acquisizione dati di campo
In contemporanea ai sorvoli
Misure strutturali e fisiologiche fogliari e di canopy
Alcune ancillari, raccolte da altri gruppi
per altri scopi
LTDA
19. Acquisizione dati di campo
In contemporanea ai sorvoli
• Other RS-related measurements and ancillary Data
– Sun photometer for AOD computation
– Differential GPS measurements for geometric
corrections
– Ground-based laser scanner of plants for 3D modelling
– Anisotropy of soil reflectance using a field goniometer
– Anisotropy of incident radiance (multi-band Cimel
Sunphotometer)
Coinvolti numerosi gruppi di ricerca
italiani e europei
LTDA
20. Pre-elaborazione immagini iperspettrali
Queste operazioni sono “obbligatorie” per il retrieval dei
parametri e la stima degli indicatori di early detection
• Correzione geometrica;
• Calibrazione radiometrica;
• Calibrazione spettrale;
• Correzione atmosferica.
LTDA
22. Pre-elaborazione immagini iperspettrali
Calibrazione spettrale
•Correzione relativa allo shift spettrale (SS) e FWHM (Improved SpecCal spectral calibration software );
•Misure di irradianza dei pannelli confrontate con simulazione modello trasf. Rad. MODTRAN4;
•RISULTATI: correzione shift di circa 6 nm e FWHMs riscontrata maggiore del valore nominale (e.g. da
2.2 to 4.4 nm a 760 nm)
SS
Results of SpecCal calibration at the 02A
absorption window
Example of radiance spectral signature before and after Spectral Shift correction
LTDA
23. Pre-elaborazione immagini iperspettrali
Correzione atmosferica Sono stati impiegati RT models +
correzione empirical line impiegando
Ricostruzione delle riflettività superficiali
white & black panels e i target di
riferimento
Rs (λ) = L sensore (λ)* Gain + Offset
L su p
Rs
E g lo b
LTDA
24. Elaborazione dei dati iperspettrali
Analisi degli spettri di riflettanza (dati AISA)
Esempio di mais concimato con tre diversi regimi idrici
P3 P1
4000
3500
P1_W2_N1
3000 P3_W0_N1
P11_W1_N1 P11
2500
R*104
2000
1500
1000
500
0
04
88
10
68
12
91
97
65
64
20
4.
9.
7.
4.
4.
3.
3.
4.
4.
5.
39
44
50
56
62
68
74
80
86
92
wl
In generale il comportamento delle parcelle stressate è
differente e riconoscibile sugli spettri. Presenza di regioni
spettrali con presenza di rumore. Pre-processing, noise
removal filter!
LTDA
25. Elaborazione dei dati iperspettrali
Calcolo indici di vegetazione (dati di campo e riflettanze immagini iperspettrali)
•Biochemical & structure indices
–greenness VIs (e.g. NDVI, SR)
–chlorophyll VIs (e.g. REP, MTCI)
–carotenoid VIs (e.g. SIPI, PSRI)
–water indices (e.g. WBI, NDWI)
•Physiological indices
–light use efficiency (PRI)
(VIs related to heat dissipation,
xanthophyll cycle pigments)
LTDA
26. Elaborazione dei dati iperspettrali
Calcolo indici di vegetazione (dati di campo e riflettanze immagini iperspettrali)
LTDA
27. Elaborazione dei dati iperspettrali
Stima della fluorescenza della clorofilla indotta dal sole (F760,O2-A fluorescence)
1.0
Input data
– AISA Eagle
0.8
Fluorescence (a.u.)
2
Reflectance (-)
– FWHM ≈ 4.2 nm @760 nm 0.6
– Spectral Sampling Interval = 2.43 nm, 244 spectral 1
0.4
bands
0.2
Metodo 0
400 500 600 700 800 900 1000
0.0
Wavelength (nm)
– Standard FLD
– Metodo di Maier et al. (2002) ottimizzato [2 target
non-fluorescenti (white, suolo nudo, strade..) per
stimare trasmittanza e radianza atmosferica nelle L in Vs. L out, non-F targets
bande selezionate 15000
L in (761.00 nm)
– Stima di Fs in unità relative (k3Fs):
y = 0.49994x + 249.03151
10000 R² = 0.99
k3 Fs = Lin – k1 Lout + k2 5000
0
- Algorithm improvement! 0 5000 10000 15000 20000 25000
- Better results using 2 bands L out (756.13 nm)
(761.0 nm + 763.4 nm)
LTDA
28. Risultati. Variabilità dei parametri in campo
Statistiche descrittive dati di campo
- LAImax = Irr2 N1
- In N0 maggiore stabilità dei
parametri strutturali -biochimici!
mais
sorgo
LTDA
29. Risultati. Variabilità dei parametri in campo
Andamenti medi a midday dei dati di campo (mais)
LaiSun Box & Whisker Plot: SPAD
Box & Whisker Plot:
5.0 62
60
4.5
58
4.0 56
54
3.5
52
Parametri 3.0
50 - Diverse risposte a diversi
strutturali e 2.5 48
trattamenti!
SPAD
LaiSun
46
biochimici 2.0
44
1.5 42
1.0
40
38
- NO vs N1 . In alcuni casi basta
0.5
36 sapere il LAI o la quantità di
Mean
0.0
0 1 2 0 1 2
Mean
Mean±SD
34
0 1 2 0 1 2 Mean±SD clorofilla per diagnosticare stati di
Mean±1.96*SD Mean±1.96*SD
N: 0 N: 1
N: 0
Irrig
N: 1 stress. [abbastanza facile e
Irrig
LAI operativo per il RS..]
SPAD
Box & Whisker Plot: Qeff * 1000
- Quando invece i
parametri non variano si
Box & Whisker Plot: Medie PRI * 1000
440
25
420
400 20 deve ricorrere a
Parametri
fisiologici e di
380
360
15 parametri fisiologici per
efficienza 340 10 identificare e anticipare
Qeff * 1000
Medie PRI * 1000
320
fotosintetica 5 lo stress
300
280
0
260
240 -5
220 Mean
0 1 2 0 1 2 Mean±SD -10 Mean
Mean±1.96*SD 0 1 2 0 1 2 Mean±SD
N: 0 N: 1 Mean±1.96*SD
N: 0 N: 1
Irrig
Irrig
∆F/Fm’ PRI
LTDA
30. Risultati. Confronti con i dati iperspettrali
PRI-AISA vs efficienza fotosintetica (mais).
- Buone relazioni tra PRI e df/Fm’, coerenti con i dati
osservati in campo (livello fogliare vs canopy scale!).
- Ps. Indici tradizionalmente legati a LAI e clorofilla
sembrano meno sensibili all’efficienza fotosintetica.
LTDA
31. Risultati. Andamento dell’indice PRI in campo
Variazione indice PRI in funzione del
grado di irrigazione
dry wet
P22 P25
h 11.20 h 12.30
Fertilization
0 kg/ha N
h 11.45 h 12.40
h 12.00 h 12.55
-0,05 0,05
LTDA
32. Risultati. Mapping dei parametri biofisici come indicatori di stress
Analisi di regressione, sviluppo modelli empirici (e.g. mais)
Immagini AISA
NDI vs. LAI
0.80
0.70
0.60
NDI
0.50
0.40 y = 0.1142x + 0.2917
R2 = 0.7252
0.30
1 1.5 2 2.5 3 3.5 4
LAI
TCARI/OSAVI vs. SPAD
1200
1100 y = -26.22x + 2150.1
R2 = 0.6421
1000
TCARI/OSAVI
900
800
700
600
500
35 40 45 50 55 60
SPAD
LTDA
33. Risultati. Mappe degli indicatori precoci
Variabilità spaziale di PRI e Fs
- Il PRI evidenzia le parcelle
sottoposte a stress idrico. A
parità di LAI (e.g. NDVI) il PRI è
sensibile al regime idrico!
- Nel sorgo Fs è un ottimo
indicatore
- Non sono correlate e rilevano
due diverse informazioni!
LTDA
34. Risultati. Valutazione dei risultati
Variabilità spaziale di PRI e Fs
- Cosa succede a parità di Azoto? - Cosa succede a parità di regime idrico?
- In generale è il mapping del contenuto di
- In N0, stabilità di LAI e Cab (+Fs); l’indice PRI è clorofilla che individua sofferenze da
sensibile in forma early detection! mancanza di nutrienti!
- In N1 il PRI rivela ancora diversi stati di stress - La fluorescenza aggiunge preziose informazioni
idrico anche se è sufficiente analizzare la che combinate con la concentrazione totale di
variabilità spaziale del LAI per mappare stati di Cab possono migliorare la detezione precoce
sofferenza. dello stress nutrizionale!
LAI SPAD PRI Fs
LAI SPAD PRI Fs
F1, 8 = 0.791 F1,8 = 27.627 F1, 8 = 2.861 F1, 8 = 0.336
F2, 12 = 4.654 F2,12 = 0.481 F2, 12 = 6.985 F2, 12 = 2.126 Irr 0
N0 p = 0.439 p = 0.013 p = 0.526 p = 0.602
p = 0.060 p = 0.278 p = 0.027 p = 0.200
F1, 8 = 6.053 F1,8 = 10.353 F1, 8 = 2.861 F1, 8 = 11.741
F2, 12 = 6.396 F2,12 = 6.166 F2, 12 = 6.599 F2, 12 = 4.037 Irr 1
N1 p = 0.091 p = 0.049 p = 0.526 p = 0.042
p = 0.032 p = 0.035 p = 0.030 p = 0.077
F1, 8 = 1.280 F1,8 = 12.736 F1, 8 = 0.970 F1, 8 = 3.515
Irr 2
p = 0.340 p = 0.037 p = 0.397 p = 0.157
LTDA
35. Risultati. Stima delle temperature della canopy
Generazione mappa della temperatura della canopy
c2
Tbrightness
c1 5 L( )
ln
L( )
T
F2,24 = 7.8
Irr
p = 0.007
F1, 24 = 2.7
N
p = 0.197
F2, 24 = 0.1
Irr * N
p = 0.930
Variabilità tra 30-42 °C.
E’ condizionata dalla proporzione di suolo
nudo presente nel pixel. E’ sensibile ad
entrambi i trattamenti! Importante contributo
per la valutazione dello stress
LTDA
36. Conclusioni
o Realizzazione di un esperimento pilota per indagare le potenzialità del telerilevamento iperspettrale
per il monitoraggio dello stress idrico e nutrizionale;
o Messa a punto degli algoritmi per la stima della fluorescenza da sensori iperspettrali
aviotrasportati. Ruolo fondamentale della fase di pre-elaborazione dei dati;
o Abbiamo riscontrato ottime relazioni tra indici spettrali e dati di campo e sviluppato semplici
modelli semi-empirici operativi per la generazione di mappe di indicatori dello stress (interessanti
ricadute applicative);
o E’ stato dimostrato che indici precoci consentono di individuare stati di sofferenza prima della
comparsa dei sintomi. L’indice PRI è fortemente dipendente dallo stress idrico. La fluorescenza
riconosce stati di carenza nutrizionale. Possibilità di early detection da remoto (valide ricadute
scientifiche);
o Verso un sistema ottimale..... Configurazione da postazione fissa (punto spia) e segnalazioni per
riprese remote (aereo, UAV) rapidamente tradotte in mappe di indicatori (e.g, PRI) e mappe di
prescrizione.
LTDA
37. Ringraziamenti
a Nestlé e al progetto Axía per aver sostenuto questa ricerca
a tutti i responsabili, collaboratori e partecipanti alle campagne di misura
L. Busetto, C. Cilia, T. Julitta, B. Di Mauro, M. Ferretti, S. Cogliati, M.
Rossini, M. Meroni, A. Marchesi, L. Fumagalli, A.D. Ortica (DISAT-
UNIMIB, Italy), S. Amaducci, M. Bergonti, Dante (Università Cattolica
di Piacenza, Azienda V. Tadini), Guido d’Urso, M. Palladino, P.
Eduardo (Università Napoli) J-L. Widlowski (JRC); Uwe Rasher (Julich
Univ), Paolo Paganini (OGS)…
Le immagini multispettrali AHS sono state acquisite ad opera dell’Istituto Nazionale di
Tecnologia Aerospaziale di Madrid (INTA - http://www.inta.es) nell’ambito del
progetto EUFAR (European Facility For Airborne Research project) Transnational
Access project.
LTDA