en
Назад
DOI: 10.17586/1023-5086-2022-89-03-20-27
УДК: 681.785.5
Исследование спектральной линзы для формирования нормализованного разностного вегетационного индекса NDVI0,705
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
Бланк В.А., Скиданов Р.В., Досколович Л.Л. Исследование спектральной линзы для формирования вегетационного индекса NDVI0,705 // Оптический журнал. 2022. Т. 89. № 3. С. 20–27. http://doi.org/ 10.17586/1023-5086-2022-89-03-20-27
Blank V.A., Skidanov R.V., Doskolovich L.L. Investigation of a spectral lens for the formation of a normalized difference vegetation index NDVI0.705 [in Russian] // Opticheskii Zhurnal. 2022. V. 89. № 3. P. 20–27. http://doi.org/ 10.17586/1023-5086-2022-89-03-20-27
V. A. Blank, R. V. Skidanov, and L. L. Doskolovich, "Investigation of a spectral lens for the formation of a normalized difference vegetation index NDVI0.705," Journal of Optical Technology. 89(3), 137-141 (2022). https://doi.org/10.1364/JOT.89.000137
Предмет исследования. В работе исследуется новый тип дифракционного оптического элемента, разделяющий излучения длин волн 705 и 750 нм в ±1 порядках дифракции, как основа сенсора для регистрации нормализованного разностного вегетационного индекса NDVI0,705 (normalized difference vegetation index). Метод. Исследование проводилось методом натурного эксперимента с использованием источника белого света с непрерывным спектром. Основные результаты. Исследован дифракционный оптический элемент, разделяющий излучения на длинах волн 705 и 750 нм в ±1 порядках дифракции. Использование такого оптического элемента позволяет получать индексные изображения напрямую вместо сложного получения полного гиперспектрального изображения для регистрации NDVI0,705 в области ближнего инфракрасного склона. Дифракционный оптический элемент был изготовлен методом прямой лазерной записи по фоторезисту. Высота сформированного микрорельефа составляла 4 мкм, что подразумевает сочетание дифракционных и рефракционных свойств такого элемента при формировании изображения. Эти дифракционные оптические элементы предлагается называть спектральной дифракционной линзой. На основе изготовленной спектральной дифракционной линзы собрана лабораторная установка для подтверждения возможности функционирования этой линзы в изображающем режиме. В первых экспериментах в качестве малоразмерных излучающих объектов была использована мощная галогенная лампа с установленным перед ней непрозрачным экраном, имеющим отверстия диаметром 0,4–0,5 мм (одиночные и линейно расположенные групповые). В результате этого эксперимента на светочувствительной матрице зарегистрировано два порядка: в –1-ом — для излучения длиной волны 705 нм, в +1-ом — для излучения длиной волны 750 нм. Схожесть геометрических параметров изображений группы источников в +1-ом и –1-ом порядках подтвердили возможность использования данной спектральной дифракционной линзы в изображающем режиме. Поэтому в следующем эксперименте вместо линейно расположенных источников была установлена щелевая диафрагма, через которую было осуществлено сканирование участка светотехнической таблицы с последующим сбором индексного изображения. В результате эксперимента были восстановлены изображения на длинах волн излучений 705 и 750 нм. Практическая значимость. Предложенная в настоящей работе спектральная дифракционная линза может быть использована при создании простых и компактных сенсоров для мониторинга растительного покрова в реальном времени и для специализированных сельскохозяйственных машин.
дифракционная линза, спектральная линза, вегетационный индекс, гиперспектрометр, дифракционный оптический элемент
Благодарность:Работа выполнена при финансовой поддержке гранта РНФ № 20-69-47110 в части проведения эксперимента и Министерства науки и высшего образования РФ в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН в части изготовления спектральных дифракционных линз.
Коды OCIS: 050.1970, 040.1880, 050.1965, 120.4820, 110.0110
Список источников:1. Mulla D.J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps // Biosystems Eng. 2013. V. 114. № 4. P. 358–371.
2. Xue J., Su B. Significant remote sensing vegetation indices: A review of developments and applications // J. Sensors. 2017. V. 2017. P. 1–17.
3. Gold K.M., Townsend P.A., Chlus A., Herrmann I., Couture J.J., Larson E.R., Gevens A.J. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and earrly blight in potato // Remote Sens. 2020. V. 12. P. 286.
4. Zhang J., Pu R., Huang W., Yuan L., Luo J., Wang J. Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses // Field Crops Res. 2012. V. 134. P. 165–174.
5. Mahlein A.K., Rumpf T., Welke P., Dehne H.W., Plumer L., Steiner U., Oerke E.C. Development of spectral indices for detecting and identifying plant diseases // Remote Sens. Environ. 2013. V. 128. P. 21–30.
6. Zheng Q., Huang W., Cui X., Dong Y., Shi Y., Ma H., Liu L. Identification of wheat yellow rust using optimal three-band spectral indices in different growth stages // J. Sensors. 2018. V. 19. P. 35.
7. Shirzadifar A., Bajwa S., Nowatzki J., Shojaeiarani J. Development of spectral indices for identifying glyphosate-resistant weeds // Comput. Electron. Agric. 2020. V. 170. P. 105276.
8. le Maire G., François C., Dufrêne E. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements // Remote Sens. Environ. 2004. V. 89. P. 1–28.
9. Peñuelas J., Gamon J.A., Fredeen A.L., Merino J., Field C.B. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves // Remote Sens. Environ. 1994. V. 48. P. 135–146.
10. Hernández-Clemente R., Navarro-Cerrillo R.M., Zarco-Tejada P.J. Carotenoid content estimation in a heterogeneous conifer forest using narrow-band indices and PROSPECT+DART simulations // Remote Sens. Environ. 2012. V. 127. P. 298–315.
11. Haboudane D., Tremblay N., Miller J.R., Vigneault P. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data // IEEE Trans. Geosci. Remote Sens. 2008. V. 46. P. 423–437.
12. Shi Y., Huang W., Luo J., Huang L., Zhou X. Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis // Comput. Electron. Agric. 2017. V. 141. P. 171–180.
13. Геоматика / URL: https://sovzond.ru/upload/iblock/f46/2011_02_017.pdf
14. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. № 3. С. 28–32.
15. Антонов В.Н., Сладких Л.А. Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным ДЗЗ // Геоматика. 2009. № 4. С. 50–53.
16. Gitelson A., Mayo M., Yacobi Y.Z., Parparov A., Berman T. The use of high-spectral-resolution radiometer data for detection of low chlorophyll concentrations in Lake Kinneret // J. Plankton Research. 1994. V. 16. № 8. P. 993–1002.
17. Бабичев А.Н., Монастырский В.А., Ольгаренко В.Иг., Скиданов Р.В., Подлипнов В.В. Система управления широкозахватной дождевальной машины кругового действия для прецизионного орошения // Пути повышения эффективности орошаемого земледелия. 2019. Т. 1. № 73. С. 195–199.
18. Adeluyi O., Harris A., Foster T., Clay G.D. Exploiting centimetre resolution of drone-mounted sensors for estimating mid-late season above ground biomass in rice // European J. Agronomy. 2022. V. 132. P. 126411.
19. Qu Y., Wang Z., Shang J., Liu J., Zou J. Estimation of leaf area index using inclined smartphone camera // Comput. Electron. Agric. 2021. V. 191. P. 106514.
20. Lei S., Luo J., Tao X., Qiu Z. Remote sensing detecting of yellow leaf disease of arecanut based on uav multisource sensors // Remote Sensing. 2021. V. 13. № 22. Р. 4562.
21. Soifer V.A., Doskolovich L.L., Golovashkin D.L., Kazanskiy N.L., Kharitonov S.I., Khonina S.N., Kotlyar V.V., Pavelyev V.S., Skidanov R.V., Solovyev V.S., Uspleniev G.V., Volkov A.V. Methods for computer dezign of diffractive optical elements / ed. by Soifer V.A. N.Y.: Willey, 2002.
22. Doskolovich L.L., Skidanov R.V., Bezus E.A., Ganchevskaya S.V., Bykov D.A., Kazanskiy N.L. Design of diffractive lenses operating at several wavelengths // Opt. Exp. 2020. V. 28. P. 11705–11720.
23. Yang C., Shi K., Edwards P., Liu Z. Demonstration of a PDMS based hybrid grating and Fresnel lens (G-Fresnel) device // Opt. Exp. 2010. V. 18. № 23. P. 23529–23534.
24. Blank V., Skidanov R., Doskolovich L., Kazanskiy N. Spectral diffractive lenses for measuring a modified red edge simple ratio index and a water band index // J. Sensors. 2021. V. 21. № 22. P. 7694.
25. Подлипнов В.В., Щедрин В.Н., Бабичев А.Н., Васильев С.М., Бланк В.А. Экспериментальное определение влажности почвы по гиперспектральным изображениям // Компьютерная оптика. 2018. Т. 42. № 5. С. 877–884.