Спектральные вегетационные индексы как индикаторы содержания пигментов в листьях яблони (Malus domestica Borkh.)

Спектральные вегетационные индексы как индикаторы содержания пигментов в листьях яблони (Malus domestica Borkh.)

Автор: Савин И.Ю., Коновалов С.Н., Бобкова В.В., Шарычев Д.В.

Журнал: Сельскохозяйственная биология @agrobiology

Рубрика: Дистанционный мониторинг состояния растений

Статья в выпуске: 3 т.58, 2023 года.

Бесплатный доступ

Методы оперативного дистанционного (спутникового и беспилотного) сельскохозяйственного мониторинга в настоящее время базируются на использовании спектральных вегетационных индексов в качестве интегральных показателей состояния растений. В 1972 году для дистанционного мониторинга растительности был предложен первый спектральный вегетационный индекс NDVI (normalized difference vegetation index), а в последующие годы разработано около сотни индексов, предназначенных для детектирования разных свойств: от влажности, структуры листьев, архитектуры растений в посевах до содержания различных веществ, в том числе пигментов, регулирующих фотосинтез и продуктивность растений. Во многих случаях предлагаемые индексы надежно функционируют для конкретных растений или для растительности в целом. Для плодовых культур, в частности для яблони, подобных индексов практически нет. В представленной статье впервые показано, что спектральные вегетационные индексы, предложенные для детектирования пигментов в сельскохозяйственных растениях, нуждаются в уточнении при их использовании для подобного детектирования пигментов в листьях яблони конкретного сорта. Нашей целью был анализ связи между спектральными вегетационными индексами, рассчитанными для листьев яблони сорта Имрус, с содержанием в них хлорофилла и каротиноидов. Анализ спектральной отражательной способности листьев яблони ( Malus domestica Borkh.) сорта Имрус посадки 2011 года проводили 19 октября 2021 года на территории опытного сада ФГБНУ ФНЦ садоводства (пос. Михнево, Московская обл., Ступинский р-н). Листья собирали в полуденное время случайным образом из средней части кроны с ветвей 2-5-летнего возраста. Всего для анализа содержания пигментов сформировали 26 смешанных образцов листьев. Содержание хлорофиллов a + b определяли в лабораторных условиях методом Винтерманса-Де Мотса, каротиноидов - методом фон Ветштейна. Спектральную отражательную способность оценивали с использованием полевого спектрорадиометра SR-6500 («Spectral Evolution», США), который работает в диапазоне 350-2500 нм с разрешающей способностью 1. Кривые спектральной отражательной способности получали в 5-кратной повторности для верхней поверхности листьев, осредняли для каждого листа, а затем для каждой из 26 смешанных групп листьев. На основании осредненных кривых спектрального отражения вычисляли наиболее распространенные спектральные вегетационные индексы. После этого был проведен анализ связи величин спектральных вегетационных индексов с содержанием пигментов в листьях. Установлено, что предложенные ранее многочисленные вегетационные индексы не могут быть использованы для бесконтактного детектирования содержания хлорофилла и каротиноидов в листьях яблони сорта Имрус. Связь между величиной индекса и содержанием пигмента практически отсутствует. Также не удается сгруппировать проанализированные листья по содержанию пигментов на основе построения дендрограммы сходства между кривыми спектрального отражения листьев в диапазоне 350-2500 нм. На основе корректировки индексов, показавших наиболее точную зависимость, предложены новые вегетационные индексы для бесконтактного детектирования содержания в листьях яблони каротиноидов и хлорофилла, которые позволяют получать регрессионные модели с R2 выше 0,65. Перед широким использованием их необходимо протестировать для листьев яблони других сортов, а также для листьев, находящихся в разной стадии развития.

Еще

Спектральная отражательная способность, malus domestica, листья яблони, хлорофилл, каротиноиды, вегетационные индексы

Короткий адрес: https://sciup.org/142238890

IDR: 142238890   |   DOI: 10.15389/agrobiology.2023.3.473rus

Список литературы Спектральные вегетационные индексы как индикаторы содержания пигментов в листьях яблони (Malus domestica Borkh.)

  • Ennouri K., Kallel A. Remote sensing: an advanced technique for crop condition assessment. Mathematical Problems in Engineering, 2019, 2019:9404565 (doi: 10.1155/2019/9404565).
  • Толпин В.А., Барталев С.А., Ефремов В.Ю., Лупян Е.А., Савин И.Ю., Флитман Е.В. Возможности информационного сервера СДМЗ АПК. Современные проблемы дистанционного зондирования Земли из космоса, 2010, 7(2): 221-232.
  • Savin I.Yu., Nègre Т. Agro-meteorological monitoring in Russia and Central Asian countries. Ispra, OPOCE, 2006.
  • Becker-Reshef I., Justice C., Sullivan M., Vermote E., Tucker C., Anyamba A., Small J., Pak E., Masuoka E., Schmaltz J., Hansen M., Pittman K., Birkett C., Williams D., Reynolds K., Doorn B. Monitoring global croplands with coarse resolution earth observations: the Global Agriculture Monitoring (GLAM) project. Remote Sensing, 2010, 2(6): 1589-1609 (doi: 10.3390/rs2061589).
  • Wu B., Meng J., Li Q., Yan N., Du X., Zhang M. Remote sensing-based global crop monitoring: experiences with China's CropWatch system. International Journal of Digital Earth, 2014, 7(2): 113-137 (doi: 10.1080/17538947.2013.821185).
  • Savin I. Crop yield prediction with SPOT VGT in Mediterranean and Central Asian countries. In: ISPRS Archives XXXVI-8/W48 Workshop proceedings: Remote sensing support to crop yield forecast and area estimates. Commission VIII, WG VIII/10. OPOCE, Stresa, 2007: 130-134.
  • Rembold F., Atzberger C., Savin I., Rojas O. Using low resolution satellite imagery for yield prediction and yield anomaly detection. Remote Sensing, 2013, 5(4): 1704-1733 (doi: 10.3390/rs5041704).
  • Береза О.В., Страшная А.И., Лупян Е.А. О возможности прогнозирования урожайности озимой пшеницы в Среднем Поволжье на основе комплексирования наземных и спутниковых данных. Современные проблемы дистанционного зондирования Земли из космоса, 2015, 12(1): 18-30.
  • Савин И.Ю., Вернюк Ю.И., Фараслис И. Возможности использования беспилотных летательных аппаратов для оперативного мониторинга продуктивности почв. Бюллетень Почвенного института им. В.В. Докучаева, 2015, 80: 95-105 (doi: 10.19047/0136-1694- 2015-80-95-105).
  • Виноградов Б.В. Аэрокосмический мониторинг экосистем. М., 1984.
  • Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований. М., 2011.
  • Kriegler F.J., Malila W.A., Nalepka R.F., Richardson W. Preprocessing transformations and their effects on multispectral recognition. Proceedings of the Sixth International Symposium on Remote Sensing of Environment, 1969: 97-131.
  • Huang S., Tang L., Hupy J.P., Wang Y., Shao C. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 2021, 32: 1-6 (doi: 10.1007/s11676-020-01155-1).
  • Nakalembe C., Becker-Reshef I., Bonifacio R., Hu G., Humber M.L., Justice C.J., Keniston J., Mwangi K., Rembold F., Shukla S., Urbano F., Whitcraft A.K., Li Y., Zappacosta M., Jarvis I., Sanchez A. A review of satellite-based global agricultural monitoring systems available for Africa. Global Food Security, 2021, 29: 100543 (doi: 10.1016/j.gfs.2021.100543).
  • Xue J., Su B. Significant remote sensing vegetation indices: a review of developments and applications. Journal of Sensors, 2017, 2017: 1353691 (doi: 10.1155/2017/1353691).
  • Montero F. Photosynthetic pigments. In: Encyclopedia of astrobiology /M. Gargaud, R. Amils, J.C. Quintanilla, H.J.(J.) Cleaves, W.M. Irvine, D.L. Pinti, M. Viso (eds.). Berlin, Heidelberg, Springer (doi: 10.1007/978-3-642-11274-4_1205).
  • Кизеев А.Н., Мерзляк М.Н., Соловченко А.Е. Применение спектроскопии отражения для недеструктивного анализа пигментов в растительных тканях . Молодой ученый, 2010, 6(17): 90-97.
  • Cui B., Zhao Q., Huang W., Song X., Ye H., Zhou X. A new integrated vegetation index for the estimation of winter wheat leaf chlorophyll content. Remote Sensing, 2019, 11(8): 974 (doi: 10.3390/rs11080974).
  • Cheng J., Yang G., Xu W., Feng H., Han S., Liu M., Zhao F., Zhu Y., Zhao Y., Wu B., Jang H. Improving the estimation of apple leaf photosynthetic pigment content using fractional derivatives and machine learning. Agronomy, 2022, 12(7): 1497 (doi: 10.3390/agronomy12071497).
  • Ta N., Chang Q., Zhang Y. Estimation of apple tree leaf chlorophyll content based on machine learning methods. Remote Sensing, 2021, 13(19): 3902 (doi: 10.3390/rs13193902).
  • Li C., Zhu X., Wei Y., Cao S., Guo X., Yu X., Chang C. Estimating apple tree canopy chlorophyll content based on Sentinel-2A remote sensing imaging. Sci. Rep., 2018, 8: 3756 (doi: 10.1038/s41598-018-21963-0).
  • Wintermans J.E.G., De Mots A. Spectrophotometric characteristics of chlorophyll a and b and their phaeophytins in ethanol. Biochimica et Biophysica Acta, 1965, 109(2): 448-453 (doi: 10.1016/0926-6585(65)90170-6).
  • von Wettstein D. Chlorophyll-letale und der submikroskopische Formwechsel der Plastiden. Experimental Cell Research, 1957, 12(3): 427-506 (doi: 10.1016/0014-4827(57)90165-9).
  • Gitelson A., Kaufman Y., Stark R., Rundquist D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 2002, 80(1): 76-87 (doi: 10.1016/s0034-4257(01)00289-9).
  • Blackburn G.A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: an evaluation of some hyperspectral approaches. Remote Sensing of Environment, 1998, 66(3): 273-285 (doi: 10.1016/S0034-4257(98)00059-5).
  • Peñuelas J., Filella I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status. Trends in Plant Science, 1998, 3(4): 151-156 (doi: 10.1016/S1360-1385(98)01213-8)
  • Carter G.A. Ratios of leaf reflectances in narrow wavebands as indicators of plant stress. International Journal of Remote Sensing, 1994, 15(3): 517-520 (doi: 10.1080/01431169408954109).
  • Zarco-Tejada P.J., Ustin S.L., Whiting M.L. Temporal and spatial relationships between withinfield yield variability in cotton and high‐spatial hyperspectral remote sensing imagery. Agronomy Journal, 2005, 97(3): 641-653 (doi: 10.2134/agronj2003.0257).
  • Gitelson A.A., Merzlyak M.N. Remote estimation of chlorophyll content in higher plant leaves. Advances in Space Research, 1998, 22(5): 689-692 (doi: 10.1016/S0273-1177(97)01133-2).
  • Datt B. Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in eucalyptus leaves. Remote Sensing of Environment, 1998, 66(2): 111-121 (doi: 10.1016/S0034-4257(98)00046-7).
  • Daughtry C.S.T., Walthall C.L., Kim M.S., Brown de Colstoun E., McMurtrey J.E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 2000, 74(2): 229-239 (doi: 10.1016/S0034-4257(00)00113-9).
  • Barnes J.D., Balaguer L., Manrique E., Elvira S., Davison A.W. A reappraisal of the use of DMSO for the extraction and determination of chlorophylls a and b in lichens and higher plants. Environmental and Experimental Botany, 1992, 32(2): 85-100 (doi: 10.1016/0098-8472(92)90034-Y).
  • Gamon J.A., Peñuelas J., Field C.B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment, 1992, 41(1): 35-44 (doi: 10.1016/0034-4257(92)90059-S).
  • Sims D.A., Gamon J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2-3): 337-354 (doi: 10.1016/S0034-4257(02)00010-X).
  • Haboudane D., Miller J.R., Tremblay N., Zarco-Tejada P.J., Dextraze L. Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 2002, 81(2-3): 416-426 (doi: 10.1016/S0034- 4257(02)00018-4).
  • Broge N.H., Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 2000, 76(2): 156-172 (doi: 10.1016/S0034-4257(00)00197-8).
  • Vogelmann J.E., Rock B.N., Moss D.M. Red edge spectral measurements from sugar maple leaves, International Journal of Remote Sensing, 1993, 14(8): 1563-1575 (doi: 10.1080/01431169308953986).
  • Zarco-Tejada P.J., Miller J.R., Noland T.L., Mohammad G.H., Sampson P.H. Scaling-up and model inversion methods with narrow band optical indices for chlorophyll content estimation in closed forest canopies with hyper spectral data. IEEE Trans. Geosci. Remote Sens., 2001, 39(7): 1491-1507 (doi: 10.1109/36.934080).
  • Datt B. A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using eucalyptus leaves. Journal of Plant Physiology, 1999, 154(1): 30-36 (doi: 10.1016/S0176-1617(99)80314-9).
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp