Новый низкобюджетный наземный датчик NDVI для ручного и автоматизированного мониторинга сельскохозяйственных культур

Аннотация

Наземные датчики нормализованного разностного вегетационного индекса (NDVI) имеют жизненно важное значение для точной локализованной оценки состояния и роста сельскохозяйственных культур, но их высокая стоимость и трудоемкая эксплуатация ограничивают доступность. Чтобы устранить этот пробел, в данном исследовании представлен низкобюджетный датчик NDVI стоимостью менее 250 евро, предлагающий доступный, но высокоточный инструмент для мониторинга культур. Устройство обладает двойной функциональностью, работая как в ручном (переносном), так и в автоматическом (автономном) режимах, что обеспечивает непрерывный мониторинг культур с более высоким временным разрешением и снижением трудозатрат. В этом исследовании также была выявлена и скорректирована недооценка измерений при более высоких значениях NDVI посредством калибровки сенсора. Последующая валидация в полевых условиях подтвердила точность низкобюджетного сенсора, показав общее хорошее согласие с результатами, полученными с эталонным сенсором (r? = 0,99) после применения выведенной калибровочной функции. Расширенные полевые испытания в Бенине и на Филиппинах продемонстрировали надежность устройства для адекватного отслеживания различий между обработками на различных этапах развития культуры и накопления биомассы. Дальнейшая модификация в автоматический режим позволила проводить непрерывные высокочастотные измерения NDVI, показав его способность отслеживать фенологические изменения культур, такие как старение, в ходе дополнительных полевых испытаний в Германии. В целом, это исследование демонстрирует, что разработанное устройство датчика NDVI, созданное из доступных готовых компонентов, может быть адаптировано в научно пригодный NDVI-сенсор, который является точным, надежным и экономически эффективным. Он предлагает жизнеспособную альтернативу дорогостоящим полевым системам мониторинга и способствует доступности решений для наземного мониторинга культур, особенно для исследований в странах Глобального Юга.

1. Введение

Спектральные вегетационные индексы, такие как нормализованный разностный вегетационный индекс (NDVI), играют важную роль в мониторинге здоровья сельскохозяйственных культур и прогнозировании урожайности [28]. Раннее обнаружение стресса у культур с использованием таких индикаторов, как NDVI, позволяет своевременно вмешиваться, сохраняя как урожай, так и качество, тем самым внося значительный вклад в продовольственную безопасность [54]. Более того, использование данных NDVI способствует обоснованному принятию решений, связанных с ростом растений и их питательным статусом, особенно в отношении оценки биомассы азота (N) и прогнозирования урожайности [6,18,32,52]. Эта ценная информация от NDVI поддерживает оптимизацию практик орошения и управления удобрениями в поле [29].

Данные NDVI позволяют эффективно отслеживать сельскохозяйственные практики, предоставляя своевременную информацию о культурах, необходимую для обоснованного принятия решений. Измерения NDVI, полученные с помощью дистанционного зондирования, таких как спутниковые или дроновые платформы, обеспечивают широкое пространственное покрытие, позволяя проводить мониторинг здоровья растительности и изменений в земельном покрове в крупных масштабах [45,54]. Однако эти измерения могут быть ограничены из-за их временного разрешения и атмосферных помех, таких как облачный покров [38,40]. Наземные подходы к измерению NDVI, в частности, предоставляют высокоточные и частые данные, устраняя некоторые из этих ограничений, и, таким образом, могут дополнять данные дистанционного зондирования [23,47,51]. Несколько исследований подчеркнули значимость наземных спектральных индексов отражательной способности растительности, включая NDVI, в улучшении моделей для прогнозирования характеристик сельскохозяйственных культур и показали, что комбинирование спутниковых и наземных данных NDVI обеспечивает взаимодополняющую фенологическую информацию, применимую к различным экосистемам [13,15].

Наземные измерения NDVI также обладают преимуществами в стоимости по сравнению с дистанционным зондированием в локализованных приложениях. Однако коммерчески доступные наземные сенсоры все еще могут быть дорогими. В ответ на это наблюдается заметный рост разработки низкобюджетных устройств [3,10,14,30,41,48], направленных на демократизацию доступа к технологии измерения NDVI.

Низкобюджетные готовые сенсорные устройства все чаще исследуются из-за их доступности, простоты развертывания и настраиваемости. Несколько исследований разрабатывают низкобюджетные устройства, совместимые с открытым программным обеспечением и модульным аппаратным обеспечением, что позволяет повысить степень настройки и широкую применимость [12,19,31,34,58]. Примечательно, что достижения в области Интернета вещей (IoT) и микроконтроллеров, таких как Node Microcontroller Unit (NODE MCU) и Raspberry Pi, значительно расширили их возможности. Эти достижения позволяют осуществлять мониторинг зданий в реальном времени и отслеживание различных параметров окружающей среды, таких как температура и энергоэффективность [36]. Эта универсальность позволяет развертывать недорогие готовые устройства в широком спектре приложений. В частности, их использование в мониторинге растительности предлагает доступное, но точное решение для улучшения мониторинга культур и управления полем с помощью таких индексов, как NDVI, который необходим для оценки здоровья и роста культур [17,24,25]. Эти устройства предлагают экономически эффективные альтернативы дорогостоящим устройствам и позволяют сделать технологии полевого мониторинга и автоматизации более доступными, особенно для исследователей в развивающихся регионах. Хотя некоторые исследования продемонстрировали точность низкобюджетных датчиков NDVI [30,48], долгосрочные полевые испытания для обеспечения их надежности и устойчивости для частого мониторинга здоровья и развития культур остаются ограниченными. Кроме того, низкобюджетные датчики, используемые для полевых наземных измерений NDVI, по-прежнему трудоемки, поскольку они управляются вручную. Значительной проблемой является то, что большинство автоматических систем наземных датчиков NDVI с высокой точностью в основном встроены в дорогостоящие роботизированные платформы [53,56] или основаны на коммерческих датчиках NDVI [16]. Следовательно, автоматический, экономически эффективный наземный датчик NDVI, особенно тот, который является одновременно доступным и портативным, представляет собой убедительную альтернативу. Такое устройство обладает потенциалом для демократизации мониторинга культур, обеспечивая доступность, масштабируемость и надежные долгосрочные наблюдения. Автоматизированное наземное зондирование NDVI предоставляет решение не только для увеличения частоты измерений, но и для минимизации необходимости вмешательства человека. Несмотря на многочисленные исследования, демонстрирующие точность низкобюджетных устройств NDVI, автоматический низкобюджетный датчик NDVI с подтвержденной точностью и долгосрочной надежностью остается редкостью. Более того, наблюдается заметное отсутствие низкобюджетных датчиков NDVI, которые были бы валидированы в ходе полевых применений в течение длительных периодов (например, > шести месяцев), особенно в регионах, таких как Глобальный Юг, где эти технологии могли бы принести существенную пользу. Этот пробел подчеркивает необходимость дальнейших исследований для разработки и валидации доступных автоматизированных инструментов мониторинга культур, которые могут быть развернуты в поле на месяцы. Чтобы заполнить этот пробел, в данном исследовании представлен низкобюджетный датчик NDVI, который функционирует как в качестве ручного портативного устройства, так и в качестве автономного автоматического устройства.

Мы предполагаем, что 1.) разработанное низкобюджетное сенсорное устройство может точно измерять NDVI и что оно 2.) применимо для долгосрочных измерений в Глобальном Юге. Кроме того, мы предполагаем, что 3.) оно может функционировать как автоматическое сенсорное устройство для непрерывных и надежных измерений NDVI. Чтобы проверить эти гипотезы, мы сначала стремимся оценить его точность по сравнению с коммерческим эталонным датчиком в эксперименте по калибровке и полевой валидации. Затем мы стремимся оценить его применимость для долгосрочных измерений NDVI в двух полевых экспериментах на Филиппинах и в Бенине. Наконец, мы стремимся определить его надежность как автоматического сенсорного устройства в ходе полевого применения, выполненного в Германии.

2. Материалы и методы

2.1. Определение NDVI

NDVI может быть получен путем измерений спектральной отражательной способности в красной и ближней инфракрасной (NIR) областях длин волн и рассчитан в соответствии с Johansen и Tommervik [26] следующим образом:

где ρ_RED — отражательная способность красной полосы около 660 нм, а ρ_NIR — полоса NIR около 860 нм. Значения NDVI обычно находятся в диапазоне от –1 до +1 и обеспечивают оценку здоровья, покрова и плотности сельскохозяйственных культур, а также динамики растительности [8,37,50]. Отрицательные значения обычно означают разреженный или отсутствующий растительный покров, тогда как более высокие положительные значения NDVI указывают на наличие продуктивной зеленой растительности [26]. Значения NDVI, таким образом, могут использоваться в качестве прокси для продуктивности растительности и биомассы [42].

2.2. Аппаратная и программная реализация

Разработанный низкобюджетный датчик NDVI состоит из микроконтроллера SparkFun RedBoard (SparkFun Electronics, Колорадо, США), подключенного к карте micro SD (Qwic OpenLog, SparkFun Electronics, Колорадо, США) и модуля часов реального времени (RTC RV-1805 I2C, SparkFun Electronics, Колорадо, США) для хранения данных и точного отслеживания времени и даты. Используется мультиплексор I2C (TCA9548A, SparkFun Electronics, Колорадо, США) для возможности подключения двух идентичных модулей спектральных датчиков (AS7263 NIR, SparkFun Electronics, Колорадо, США). AS7263 представляет собой цифровой 6-канальный спектрометр, имеющий 6 независимых оптических фильтров со спектральными откликами, определенными приблизительно от 600 нм до 870 нм и полной шириной на полувысоте (FWHM) 20 нм. Один датчик AS7263 был размещен лицевой стороной вверх и закрыт защитной пластиной из ПТФЭ (тефлон), выполняющей роль рассеивателя (толщина: 2 мм). Второй датчик AS7263 был размещен лицевой стороной вниз и не закрыт, для измерения отражения от земли и растительного покрова. Все устройство питалось от 2 аккумуляторных NiMH батарей типа AA, подключенных к регулятору напряжения (MT3608 DC-DC Adjustable step-up voltage regulator; CFStmbird, Китай), который обеспечивал постоянное энергоснабжение устройства напряжением 5 В. Для мониторинга данных измерений в реальном времени устройство дополнительно оснащено модулем Bluetooth (HC-06 Bluetooth Wireless RF, AZ-Delivery Vertriebs GmbH, Германия), позволяющим подключаться к любому устройству Android. Чтобы обеспечить постоянную высоту сенсора во время каждого измерения, в ручном режиме устройство было установлено на шесте длиной 1,8 м, изготовленном из металлических труб. Рис. 1A показывает собранный низкобюджетный датчик в ручном режиме вместе со схематическим представлением его проводки. На основе результатов ручного устройства была разработана улучшенная автоматическая версия (Рис. 1B). Вид сверху на ручное сенсорное устройство показан на Рис. 1C, в то время как Рис. 1D иллюстрирует сборку отдельных компонентов для более детального понимания общего процесса сборки. Чтобы минимизировать энергопотребление автоматического устройства, установка ручного устройства была изменена следующим образом: 1.) микроконтроллер, подобный Arduino UNO, был заменен на микроконтроллер Pro mini; 2.) вместо двух использовались четыре аккумуляторные NiMH батареи типа AA, что позволило избежать необходимости в энергопотребляющем регуляторе напряжения; 3.) был включен низкопотребляющий таймер с интегрированным драйвером MOSFET (TPL5110; Adafruit Industries, США). Для защиты система была помещена в водонепроницаемый пластиковый корпус. Затем она была установлена на штативе, создав автономное автоматическое сенсорное устройство, пригодное для полевого развертывания (Рис. 1E). Аппаратные спецификации и описание каждого компонента обобщены в Таблице 1 для ручного портативного режима и в Таблице 2 для автоматического автономного режима. Кроме того, в таблицах 1 и 2 обобщена общая стоимость ручного и автоматического сенсорных устройств, которая была рассчитана путем суммирования индивидуальной стоимости использованных компонентов. Скрипты, использованные для ручного и автоматического режимов измерений соответственно, были разработаны и загружены на устройство с использованием открытого программного обеспечения Arduino (IDE) версии 1.8.15.

Рисунок 1. Схематическое изображение схемы подключения А) недорогого датчика с ручным управлением и Б) недорогого автоматического автономного датчика. В) Вид сверху и вид изнутри собранных компонентов ручного датчика. E) Автоматическая автономная настройка датчика в полевых условиях.

2.3. Калибровка датчика

Для проверки точности низкобюджетного датчика была проведена калибровка путем измерения отражательной способности различных поверхностей. В общей сложности девять цветных картонов разного цвета (черный, синий, коричневый, темно-зеленый, светло-зеленый, оранжевый, фиолетовый, красный и белый; 594 мм ? 840 мм) были измерены разработанным низкобюджетным датчиком и, в качестве стандарта, коммерческим эталонным датчиком параллельно. Эталонное сенсорное устройство состоит из двух 2-канальных спектральных датчиков SKR1840 (Skye Instruments Ltd., Великобритания), измеряющих отражательную способность в красной и NIR полосах на длинах волн 656 ± 10 нм и 780 ± 10 нм соответственно. Один из двух спектральных датчиков SKR1840 направлен вверх и оснащен косинусным коррекционным рассеивателем для падающего излучения, а второй датчик без рассеивателя направлен вниз для измерения отражательной способности красной и NIR полосы в поле зрения конуса 25°. Оба датчика были подключены к регистратору данных CR1000 (Campbell Scientific Ltd., США) для хранения данных. Эталонный датчик, в частности, использовался в Schaller et al. [43]. Как низкобюджетный, так и эталонный датчики были зафиксированы на высоте 50 см над цветными картонами, чтобы гарантировать, что измеряемая площадь полностью покрыта цветными картонами. Поскольку как разработанный низкобюджетный, так и эталонный датчики являются пассивными устройствами NDVI, измерения проводились аналогично путем обнаружения солнечного света, отраженного от поверхности, без необходимости испускать собственное излучение. Измерения NDVI проводились на открытом воздухе между 11:00 и 14:00, когда солнце находилось под наибольшим углом, в безоблачный день 26 мая 2023 года (ZALF, Мюнхеберг, Германия, 52° 30' 57.2" с.ш. 14° 06' 46.4" в.д.). Измерения обоих датчиков для всех девяти цветных картонов были напрямую сопоставлены друг с другом для проверки точности измерений низкобюджетного сенсорного устройства. На основе этого была выведена калибровочная функция, использованная в дальнейшем для корректировки измерений в ходе полевой валидации и полевых испытаний на предмет потенциального отклонения измерений NDVI низкобюджетным датчиком от эталонного.

2.4. Полевая валидация

Для дальнейшей оценки точности измерений от низкобюджетного устройства в реальных условиях был проведен эксперимент по полевой валидации. Это было сделано путем параллельных in situ измерений различных сельскохозяйственных культур с использованием низкобюджетного и эталонного SKR1840 спектрального сенсорного устройства (Skye Instruments Ltd., Великобритания). Измерения проводились в ландшафтной лаборатории "PatchCrop" Лейбниц-Центра исследований сельскохозяйственных ландшафтов (ZALF). Лаборатория "PatchCrop" представляет собой уникальную полевую установку из множества небольших участков (72 ? 72 м), каждый из которых находится под различным севооборотом и управлением, с целью сокращения, например, использования синтетических химических пестицидов и удобрений. Она расположена недалеко от деревни Темпельберг, Северо-Восточная Германия (52° 26,827' с.ш., 14° 8492' в.д.) и имеет умеренный климат, характеризующийся среднегодовой температурой воздуха 9,7 °C и среднегодовым количеством осадков 544 мм (метеостанция ZALF, 2010–2019 гг.). Почва среднего суглинистого, песчаного состава может быть классифицирована как Лувисоль (WRB). Измерения NDVI проводились 10 августа 2022 года на четырех различных участках вдоль трансекты с 10 точками измерений на каждом участке, от краев до его центра. Четыре участка были выбраны для представления различных поверхностей (голая почва vs. покров сельскохозяйственных культур) и культур (кукуруза vs. подсолнечник vs. соя), каждая на разных стадиях развития. Чтобы обеспечить точные измерения на каждом участке, оба датчика располагались в непосредственной близости друг от друга, обеспечивая измерение с одной и той же площади участка. Каждое измерение проводилось параллельно как низкобюджетным, так и эталонным датчиками в течение 30 последовательных секунд.

2.5. Полевые испытания

Для проверки удобства использования и долгосрочной надежности низкобюджетное портативное сенсорное устройство (в ручном режиме) было впоследствии использовано в течение всего сельскохозяйственного сезона на экспериментальном поле в Калауане, Лагуна, Филиппины (14° 7' 51.3444" с.ш., 121° 18' 37.425" в.д.) и на орошаемой схеме Куссин Леле (7° 14' 0.848303" с.ш., 2° 16' 42.625102" в.д.) в районе Кове на юге Бенина. Полевой участок в Калауане, Лагуна, Филиппины, характеризуется тропическим муссонным климатом с двумя ярко выраженными сезонами: сухой сезон с ноября по апрель и влажный сезон с мая по октябрь [7]. Полевой эксперимент, установленный как фермерский эксперимент под выращиванием ананаса (Ananas comosus (L.) Merr.), принял рандомизированный блочный дизайн с четырьмя различными обработками. Обработки включали внесение остатков ананаса в почву без применения удобрений (PR only), внесение остатков ананаса с применением минеральных удобрений (MIN+PR), внесение остатков ананаса с применением органического удобрения вермикомпост (Arnold and Paz Organic Farm, Лагуна, Филиппины) (ORG+PR) и применение только минеральных удобрений (MIN only). Ежемесячные измерения NDVI обычно проводились между 15:00 и 17:00 (GMT+8) с 10 марта 2022 года по 8 июня 2023 года, при этом устройство размещалось на краю предустановленных рамок, каждая из которых содержала одно растение ананаса (Рис. 2A). Чтобы определить полезность измерений NDVI, была установлена взаимосвязь между NDVI и сухим весом биомассы. Для этой цели в течение периода роста культуры проводились повторные отборы проб биомассы. Собранные образцы биомассы высушивались в сушильном шкафу при 70 °C в течение не менее 48 часов для получения сухого веса биомассы.

Полевой участок в районе Кове на юге Бенина характеризуется переходным климатом [44] с двумя дождливыми и двумя сухими сезонами [1]. Почва на орошаемой схеме Куссин Леле классифицируется как Глейсоль [57]. Полевой эксперимент принял расщепленный участок с управлением водой в качестве основной обработки и высоким (120 кг N га??) и низким (90 кг N га??) уровнями минерального азотного удобрения в качестве подобработки. Методы управления водой включали непрерывное затопление (CF) и чередование увлажнения и осушения при пороге в 25 см (AWD). Каждый участок имел размер 20 м? с определенными расстояниями между основными участками и подучастками. Чтобы предотвратить перемещение N и боковые потоки, вокруг валов был размещен пластиковый слой толщиной 200 микрон. Двухнедельные измерения NDVI для риса (Oryza sativa) проводились с 18 ноября 2022 года по 16 февраля 2023 года. Устройство располагалось в центре предустановленных рамок, покрывающих четыре холмика риса каждый. Измерения обычно проводились между 9 и 11 часами утра (CET) (Рис. 2B). Аналогично полевому применению на Филиппинах, измерения NDVI были сопоставлены с измерениями сухого веса биомассы, отобранными в течение периода роста культуры. Для получения сухого веса биомассы собранные образцы биомассы высушивались в сушильном шкафу при 70 °C в течение 72 часов.

Аналогично ручному портативному низкобюджетному датчику, его автоматическая автономная версия также была протестирована в полевых условиях в упомянутой выше ландшафтной лаборатории "PatchCrop". Чтобы проверить ее способность к непрерывным измерениям NDVI, датчик был размещен с 6 по 26 июля 2023 года на штативе в фиксированном месте на участке поля с овсом. Впоследствии датчик автоматически измерял NDVI в течение 30 секунд с интервалом в 20 минут в течение всего 20-дневного периода измерений.

Рисунок 2. Полевое испытание недорогого датчика NDVI в качестве ручного портативного устройства на А) ананасовом поле в Калауане, Лагуна, Филиппины, и Б) рисовом поле в центральной части Бенина.

Рисунок 3. График соответствия 1:1 для калибровки результатов измерений NDVI на картонах различных цветов с использованием недорогого и эталонного датчиков, соответственно. Пунктирная черная линия указывает на соответствие 1:1. Синей линией показана линейная регрессия через среднее значение NDVI (точки), измеренное для каждого цветного картона (n = 3). Столбцы ошибок указывают на ± SD. Светло-голубая заштрихованная область представляет собой доверительную полосу линии линейной регрессии (для интерпретации ссылок на цвет в подписи к рисунку читатель может ознакомиться с веб-версией этой статьи).

2.6. Анализ данных

NDVI рассчитывался из спектральных измерений, полученных от эталонного и низкобюджетного датчиков, в соответствии с уравнением 2:

где ρ_NIR — измерение на 780 ± 10 нм, а ρ_RED — измерение на 656 ± 10 нм для направленного вверх и вниз датчиков эталонного датчика соответственно. Для низкобюджетного сенсорного устройства использовалось среднее значение измерений между 760 ± 33 нм и 810 ± 33 нм для ρ_NIR и на 660 ± 33 нм для ρ_RED. Точность измерений низкобюджетного датчика оценивалась путем определения правильности и прецизионности измерений [35]. Правильность измерений низкобюджетного датчика оценивалась путем сравнения значений NDVI, полученных низкобюджетным датчиком и эталонным датчиком в ходе экспериментов по калибровке датчика и полевой валидации. Для проверки значимости различий (p < 0,05) между значениями NDVI, измеренными обоими датчиками, использовался тест знаковых рангов Уилкоксона (одновыборочный тест Уилкоксона). Непараметрический тест проводился после применения теста Шапиро-Уилка (p < 0,05) для проверки нормального распределения. Прецизионность оценивалась путем оценки разброса последовательных 30-секундных измерений NDVI (стандартное отклонение; SD) от низкобюджетного датчика и сравнения его с SD эталонного датчика. Все статистические анализы проводились с использованием R версии 4.2.2 в интегрированной среде разработки RStudio (RStudio 1.4.1106).

3. Результаты и обсуждение

3.1. Калибровка датчика NDVI

Во время калибровки датчика для различных поверхностей цветного картона были зарегистрированы схожие соотношения спектральной отражательной способности и, соответственно, рассчитанный NDVI, низкобюджетным и эталонным датчиками (Рис. 3). Несколько исследований подчеркивают решающую роль калибровки спектроскопических данных по известной поверхностной отражательной способности для обеспечения точности [4,27,46]. Рассчитанные значения NDVI низкобюджетного датчика смогли показать различия между более темным зеленым (NDVI = 0,46 ± 0,01) и более светлым зеленым (NDVI = 0,32 ± 0,01) цветными картонами. Это соответствует результатам лабораторной валидации, выполненной Kitic et al. [30]. NDVI, рассчитанный из спектральных измерений с использованием их разработанного низкобюджетного многоканального оптического устройства, также показал более высокий NDVI для темно-зеленых (от 0,40 до 0,65) и более низкий NDVI для более светлых зеленых (от 0,20 до 0,30) целевых поверхностей. Рис. 3 также показывает сравнительно низкое SD в пределах каждого измерения NDVI для низкобюджетного (SD = 0,008) и эталонного датчиков (SD = 0,006), демонстрируя их схожую хорошую прецизионность. Более того, значимой разницы между рассчитанными значениями NDVI низкобюджетного и эталонного датчиков не было получено (тест знаковых рангов Уилкоксона, p = 0,11). Следовательно, в целом низкобюджетный датчик продемонстрировал приемлемую точность в измерении спектральной отражательной способности от различных цветных картонов, указывая на его способность улавливать вариации NDVI, что важно для эффективного мониторинга здоровья сельскохозяйственных культур. Однако наблюдалась заметная небольшая недооценка, при этом значения NDVI низкобюджетного датчика отклонялись от эталонного датчика при более высоких значениях NDVI (Рис. 3). Это наблюдение также было отмечено Stamford et al. [48], которые обнаружили недооценку при более высоких значениях NDVI в своей низкобюджетной системе визуализации NDVI в эксперименте по валидации. Их исследование подчеркнуло, что, несмотря на в целом более низкие значения NDVI, полученные от их низкобюджетной системы визуализации, ее более высокая чувствительность при более низких значениях NDVI полезна для различения содержания хлорофилла в листьях и зелени растений. Для коррекции наблюдаемого небольшого отклонения при более высоких значениях NDVI мы вывели калибровочную функцию путем подбора линейной регрессии к значениям NDVI на графике соответствия 1:1 (Рис. 3), обеспечивая таким образом согласованность и сопоставимость измеренных значений NDVI. Как продемонстрировано в исследованиях Crain et al. [10] и Stamford et al. [48], калибровка датчика обеспечивает точность также в течение длительных периодов использования. Функция калибровки NDVI, выведенная во время калибровки датчика, впоследствии применялась ко всем дальнейшим измерениям NDVI с использованием представленного низкобюджетного устройства.

3.2. Полевая валидация

Было обнаружено хорошее общее согласие между значениями NDVI, измеренными во время полевой валидации низкобюджетным и эталонным датчиками соответственно (Рис. 4). Наивысшее среднее значение NDVI (± SD) было обнаружено для сои (0,81 ± 0,08), затем для подсолнечника (0,45 ± 0,13), кукурузы (0,31 ± 0,11) и, наконец, голой почвы (0,03 ± 0,01). Эти результаты соответствуют состоянию растений во время измерения, так как посевы сои имели наиболее густую и зеленую листву, в то время как посевы кукурузы уже увядали и частично приобретали коричневатые оттенки. Тем не менее, аналогично результатам, полученным в ходе эксперимента по калибровке датчика, наблюдалась недооценка при более высоких значениях NDVI, когда значения NDVI низкобюджетного датчика сравнивались с таковыми эталонного датчика. Таким образом, во время полевой валидации значения NDVI, измеренные с использованием низкобюджетного датчика, оказались значительно меньше значений NDVI, измеренных с эталонным датчиком (тест знаковых рангов Уилкоксона, p < 0,05). Однако после применения выведенной функции калибровки NDVI значимой разницы между измерениями, полученными от обоих датчиков, не было обнаружено (тест знаковых рангов Уилкоксона, p = 0,19), и линия регрессии с использованием скорректированных измерений NDVI проходит довольно близко к линии соответствия 1:1. Оба фактора указывают на правильность измеренного NDVI с использованием низкобюджетного датчика (Рис. 4). Прецизионность измерений низкобюджетного датчика была продемонстрирована низким SD повторных записей NDVI (n = 30) на точку измерения (в диапазоне от 0,001 до 0,090), близким к таковым у эталонного датчика (в диапазоне от 0,001 до 0,081). Вместе, хорошее соответствие 1:1 и низкое SD повторных записей измерений NDVI указывают на общую хорошую точность представленного низкобюджетного датчика. Это дополнительно подтверждается тем, что измеренные, специфичные для культуры значения NDVI сопоставимы со значениями, представленными в литературе с использованием спутниковых, дроновых или коммерческих портативных сенсорных устройств. Например, в случае сои и подсолнечника, значения NDVI в диапазоне от 0,80 до 0,90 сообщаются в период наивысшего вегетативного роста культуры с использованием спутниковых изображений Andrade et al. [2] и Stepanov et al. [49]. Yu и Shang [59] также использовали спутниковые изображения, показывая значения NDVI для посевов подсолнечника в диапазоне от 0,35 до 0,45. Используя измерения оптических датчиков, исследование Martin et al. [33] также сообщало о более низких значениях NDVI для кукурузы в конце стадии роста, в диапазоне от 0,2 до 0,4, что соответствует условиям, наблюдаемым для посевов кукурузы во время нашего эксперимента по полевой валидации. Наконец, в соответствии с нашими выводами, Choudhary et al. [9] отметили, что поверхность голой почвы демонстрировала самые низкие значения NDVI, что объяснялось отсутствием растительного покрова на поверхности. В целом, эксперимент по полевой валидации показал, что низкобюджетное устройство датчика NDVI может точно измерять и различать NDVI различных сельскохозяйственных культур и поверхностей голой почвы, что важно для надежного мониторинга культур. Соответственно, функция калибровки NDVI, примененная при полевой валидации, также использовалась для измерений NDVI, полученных в ходе полевых испытаний.

3.3. Полевые испытания на Филиппинах и в Бенине

Значения NDVI, полученные для филиппинских полевых испытаний, смогли отразить постепенный рост культур ананаса при различных обработках в течение периода измерения (Рис. 5A). Это подтверждается слабой положительной корреляцией (r² = 0,48), полученной между сухим весом биомассы растений ананаса и NDVI, измеренным в ту же дату (Рис. 5C). Это согласуется с исследованием Putra et al. [39], которые также сообщили о довольно слабой положительной корреляции между NDVI и биомассой ананаса, особенно по сравнению с другими вегетационными индексами. В нашем исследовании наблюдалось постепенное увеличение значений NDVI с начала периода измерения в марте 2022 года до цветения в феврале 2023 года. Это хорошо согласуется с наблюдаемым развитием культур ананаса в поле, которые значительно увеличились в размере и силе в этот период. После стадии цветения культуры ананаса всех обработок показали медленное снижение значений NDVI. Снижение, наблюдаемое в измеренных значениях NDVI после стадии цветения, можно объяснить снижением уровня хлорофилла, что подтверждается результатами Gomez Herrera et al. [20], которые также зафиксировали снижение NDVI после цветения у листьев ананаса. Корреляция между сниженным содержанием хлорофилла и снижением NDVI также была отмечена Cui et al. [11]. Измеренные значения NDVI во время стадии цветения в нашем исследовании, в диапазоне от 0,29 до 0,50, также хорошо согласуются со значениями NDVI (0,33–0,43), приведенными для культур ананаса во время цветения Putra et al. [39] с использованием БПЛА.

Аналогично филиппинским полевым испытаниям, значения NDVI, полученные на полевых испытаниях в Бенине, также смогли четко отразить рост культивируемого риса при различных обработках в течение всего периода роста культуры (Рис. 5B). Это снова подтверждается высокой положительной корреляцией (r² = 0,82) между сухим весом биомассы риса и измерениями NDVI в ту же дату (Рис. 5D). В целом, оба исследуемых фактора, уровень воды и количество удобрений, показали четкую разницу в NDVI, причем уровень воды имел большее влияние (Рис. 5B). В то время как непрерывное затопление привело к более высокому NDVI, сниженное внесение удобрений привело к более низкому NDVI. Таким образом, было обнаружено, что обработка с применением высокого уровня минеральных удобрений (120 кг N га^-1) и непрерывным затоплением для водной обработки (CF) отражала самый высокий NDVI в течение всего периода измерения. Наши результаты согласуются с исследованием Kimaro et al. [29], которые изучали влияние различных улучшений почвы удобрениями и методов управления оросительной водой на производство риса в Танзании. Они сообщили о тесной взаимосвязи (r² = 0,82) между NDVI риса и накоплением сухого вещества и обнаружили, что NDVI был выше при орошении непрерывным затоплением, чем при системе интенсификации риса. В дополнение к этому, Guan et al. [22] также обнаружили, что значения NDVI увеличиваются для риса с более высоким внесением азота, в результате увеличения производства биомассы. В нашем исследовании мы наблюдали увеличение NDVI в течение стадии роста и кущения риса (ноябрь-декабрь 2022; Рис. 5B). Максимальный NDVI был измерен 3 января 2023 года во время стадии колошения, составив 0,68 ± 0,02 для обработки MIN высокий (CF). В отличие от этого, самый низкий NDVI — 0,42 ± 0,01 — наблюдался во время стадии колошения для обработки чередованием увлажнения и осушения (AWD) с низким MIN (90 кг N га^-1). Во время созревания риса было обнаружено снижение NDVI для всех обработок. Снижение NDVI, наблюдаемое в нашем исследовании, соответствовало зафиксированному снижению NDVI для риса во время созревания (с 0,6 до 0,1), представленному в исследовании Gonzalez-Betancourt и Mayorga-Ruiz [21]. Эти результаты показывают, что низкобюджетный датчик не только хорошо дифференцировал соответствующие эффекты различных водных и удобрительных обработок, но и отражал временную динамику роста сельскохозяйственных культур. В целом, полевые эксперименты на Филиппинах и в Бенине продемонстрировали, что разработанный низкобюджетный датчик NDVI является надежным инструментом для долгосрочных измерений NDVI и мониторинга здоровья сельскохозяйственных культур.

Приобретенный опыт во время его применения в полевых условиях также продемонстрировал простоту использования устройства благодаря его легкому весу и простой эксплуатации. Кроме того, расчет значений NDVI в реальном времени и их удобное отображение на любом устройстве Android через прикрепленный модуль Bluetooth в значительной степени способствовали общей удобной для пользователя функциональности устройства. На основе полевых испытаний, проведенных на Филиппинах и в Бенине, измерение экспериментального участка с 12 измерительными площадками требует не более часа, включая переходы между площадками в пределах полевого участка. За это время полностью заряженные использованные батареи не требовали замены или подзарядки для завершения измерения в поле. Поскольку разработанное низкобюджетное устройство может эффективно работать до 8 часов всего от 2 аккумуляторных NiMH батарей типа AA, количество раз, необходимых для замены и подзарядки батарей, было низким. Это чрезвычайно полезно для районов, не имеющих доступа к зарядным станциям вблизи поля, и особенно подходит для использования в районах с ограниченной доступностью электроэнергии и возможностями зарядки. Таким образом, устройство открывает множество возможностей в плане более доступного исследовательского инструмента, особенно в Глобальном Юге. Несмотря на это, ручные измерения оставались трудоемкими, что ограничивало их частоту и, следовательно, временное разрешение измерений.

3.4. Полевые испытания автоматического сенсорного устройства

Измерения от низкобюджетного датчика NDVI в качестве автоматического устройства хорошо отразили временную динамику культур овса во время созревания. Рис. 6 показывает постепенное снижение NDVI овса по мере его старения. Снижение NDVI для овса во время старения можно объяснить изменением цвета листьев овса, что в первую очередь связано со снижением содержания хлорофилла. Самый высокий средний дневной NDVI (±SD), измеренный как 0,51 ± 0,01, был получен в начале периода измерения. Это соответствовало гораздо более зеленому состоянию культур овса 6 июля 2023 года. Со временем наблюдалось снижение жизнеспособности культуры и переход к более желтому оттенку, что привело к 62% снижению средних дневных значений NDVI до 0,20 ± 0,01 к 26 июля 2023 года. Это снижение соответствует зафиксированному снижению измеренного NDVI (с 0,60 до 0,10) для овса во время стадии созревания и пожелтения, о котором сообщалось в исследовании Wittich и Kraft [55], проведенном на полевом участке в Брауншвейге, Германия. Кроме того, исследование Bytyqi и Kutasy [5] наблюдало более низкий NDVI (0,34–0,38) для различных сортов овса, измеренных во время старения. Ввиду этих результатов автоматизированный низкобюджетный датчик NDVI точно отразил зрелость культуры овса в течение периода измерения, подчеркнув его пригодность для непрерывного мониторинга культур в полевых условиях. С точки зрения практического использования, автоматический режим оказался более эффективным, чем ручная работа, поскольку он может обеспечить более высокую частоту измерений с меньшими трудозатратами. Он также был энергоэффективным, с аккумуляторными батареями, которые могут работать до 3 месяцев до необходимости замены. Более того, устройство продемонстрировало свою надежность, так как смогло выдержать сильный ветер (8,71 м с^-1) и зафиксированный грозовой шторм 24 июля 2023 года (метеостанция ZALF, 2023). Измерения оставались стабильными во время экстремального погодного явления, при этом SD (SD = 0,03) находился в общем диапазоне (SD = 0,004–0,04) рассчитанного SD по всем измерениям. Следовательно, разработанное автоматическое низкобюджетное сенсорное устройство доказало не только свою надежность в предоставлении точных непрерывных значений NDVI, но и свою готовность к работе в полевых условиях. Однако ограничением, с которым столкнулись при использовании автоматического сенсорного устройства, было то, что извлечение данных должно выполняться вручную. Это означает, что устройство должно быть выключено на некоторое время, пока данные извлекаются из устройства и передаются на компьютер или отдельный диск для хранения. Кроме того, автоматическое низкобюджетное сенсорное устройство было протестировано только для мониторинга старения культуры овса, что ограничило его оценку одной фазой развития культуры. Производительность автоматического устройства в обнаружении других критических стадий роста, таких как прорастание, вегетативный рост и цветение, не оценивалась. Хотя ручной режим устройства уже продемонстрировал свои возможности в этом отношении, будущие исследования могут оценить долгосрочную производительность и универсальность автоматического датчика на различных стадиях роста сельскохозяйственных культур, включая его способность предоставлять последовательные и надежные данные в течение всего цикла роста культуры. В целом, разработанное автоматическое сенсорное устройство все еще может быть дополнительно улучшено для расширения возможностей удаленного мониторинга и доступа к данным измерений в течение длительного периода времени. Здесь модульная конструкция устройства является преимуществом. Его можно легко дополнительно настроить, добавив модули беспроводной связи, такие как Wi-Fi или сеть LoRaWAN. Эти модули могут затем позволить устройству передавать данные на облачные платформы или удаленные серверы, где к ним можно будет получить доступ и проанализировать в реальном времени через веб- или мобильные приложения. Эта возможность подключения позволит пользователям удаленно отслеживать NDVI, в то время как в удаленных районах все еще может использоваться версия, представленная здесь, с локальным хранением данных. Опираясь на это исследование, рекомендуется оценить различные низкобюджетные спектральные датчики и их точность в получении других вегетационных индексов, чтобы еще больше расширить понимание их производительности и применимости. В дополнение к этому, можно исследовать интеграцию дополнительных низкобюджетных датчиков (например, датчика расстояния для измерения высоты растений) для улучшения сбора данных и обеспечения более комплексной оценки развития сельскохозяйственных культур. Будущие исследования также могут расширить возможности настройки устройства, используя 3D-печать для улучшения структурной адаптивности и масштабируемости устройства. Наконец, рекомендуется изучить, может ли развертывание нескольких низкобюджетных автоматических автономных датчиков в течение длительного периода позволить осуществлять картирование здоровья растительности в режиме реального времени по всему полю. Соответственно, следует провести анализ затрат и выгод от массового производства этих низкобюджетных устройств, чтобы оценить их жизнеспособность для крупномасштабного развертывания на различных сельскохозяйственных полях.

4. Заключение

Наше исследование доказало надежность разработанного низкобюджетного датчика NDVI (стоимостью < 250 евро) для экономически эффективных и точных наземных измерений значений NDVI для различных сельскохозяйственных культур. Также была продемонстрирована важность проведения калибровки датчика при использовании низкобюджетных устройств для повышения точности измерений. Полевые испытания, проведенные на Филиппинах и в Бенине, подчеркнули надежность устройства для длительного мониторинга в различных сельскохозяйственных ландшафтах, делая его доступным и ценным устройством, которое может поддерживать сельскохозяйственные исследования, особенно в Глобальном Юге. Учитывая его характер с открытым исходным кодом, устройство, кроме того, легко настраивается для различных применений. Это демонстрируется, например, его дальнейшим развитием в сторону автоматизации, направленной на непрерывные измерения NDVI, что предлагает преимущества более высокого временного разрешения измерений и снижения трудоемкости. Это делает представленный низкобюджетный датчик идеальным практическим решением для долгосрочного мониторинга сельскохозяйственных культур в рамках, среди прочего, экспериментальных полевых испытаний с многочисленными сравнениями обработок. В целом, наше исследование обогащает понимание точности, применимости и надежности низкобюджетных устройств датчиков NDVI. Благодаря своей доступности, открытой конструкции и продемонстрированной эффективности в различных сельскохозяйственных условиях это устройство становится ценным инструментом для продвижения решений для наземного мониторинга сельскохозяйственных культур, способствуя демократизации доступа к важным сельскохозяйственным технологиям.

Этическое заявление

Не применимо: Данная рукопись не включает исследования на людях или животных.

Заявление о вкладе авторов (CRediT)

Реена Макагга: Редактирование — рецензирование, Написание — первоначальный вариант, Визуализация, Методология, Исследование, Концептуализация.
Джеффрой Сосса: Редактирование — рецензирование, Визуализация, Формальный анализ, Курирование данных.
Ивонн Аярибили: Редактирование — рецензирование, Методология, Исследование.
Ринан Байот: Редактирование — рецензирование, Визуализация, Методология, Формальный анализ, Курирование данных.
Перл Санчес: Редактирование — рецензирование, Руководство, Управление проектом, Методология, Концептуализация.
Юрген Августин: Редактирование — рецензирование, Валидация, Руководство, Концептуализация.
Соноко Доротея Беллинграт-Кимура: Редактирование — рецензирование, Валидация, Руководство.
Матиас Хоффманн: Редактирование — рецензирование, Визуализация, Руководство, Управление проектом, Методология, Привлечение финансирования, Концептуализация.

Декларация о конфликте интересов

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, представленную в этой статье.

Благодарности

Эта работа была профинансирована грантом (2819DOKA06) от Федерального министерства продовольствия и сельского хозяйства Германии (BMEL). Джеффрой Сосса был поддержан Западноафриканским научно-сервисным центром по изменению климата и адаптированному землепользованию (WASCAL), Фондом принца Альбера II Монакского и Международным научным фондом (грант № I-1-C-6642-1, IFS). Поддержка инфраструктуры "PatchCrop" осуществляется Лейбниц-Центром исследований сельскохозяйственных ландшафтов (ZALF). Мы также хотели бы выразить нашу глубочайшую благодарность Наталье Обрадович за помощь в эксперименте по калибровке датчика. Отдельная благодарность Шукроне Гиясидиновой, Марио Белио Миранде и Изабель Зентграф за помощь во время эксперимента по полевой валидации. Наконец, мы хотели бы поблагодарить наших фермеров-партнеров г-на Родриго Качуэла и г-на Майкла Алькантара за поддержку в полевых испытаниях на Филиппинах.

Доступность данных

https://doi.org/10.4228/zalf-db3a-6q09 (Данные и код, упомянутые в этом исследовании, находятся в открытом доступе по этой ссылке.)

Таблица 1: Спецификация компонентов и соответствующая стоимость (в евро) на момент написания, включая корпус датчика и источник питания для низкобюджетного устройства датчика NDVI в ручном режиме.

Таблица 2: Спецификация компонентов и соответствующая стоимость (в евро) на момент написания, включая корпус датчика и источник питания для автоматического низкобюджетного устройства датчика NDVI.

Список литературы

1. S. Aliou, G.K. Denis, B. Ibouraiman, H. Romain, K. Valentin, Effet de l’uree et du NPK 15-15-15 perles et super granules sur la productivite des varietes de riz IR841 et NERICA-L14 en zone de bas-fond au Sud-Benin (In French), J. Appl. Biosci. 77 (2014) 6575–6589.
2. T.G. Andrade, A.S.D. Andrade Jr., M.O. Souza, J.W.B. Lopes, P.F.D.M.J. Vieira, Soybean yield prediction using remote sensing in Southwestern Piaui State, Brazil, Revista Caatinga 35 (2022) 105–116, https://doi.org/10.1590/1983- 21252022v35n111rc.
3. C. Barrows, D. Bulanon, Development of a low-cost multispectral camera for aerial crop monitoring, J. Unmann. Vehicl. Syst. Sys (2017), https://doi.org/10.1139/ juvs-2017-0008 juvs-2017-0008.
4. W.M. Baugh, D.P. Groeneveld, Empirical proof of the empirical line, Int. J. Remote Sens. 29 (2008) 665–672, https://doi.org/10.1080/01431160701352162.
5. B. Bytyqi, E. Kutasy, Leaf reflectance characteristics and yield of spring oat varieties as influenced by varietal divergences and nutritional supply, Acta Agraria Debreceniensis (2023) 29–34, https://doi.org/10.34101/actaagrar/1/12144.
6. L. Cabrera-Bosquet, G. Molero, A. Stellacci, J. Bort, S. Nogu?es, J. Araus, NDVI as a potential tool for predicting biomass, plant nitrogen content and growth in wheat genotypes subjected to different water and nitrogen conditions, Cereal Res. Commun. 39 (2011) 147–159, https://doi.org/10.1556/CRC.39.2011.1.15.
7. J.G. Cadondon, E.A. Vallar, A.B. Beltran, A.H. Orbecido, M.C.D. Galvez, Variation in dissolved organic matter using absorbance and fluorescence measurements during dry season in sta. Rosa and Cabuyao Rivers, Philippines, Water 14 (2022) 1444, https://doi.org/10.3390/w14091444.
8. B. Chen, G. Xu, N.C. Coops, P. Ciais, J.L. Innes, G. Wang, R.B. Myneni, T. Wang, J. Krzyzanowski, Q. Li, L. Cao, Y. Liu, Changes in vegetation photosynthetic activity trends across the Asia–Pacific region over the last three decades, Remote Sens. Environ. 144 (2014) 28–41, https://doi.org/10.1016/j.rse.2013.12.018.
9. K. Choudhary, W. Shi, M.S. Boori, S. Corgne, Agriculture phenology monitoring using NDVI time series based on remote sensing satellites: a case study of Guangdong, China, Opt. Mem. Neural Netw. 28 (2019) 204–214, https://doi.org/ 10.3103/S1060992X19030093.
10. J. Crain, I. Ortiz-Monasterio, B. Raun, Evaluation of a reduced cost active NDVI sensor for crop nutrient management, J. Sensor. 2012 (2012) 1–10, https://doi. org/10.1155/2012/582028.
11. D. Cui, M. Li, Q. Zhang, Development of an optical sensor for crop leaf chlorophyll content detection, Comput. Electron. Agricult. 69 (2009) 171–176, https://doi. org/10.1016/j.compag.2009.08.001.
12. D.D. Drajic, N.R. Gligoric, Reliable low-cost air quality monitoring using off-theshelf sensors and statistical calibration, Elektronika Ir Elektrotechnika 26 (2) (2020) 32–41, https://doi.org/10.5755/j01.eie.26.2.25734.
13. A.H. Elmetwalli, A.N. Tyler, F.S. Moghanm, S.A.M. Alamri, E.M. Eid, S. Elsayed, Integration of radiometric ground-based data and high-resolution quickbird imagery with multivariate modeling to estimate maize traits in the Nile Delta of Egypt, Sensors 21 (2021), https://doi.org/10.3390/s21113915
14. F.J. Fern? andez-Alonso, Z. Hernandez, ? V. Torres-Costa, A cost-effective portable multiband spectrophotometer for precision agriculture, Agriculture 13 (2023), https://doi.org/10.3390/agriculture13081467.
15. G. Filippa, E. Cremonese, M. Migliavacca, M. Galvagno, O. Sonnentag, E. Humphreys, K. Hufkens, Y. Ryu, J. Verfaillie, U. Morra di Cella, A.D. Richardson, NDVI derived from near-infrared-enabled digital cameras: applicability across different plant functional types, Agricult. For. Meteorol. 249 (2018) 275–285, https://doi.org/10.1016/j.agrformet.2017.11.003.
16. J.A. Gamon, O. Kovalchuck, C.Y.S. Wong, A. Harris, S.R. Garrity, Monitoring seasonal and diurnal changes in photosynthetic pigments with automated PRI and NDVI sensors, Biogeosciences 12 (2015) 4149–4159, https://doi.org/10.5194/bg12-4149-2015.
17. S.R. Garrity, L.A. Vierling, K. Bickford, A simple filtered photodiode instrument for continuous measurement of narrowband NDVI and PRI over vegetated canopies, Agricult. For. Meteorol. 150 (3) (2010) 489–496, https://doi.org/10.1016/j. agrformet.2010.01.004.
18. J. Geipel, J. Link, J. Wirwahn, W. Claupein, A programmable aerial multispectral camera system for in-season crop biomass and nitrogen content estimation, Agriculture 6 (2016) 4, https://doi.org/10.3390/agriculture6010004.
19. M. Ghamari, H. Kamangir, K. Arezoo, K. Alipour, Evaluation and calibration of low-cost off-the-shelf particulate matter sensors using machine learning techniques, IET Wirel. Sens. Syst. 12 (5-6) (2022) 134–148, https://doi.org/ 10.1049/wss2.12043.
20. M.D. Gomez ? Herrera, P. Alayon ? Luaces, M.V. Avanza, Organic compounds determined at different levels of ripening of the pineapple (Ananas comosus L. Merr.) Cv cayenne in two cultivation systems under subtropical conditions, Int. J. Fruit Sci. 20 (2020) 371–384, https://doi.org/10.1080/15538362.2019.1650409.
21. M. Gonz? alez-Betancourt, Z.L. Mayorga-Ruiz, Normalized difference vegetation index for rice management in El Espinal, Colombia, DYNA 85 (2018) 47–56, https://doi.org/10.15446/dyna.v85n205.69516.
22. S. Guan, K. Fukami, H. Matsunaka, M. Okami, R. Tanaka, H. Nakano, T. Sakai, K. Nakano, H. Ohdan, K. Takahashi, Assessing correlation of high-resolution NDVI with fertilizer application level and yield of rice and wheat crops using small UAVs, Remote Sens. 11 (2019) 112, https://doi.org/10.3390/rs11020112.
23. G. Hmimina, E. Dufr?ene, J.-Y. Pontailler, N. Delpierre, M. Aubinet, B. Caquet, A. De Grandcourt, B. Burban, C. Flechard, A. Granier, P. Gross, B. Heinesch, B. Longdoz, C. Moureaux, J.-M. Ourcival, S. Rambal, L. Saint Andr?e, K. Soudani, Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: an investigation using ground-based NDVI measurements, Remote Sens. Environ. 132 (2013) 145–158, https://doi.org/10.1016/j.rse.2013.01.010
24. F.H. Holman, A.B. Riche, M. Castle, M.J. Wooster, M.J. Hawkesford, Radiometric calibration of ‘commercial off-the-shelf’ cameras for UAV-based high-resolution temporal crop phenotyping of reflectance and NDVI, Remote Sens. 11 (14) (2019) 1657, https://doi.org/10.3390/rs11141657.
25. S.Y.Y. Jewan, V. Pagay, L. Billa, S.D. Tyerman, D. Gautam, D. Sparkes, H.H. Chai, A. Singh, The feasibility of using a low-cost near-infrared, sensitive, consumergrade digital camera mounted on a commercial UAV to assess Bambara groundnut yield, Int. J. Remote Sens. 43 (2) (2022) 393–423, https://doi.org/10.1080/ 01431161.2021.1974116
26. B. Johansen, H. Tommervik, The relationship between phytomass, NDVI and vegetation communities on Svalbard, Int. J. Appl. Earth Observ. Geoinform. 27 (2014) 20–30, https://doi.org/10.1016/j.jag.2013.07.001.
27. E. Karpouzli, T. Malthus, The empirical line method for the atmospheric correction of IKONOS imagery, Int. J. Remote Sens. 24 (2003) 1143–1150, https://doi.org/ 10.1080/0143116021000026779.
28. L. Karthikeyan, I. Chawla, A.K. Mishra, A review of remote sensing applications in agriculture for food security: Crop growth and yield, irrigation, and crop losses, J. Hydrol. 586 (2020) 124905, https://doi.org/10.1016/j.jhydrol.2020.124905.
29. O.D. Kimaro, S.L. Gebre, P. Hieronimo, N. Kihupi, K.-H. Feger, D.N. Kimaro, Handheld NDVI sensor-based rice productivity assessment under combinations of fertilizer soil amendment and irrigation water management in lower Moshi irrigation scheme, North Tanzania, Environ. Earth Sci. 82 (2023) 78, https://doi. org/10.1007/s12665-022-10730-0.
30. G. Kiti?c, A. Tagarakis, N. Cselyuszka, M. Pani?c, S. Birgermajer, D. Sakulski, J. Matovi?c, A new low-cost portable multispectral optical device for precise plant status assessment, Comput. Electron. Agricult. 162 (2019) 300–308, https://doi. org/10.1016/j.compag.2019.04.021.
31. T. Kramer, V. Garcia-Hansen, S. Omrani, climateBOX: A low-cost and open-source monitoring device for personal thermal comfort evaluation, Energy Build. 283 (2023) 112830, https://doi.org/10.1016/j.enbuild.2023.112830.
32. D. Lapidus, M.E. Salem, R.H. Beach, S. Zayed, I. Ortiz-Monasterio, Greenhouse gas mitigation benefits and profitability of the GreenSeeker Handheld NDVI sensor: evidence from Mexico, Precisi. Agricult. 23 (2022) 2388–2406, https://doi.org/ 10.1007/s11119-022-09925-z.
33. K.L. Martin, K. Girma, K.W. Freeman, R.K. Teal, B. Tubana, ? D.B. Arnall, B. Chung, O. Walsh, J.B. Solie, M.L. Stone, W.R. Raun, Expression of variability in corn as influenced by growth stage using optical sensor measurements, Agron. J. 99 (2007) 384–389, https://doi.org/10.2134/agronj2005.0268.
34. C.R. Martin, N. Zeng, A. Karion, R.R. Dickerson, X. Ren, B.N. Turpie, K.J. Weber, Evaluation and environmental correction of ambient CO? measurements from a low-cost NDIR sensor, Atmosph. Measure. Techniq. 10 (7) (2017) 2383–2395, https://doi.org/10.5194/amt-10-2383-2017.
35. A. Menditto, M. Patriarca, B. Magnusson, Understanding the meaning of accuracy, trueness and precision, Accredit. Qual. Assuran. 12 (2007) 45–47, https://doi.org/ 10.1007/s00769-006-0191-z
36. B. Mobaraki, F.J. Castilla Pascual, F. Lozano-Galant, J.A. Lozano-Galant, R. Porras Soriano, In situ U-value measurement of building envelopes through continuous low-cost monitoring, Case Stud. Therm. Eng. 43 (2023) 102778, https://doi.org/ 10.1016/j.csite.2023.102778.
37. S.S. Naif, D.A. Mahmood, M.H. Al-Jiboori, Seasonal normalized difference vegetation index responses to air temperature and precipitation in Baghdad, Open Agricult. 5 (2020) 631–637, https://doi.org/10.1515/opag-2020-0065.
38. V.H.R. Prudente, V.S. Martins, D.C. Vieira, N.R.d.F.e Silva, M. Adami, I.D. Sanches, Limitations of cloud cover for optical remote sensing of agricultural areas across South America, Remote Sens. Applic.: Soc. Environ. 20 (2020) 100414, https://doi. org/10.1016/j.rsase.2020.100414.
39. A.N. Putra, W. Kristiawati, D.C. Mumtazydah, T. Anggarwati, R. Annisa, D. H. Sholikah, D. Okiyanto, Sudarto, Pineapple biomass estimation using unmanned aerial vehicle in various forcing stage: Vegetation index approach from ultra-highresolution image, Smart Agricult. Technol. 1 (2021) 100025, https://doi.org/ 10.1016/j.atech.2021.100025.
40. M. Reyniers, E. Vrindts, Measuring wheat nitrogen status from space and groundbased platform, Int. J. Remote Sens. 27 (3) (2006) 549–567, https://doi.org/ 10.1080/01431160500117907.
41. Y. Ryu, G. Lee, S. Jeon, Y. Song, H. Kimm, Monitoring multi-layer canopy spring phenology of temperate deciduous and evergreen forests using low-cost spectral sensors, Remote Sens. Environ. 149 (2014) 227–238, https://doi.org/10.1016/j. rse.2014.04.015.
42. H. Santin-Janin, M. Garel, J.-L. Chapuis, D. Pontier, Assessing the performance of NDVI as a proxy for plant biomass using non-linear models: a case study on the Kerguelen archipelago, Polar Biol. 32 (2009) 861–871, https://doi.org/10.1007/ s00300-009-0586-5.
43. J. Schaller, E. Scherwietes, L. Gerber, S. Vaidya, D. Kaczorek, J. Pausch, D. Barkusky, M. Sommer, M. Hoffmann, Silica fertilization improved wheat performance and increased phosphorus concentrations during drought at the field scale, Scientif. Rep. 11 (2021) 20852, https://doi.org/10.1038/s41598-021- 00464-7.
44. O.L. Sintondji, S. Atid?egla, A. Ay?ed?ehin, M. Ahouansou, A. Agbossou, Characterization of irrigation techniques and typology of vegetable gardens in the districts of Cov`e and Zangnanado in center of Benin, Int. J. Eng. Res. Applic. IJERA 7 (10) (2017) 40–51.
45. R.P. Sishodia, R.L. Ray, S.K. Singh, Applications of remote sensing in precision agriculture: a review, Remote Sens. 12 (2020) 3136, https://doi.org/10.3390/ rs12193136.
46. G.M. Smith, E.J. Milton, The use of the empirical line method to calibrate remotely sensed data to reflectance, Int. J. Remote Sens. 20 (1999) 2653–2662, https://doi. org/10.1080/014311699211994.
47. K. Soudani, G. Hmimina, N. Delpierre, J.-Y. Pontailler, M. Aubinet, D. Bonal, B. Caquet, A. De Grandcourt, B. Burban, C. Flechard, D. Guyon, A. Granier, P. Gross, B. Heinesh, B. Longdoz, D. Loustau, C. Moureaux, J.-M. Ourcival, S. Rambal, L. Saint Andr?e, E. Dufr?ene, Ground-based Network of NDVI measurements for tracking temporal dynamics of canopy structure and vegetation phenology in different biomes, Remote Sens. Environ. 123 (2012) 234–245, https://doi.org/10.1016/j.rse.2012.03.012.
48. J.D. Stamford, S. Vialet-Chabrand, I. Cameron, T. Lawson, Development of an accurate low cost NDVI imaging system for assessing plant health, Plant Method. 19 (9) (2023), https://doi.org/10.1186/s13007-023-00981-8.
49. A. Stepanov, K. Dubrovin, A. Sorokin, T. Aseeva, Predicting soybean yield at the regional scale using remote sensing and climatic data, Remote Sens. 12 (2020) 1936, https://doi.org/10.3390/rs12121936.
50. T.R. Tenreiro, M. Garcia-Vila, J.A. Gomez, ? J.A. Jim?enez-Berni, E. Fereres, Using NDVI for the assessment of canopy cover in agricultural crops within modelling research, Comput. Electron. Agricult. 182 (2021) 106038, https://doi.org/ 10.1016/j.compag.2021.106038.
51. A. Tittebrand, U. Spank, Ch. Bernhofer, Comparison of satellite- and ground-based NDVI above different land-use types, Theoret. Appl. Climatol. 98 (2009) 171–186, https://doi.org/10.1007/s00704-009-0103-3.
52. O. Vergara-Diaz, M.A. Zaman-Allah, B. Masuka, A. Hornero, P. Zarco-Tejada, B. M. Prasanna, J.E. Cairns, J.L. Araus, A novel remote sensing approach for prediction of maize yield under different conditions of nitrogen fertilization, Front. Plant Sci. 7 (2016), https://doi.org/10.3389/fpls.2016.00666.
53. N. Virlet, K. Sabermanesh, P. Sadeghi-Tehran, M.J. Hawkesford, Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring, Funct. Plant Biol. 44 (2017) 143, https://doi.org/10.1071/FP16163.
54. M. Weiss, F. Jacob, G. Duveiller, Remote sensing for agricultural applications: a meta-review, Remote Sens. Environ. 236 (2020) 111402, https://doi.org/10.1016/ j.rse.2019.111402.
55. K.-P. Wittich, M. Kraft, The normalised difference vegetation index obtained from agrometeorological standard radiation sensors: a comparison with ground-based multiband spectroradiometer measurements during the phenological development of an oat canopy, Int. J. Biometeorol. 52 (2008) 167–177, https://doi.org/ 10.1007/s00484-007-0108-5.
56. Y. Yamasaki, M. Morie, N. Noguchi, Development of a high-accuracy autonomous sensing system for a field scouting robot, Comput. Electron. Agricult. 193 (2022) 106630, https://doi.org/10.1016/j.compag.2021.106630.
57. I. Youssouf, M. Lawani, Benin Soils: Classification in the World Reference Database, in: Report on the Soil Resources of the World, Fourteenth Meeting of the West and Central African Subcommittee on Soil Correlation for Land Reclamation, 2000, pp. 29–50.
58. Y. Xu, Q. Li, Z. Tang, J. Liu, B. Xiang, Towards accurate, cost-effective, ultra-lowpower and non-invasive respiration monitoring: A reusable wireless wearable sensor for an off-the-shelf KN95 mask, Sensors 21 (2021) 6698, https://doi.org/ 10.3390/s21206698.
59. B. Yu, S. Shang, Multi-year mapping of maize and sunflower in Hetao Irrigation District of China with high spatial and temporal resolution vegetation index series, Remote Sens. 9 (2017) 855, https://doi.org/10.3390/rs9080855.