Viens no galvenajiem augu labklājības rādītājiem ir auga mitruma līmenis [1]. Augu mitruma līmeņa noteikšanai šobrīd plaši tiek pielietotas tiešās mērījuma metodes, kas bieži var kaitēt pašam augam, piemēram bojājot augu saknes (veicot augsnes mitruma mērījumus) [1].

Ņemot vērā pēdējā laika tehnoloģiskos sasniegumus, pastāv vairāki veidi kā, ievācot informāciju no optiskā tipa sensoriem, ir iespējams bezkontakta veidā noteikt vairākus augu labklājību raksturojošus parametrus.

Piemēram, lai noteiktu vai augs saņem pietiekami daudz mitruma, līdzšinējie pētījumi piedāvā dažādus bezkontakta mitruma mērīšanas veidus:

• NDVI (Normalized Difference Vegetation Index), kas izmanto tuvu infrasarkano (NIR) staru gaismas spektru [2][3]
• Termālo attēlu analīze [4]
• Standarta RGB (Red, Green, Blue) attēlu analīze [5]
• Hiperspektrālos sensorus [6]

NDVI

NDVI kalpo kā vizuāls rādītājs veģetācijas novērtēšanai, nosakot atšķirību starp tuvu infrasarkano staru (NIR) un sarkano gaismu, ko absorbē augi. Šis indekss parasti ir robežās no -1 līdz +1. Negatīvās vērtības parasti norāda uz retu veģetāciju vai tās neesamību (piemēram pelēka/zila krāsa), savukārt pozitīvas vērtības norāda uz spēcīgu veģetāciju (piemēram sarkana krāsa) (skat. 1. att). Būtībā hlorofils labi atstaro tuvu infrasarkano gaismu (apmēram 750 nm) un absorbē sarkano un zilo gaismu. Kad augiem trūkst mitruma, to lapas atstaro mazāku NIR gaismas daudzumu, tomēr redzamās gaismas atstarojums paliek nemainīgs [7]. NIR kameras spēj uztvert gaismu tuvu infrasarkanajā spektrā (700 - 1400nm).

1. att. Augu NDVI piemērs [8].

Termālo attēlu analīze

Atšķirībā no NIR, kas tiek izmantots NDVI aprēķinam, termo infrasarkanās kameras nosaka starojumu elektromagnētiskā spektra garo viļņu infrasarkanajā diapazonā (aptuveni 8000 līdz 14 000 nm vai 8 līdz 14 µm) (skat 2. att.). Šis diapazons ir saistīts ar siltuma emisiju. Augi izvada ūdeni caur nelielām atverēm uz lapām, ko sauc par stomatu. Ja mitruma līmenis augā ir pietiekams, transpirācijas ātrums parasti ir augsts, kā rezultātā lapu virsma atdziest un ir relatīvi vēsāka nekā apkārtējā temperatūra. Turpretim, kad augi ir pakļauti ūdens trūkumam, transpirācijas ātrums samazinās, kas bieži izraisa lapu temperatūras paaugstināšanos. Uzņemot augu termiskos attēlus, pētnieki var atklāt šīs temperatūras atšķirības, lai noteiktu augu ūdens stresu [9]. Termisko infrasarkano attēlu analīze sniedz tiešu informāciju par augu ūdens stāvokli un var noteikt mitruma līmeni augā, pirms tas ir redzams ar neapbruņotu aci vai pat pirms var būt acīmredzamas izmaiņas NIR atstarojumā [10].

RGB attēlu analīze

RGB kameras uzņem vizuālus attēlus, kas ir līdzīgi cilvēka acs uztvertajam. Tie reģistrē gaismas intensitāti sarkanajā, zaļajā un zilajā gaismas spektrā. Augiem, kuriem trūkst mitruma var būt nelielas krāsas izmaiņas, tie kļūst dzelteni vai brūni. Tāpat arī augu lapas var sākt vīst vai saritināties. RGB kameras var uztvert šīs morfoloģiskās izmaiņas, kuras var apstrādāt un analizēt, izmantojot attēlu apstrādes metodes. Labi mitrināti augi ar stingrām lapām var radīt dažādas ēnas, salīdzinot ar vīstošiem augiem. RGB attēlus var izmantot, lai analizētu šīs atšķirības [11].

Hiperspektrālo attēlu analīze

Hiperspektrālās kameras uztver gaismu plašā viļņu garuma diapazonā, bieži vien aptverot no redzamā līdz tuvajam infrasarkanajam (un dažreiz arī tālāk). Katram attēla pikselim hiperspektrālā kamera rada spektru, kas būtībā ir gaismas intensitātes un viļņa garuma grafiks. Spektrālā informācija ļauj noteikt smalkas atšķirības gaismas atstarošanas un absorbcijas modeļos, ļaujot detalizēti raksturot materiālus, tostarp veģetācijas veidus, augsnes īpašības, slimības un ūdens piesārņojumu [6][12]. Neapstrādāta hiperpektrālā attēla piemērs redzams 3. attēlā.

Kopsavilkums un secinājumi

NDVI norāda uz atšķirību starp tuvu infrasarkano staru (NIR) un redzamo sarkano gaismu, ko augi absorbē, nodrošinot diapazonu no -1 (reta veģetācija) līdz +1 (veselīga veģetācija). Šī metode var ātri noteikt mitruma līmeni augos, pamatojoties uz NIR atstarošanas izmaiņām, pirms tas ir redzams cilvēka acij. Lai gan NDVI ir efektīvs vispārējās augu veselības noteikšanā, tas var nebūt tik precīzs precīza mitruma satura noteikšanā kā citas metodes.

Termālās infrasarkanās kameras nosaka starojumu garo viļņu infrasarkanajā spektrā, kas attiecas uz siltuma emisiju. Mitruma saturs augos ietekmē to temperatūru, kas ir redzama šajos attēlos. Tas nodrošina tiešu informāciju par augu ūdens stāvokli un var noteikt mitruma līmeni agrāk nekā vizuālo simptomu analīze vai izmaiņas NIR atstarojumā. Pie termālo attēlu analīzes jāmin ierobežojumi, kas attiecas uz arējiem faktoriem, piemēram, apkārtējā temperatūra, kas var ietekmēt rādījumus, tādēļ laika gaitā var būt nepieciešama kalibrēšana.

Standarta RGB kameras uzņem vizuālus attēlus, reģistrējot gaismas intensitāti sarkanajā, zaļajā un zilajā spektrā. Tie nosaka morfoloģiskas izmaiņas augos, piemēram, krāsu maiņas vai lapu vīšanu. Šīs metodes priekšrocība ir tā, ka tā ir intuitīva un var būt salīdzinoši viegli izvietojama, ņemot vērā RGB sensoru pieejamību. Šī metode ietver tūlītēju augu apstākļu vizuālu novērtējumu. Lai gan tā uztver redzamas mitruma stresa pazīmes, šī metode var būt vairāk reaģējoša nekā paredzama, identificējot problēmas pēc tam, kad tās jau ir sākušas ietekmēt augu.

Hiperspektrālā attēlveidošana katram pikselim uztver plašu gaismas spektru, sākot no redzamā līdz tuvajam infrasarkanajam. Tas nodrošina detalizētu spektrālo informāciju, kas ļauj identificēt smalkus gaismas atstarošanas un absorbcijas modeļus. Hiperspektrālā analīze piedāvā daudz informācijas, kas nav tikai mitruma saturs, piemēram, veģetācijas veidi un augsnes īpašības. Tas var atklāt ļoti smalkas izmaiņas augu veselībā, padarot to par ārkārtīgi jutīgu pret agrīnām stresa pazīmēm. Ņemot vērā salīdzinoši lielo datu apjomu, ko rada šīs kameras, datu apstrāde var būt skaitļošanas ziņā intensīva, un tam var būt nepieciešami uzlaboti aparatūras vai programmatūras risinājumi.

Lai gan katra metode sniedz unikālu ieskatu par augu veselību un mitruma saturu, to efektivitāte ir atkarīga no konkrētajām lietojuma prasībām. Piemēram, NDVI tiek plaši izmantots tā ātrā ieskata un ērtas interpretācijas dēļ, savukārt hiperspektrālā attēlveidošana nodrošina detaļas, bet var būt pārspīlēta vienkāršākiem lietojumiem. Termiskā attēlveidošana, kas ir tieši saistīta ar mitruma saturu, varētu būt visvienkāršākā, lai tieši novērtētu mitruma līmeni. Tikmēr RGB attēlu analīze piedāvā vispārīgāku vizuālo veselības pārbaudi, kas ir viegli saprotama, taču var būt mazāk precīza nekā citas metodes.

Izmantotie literatūras avoti

[1] Jin X, Shi C, Yu CY, Yamada T and Sacks EJ (2017) Determination of Leaf Water Content by Visible and Near-Infrared Spectrometry and Multivariate Calibration in Miscanthus. Front. Plant Sci. 8:721. doi: 10.3389/fpls.2017.00721

[2] J. Bicans, K. Kviesis and A. Avotins, "IoT Camera-based Approach to Capture and Process SI-NDVI Sensor Data for Industrial Tomato Greenhouse," 2019 IEEE 7th IEEE Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE), Liepaja, Latvia, 2019, pp. 1-6, doi: 10.1109/AIEEE48629.2019.8977127.

[3] Stamford JD, Vialet-Chabrand S, Cameron I, Lawson T. Development of an accurate low cost NDVI imaging system for assessing plant health. Plant Methods. 2023 Jan 30;19(1):9. doi: 10.1186/s13007-023-00981-8. PMID: 36717879; PMCID: PMC9887843.

[4] A. Kempelis, A. Romanovs and A. Patlins, "Using Computer Vision and Machine Learning Based Methods for Plant Monitoring in Agriculture: A Systematic Literature Review," 2022 63rd International Scientific Conference on Information Technology and Management Science of Riga Technical University (ITMS), Riga, Latvia, 2022, pp. 1-6, doi: 10.1109/ITMS56974.2022.9937119.

[5] H. Bagha, A. Yavari and D. Georgakopoulos, "IoT-based Plant Health Analysis using Optical Sensors in Precision Agriculture," 2021 Digital Image Computing: Techniques and Applications (DICTA), Gold Coast, Australia, 2021, pp. 01-08, doi: 10.1109/DICTA52665.2021.9647066.

[6] M. S. M. Asaari, S. Mertens, S. Dhondt, N. Wuyts and P. Scheunders, "Detection of Plant Responses to Drought using Close-Range Hyperspectral Imaging in a High-Throughput Phenotyping Platform," 2018 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, Netherlands, 2018, pp. 1-5, doi: 10.1109/WHISPERS.2018.8747228.

[7] B. J. Yoder and R. H. Waring, "The normalized difference vegetation index of small Douglas-fir canopies with varying chlorophyll concentrations", Remote Sensing of Environment, vol. 49, no. 1, pp. 81-91, 1994.

[8] petter_mansson1, 2019, publiclab.org petter_mansson1

[9] Vieira, Gustavo & Ferrarezi, Rhuanito. (2021). Use of Thermal Imaging to Assess Water Status in Citrus Plants in Greenhouses. Horticulturae. 7. 249. 10.3390/horticulturae7080249.

[10] A. G. Mazare, L. M. Ionescu, D. Visan, A. I. Lita and G. Serban, "Embedded system for real time analysis of thermal images for prevention of water stress on plants," 2018 41st International Spring Seminar on Electronics Technology (ISSE), Zlatibor, Serbia, 2018, pp. 1-6, doi: 10.1109/ISSE.2018.8443604.

[11] Li, Han & Malik, Muhammad Hammad & Gao, Yang & Qiu, Ruicheng & Miao, Yanlong & Zhang, Man. (2018). Maize plant water stress detection based on RGB image and thermal infrared image. 10.13031/aim.201800474.

[12] Poobalasubramanian, M.; Park, E.-S.; Faqeerzada, M.A.; Kim, T.; Kim, M.S.; Baek, I.; Cho, B.-K. Identification of Early Heat and Water Stress in Strawberry Plants Using Chlorophyll-Fluorescence Indices Extracted via Hyperspectral Images. Sensors 2022, 22, 8706. https://doi.org/10.3390/s22228706