Pflanzenstressanalyse auf Basis eines hyperspektralen Vegetationsindex

Vegetationsmerkmale werden typischerweise durch die Umwandlung von Reflexionsspektren in einen einzelnen numerischen Wert oder Vegetationsindex gemessen. Hyperspektrale oder Schmalband-Vegetationsindizes enthalten Schmalband-Vegetationsmerkmale und Wellenlängeninformationen, die nur mit hyperspektralen Instrumenten erfasst werden können.

Die mittels hyperspektraler Vegetationsindizes ermittelten Vegetationseigenschaften lassen sich in drei Hauptkategorien unterteilen: 1. Struktur; 2. Biochemische Eigenschaften; 3. Pflanzenphysiologie/Stress.

Zu den gemessenen Strukturmerkmalen gehören die Vegetationsbedeckung, die Blattbiomasse, der Blattflächenindex (LAI), die Biomasse alternder Blätter und das Absorptionsverhältnis photosynthetisch aktiver Strahlung (FPAR). Die meisten derzeit für die Strukturanalyse verwendeten Indizes basieren auf Breitbandsystemen, es existieren aber auch hyperspektrale Schmalbandindizes.

Zu den biochemischen Eigenschaften zählen Wassergehalt, Pigmente (Chlorophyll, Carotinoide und Anthocyane), andere stickstoffreiche Verbindungen (wie Proteine) und pflanzliche Strukturmaterialien (Lignin und Cellulose). Physiologische und Stressindizes dienen der Messung kleinster Veränderungen, die durch Faktoren wie stressbedingte Veränderungen des Xanthophyllstatus, des Chlorophyllgehalts, Fluoreszenzeffekte oder der Blattfeuchtigkeit hervorgerufen werden. Biochemische Eigenschaften und physiologische/Stressindizes werden in der Regel durch Messungen mit Labor- und Feldinstrumenten (spektrale Abtastintervalle ≤ 10 nm) ermittelt und stellen hochspezifische spektrale Merkmale dar. Daher handelt es sich bei diesen Indizes streng genommen um hyperspektrale Indizes.

Im Vergleich zu Breitband-Vegetationsindizes verfügen hyperspektrale Vegetationsindizes über Bänder, die in Breitbandsystemen nicht abgetastet werden, und über spezifische Bandzentren, wodurch sie subtilere Absorptionsmerkmale identifizieren und extrahieren können und somit die Eigenschaften der Kulturpflanzen besser abschätzen.

Im Vergleich zu punktuellen Spektralmessungen liefert die hyperspektrale Bildgebung zusätzliche räumliche Informationen, die für die Präzisionslandwirtschaft von entscheidender Bedeutung sind. Sie unterstützt gängige Analysemethoden in diesem Bereich, wie z. B. die Clusteranalyse von Boden und Pflanzen, die Hotspot- und Ausreißeranalyse, und ermöglicht die Einbeziehung räumlicher Informationen auf verschiedenen Ebenen zur Schätzung von Pflanzeneigenschaften. So lassen sich die räumlichen Verteilungsmuster und Merkmale von Pflanzeneigenschaften von Punkten bis hin zu Flächen aufzeigen, wodurch ein leistungsfähigeres Werkzeug für die praktische Anwendung in der Präzisionslandwirtschaft entsteht.

Methoden und Prinzipien

Wir nutzten hyperspektrale Bilder des Gebiets um Xi’an, aufgenommen vom Satelliten Xiguang-105 am 6. April 2025, um verschiedene hyperspektrale Vegetationsindizes zu berechnen. Basierend auf den den Indizes entsprechenden strukturellen, biochemischen und physiologischen Indikatoren führten wir eine Analyse des Pflanzenzustands und des Stressniveaus von Winterweizen in Xi’an während des Schossstadiums in der Saison 2024/25 durch und identifizierten potenziell gestresste Gebiete.

Abbildung 1. Dateneinführung

Verfahren:

Strahlungskalibrierung:Die ursprünglichen DN-Wertdaten werden mithilfe radiometrischer Kalibrierungskoeffizienten radiometrisch korrigiert, um die scheinbaren Strahlungsdaten zu erhalten.

Atmosphärische Korrektur:Zur Ermittlung der Oberflächenreflexionsdaten wurde eine atmosphärische Korrektur unter Verwendung des 6S-Modells durchgeführt.

Spektrale Glättung:Zur Glättung der Oberflächenreflexionsdaten wurde der Savitzky-Golay-Algorithmus (SG) verwendet, wodurch die Zuverlässigkeit der nachfolgenden Berechnung des Red-Edge-Korrelationsindex verbessert und gleichzeitig das spektrale Rauschen reduziert wurde.

Bildregistrierung:Die verarbeiteten Daten werden anschließend anhand der Basiskarte georeferenziert.

Indexberechnung:Der hyperspektrale Vegetationsindex wurde aus den erfassten Daten berechnet.

Vegetationsflächenmaskierung/Parzellenextraktion:Anhand der berechneten Teilindizes wurde die Vegetationsflächenmaskierung mittels eines festen Schwellenwertverfahrens extrahiert. Der zuvor erstellte Vektordatensatz von Weizenanbauflächen im Gelben-Fluss-Becken wurde ebenfalls verwendet.

Regionale Statistiken:Ausgehend vom Vektor der Grundstücksflächen wird jeder Index nach Regionen statistisch analysiert, wobei die statistische Methode der Mittelwert ist.

Umfassende Multi-Index-Analyse:Auf Basis statistischer Vektoren und unter Bezugnahme auf die physikalische Bedeutung der verschiedenen Indizes wird die Verteilung der verschiedenen Indizes analysiert, um einige Phänomene zu erklären.

Die folgende Tabelle listet hyperspektrale Vegetationsindizes auf, kategorisiert in strukturelle, biochemische (Pigmente, Chlorophyll, Anthocyane, Carotinoide, Wasser, Lignin und Cellulose, Stickstoff) und physiologische (Lichtnutzungseffizienz, Stress). Jeder Index enthält seinen chinesischen Namen, seine englische Abkürzung und seine Formel, die auf der Schmalbandreflexion basiert (Rλ steht für die Reflexion bei der Wellenlänge λ in nm).

Tabelle 1. Einige hyperspektrale Vegetationsindizes und Berechnungsformeln

Auswertung der Ergebnisse

Echtfarben-Kompositbild – Satellit Xiguang-1 05 (Himmelsübereinstimmung) – 06.04.2025

Reflexionskurven verschiedener Bodenmerkmale – 10.000-fach vergrößerte Reflexion – Satellit Xiguang-1 05 (Tianxianpei) – 06.04.2025

Verteilungskarte des normalisierten Differenzvegetationsindex (NDVI) - Satellit Xiguang Nr. 1 05 (Tianxianpeihao) - 06.04.2025

Verteilungskarte des photochemischen Reflexionsindex (PRI) – Satellit Xiguang-1 05 (Tianxianpei) – 06.04.2025

Verbesserte normalisierte Rotrandindex-Verteilungskarte – Satellit Xiguang-1 05 (Tianxianpei) – 06.04.2025

Verbreitungskarte des strukturunabhängigen Chlorophyllindex (SIPI) - Satellit Xiguang Nr. 1 05 (Tianxianpeihao) - 20250406

Vogelmann-Rotrandindex 1VOG1-Verteilungskarte – Xiguang Nr. 1 05 Satellit (Tianxianpeihao) – 06.04.2025

Verteilungskarte des atmosphärischen Impedanz-Vegetationsindex (ARVI) - Satellit Xiguang-1 05 (Tianxianpeihao) - 06.04.2025

Anthocyanin-Reflexionskarte (2ARI2) – Satellit Xiguang-1 05 (Tianxianpei) – 06.04.2025

Verteilungskarte des Carotinoid-Reflexionsindex 2CAI2 - Satellit Xiguang Nr. 1 05 (Tianxianpeihao) - 06.04.2025

Die meisten der genannten hyperspektralen Vegetationsindizes basieren ebenfalls auf den Unterschieden in Absorption und Reflexion zwischen verschiedenen Spektralbändern. Im Vergleich zu traditionellen Breitbandindizes (wie dem NDVI) erfassen sie jedoch die Konzentration und Verteilung spezifischer Pigmente sensitiver und verbessern so die Genauigkeit der Pflanzenklassifizierung, der Bestimmung des phänologischen Stadiums, der Inversion physiologischer und biochemischer Indizes sowie der Stressbewertung. Beispielsweise reichern sich Anthocyane bei Winterweizen vom Bestockungsstadium bis zur Reife kontinuierlich an, sodass das aktuelle phänologische Stadium der Kulturpflanze anhand des Anthocyanindex bestimmt werden kann. Unter Umweltstress wird die Expression von Genen, die an der Anthocyanbiosynthese beteiligt sind (wie CHS, CHI und F3H), induziert, was zu einem Anstieg des Anthocyangehalts führt. Gleichzeitig verschiebt sich die Rotkante zu kürzeren Wellenlängen. Daher ermöglicht die Kombination mehrerer photochemischer Indizes und der Rotkantenmorphologie eine umfassende Stressbewertung.

Verteilungskarte des Anthocyanin-Reflexionsindex 2ARI2 auf Parzellenebene - Satellit Xiguang Nr. 1 05 (Tianxianpeihao) - 20250406

Verteilungskarte des Red Edge Location Index (REPI) auf Parzellenebene – Xiguang Nr. 1 05 Stern (Himmlische Übereinstimmungsnummer) – 20250406

Durch die Kombination der Grundstücksgrenzenvektoren kann eine genauere Analyse auf Parzellenebene durchgeführt werden, wodurch potenzielle Problembereiche und entsprechende Parzellen identifiziert und anschließend eine detailliertere statistische Analyse durchgeführt werden kann.

Lokalisierte Verteilungskarte des Red Edge Vegetation Index (RENDVI) - Xiguang Nr. 1 05 (Tianxianpeihao) - 20250406

Lokale Verteilungskarte des Carotinoid-Reflexionsindex (CRI2) - Satellit Xiguang-1-05 (Tianxianpeihao) - 20250406

Lokale Anthocyanin-Reflexionskarte (2ARI2) – Satellit Xiguang-1 05 (Tianxianpei) – 06.04.2025

Verteilungskarte des lokalen photochemischen Reflexionsindex (PRI) - Satellit Xiguang-1 05 (Tianxianpei) - 20250406

Die obige Abbildung zeigt eine lokale Verteilungskarte der Indizes auf Parzellenebene. Im zentralen Bereich der Karte sind der Rotrand-Vegetationsindex (RENDVI), der Carotinoidindex (2CRI2) und der photochemische Reflexionsindex (PRI) relativ hoch, während sie im westlichen Bereich niedriger sind. Dies deutet darauf hin, dass der Pigmentgehalt im Westen ebenfalls relativ gering ist. Die Verteilungskarte des Anthocyaninindex (2ARI2) zeigt jedoch eine ähnliche Verteilung wie der zentrale Bereich und weist höhere Werte auf. Dies lässt vermuten, dass dieser Bereich zwar denselben Belastungen ausgesetzt ist, diese jedoch im Vergleich zum zentralen Bereich eine geringere Auswirkung haben. Dies könnte mit der höheren Carotinoidkonzentration im zentralen Bereich zusammenhängen. Carotinoide sind photosynthetische Co-Pigmente und können als Antioxidantien reaktive Sauerstoffspezies (ROS, wie Superoxidanionen und Wasserstoffperoxid) abfangen. Dadurch schützen sie Zellmembranen und photosynthetische Strukturen vor oxidativem Stress und verhindern so eine Abnahme der Chlorophyllkonzentration. In der westlichen Region wurde jedoch kein signifikanter Anstieg des Carotinoid-Reflexionsindex beobachtet, was darauf hindeutet, dass diese Art von Stress eine größere Auswirkung hat.

Durch die umfassende Analyse mehrerer hyperspektraler Vegetationsindizes und deren Kombination mit Karten der Pflanzenbestands- und Bodenfeuchteverteilung können wir die Art des Stresses und seine Auswirkungen genauer bestimmen. Dies ermöglicht landwirtschaftliche Eingriffe in einem früheren Stadium, um die Umweltresilienz großflächiger Anbausysteme zu verbessern und die Stabilität von Getreideertrag und -qualität zu gewährleisten.