Портативная многоспектральная камера для экологического мониторинга

Введение. Пройдя длительный путь развития, пассивные спектральные методики дистанционного зондирования стали основным источником информации о состоянии земной поверхности и атмосферы. Многоспектральные и гиперспектральные камеры в настоящее время производятся серийно, однако их более широкому применению по-прежнему мешает высокая цена. Доступные в продаже дешевые фотоприемные CMOS-матрицы обеспечивают подходящую основу для разработки недорогих многоспектральных камер.

Цель работы. Создание переносной многоспектральной камеры, предназначенной для экологического мониторинга в полевых условиях.

Материалы и методы. Конструкция камеры основана на одной фотоприемной CMOS-матрице. Участки спектра выбираются сменяемыми интерференционными фильтрами, установленными в двух зубчатых колесах. Оптическая система камеры формирует параллельный пучок света перед его прохождением через фильтр, а затем фокусирует его в плоскости фотоприемной матрицы. Переключение фильтров обеспечивается шаговым электродвигателем. Его вращением, а также получением и сохранением изображений управляет одноплатный компьютер Raspberry Pi. Обработка многоспектральных изображений выполнялась при помощи программ на языке Python.

Результаты. Проведены испытания оптической схемы разработанной камеры для оценки размера и спектральной однородности ее поля зрения. Кроме того, с использованием камеры получены изображения растительности и рассчитаны пространственные распределения двух вегетационных индексов: нормализованного разностного вегетационного индекса (NDVI) и зелено-красного вегетационного индекса (GRVI). При помощи этих индексов удалось выделить на снимках области, занятые растительностью, а также отделить хвойные деревья от лиственных.

Заключение. Результаты испытаний показали применимость использованной оптико-механической схемы для удаленной оценки экологического состояния растительности.

1. Krinov E. L. Spectral reflectance properties of natural formations. Ottawa: National research council of Canada, 1953. 268 p.

2. Buznikov A. A. Space spectrophotometry of the natural environment from manned orbital stations // J. of Optical Technology. 2015. Vol. 82, № 7. P. 487–493. doi: 10.1364/JOT.82.000487

3. Горяинов В. С., Бузников А. А., Костиков Е. В. Модернизация портативного спектрометра РСС // Изв. СПбГЭТУ "ЛЭТИ". 2020. № 2. С. 5–16.

4. Raizer V. Optical remote sensing of ocean hydrodynamics. Boca Raton: CRC Press, 2019. 296 p. doi: 10.1201/9781351119184

5. Barnett T. L., Juday R. D. Skylab S191 visibleinfrared spectrometer // Applied Optics. 1977. Vol. 16, № 4. P. 967–972. doi: 10.1364/AO.16.000967

6. Goetz A. F. H., Srivastava V. Mineralogical mapping in the Cuprite Mining District, Nevada // Proc. of the Airborne Imaging Spectrometer Data Anal. Workshop. Pasadena. Jet Propulsion Laboratory, 1985. P. 22−31.

7. Goetz A. F. H. Three decades of hyperspectral remote sensing of the Earth: a personal view // Remote Sensing of Environment. 2009. Vol. 113. P. S.5–S.16. doi: 10.1016/j.rse.2007.12.014

8. Vane G., Goetz A. F. H., Wellman J. B. Airborne Imaging Spectrometer: a new tool for remote sensing // IEEE Trans. Geosci. Remote Sens. 1984. Vol. GE-22, № 6. P. 546–549. doi: 10.1109/TGRS.1984.6499168

9. Hyperion: the first global orbital spectrometer, Earth Observing-1 (EO-1) satellite (2000–2017) / E. M. Middleton, P. K. E. Campbell, L. Ong, D. R. Landis, Q. Zhang, C. S. Neigh, K. F. Huemmrich, S. G. Ungar, D. J. Mandl, S. W. Frye, V. T. Ly, P. G. Cappelaere, S. A. Chien, S. Franks, N. H. Pollack // IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS), Fort Worth, 23–28 July 2017. IEEE, 2017. P. 3039–3042. doi: 10.1109/IGARSS.2017.8127639

10. Qian S.-E. Hyperspectral satellites, evolution, and development history // IEEE J. of Selected Topics in Applied Earth Observations and Remote Sensing. 2021. Vol. 14. P. 7032–7056. doi: 10.1109/JSTARS.2021.3090256

11. HyperScout-1 inflight calibration and product validation / I. Benhadj, S. Livens, M. Esposito, N. Vercruyssen, C. Van Dijk, M. Soukup, A. Z. Marchi, L. Maresi // Intern. J. of Remote Sensing. 2024. Vol. 45, № 7. P. 2486–2517. doi: 10.1080/01431161.2024.2331979

12. Visible and near‐infrared imaging spectrometer aboard Chinese Chang'E 3 spacecraft / J. Wang, Z. He, R. Shu, R. Xu, K. Chen, C. Li // Optical Payloads for Space Missions. Chichester: Wiley, 2016. P. 121–139. doi: 10.1002/9781118945179.ch5

13. Miniature spectral imager in-orbit demonstration results from Aalto-1 nanosatellite mission / J. Praks, P. Niemelä, A. Näsilä, A. Kestilä, N. Jovanovic, B. Riwanto, T. Tikka, H. Leppinen, R. Vainio, P. Janhunen // IEEE Intern. Geoscience and Remote Sensing Symp., Valencia, 22–27 July 2018. IEEE, 2018. P. 1986–1989. doi: 10.1109/IGARSS.2018.8517658

14. Overview of the Fourier Transform Hyperspectral Imager (HSI) boarded on HJ-1A satellite / X. Zhao, Z. Xiao, Q. Kang, Q. Li, L. Fang // IEEE Intern. Geoscience and Remote Sensing Symp., Honolulu, 25– 30 July 2010. IEEE, 2010. P. 4272–4274. doi: 10.1109/IGARSS.2010.5649250

15. Artisanal exploitation of mineral resources: remote sensing observations of environmental consequences, social and ethical aspects / N. M. Ngom, D. Baratoux, M. Bolay, A. Dessertine, A. A. Saley, L. Baratoux, M. Mbaye, G. Faye, A. K. Yao, K. J. Kouamé // Surveys in Geophysics. 2023. Vol. 44. P. 225–247. doi: 10.1007/s10712-022-09740-1

16. High-resolution multispectral and RGB dataset from UAV surveys of ten cocoa agroforestry typologies in Côte d'Ivoire / S.-K. Lammoglia, Y. L. Akpa, J. H. Danumah, Y. L. A. Brou, J. N. Kassi // Data in Brief. 2024. Vol. 55. Art. № 110664. doi: 10.1016/j.dib.2024.110664

17. Raspberry Pi 3 multispectral low-cost sensor for UAV based remote sensing. Case study in south-west Niger / E. Belcore, M. Piras, A. Pezzoli, G. Massazza, M. Rosso // ISPRS. 2019. Vol. XLII-2/W13. P. 207–214. doi: 10.5194/isprs-archives-XLII-2-W13-207-2019

18. Hyperspectral imaging: a review on UAVbased sensors, data processing and applications for agriculture and forestry / T. Adão, J. Hruška, L. Pádua, J. Bessa, E. Peres, R. Morais, J. J. Sousa // Remote Sens. 2017. Vol. 9, № 11. Art. № 1110. doi: 10.3390/rs9111110

19. Review: cost-effective unmanned aerial vehicle (UAV) platform for field plant breeding application / G. Jang, J. Kim, J.-K. Yu, H.-J. Kim, Y.-H. Kim, D.-W. Kim, K.-H. Kim, C. Lee, Y. S. Chung // Remote Sensing. 2020. Vol. 12, № 6. Art. № 998. doi: 10.3390/rs12060998

20. Баранов П. С., Чиркунова А. А. Телевизионная камера видимого и ближнего инфракрасного диапазонов // Изв. вузов России. Радиоэлектроника. 2015. Вып. 4. С. 47–56.

21. Овчинников А. В. Многоспектральная камера с последовательным формированием изображений // Журн. радиоэлектроники. 2021. № 5. С. 1–11. doi: 10.30898/1684-1719.2021.5.6

22. Mazeh F., El Sahili J., Zaraket H. Low-cost NDVI platform for land operation: passive and active // IEEE Sensors Let. 2021. Vol. 5, № 10. Art. № 5500804. doi: 10.1109/LSENS.2021.3112822

23. A multispectral camera development: from the prototype assembly until its use in a UAV system / A. Morales, Guerra, P. Horstrand, M. Diaz, A. Jimenez, J. Melian, Lopez, J. F. Lopez // Sensors. 2020. Vol. 20. Art. № 6129. doi: 10.3390/s20216129

24. Classification of fish species using multispectral data from a low-cost camera and machine learning / F. Monteiro, V. Bexiga, P. Chaves, J. Godinho, D. Henriques, P. Melo-Pinto, T. Nunes, F. Piedade, N. Pimenta, L. Sustelo, A. M. Fernandes // Remote Sensing. 2023. Vol. 15. Art. № 3952. doi: 10.3390/rs15163952

25. Portable multispectral imaging system based on Raspberry Pi / N. Lopez-Ruiz, F. Granados-Ortega, M. A. Carvajal, A. Martinez-Olmos // Sensor Review. 2017. Vol. 37, № 3. P. 322–329. doi: 10.1108/SR-12-2016-0276

26. Noguera M., Millan B., Andújar J. M. New, lowcost, hand-held multispectral device for in-field fruitripening assessment // Agriculture. 2023. Vol. 13, № 1. P. 4. doi: 10.3390/agriculture13010004

27. Wavelength selection of multispectral imaging for oil palm fresh fruit ripeness classification / M. Shiddiq, H. Herman, D. S. Arief, E. Fitra, I. R. Husein, S. A. Ningsih // Applied Optics. 2022. Vol. 61, № 17. P. 5289–5298. doi: 10.1364/AO.450384

28. OmniVision. OV5647 datasheet. Preliminary specification. URL: https://cdn.sparkfun.com/datasheets/Dev/RaspberryPi/ov5647_full.pdf (дата обращения: 09.06.2025).

29. Goryainov V. S., Buznikov A. A. A study of the influence of copper sulfate on the spectral properties of common buckwheat (Fagopyrum esculentum) // J. of Physics: Conf. Ser. 2021. Vol. 2103, № 1. Art. № 012155. doi: 10.1088/1742-6596/2103/1/012155

30. Sonobe R., Wang Q. Assessing the xanthophyll cycle in natural beech leaves with hyperspectral reflectance // Functional Plant Biology. 2016. Vol. 43, № 5. P. 438–447. doi: 10.1071/FP15325

31. Assessing Carotenoid Content in Plant Leaves with Reflectance Spectroscopy / A. A. Gitelson, Y. Zur, O. B. Chivkunova, M. N. Merzlyak // Photochem. Photobiol. 2002. Vol. 75, № 3. P. 272–281. doi: 10.1562/0031-8655(2002)0750272ACCIPL2.0.CO2

32. 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. Vol. 81, № 2–3. P. 337–354. doi: 10.1016/S0034-4257(02)00010-X

33. Strong L. L., Gilmer D. S., Brass J. A. Inventory of Wintering Geese with a Multispectral Scanner // J. of Wildlife Management. 1991. Vol. 55, № 2. P. 250–259.

34. Liu C. C., Chen Y. H., Wen H. L. Supporting the annual international black-faced spoonbill census with a low-cost unmanned aerial vehicle // Ecological Informatics. 2015. Vol. 30. P. 170–178. doi: 10.1016/j.ecoinf.2015.10.008

35. O'Neill C. J., Roberts J. J., Cozzolino D. Identification of beef cattle categories (cows and calves) and sex based on the near infrared reflectance spectroscopy of their tail hair // Biosystems Engineering. 2017. Vol. 162. P. 140–146. doi: 10.1016/j.biosystemseng.2017.07.007

36. Terletzky P., Ramsey R. D., Neale C. M. U. Spectral characteristics of domestic and wild mammals // GIScience & Remote Sensing. 2012. Vol. 49, № 4. P. 597–608. doi: 10.2747/1548-1603.49.4.597

37. Trivedi M. M., Wyatt C. L., Anderson D. R. A multispectral approach to remote detection of deer. Photogramm // Eng. Remote Sens. 1982. Vol. 48, № 12. P. 1879–1889.

38. Spotting East African mammals in open savannah from space / Z. Yang, T. Wang, A. K. Skidmore, J. De Leeuw, M. Y. Said, J. Freer // PloS one. 2014. Vol. 9, № 12. P. e115989. doi: 10.1371/journal.pone.0115989

39. Platonov N. G., Mordvintsev I. N., Rozhnov V. V. The possibility of using high resolution satellite images for detection of marine mammals // Biology Bulletin. 2013. Vol. 40. P. 197–205. doi: 10.1134/S1062359013020106

40. Whales from space: four mysticete species described using new VHR satellite imagery / H. C. Cubaynes, P. T. Fretwell, C. Bamford, L. Gerrish, J. A. Jackson // Marine Mammal Science. 2019. Vol. 35, № 2. P. 466–491. doi: 10.1111/mms.12544

41. Satellite imagery can be used to detect variation in abundance of Weddell seals (Leptonychotes weddellii) in Erebus Bay, Antarctica / M. A. LaRue, J. J. Rotella, R. A. Garrott, D. B. Siniff, D. G. Ainley, G. E. Stauffer, C. C. Porter, P. J. Morin // Polar Biology. 2011. Vol. 34. P. 1727–1737. doi: 10.1007/s00300-011-1023-0

42. Applicability of Green-Red Vegetation Index for Remote Sensing of Vegetation Phenology / T. Motohka, K. N. Nasahara, H. Oguma, S. Tsuchida // Remote Sens. 2010. Vol. 2. P. 2369–2387. doi: 10.3390/rs2102369