Распознавание дефектов с/х полей по видео с дронов

Мышьяк (As) представляет собой токсичный тяжелый металлоид (Hughes, 2002), который часто встречается в почвенной среде в результате естественных литогенных процессов или в результате антропогенной деятельности, такой как добыча полезных ископаемых и производство удобрений (González-Fernández et al., 2017; Kříbek et al. и др., 2010; Ли и др., 2017). Когда As обогащен в сельскохозяйственных почвах, он не только угрожает продовольственной безопасности из-за своей фитотоксичности, но и ставит под угрозу безопасность пищевых продуктов из-за его биоаккумуляции в сельскохозяйственных культурах (Cui et al., 2018; Rauf et al., 2015). Кроме того, мышьяк может переноситься из почвы в подземные или поверхностные водотоки, тем самым загрязняя источники питьевой воды и более широкую природную среду (Li et al., 2017). Следовательно, повышенный уровень As в почве препятствует достижению устойчивого сельского хозяйства (Hou et al., 2020a).

Картирование почвы As имеет решающее значение для предоставления лицам, определяющим политику, основанной на фактических данных научной поддержки для разработки адекватных мер по защите почвы (Hou et al., 2020b; Hou and Ok, 2019). Эффективность и устойчивость стратегий реабилитации, применяемых для обеззараживания пораженных почв, таких как иммобилизация (Wang et al., 2020a; 2020b), промывание почвы и фиторемедиация (Jia et al., 2020; Wang et al., 2019), также полагаются на точные оценки распределения As в почве (Beiyuan et al., 2017; Hou, 2019; Li et al., 2017; Wei et al., 2019).

Обычное картирование почвы включает физический сбор образцов почвы в виде сетки и транспортировку почвы в лабораторию для дальнейшего химического анализа (Martinez-Villegas et al., 2018; Signes-Pastor et al., 2016). После определения уровней мышьяка в почве можно применять методы геостатистической интерполяции (ГИМ), такие как интерполяция кригинга, для прогнозирования концентраций загрязняющих веществ в точках, где не были отобраны пробы (Hou et al., 2017). Это позволяет проводить оценку рисков для выявления и разграничения областей, связанных с экологическими рисками, которыми необходимо надлежащим образом управлять.

Создание традиционных GIM в основном основано на первом законе географии, а именно на пространственной автокорреляции, которая предполагает, что значения атрибутов близких наблюдений более связаны, чем значения удаленных наблюдений (Dubin, 1992). Кроме того, GIM изначально были разработаны для расчета распределения минералов, которых в почве гораздо больше, чем загрязняющих веществ. При использовании традиционного подхода возникают проблемы, поскольку уровни мышьяка, как правило, следовые и очень неоднородные, поэтому для достижения адекватной точности картирования требуются сетки с высокой плотностью выборки (Liu et al., 2016). Это часто экономически невыгодно, особенно когда необходимо охватить большие пространственные площади, т. е. региональное картирование почв. Следовательно, традиционные GIM не подходят для картирования крайне разнородных данных проб почвы (Zhang et al., 2018a).

Таким образом, разработка технологий обнаружения, которые позволяют быстро и недорого картировать загрязнители почвы с высоким разрешением, очень выгодна для картирования почвы. По этой причине технологии зондирования на месте , такие как портативный портативный рентгенофлуоресцентный (XRF) и удаленная спутниковая спектроскопия в видимом и инфракрасном диапазоне (VIRS), стали предметом повышенного внимания исследователей (Al Maliki et al., 2017; Chakraborty et al., 2017; Jia et al., 2021). Однако до сих пор не сообщалось о прогнозировании уровней As в почве на основе аэрофотосъемки высокого разрешения (HRAI).

HRAI — это метод, который включает использование камер, установленных на самолетах, для захвата изображений больших площадей с высоким пространственным разрешением, обычно 0,1–0,5 м. Соединенное Королевство, например, уже более 15 лет получает изображения HRAI на участках размером до сотен км ² (Defra, 2020).

Для текущего исследования мы предположили, что различные особенности, связанные с уровнями As в почве, будут встроены в изображения HRAI. Во-первых, в предыдущих исследованиях было обнаружено, что RGB может представлять спектральную информацию (Smits, 1999). Концентрация мышьяка демонстрирует значительную корреляцию с коэффициентом отражения на нескольких длинах волн (например, ∼428 нм и ∼1290 нм) из-за взаимодействия между As и компонентами почвы, такими как оксиды железа и органические вещества (Chakraborty et al., 2017). Значения RGB и производные от них индексы могут иметь возможность прогнозировать загрязнение почвы мышьяком. Во-вторых, расположение источников загрязнения, таких как заводы по производству удобрений, имеет большое значение для распределения загрязняющих веществ (Fayiga and Saha, 2016; Zhang et al., 2018b). Воздействие загрязнителей почвы на растительность может также означать, что определенные характеристики изображения потенциально могут быть извлечены для прогнозирования загрязнения (Shi et al., 2014; Wu et al., 2007). Следовательно, изображения HRAI могут содержать ценную информацию, которую можно извлечь для прогнозирования концентраций мышьяка в почве. Однако извлеченная информация будет иметь сложную форму, что потребует использования алгоритмов машинного обучения для точного прогнозирования уровней загрязнения почвы.

В этом исследовании разрабатывается новый подход к моделированию для прогнозирования уровней As в почве на основе изображений HRAI. Основными целями данного исследования являются: 1) разработка надежных подходов для количественной оценки требуемых характеристик и извлечения их из HRAI; 2) построить модели на основе различных алгоритмов машинного обучения и сравнить их эффективность прогнозирования; 3) изучить факторы, влияющие на эффективность модели; и 4) проиллюстрировать его осуществимость путем сравнения производительности этого метода с традиционными GIM.