Математика 6 Мерзляк КР-6 В2
Контрольная работа № 6 по математике 6 класс «Пропорциональные зависимости. Окружность и круг» с ответами и решениями по УМК Мерзляк, Полонский, Якир (Вариант 2). Дидактические материалы для учителей, школьников и родителей при дистанционном обучении. Математика 6 Мерзляк КР-6 В2.
Математика 6 класс (Мерзляк)
Контрольная работа № 6. Вариант 2
Вариант 2 (транскрипт заданий)
- Турист за некоторое время прошёл 9 км. Какое расстояние проедет за то же время всадник, скорость которого в 3 раза больше скорости туриста?
- На некоторую сумму денег можно купить 16 больших наборов фломастеров. Сколько можно купить на эту сумму денег маленьких наборов фломастеров, которые в 4 раза дешевле больших наборов?
- Найдите длину окружности, если её радиус равен 3,5 см.
- Найдите площадь круга, если его радиус равен 5 см.
- Между тремя санаториями распределили 320 кг бананов в отношении 4:7:5.
- С помощью циркуля и линейки постройте треугольник со сторонами 4 см, 5 см и 7 см.
- В коробке лежат 10 карточек, пронумерованных числами от 1 до 10. Какова вероятность того, что на вынутой наугад карточке будет записано: 1) число, кратное 4; 2) число, большее 11?
- Заполните таблицу, если величина у прямо пропорциональна величине х.
- Заполните таблицу, если величина у обратно пропорциональна величине х.
- Представьте число 145 в виде суммы трёх слагаемых х, у и z так, чтобы x : y = 4 : 3, а y : z = 2 : 5.
Математика 6 Мерзляк КР-6 В2
ОТВЕТЫ:
№1. Ответ: 27 км
№2. Ответ: 64 набора
№3. 7π = 7 • 3,14 = 21,98. Ответ: 21,98 см
(Обратите внимание: при умножении на полное число π ответ будет ≈21,99 см)
№4. 25π = 25 • 3,14 = 78,5. Ответ: 78,5 см2
(Обратите внимание: при умножении на полное число π ответ будет ≈78,54 см2)
№5. Ответ: 80 кг, 140 кг, 100 кг.
№6.
№8. Функция y = 4x. Ячейки: х = 0,7; у = 3,2
№9. у = 64/х. Ячейки: х = 2; у = 8
№10. 145 = x + y + z = 40 + 30 + 75.
Смотреть РЕШЕНИЯ заданий в тетради
Математика 6 Мерзляк КР-6 В2. Контрольная работа по математике в 6 классе «Пропорциональные зависимости. Окружность и круг» с ответами и решениями по УМК Мерзляк, Полонский, Якир. Дидактические материалы для учителей, школьников и родителей при дистанционном обучении.
Другой вариант: КР-6 Вариант 1
В учебных целях использованы цитаты из пособия:
«Математика 6 класс. Дидактические материалы/ А.![](/800/600/https/ds04.infourok.ru/uploads/ex/0ad4/0016657b-b6d0e142/2/hello_html_770d4236.png)
Вернуться на страницу: Контрольные работы по математике в 6 классе Мерзляк (Оглавление)
%d1%81%d0%bf%d0%b5%d1%86%d0%b8%d1%84%d0%b8%d0%ba%d0%b0%d1%86%d0%b8%d1%8f+%d0%b8+%d0%ba%d0%b8%d0%bc+%d0%bf%d0%be+%d0%ba%d0%be%d0%bd%d1%82%d1%80%d0%be%d0%bb%d1%8c%d0%bd%d0%be%d0%b9+%d1%80%d0%b0%d0%b1%d0%be%d1%82%d0%b5+%d0%bf%d0%be+%d0%bc%d0%b0%d1%82%d0%b5%d0%bc%d0%b0%d1%82%d0%b8%d0%ba%d0%b5+6+%d0%ba%d0%bb%d0%b0%d1%81%d1%81+%d1%83%d0%bc%d0%ba+%d0%bc%d0%b5%d1%80%d0%b7%d0%bb%d1%8f%d0%ba
4.8 388 %d1%81%d0%bf%d0%b5%d1%86%d0%b8%d1%84%d0%b8%d0%ba%d0%b0%d1%86%d0%b8%d1%8f+%d0%b8+%d0%ba%d0%b8%d0%bc+%d0%bf%d0%be+%d0%ba%d0%be%d0%bd%d1%82%d1%80%d0%be%d0%bb%d1%8c%d0%bd%d0%be%d0%b9+%d1%80%d0%b0%d0%b1%d0%be%d1%82%d0%b5+%d0%bf%d0%be+%d0%bc%d0%b0%d1%82%d0%b5%d0%bc%d0%b0%d1%82%d0%b8%d0%ba%d0%b5+6+%d0%ba%d0%bb%d0%b0%d1%81%d1%81+%d1%83%d0%bc%d0%ba+%d0%bc%d0%b5%d1%80%d0%b7%d0%bb%d1%8f%d0%ba
Результаты поиска | %D0%A1%D0%BF%D0%B8%D1%81%D0 .
Результаты поиска: %D0%A1%D0%BF%D0%B8%D1%81%D0%BE%D0%BA %D0%BC%D0%B5%D1%80%D0%BE%D0%BF%D1%80%D0%B8%D1%8F% …
www.travelhotels.co.ilhttp://video.yandex.ua/#search?text=%D0%9F%D1%80%D0%B5 …
http://video.yandex.ua/#search?text=%D0%9F%D1%80%D0%B5%D1%81%D1 %81-%D0%BA%D0%BE%D0%BD%D1%84%D0%B5%D1%80%D0%B5%D0 …
www.facebook.comMediaWiki:Robots.txt — Википедия
… /wiki/%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D1 %86%D0%B0%3A # Страницы и подстраницы обсуждения участников и …
ru.![](/800/600/https/iq2u.ru/images/gdz/2017/09/15/20/08/B8y5Jy/634.jpg)
Смотреть фильмы и сериалы в хорошем качестве,смотреть …
(/kino/%D0%BC%D0%BE%D1%8F+%D1%81%D1%82%D1%80%D0%B0%D0 %BD%D0%B8%D1%86%D0%B0+%D0%B2%D0%BA%D0%BE%D0%BD% …
Can’t find my articles in google news — Google Publisher Center …
12 дек. 2019 г. … … D0%B5%D0%BA+%D0%B3%D0%BE%D0%B4%D0%B0+%E2%80%93+ 2019%C2%BB:+%D0%A1%D0%B0%D0%BB%D0%B0%D1%85 …
support.google.com %D0%92%D0%B8%D0%B7%D0%B8%D1%82%20%D0%BF%D1 .
%D0%92%D0%B8%D0%B7%D0%B8%D1%82%20%D0%BF%D1%80%D0% BE%D1%84%D0%B5%D1%81%D1%81%D0%BE%D1%80%D0%B0 …
pstu.ruРезультаты поиска «%D0%BA%D0%B0%D1%84%D0%B5%D0 …
… 84%D0%B5%D0%B4%D1%80%D0%B0%20%D0%B3%D0%BE%D1%81% … D0%BC%D1%83%D0%BD%D0%B8%D1%86%D0%B8%D0%BF%D0%B0 …
igsu.ranepa.ruhttps://www.dw.com/ru/%D0%BE%D0%BE%D0%BD-%D0%B7%D0 …
… 81-%D1%80%D1%84-%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0% B8%D1%86-%D0%B8-%D0%B0%D0%BA%D0%BA%D0%B0%D1%83%D0 …
www.dw.com Dealer listing %D0%9E%D0%B1%D1%81%D0%BB%D1%83%D0 . ..
List of Scania dealerships in your area providing the services you need. … D0% B1%D0%B8%D0%BB%D0%B5%D0%B9%20%D1%81%20%D1%80%D0%B0 …
www.scania.comList of available trusted root certificates in iOS 10 — Apple Support (ZA)
5 февр. 2017 г. … Trusted root certificates are used to establish a chain of trust that’s used … CF 62 D1 64 7A DD 25 81 B0 7D 79 AD F8 39 7E B4 EC BA 9C 5E 84 88 82 14 23 … 6C B0 F6 3C D1 D4 60 39 61 F4 9E 62 65 BA 01 3A 2F 03 07 B6 D0 B8 04 … 50 79 41 C7 44 60 A0 B4 70 86 22 0D 4E 99 32 57 2A B5 D1 B5 BB …
Поиск Yandex ничего не нашел
Директор — Пронина Ирина Евгеньевна: 8-918-537-73-89 Зам. – Лосева Вера Анатольевна: 8-961-270-70-50 Зам. директора по учебной работе (6-11классы) – Данилова Алла Александровна: 8-906-424-10-19 Зам директора по воспитательной работе 9-951-513-14-01 | Контролировать состояние здоровья детей, при симптомах заболевания оставлять дома и обращаться в медицинскую организацию. На каникулах постараться ограничить посещение массовых мероприятий и выезды за пределы Ростовской области и Российской Федерации. В случае выездов с детьми за пределы Ростовской области и Российской Федерации необходимо проинформировать образовательную организацию о месте и датах пребывания и возвращения из поездки. Кроме этого, если ваш ребенок посещал страны (территории) где зарегистрированы случаи коронавирусной инфекции, передавать сведения о месте и дате пребывания, возвращения, контактной информации на «горячую линию» министерства здравоохранения Ростовской области по телефону 8-928-767-38-91 и в Управление Роспотребнадзора по Ростовской области 8(863)251-06-12, 8-800-100-74-17, 8-928-169-96-18, 8(863)282-82-64. | Школа стала Лауреатом-Победителем Всероссийской Выставки РФ | В целях информирования педагогических работников, родительской общественности, обучающихся и иных заинтересованных лиц об автоматизированной информационной системе начал работать сайт «Навигатор дополнительного образования детей Ростовской области» | -оставить информацию на официальном интернет-портале ГУ МВД России по Ростовской области – https://61.мвд.рф/request_main |
| Новости для выпускников! Дистанционное обучение / | Муниципальное бюджетное общеобразовательное учреждение Усть-Донецкая средняя общеобразовательная школа №1 располагается на территории п. Усть-Донецкого Ростовской области по адресу: улица Ленина 10. Школа была открыта в 1961 году. В 2007 году завершен капитальный ремонт. В апреле 2012 года школа прошла аккредитацию. |
MCAS | Дом
PearsonAccess следующий Войдите в PearsonAccess next , чтобы управлять задачами администрирования тестирования, такими как регистрация студентов, учетные записи пользователей и мониторинг онлайн-тестирования.
PearsonAccess следующий
Настройка технологииТребования к технологиям доступа и руководства пользователя.
Технологическая установка
Руководство администратора тестированияAccess Руководства и руководства для использования руководителями / координаторами тестирования и администраторами тестирования для получения инструкций по правильному администрированию тестов MCAS.
Руководство администратора тестирования
Обучение Доступ к кратким обучающим модулям, которые содержат пошаговые инструкции по использованию PearsonAccess next и задач для компьютерного тестирования. Также получите доступ к записям предыдущих тренировок.
Обучение
Учебное пособие и практические тесты для студентовПолучите доступ к ресурсам для подготовки студентов к компьютерному тестированию, включая учебное пособие, практические тесты, руководства по редактору формул и другие ресурсы.
Учебное пособие и практические тесты для студентов
Выпущенные позицииAccess выпустил элементы компьютерных тестов MCAS.
Выпущенных товаров
Сервисный центр MCAS Зайдите на веб-сайт сервисного центра MCAS, чтобы заполнить Сертификат Директора о надлежащем администрировании тестирования (PCPA) до и после тестирования, заказать дополнительные материалы и запланировать получение UPS (только для школ PBT).
Сервисный центр MCAS
Практический тест FTCE по математике 6-12 (обновлен в 2021 г.)
Экзамен FTCE по математике 6-12 проводится на компьютере и длится 2 человека.5 часов. Вам нужно будет ответить примерно на 75 вопросов с несколькими вариантами ответов. Центр тестирования предоставит вам научный калькулятор, поэтому вам не разрешается приносить свой собственный.
Для экзаменуемых с состояниями, подпадающими под действие Закона об американцах с ограниченными возможностями (ADA), вы можете запросить специальные приспособления, если это необходимо.
Какие компетенции будут проверяться на этом экзамене?
- Понимание алгебры — 13%
- Понимание сложной алгебры — 12%
- Понимание функций — 8%
- Понимание геометрии — 15%
- Понимание координатной геометрии — 6%
- Понимание тригонометрии — 7 %
- Понимание вероятности и статистики — 10%
- Понимание исчисления — 9%
- Понимание математических рассуждений — 5%
- Понимание инструкций и оценивания — 15%
Помимо понимания алгебры, некоторые из навыки, которые будут оцениваться, включают применение свойств действительных чисел, решение линейных уравнений и неравенств, а также определение наклона, пересечений или уравнений линии.
Помимо углубленных знаний в области алгебры, некоторые из навыков, которые будут оцениваться, включают решение полиномиальных уравнений, раскрытие биномов и определение сумм.
Помимо понимания компетенции функций, некоторые из навыков, которые будут оцениваться, включают построение графиков и уравнений функций, а также определение графика преобразованной функции.
Помимо понимания геометрической компетенции, некоторые из навыков, которые будут оцениваться, включают использование свойств четырехугольника, использование теоремы Пифагора и анализ основных геометрических построений.
Помимо понимания компетентности в области координатной геометрии, некоторые из навыков, которые будут оцениваться, включают использование формул расстояния или средней точки, которые включают две точки, точку и линию или две параллельные линии.
Помимо понимания тригонометрической компетенции, некоторые из навыков, которые будут оцениваться, включают использование тригонометрических соотношений при решении задач треугольника и доказательство тождества круговых / тригонометрических функций.
Помимо понимания компетенции вероятности и статистики, некоторые из навыков, которые будут оцениваться, включают интерпретацию количественных данных, использование фундаментального принципа подсчета для решения проблем и расшифровку данных с гистограмм и гистограмм.
Помимо понимания вычислительной способности, некоторые из навыков, которые будут оцениваться, включают решение задач скорости и ускорения, а также решение задач расстояния, площади и объема.
Помимо понимания компетенции математического рассуждения, некоторые из навыков, которые будут оцениваться, включают в себя разделение рассуждений на индуктивные или дедуктивные и использование логики для оценки аргументов или предположений.
Помимо понимания навыков обучения и оценивания, некоторые навыки, которые будут оцениваться, включают в себя отслеживание различий между различными средами обучения и знание правильной последовательности уроков для конкретной концепции.
Как наиболее удобно записаться на этот экзамен?
Регистрация открыта онлайн, 24 часа в сутки, 7 дней в неделю. После регистрации у вас будет один год, чтобы запланировать экзамен.
Сколько стоит экзамен?
Стоимость экзамена при первой сдаче составляет 200 долларов. Если вам нужно пересдать экзамен, вы заплатите 220 долларов. Платежи могут производиться с помощью кредитной карты, дебетовой карты или чековой карты.
Каковы даты и места проведения испытаний?
Вы можете запланировать сдачу экзамена в любом из множества центров тестирования в Соединенных Штатах.Тестирование проводится по предварительной записи.
Что мне делать в день экзамена?
Придите как минимум за 30 минут до запланированной даты сдачи экзамена, чтобы у вас было время войти в систему. Помните, что опоздание на экзамен может помешать вам его сдать.
Принесите два действительных удостоверения личности. Ваша основная форма удостоверения личности должна включать ваше имя, подпись и фотографию. В вашем вторичном удостоверении личности должны быть ваше имя и подпись.
Вам не разрешается приносить в зону тестирования такие предметы, как аудиоустройства, словари или часы.
Что произойдет после сдачи экзамена?
После сдачи экзамена вы увидите, сдали вы его или нет. В течение 4-6 недель после сдачи экзамена вы получите официальный отчет о результатах.
Какой минимальный проходной балл?
200
Что будет, если я не сдам экзамен?
Вы должны подождать 31 день перед повторной сдачей экзамена. Вы можете сдавать экзамен столько раз, сколько необходимо.
Свяжитесь с Mometrix и получите учебное пособие и карточки для максимальной подготовки к экзамену FTCE по математике 6–12!
Анализ растительности: использование индексов растительности в ENVI
Введение
Способность измерять электромагнитную энергию на различных длинах волн при ее взаимодействии с материалом составляет основу дистанционного зондирования и спектральной науки.Физические характеристики материала заставляют электромагнитную энергию отражаться, преломляться или поглощаться уникальным для каждого материала способом. Эти взаимодействия измеряются в дискретных участках спектра, которые при нанесении на график образуют уникальную форму, также известную как спектральная характеристика материала.
Растительность взаимодействует с солнечной радиацией иначе, чем другие природные материалы. Спектр растительности (рисунок 1) обычно поглощает в красной и синей длинах волн, отражается в зеленой длине волны, сильно отражается в ближней инфракрасной (БИК) длине волны и демонстрирует сильные характеристики поглощения в тех длинах волн, где присутствует атмосферная вода.Различные растительные материалы, содержание воды, пигментов, углерода, азота и другие свойства вызывают дальнейшие различия по всему спектру. Измерение этих вариаций и изучение их взаимосвязи может дать значимую информацию о здоровье растений, содержании воды, экологическом стрессе и других важных характеристиках. Эти отношения часто называют индексами растительности (VI).
Рисунок 1
Источник: Elowitz, Mark R.![](/800/600/https/ds04.infourok.ru/uploads/ex/019c/0001130b-dc6f8aa3/img0.jpg)
Рекомендации по датчикам
В пределах электромагнитного спектра (рис. 2) оптический спектр, отраженный солнечным светом, охватывает диапазон длин волн от приблизительно 400 нанометров (нм) до приблизительно 3000 нм. В этом диапазоне диапазон от 400 до 2500 нм обычно измеряется с помощью различных спутниковых и бортовых оптических датчиков. Оптический спектр разделен на четыре различных диапазона длин волн: 900 · 10 · 10
- Видимый: от 400 до 700 нм (синий цвет составляет примерно 475 нм, зеленый примерно 510 нм и красный примерно 650 нм)
- Ближний инфракрасный (NIR): от 700 до 1300 нм
- Коротковолновый инфракрасный порт 1 (SWIR-1): от 1300 нм до 1900 нм
- Коротковолновый инфракрасный порт 2 (SWIR-2): от 1900 нм до 2500 нм
Переход от NIR к SWIR-1 отмечен областью поглощения воды в атмосфере 1400 нм, в которой спутники и самолеты не могут получать измерения. Точно так же переход SWIR-1 и SWIR-2 отмечен областью атмосферного поглощения воды 1900 нм.
Рисунок 2
Источник: Зами, Зулы. «Электромагнитный спектр». Получено 3 декабря 2013 г. с сайта www.zulyzami.com/The+Electromagnetic+Spectrum . Способность оптического датчика распознавать особенности в пределах определенных длин волн оптического спектра и разделять длины волн на меньшие приращения называется спектральным разрешением датчика.Спектральное разрешение датчика может варьироваться от однополосного черно-белого (панхроматического) до гиперспектрального (рисунок 3). Изображения, захваченные гиперспектральным датчиком, могут содержать сотни отдельных полос, что дает почти непрерывное считывание оптического спектра. Возможно, наиболее распространенным и легкодоступным типом изображений с дистанционным зондированием является многоспектральный, который обычно содержит от 3 до 15 полос, тщательно выбранных по оптическому спектру. Многолетние опубликованные научные исследования, сфокусированные на спектральных изменениях, возникающих при изменении содержания воды, пигментов, питательных веществ и других свойств в растительности, привели к включению полос на ряде спутников наблюдения за Землей и бортовых датчиков, которые фокусируются на области электромагнитного спектра, чувствительные к колебаниям свойств растительности. Понимание спектрального разрешения ваших данных имеет решающее значение для эффективной работы с индексами растительности, которые часто требуют данных из очень определенных областей оптического спектра.
Рисунок 3
Индексы растительности в ENVI
Со временем и благодаря многочисленным научным исследованиям специалисты по дистанционному зондированию пришли к пониманию того, как комбинации измеренных характеристик отражательной способности на двух или более длинах волн выявляют определенные характеристики растительности, также известные как VI.Существует более 150 существующих виртуальных машин, а по мере продвижения датчиков и предоставления новой информации появляются дополнительные индексы. ENVI предлагает 27 из этих индексов, которые были выбраны на основе их надежности, научной основы и применимости. Эти 27 индексов разделены на семь категорий, описываемых следующим образом:
- Экологичность широкополосного доступа
- Узкополосный зеленый цвет
- Эффективность использования света
- Азот для кожуха
- Сухой или стареющий уголь
- Пигмент для листьев
- Содержание влаги в навесе
Каждая из перечисленных выше категорий имеет один или несколько индексов, которые используются для оценки наличия (или отсутствия) определенного свойства. Эти индексы более подробно обсуждаются ниже.
Экологичность широкополосного доступа
Широкополосная зелень описывает силу и здоровье зеленой растительности. Они представляют собой комбинации измерений коэффициента отражения, которые чувствительны к комбинированному воздействию концентрации хлорофилла в листве, площади листьев на кроне, скопления листвы и архитектуры кроны. Эти ВП предназначены для измерения общего количества и качества фотосинтетического материала в растительности, что важно для понимания состояния растительности для любых целей.Для этих ВП сильные отражающие свойства в ближнем ИК-диапазоне сравниваются с сильными характеристиками поглощения растительности в красных длинах волн. Эти сравнения определяют Нормализованный индекс разницы растительности (NDVI), Простой индекс отношения, Расширенный индекс растительности, Индекс атмосферостойкости растительности и Суммарный зеленый индекс.
Нормализованный разностный растительный индекс (NDVI):
NDVI, пожалуй, самый известный и часто используемый индекс растительности. NDVI — это простой, но эффективный VI для количественной оценки зеленой растительности. NDVI нормализует рассеяние зеленых листьев в ближней инфракрасной области спектра и поглощение хлорофилла в красной длине волны.
NDVI = (БИК — КРАСНЫЙ) / (БИК + КРАСНЫЙ)
Диапазон значений NDVI составляет от -1 до 1, где здоровая растительность обычно находится между значениями от 0,20 до 0,80.
Индекс простого коэффициента (SR):
SR также хорошо известен и часто используется. Он описывается как отношение света, рассеянного в ближнем ИК-диапазоне, к свету, который поглощается в красном диапазоне.
SR = NIR / RED
Диапазон значений от 0 до более 30, где здоровая растительность обычно находится в диапазоне от 2 до 8.
Расширенный индекс растительности (EVI):
В областях с густым пологом, где индекс площади листьев (LAI) высок, значения NDVI можно улучшить, используя информацию с синей длиной волны. Информация в этой части спектра может помочь исправить фоновые сигналы почвы и атмосферные влияния.
EVI = 2.5 [(БИК — КРАСНЫЙ) / ((БИК) + (6 КРАСНЫЙ) — (7,5 СИНИЙ) + 1)]
Диапазон значений EVI составляет от -1 до 1, где здоровая растительность обычно находится между значениями от 0,20 до 0,80.
Индекс атмосферостойкости растительности (ОРВИ):
ОРВИ — это расширение NDVI, которое относительно устойчиво к атмосферным факторам, таким как аэрозоль. Он работает, используя измерения коэффициента отражения в синих длинах волн для коррекции эффектов атмосферного рассеяния, которые регистрируются в красном спектре отражения.ОРВИ наиболее полезен в регионах с высоким содержанием атмосферного аэрозоля.
ОРВИ = ((БИК) — (2КРАСНЫЙ — СИНИЙ) / (БИК) + (2КРАСНЫЙ — СИНИЙ))
Диапазон для ОРВИ составляет от -1 до 1, где зеленая растительность обычно находится в диапазоне от 0,20 до 0,80.
Sum Green Index (SG):
Этот SG обычно используется для обнаружения изменений в зелени растительности. Это полезно при обнаружении нарушения лесов, поскольку оно очень чувствительно к небольшим изменениям раскрытия растительного покрова.
SG — это среднее значение коэффициента отражения на участке спектра от 500 до 600 нм. Эта сумма затем нормализуется на количество полос, чтобы преобразовать ее обратно в единицы отражательной способности. Значение этого показателя колеблется от 0 до более 50 (в единицах% отражательной способности). Обычно для зеленой растительности коэффициент отражения составляет от 10 до 25 процентов.
Узкополосный зеленый цвет
Подобно широкополосным ВП для зелености, узкополосные ВП для зелености предназначены для измерения общего количества и качества фотосинтетического материала в растительности.Эти ВП используют измерения коэффициента отражения в красной и ближней инфракрасной областях для измерения участка красного края кривой отражения. Красный край — это название, используемое для описания крутого участка кривой отражательной способности растительности между 690 и 740 нм, который вызван переходом от поглощения хлорофилла к рассеянию листьев в ближней инфракрасной области. Использование измерений в ближнем инфракрасном диапазоне с гораздо большей глубиной проникновения через навес, чем измерения в красном диапазоне, позволяет оценить общее количество зеленого материала в колонне.Узкополосные ВП озеленения представляют собой более сложные измерения общего количества и силы зеленой растительности, чем ВП широкополосной озеленения. Выполнение узкополосных измерений на красном краю позволяет этим индексам быть более чувствительными к меньшим изменениям в состоянии растительности, чем широкополосные VI, особенно в условиях густой растительности, где широкополосные измерения могут привести к насыщению. Узкополосные виртуальные приборы Greenness предназначены для использования с изображениями с высоким спектральным разрешением, например, получаемыми с помощью гиперспектральных датчиков.
Нормализованный разностный растительный индекс Red Edge (NDVI705):
NDVI705 — это модификация широкополосного NDVI. Он предназначен для использования с данными об отражательной способности с очень высоким спектральным разрешением, такими как данные гиперспектральных датчиков. NDVI705 отличается от NDVI использованием полос вдоль красного края вместо основных пиков поглощения и отражения. NDVI705 использует чувствительность красной кромки растительности к небольшим изменениям в составе листвы, фракции промежутков и старении.Приложения включают точное земледелие, мониторинг лесов и обнаружение стресса растительности.
NDVI705 = (750 нм — 705 нм) / (750 нм + 705 нм)
Значения этого индекса находятся в диапазоне от -1 до 1. Обычный диапазон для зеленой растительности находится в пределах от 0,2 до 0,9.
Модифицированный индекс простого коэффициента красного края (mSR705):
MSR705 — это модификация традиционного широкополосного SR. Он отличается от стандартного SR тем, что использует полосы на красном краю и включает поправку на зеркальное отражение листа.Приложения включают точное земледелие, мониторинг лесов и обнаружение напряженной растительности.
mSR705 = (750 нм — 445 нм) / (705 нм — 445 нм)
Значения этого индекса находятся в диапазоне от 0 до 30. Обычный диапазон для зеленой растительности находится в диапазоне от 2 до 8.
Модифицированный индекс растительности с нормализованной разницей по красному краю (mNDVI705):
MNDVI705 является модификацией NDVI705. Он отличается от NDVI705 включением коррекции зеркального отражения от листьев.В mNDVI705 используется чувствительность красного края растительности к небольшим изменениям в составе листвы, фракции промежутков и старении. Приложения включают точное земледелие, мониторинг лесов и обнаружение стресса растительности.
mNDVI705 = (750 нм — 705 нм) / (750 нм + 705 нм — (2 * 445 нм))
Значения этого индекса находятся в диапазоне от -1 до 1, при этом общий диапазон для зеленой растительности находится в диапазоне от 0,2 до 0,7.
Индекс красной кромки Фогельмана 1 (VOG1):
VOG1 — это узкополосный прибор для измерения коэффициента отражения, который чувствителен к комбинированному воздействию концентрации хлорофилла в листве, площади листьев навеса и содержания воды.Приложения включают исследования фенологии (роста) растительности, точное земледелие и моделирование продуктивности растительности.
VOG1 = 740 нм / 720 нм
Значения этого индекса находятся в диапазоне от 0 до 20. Обычный диапазон для зеленой растительности — от 4 до 8.
Индекс красного края 2 Фогельмана (VOG2):
VOG2 — это узкополосный прибор для измерения коэффициента отражения, который чувствителен к комбинированному воздействию концентрации хлорофилла в листве, площади листьев навеса и содержания воды.Приложения включают исследования фенологии растительности, точное земледелие и моделирование продуктивности растительности.
VOG2 = (734 нм — 747 нм) / (715 нм + 726 нм)
Значения этого индекса находятся в диапазоне от 0 до 20. Обычный диапазон для зеленой растительности — от 4 до 8.
Индекс красной кромки Фогельмана 3 (VOG3):
VOG3 — это узкополосный прибор для измерения коэффициента отражения, который чувствителен к комбинированному воздействию концентрации хлорофилла в листве, площади листьев навеса и содержания воды.Приложения включают исследования фенологии растительности, точное земледелие и моделирование продуктивности растительности.
VOG3 = (734 нм — 747 нм) / (715 нм + 720 нм)
Значения этого индекса находятся в диапазоне от 0 до 20. Обычный диапазон для зеленой растительности — от 4 до 8.
Индекс положения красной кромки (REP):
REP — это узкополосное измерение коэффициента отражения, чувствительное к изменениям концентрации хлорофилла. Повышенная концентрация хлорофилла расширяет свойство поглощения и сдвигает красный край в сторону более длинных волн.Положение красного края относится к длине волны с самым крутым наклоном в диапазоне от 690 нм до 740 нм. Обычный диапазон для зеленой растительности составляет от 700 до 730 нм.
Результаты представляют длину волны максимальной производной отражательной способности в области красного края спектра растительности в микронах от 0,69 до 0,74 микрон. Приложения включают мониторинг урожая и прогноз урожайности, обнаружение нарушений экосистемы, моделирование фотосинтеза и стрессовое воздействие на растительный покров, вызванное климатом и другими факторами.
Эффективность использования света
Индексы эффективности использования света позволяют количественно оценить способность растений использовать падающий свет для фотосинтеза. Принимая во внимание широкий электромагнитный спектр, растения на самом деле используют лишь небольшой диапазон во время фотосинтеза. Этот диапазон попадает в видимую часть спектра от 400 до 700 нм. Способность растения эффективно поглощать энергию в этом диапазоне может быть хорошим предиктором скорости роста и производства биомассы.ENVI включает три индекса растительности для измерения эффективности использования света: индекс фотохимического отражения, индекс нечувствительности к структуре и индекс красно-зеленого рациона.
Индекс фотохимического отражения (PRI):
PRI использует изменения каротиноидных пигментов, в частности пигментов ксантофиллов (желтые), которые поглощаются живой листвой. Эти пигменты означают эффективность фотосинтетического использования света и полезны для количественной оценки продукции растений и стресса.Этот индекс особенно полезен для измерения здоровья растительности до старения.
PRI = (531 нм — 570 нм) / (531 нм + 570 нм)
Диапазон для PRI составляет от -1 до 1, где здоровая растительность обычно находится в пределах от -0,2 до 0,2.
Индекс нечувствительности к структуре пигмента (SIPI):
SIPI — хороший индекс для использования в областях с высокой изменчивостью структуры кроны или индекса листовой поверхности. Этот индекс максимизирует чувствительность к соотношению объемных каротиноидов и хлорофилла, сводя к минимуму влияние изменчивой структуры растительного покрова.
SIPI = (800 нм — 445 нм) / (800 нм — 680 нм)
Диапазон SIPI составляет от 0 до 2, где здоровая зеленая растительность составляет от 0,8 до 1,8.
Индекс коэффициента красного и зеленого (коэффициент RGR):
Этот индекс является показателем коэффициента отражения, который полезен для оценки развития листвы, определения образования листьев и стресса или даже цветения некоторых навесов. Это соотношение измеряет относительное проявление покраснения листьев, вызванного антоцианом, по отношению к хлорофиллу.
Соотношение RGR = среднее (КРАСНЫЙ) / средний (ЗЕЛЕНЫЙ)
Где среднее значение (КРАСНЫЙ) представляет все диапазоны с длинами волн в красном диапазоне электромагнитного спектра, а среднее значение (ЗЕЛЕНЫЙ) представляет все диапазоны с длинами волн в зеленом диапазоне электромагнитного спектра. Диапазон RGR Ratio составляет от 0,1 до более 8, где здоровая зеленая растительность обычно находится в пределах от 0,7 до 3.
Индексы азота растительного покрова служат мерой концентрации азота в листве, полученной с помощью дистанционного зондирования.Растения, испытывающие быстрый рост, обычно также содержат высокую концентрацию азота, которая определяется длиной волны SWIR. Высокий измеренный коэффициент отражения на этой длине волны указывает на относительно высокую концентрацию азота.
Нормализованный индекс разности азота (NDNI):
Высокий коэффициент отражения при 1510 нм указывает как на высокую концентрацию азота, так и на общую биомассу листвы. И наоборот, значения коэффициента отражения при 1680 нм содержат аналогичный сигнал из-за биомассы листвы без влияния поглощения азота.Это соотношение используется для измерения сильной чувствительности к изменению статуса азота, когда растительный покров зеленый. Приложения включают точное земледелие, анализ экосистем и управление лесным хозяйством.
NDNI = (log1 1510 нм) — (log1 1680 нм) / (log1 1510 нм) + (log1 1680 нм)
Диапазон значений от 0 до 1. Обычный диапазон для зеленой растительности составляет от 0,02 до 0,1.
Сухой или стареющий уголь
Индексы сухого или стареющего углерода растительности используют характеристики, обнаруживаемые в компонентах растительности во время старения, такие как изменения в лигнине и целлюлозе.Лигнин используется растениями для создания структурных компонентов, таких как древесные стебли. Целлюлоза используется для строения клеточной ткани. Когда растительность претерпевает или вот-вот начнет стареть, концентрация этих материалов может увеличиваться. Эти увеличения делают растительный материал легковоспламеняющимся; поэтому эти индексы отлично подходят для анализа горючего.
Нормализованный индекс разности лигнина (NDLI):
NDLI предназначен для оценки относительных количеств лигнина, содержащегося в растительном покрове.Высокая отражательная способность при 1754 нм в значительной степени определяется концентрацией лигнина в листьях, а также общей биомассой листвы навеса. Отражение на 1680 нм используется в качестве эталона. Нормализованный индекс лигнина разницы является экспериментальным.
NDLI = (log1 1754 нм) — (log1 1680 нм) / (log1 1754 нм) + (log1 1680 нм)
Значение этого индекса колеблется от 0 до 1. Обычный диапазон для зеленой растительности составляет от 0,005 до 0,05.
Индекс абсорбции целлюлозы (CAI):
CAI определяет количество открытых поверхностей, содержащих высушенный растительный материал.Сильные характеристики поглощения, присутствующие в диапазоне от 2000 до 2200 нм, указывают на сильное присутствие целлюлозы. Мониторинг пожнивных остатков, старение растительного покрова, состояние горючего топлива и управление выпасом — вот некоторые примеры применения этого индекса.
CAI = 0,5 (2000 нм + 2200 нм) — 2100 нм
Диапазон значений этого индекса составляет от -3 до более 4. Обычный диапазон для зеленой растительности составляет от -2 до 4.
Индекс отражения старения растений (PSRI):
PSRI разработан для максимальной чувствительности индекса к соотношению объемных каротиноидов (например, альфа-каротина и бета-каротина) к хлорофиллу.Повышение PSRI указывает на усиление стресса растительного покрова (каротиноидный пигмент), начало старения растительного покрова и созревание плодов растений. Приложения включают мониторинг состояния растительности, определение физиологического стресса растений и растениеводство, а также анализ урожайности.
PSRI = (680 нм — 500 нм) / 750 нм
Для этого индекса значения находятся в диапазоне от -1 до 1, при этом общий диапазон значений для зеленой растительности составляет от -0,1 до 0,2.
Пигмент для листьев
Индексы вегетации пигментов листьев предназначены для измерения пигментов, связанных со стрессом, присутствующих в растительности.Пигменты, связанные со стрессом, включают каротиноиды (желтые пигменты) и антоцианы (розовый, фиолетовый и красный пигменты), которые, как правило, присутствуют в более высоких концентрациях, когда растительность находится в ослабленном состоянии. Каротиноиды участвуют в процессах поглощения света растениями, а также защищают растения от вредного воздействия условий высокой освещенности. Антоцианы — это водорастворимые пигменты, которых много во вновь образованных листьях и листьях, подвергающихся старению. Индексы пигментации листьев не измеряют хлорофилл, вместо этого он измеряется с помощью индексов зелени.Приложения для индексов пигментации листьев и растительности включают мониторинг сельскохозяйственных культур, исследования экосистем, анализ стресса растительного покрова и точное земледелие.
Индекс отражения каротиноидов 1 (CRI1):
CRI1 — это показатель отражательной способности, чувствительный к каротиноидным пигментам листвы растений. Оценка содержания каротиноидов в листьях по отражательной способности намного сложнее, чем оценка хлорофилла, из-за перекрытия пиков абсорбции хлорофилла и каротиноидов и из-за более высокой концентрации хлорофилла, чем каротиноид в большинстве листьев.При 510 нм обратная отражательная способность каротиноидов максимальна, но на это значение также влияет хлорофилл. Чтобы устранить влияние хлорофилла, используется обратная отражательная способность при 550 нм, на которую в большей степени влияет только хлорофилл. Более высокие значения CRI1 означают большую концентрацию каротиноидов по сравнению с хлорофиллом.
CRI1 = (1/510 нм) — (1/550 нм)
Значения этого индекса находятся в диапазоне от 0 до более 15. Обычный диапазон для зеленой растительности находится в диапазоне от 1 до 12.
Индекс отражения каротиноидов 2 (CRI2):
CRI2 — это показатель отражательной способности, чувствительный к каротиноидным пигментам листвы растений. CRI2 — это модификация CRI1. Обратная отражательная способность при 700 нм используется для устранения влияния хлорофилла на обратную отражательную способность при 510 нм. Он обеспечивает лучшие результаты в областях с высокой концентрацией каротиноидов. Более высокие значения CRI2 означают большую концентрацию каротиноида по сравнению с хлорофиллом.
CRI2 = (1/510 нм) — (1/700 нм)
Значения этого индекса варьируются от 0 до более 15.Обычный диапазон для зеленой растительности составляет от 1 до 11.
Индекс отражения антоцианов 1 (ARI1):
ARI1 — это показатель отражательной способности, чувствительный к антоцианам в листве растений. Взаимная отражательная способность антоциана наиболее высока около 550 нм; однако на значение обратной отражательной способности при 550 нм также влияет хлорофилл. Обратный коэффициент отражения при 700 нм используется как мера содержания хлорофилла, чтобы исключить вклад хлорофилла в коэффициент отражения около 550 нм.Увеличение ARI1 указывает на изменения листвы в результате нового роста или гибели.
ARI1 = (1/550 нм) — (1/700 нм)
Значения этого индекса варьируются от 0 до более 0,2. Обычный диапазон для зеленой растительности составляет от 0,001 до 0,1.
Индекс отражения антоцианов 2 (ARI2):
ARI2 — это показатель отражательной способности, чувствительный к антоцианам в листве растений. Повышение ARI2 указывает на изменения листвы в листве в результате нового роста или гибели.ARI2 — это модификация ARI1, которая обнаруживает более высокие концентрации антоцианов в растительности.
ARI2 = 800 нм [(1/550 нм) — (1/700 нм)]
Значения этого индекса варьируются от 0 до 0,2. Обычный диапазон для зеленой растительности составляет от 0,001 до 0,1.
Содержание воды в навесе
Индексы содержания воды в растительном покрове предназначены для измерения количества воды, содержащейся в листве. Содержание воды является важной составляющей растительности, поскольку более высокое содержание воды часто указывает на более здоровую растительность, которая, вероятно, будет расти быстрее и будет более огнестойкой.Индексы содержания воды в растительном покрове используют измерения отражательной способности в ближней инфракрасной и коротковолновой инфракрасных областях, чтобы воспользоваться известными характеристиками поглощения воды и глубиной проникновения света в ближней инфракрасной области для проведения интегрированных измерений общего содержания воды в столбе. По сравнению с индексами зелени, показатели влажности полога способны «видеть» более глубоко в толстых пологах и имеют преимущественную чувствительность к тонким тканям, а не к толстым.
Индекс водяных полос (WBI):
WBI — это показатель отражательной способности, чувствительный к изменениям содержания воды в растении.По мере увеличения содержания воды в растительном покрове сила поглощения около 970 нм увеличивается по сравнению с силой поглощения 900 нм. Приложения WBI включают анализ напряжения растительного покрова, прогнозирование и моделирование продуктивности, анализ состояния пожарной опасности, управление пахотными землями и исследования физиологии экосистем.
WBI = 900 нм / 970 нм
Обычный диапазон значений для зеленой растительности составляет от 0,8 до 1,2.
Нормализованный разностный водный индекс (NDWI):
NDWI чувствителен к изменениям содержания воды в растительном покрове, потому что коэффициент отражения на 857 нм и 1241 нм имеет схожие, но немного разные свойства водопоглощения жидкости.Рассеяние света растительным покровом усиливает слабое водопоглощение жидкости на длине волны 1241 нм. Приложения включают анализ стресса полога леса, исследования индекса площади листьев в густо облиственной растительности, моделирование продуктивности растений и исследования восприимчивости к пожарам.
NDWI = (857 нм — 1241 нм) / (857 нм + 1241 нм)
Значения этого индекса находятся в диапазоне от -1 до 1. Обычный диапазон для зеленой растительности составляет от -0,1 до 0,4.
Индекс влагостойкости (MSI):
MSI — это показатель отражательной способности, чувствительный к увеличению содержания воды в листьях.По мере увеличения содержания воды в листьях растительного покрова сила поглощения увеличивается на 1599 нм. Поглощение при 819 нм практически не зависит от изменения содержания воды, поэтому оно используется в качестве эталона. Приложения MSI включают анализ напряжения растительного покрова, прогнозирование и моделирование продуктивности, анализ состояния пожарной опасности и исследования физиологии экосистемы. MSI инвертирован относительно других водяных VI; более высокие значения указывают на больший водный стресс и меньшее содержание воды.
MSI = 1599 нм / 819 нм
Значения этого индекса варьируются от 0 до более 3.Обычный диапазон для зеленой растительности составляет от 0,4 до 2.
Нормализованный инфракрасный индекс разности (NDII):
NDII — это измерение коэффициента отражения, которое чувствительно к изменениям содержания воды в покровах растений. NDII использует формулировку нормализованной разницы вместо простого соотношения, и значения индекса увеличиваются с увеличением содержания воды. Приложения включают управление сельскохозяйственными культурами, мониторинг лесного покрова и обнаружение напряженной растительности.
NDII = (819 нм — 1649 нм) / (819 + 1649 нм)
Значения этого индекса варьируются от -1 до 1.Обычный диапазон для зеленой растительности составляет от 0,02 до 0,6.
Выводы
VI, представленные в ENVI, не предназначены для количественной оценки точной концентрации или численности любого данного компонента растительности. Вместо этого они предназначены для использования при географическом картировании относительных количеств компонентов растительности, которые затем можно интерпретировать с точки зрения состояния экосистемы. Для всех VI требуются высококачественные измерения коэффициента отражения от мультиспектральных или гиперспектральных датчиков.Измерения в единицах яркости, которые не были скорректированы по атмосферным условиям (с использованием модуля поправки атмосферы ENVI: QUAC® и FLAASH® или другого программного обеспечения для атмосферной коррекции), непригодны и обычно дают плохие результаты. ВП, которые могут быть вычислены для определенного набора данных, определяются спектральными полосами, выбранными во входном наборе данных. Если доступны все спектральные диапазоны, необходимые для определенного индекса, этот ВП доступен для набора данных. Например, входной набор данных от датчика, который соответствует только ближнему инфракрасному и красному спектральным диапазонам (например, AVHRR, TM и другие), может рассчитать только два из индексов: NDVI (нормализованный индекс разницы растительности) и SR. (Простое соотношение).Напротив, для входного набора данных с высоким спектральным разрешением, такого как AVIRIS, будет доступно 25 индексов.
Каждая категория индексов обычно предоставляет несколько методов для оценки наличия или отсутствия одного свойства растительности. Для разных свойств и условий поля некоторые индексы в категории предоставляют результаты с более высокой достоверностью, чем другие. Сравнивая результаты различных VI в категории и соотнося их с полевыми условиями, измеренными на месте, вы можете оценить, какие индексы в конкретной категории лучше всего подходят для моделирования изменчивости вашей сцены.Используя ВП в любой категории, которая лучше всего моделирует измеряемые полевые условия для нескольких измерений, вы можете значительно повысить качество результатов любой дальнейшей обработки.
Помимо 27 ВП, представленных в ENVI, существует множество дополнительных ВП, опубликованных в научной литературе. Новые и появляющиеся датчики с улучшенным спектральным разрешением также позволяют ученым изменять существующие индексы, а также создавать новые индексы, которые используют преимущества уникальных длин волн оптического спектра.Инструмент Band Math в ENVI позволяет пользователям включать любой ВП в свой анализ, создавая собственные алгоритмы на основе выбранного ВП.
Список литературы
Аснер, Г.П., 1998, Биофизические и биохимические источники изменчивости отражательной способности растительного покрова, Дистанционное зондирование окружающей среды, 64: 234-253.
Чеккато П., С. Флассе, С. Тарантола, С. Жакмуд и Дж. М. Грегуар, 2001. Определение содержания воды в листьях растительности с использованием коэффициента отражения в оптической области. Дистанционное зондирование окружающей среды 77: 22-33.
Champagne, C., E. Pattey, A. Bannari, and I.B. Стратчан, 2001. Составление карты состояния воды в сельскохозяйственных культурах: проблемы масштаба при обнаружении стресса воды в сельскохозяйственных культурах с использованием гиперспектральных индексов. Труды 8-го Международного симпозиума по физическим измерениям и сигнатурам в дистанционном зондировании, Осуа, Франция. С. 79-84.
Карран П.Дж., Виндхэм В.Р. и Х.Л. Гхольц, 1995. Изучение взаимосвязи между отражательной способностью красной кромки и концентрацией хлорофилла в листьях сосны. Физиология деревьев 15: 203-206.
Датт, Б., 1999. Новый индекс отражательной способности для дистанционного зондирования содержания хлорофилла в высших растениях: тесты с использованием листьев эвкалипта. Журнал физиологии растений 154: 30-36.
Дотри, C.S.T., 2001. Определение остатков сельскохозяйственных культур из почвы с помощью коротковолнового инфракрасного отражения. Агрономический журнал 93: 125-131.
Дотри, C.S.T., Э. Р. Хант-младший и Дж. Э. Мак-Мертри III. 2004. Оценка покрытия растительных остатков с помощью коротковолнового инфракрасного отражения. Дистанционное зондирование окружающей среды 90: 126-134.
Эловиц, Марк Р. «Что такое визуализирующая спектроскопия (гиперспектральная визуализация)?». Получено 27 ноября 2013 г. с веб-сайта http://www.markelowitz.com/Hyperspectral.html
.Fourty, T., F. Baret, S. Jacquemoud, G. Schmuck и J. Verdebout, 1996. Оптические свойства листа с явным описанием его биохимического состава: прямые и обратные задачи. Дистанционное зондирование окружающей среды 56: 104-117.
Гамон, Дж. А., Дж. Пенуэлас и К. Б. Филд, 1992. Спектральный индекс узкого диапазона волн, который отслеживает суточные изменения фотосинтетической эффективности.Дистанционное зондирование окружающей среды 41: 35-44.
Гамон, Дж. А., Л. Серрано и Дж. С. Surfus, 1997. Индекс фотохимического отражения: оптический индикатор эффективности использования фотосинтетического излучения для разных видов, функциональных типов и уровней питательных веществ. Oecologia 112: 492-501.
Гамон, Дж. А. и Дж. Surfus, 1999. Оценка содержания и активности пигмента в листьях с помощью рефлектометра. Новый фитолог 143: 105-117. Гао, Б.С., 1995. Нормированный разностный водный индекс для дистанционного зондирования жидкой воды растительности из космоса.Труды SPIE 2480: 225-236.
Гительсон, А.А. и М. Мерзляк, 1994. Изменения спектрального отражения, связанные с осенним старением листьев Aesculus Hippocastanum L. и Acer Platanoides L. Спектральные особенности и связь с оценкой хлорофилла. Журнал физиологии растений 143: 286 292. Гительсон, А.А., М. Мерзляк, О. Чивкунова, 2001. Оптические свойства и неразрушающая оценка содержания антоцианов в листьях растений. Фотохимия и фотобиология 71: 38-45.
Гительсон, А.А., Зур Ю., О.Б. Чивкунова, М. Мерзляк, 2002. Оценка содержания каротиноидов в листьях растений с помощью спектроскопии отражения. Фотохимия и фотобиология 75: 272-281.
Хардиский, М.А., Клемас В., Р.М. Смарт, 1983. Влияние засоленности почвы, формы роста и влажности листьев на спектральную отражательную способность пологов Spartina Alterniflora. Фотограмметрическая инженерия и дистанционное зондирование 49: 77-83.
Хант-младший, E.R. и B.N. Rock, 1989. Обнаружение изменений содержания воды в листьях с помощью отражения в ближнем и среднем инфракрасном диапазоне.Дистанционное зондирование окружающей среды 30: 43-54.
Джексон, Т.Л., Д. Чен, М. Кош, Ф. Ли, М. Андерсон, К. Уолтхолл, П. Дориасвами и Э. Р. Хант, 2004. Составление карт водного содержания растительности с использованием данных Landsat, полученных с помощью нормализованного разностного индекса воды для кукурузы и кукурузы. Соевые бобы. Дистанционное зондирование окружающей среды 92: 475-482.
Main, R., M.A. Cho, R. Mathieu, M.M. О’Кеннеди, А. Рамоело, С. Кох. Исследование надежных спектральных индексов для оценки хлорофилла листьев. Журнал фотограмметрии и дистанционного зондирования 66 (6): 751-761.
Мерзляк Ю.Р., А.А. Гительсон, О. Чивкунова, В. Ракитин, 1999. Неразрушающее оптическое определение пигментных изменений при старении листьев и созревании плодов. Physiologia Plantarum 106: 135-141.
Хардиский, М.А., Клемас В., Р.М. Смарт, 1983. Влияние засоленности почвы, формы роста и влажности листьев на спектральную отражательную способность пологов Spartina Alterniflora. Фотограмметрическая инженерия и дистанционное зондирование 49: 77-83.
Хуэте, А.Р., Х. Лю, К.Batchily и W. van Leeuwen, 1997. Сравнение индексов растительности по глобальному набору изображений TM для EOS-MODIS. Дистанционное зондирование окружающей среды 59 (3): 440-451.
Джексон, Т.Л., Д. Чен, М. Кош, Ф. Ли, М. Андерсон, К. Уолтхолл, П. Дориасвами и Э. Р. Хант, 2004. Составление карт водного содержания растительности с использованием данных Landsat, полученных с помощью нормализованного разностного индекса воды для кукурузы и кукурузы. Соевые бобы. Дистанционное зондирование окружающей среды 92: 475-482.
Джексон, Р. Д., П. Н. Слейтер и П.Дж.Пинтер, 1983.Дискриминация роста и водного стресса у пшеницы по различным вегетационным показателям через прозрачную и мутную атмосферу. Дистанционное зондирование окружающей среды 15: 187-208.
Кауфман, Ю. Дж. И Д. Танре, 1996. Стратегия прямых и косвенных методов коррекции воздействия аэрозолей на дистанционное зондирование: от AVHRR к EOS-MODIS. Дистанционное зондирование окружающей среды 55: 65-79.
Лобелл, Д. и Г. Аснер, 2003. Исследования Hyperion стресса сельскохозяйственных культур в Мексике. Труды 12-го ежегодного семинара JPL по бортовым наукам о Земле.Пасадена, Калифорния. (ftp://popo.jpl.nasa.gov/pub/docs/workshops/aviris.proceedings.html).
Мелилло, Дж. М., Дж. Д. Абер и Дж. Ф. Мураторе, 1982. Контроль азота и лигнина в динамике разложения опада лиственных пород. Экология 63: 621-626.
Мерзляк Ю.Р., А.А. Гительсон, О. Чивкунова, В. Ракитин, 1999. Неразрушающее оптическое определение пигментных изменений при старении листьев и созревании плодов. Physiologia Plantarum 106: 135-141.
Penuelas, J., F. Baret, and I.Filella, 1995. Полуэмпирические индексы для оценки отношения каротиноидов / хлорофилла-a на основе спектрального отражения листьев. Photosynthetica 31: 221-230.
Пенуэлас, Дж., И. Филелла, К. Биль, Л. Серрано и Р. Сейв, 1995. Отражательная способность в области 950–970 гг. Как индикатор водного статуса растений. Международный журнал дистанционного зондирования 14: 1887-1905.
Rouse, J.W., R.H. Haas, J.A. Шелл, Д.В. Диринг, 1973. Мониторинг систем растительности на Великих равнинах с помощью ERTS. Третий симпозиум ERTS, NASA SP-351 I: 309-317.
Селлерс, П.Дж., 1985. Отражение купола, фотосинтез и транспирация. Международный журнал дистанционного зондирования 6: 1335-1372. Серрано, Л., Дж. Пенуэлас и С.Л. Устин, 2002. Дистанционное зондирование азота и лигнина в средиземноморской растительности на основе данных AVIRIS: разложение биохимических веществ на основе структурных сигналов. Дистанционное зондирование окружающей среды 81: 355-364.
Симс, Д.А. и Дж. Gamon, 2002. Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого диапазона видов, структур листьев и стадий развития.Дистанционное зондирование окружающей среды 81: 337-354.
Симс, Д.А. и Дж. Gamon, 2002. Оценка содержания воды в растительности и площади фотосинтетических тканей по спектральной отражательной способности: сравнение показателей, основанных на характеристиках поглощения жидкой воды и хлорофилла. Дистанционное зондирование окружающей среды 84: 526-537.
Tucker, C.J., 1979. Красные и фотографические инфракрасные линейные комбинации для мониторинга растительности. Дистанционное зондирование окружающей среды 8: 127-150.
Туоминен Дж., Липпинг Т., В.Куосманен и Р. Хаапанен, 2009. Дистанционное зондирование состояния лесов. Науки о Земле и дистанционное зондирование. Пей-Джи Питер Хо (ред.), ISBN: 978-953-307-003-2, InTech.
Vogelmann, J.E., B.N. Рок, Д. Мосс, 1993. Спектральные измерения красных краев листьев сахарного клена. Международный журнал дистанционного зондирования 14: 1563-1575.
Зами, Зулы. «Электромагнитный спектр». Получено 3 декабря 2013 г. с веб-сайта http://www.zulyzami.com/The+Electromagnetic+Spectrum
. ? навес>Дистанционное зондирование | Бесплатный полнотекстовый | Изучение абиотических факторов и их влияния на биомассу Spartina alterniflora в течение двадцати восьми лет с использованием спутниковых изображений Landsat 5 TM побережья Центральной Джорджии
1.Введение
Соляные болота являются одними из самых продуктивных природных экосистем в мире [1,2] и обеспечивают многочисленные экологические услуги и экономические выгоды [3]. Эти важные экосистемы подвергаются риску от текущих и ожидаемых факторов стресса, включая повышение уровня моря, более высокие средние и пиковые температуры, изменение стока пресной воды и режима осадков, а также более частые засухи [4,5,6,7,8]. На сегодняшний день вызванные климатом изменения связаны с изменением фенологии растительности, вариациями биомассы и / или чистой годовой первичной продукции (NAPP) и изменением видового состава в болотных экосистемах [9,10,11,12,13].Понимание того, как экосистемы солончаков будут продолжать реагировать на изменение климата и дополнительные антропогенные нарушения, является ключевыми вопросами для ученых, управляющих прибрежными заповедниками, специалистов по охране окружающей среды и жителей прибрежных районов. Индикаторы растительности, такие как наземная биомасса и состав населения, обычно используются для оценки общего состояния здоровья человека. прибрежные водно-болотные угодья [14,15]. Чтобы понять влияние климатических изменений на здоровье и устойчивость экосистемы, необходим анализ влияния абиотических факторов на продуктивность болот.Однако традиционные методы мониторинга биомассы растений требуют значительных затрат на полевые и лабораторные работы, являются дорогостоящими и обычно ограничиваются одним или несколькими доступными местными объектами. Дистанционное зондирование с помощью платформ с воздушными и спутниковыми сенсорами представляет собой привлекательную альтернативу для оценки биомассы и мониторинга состояния экосистемы в более широких пространственных и временных масштабах [15,16]. Синоптические методы дистанционного зондирования позволяют оценить хлорофилл растительного покрова, площадь зеленых листьев, надземную биомассу и фракцию растительности на региональном уровне [17,18].Дистанционные оценки этих экологических показателей возможны с использованием преобразований спектральной отражательной способности, называемых вегетационными индексами (VI) [14,19]. В этом исследовании изучалась меж- и внутригодовая динамика биомассы Spartina alterniflora на побережье Центральной Джорджии (США). и влияние абиотических факторов на пространственные и временные структуры биомассы в период эксплуатации Landsat 5 TM (1984–2011). В недавнем исследовании Венски и Пеннингс [20] обнаружили, что межгодовые различия в осеннем сезоне S.Альтернативная биомасса на побережье Центральной Грузии лучше всего объяснялась расходом реки Альтамаха, уровнем моря и максимальной летней температурой. Нашими первоочередными задачами были: (1) создание схемы извлечения и анализа данных для выявления статистически значимых взаимосвязей между биомассой и абиотическими факторами с использованием данных Landsat; (2) определить тенденции биомассы S. alterniflora на протяжении 28-летнего периода исследования и по каждому из трех классов размеров; и (3) определить, какие климатические и другие внешние переменные лучше всего объясняют вариации S.alterniflora по всем сезонам и с разбивкой данных по сезонам. В этой статье мы представляем эффективный подход с использованием датчиков спутников наблюдения за Землей (EOS) для долгосрочных наблюдений за реакцией солончаков на изменение климата и эффективного мониторинга состояния солончаков.4. Обсуждение
Это исследование продемонстрировало полезность использования долгосрочных оптических данных Thematic Mapper с одного спутника NASA Earth Observation Satellite (EOS), Landsat 5, который обеспечил самую длинную непрерывную запись из всех EOS.Мы разработали схему для: (1) увеличения наземной биомассы S. alterniflora надземной биомассы из нашей области исследования, чтобы она соответствовала разрешению 30 м спутника Landsat 5; (2) создание и извлечение полигонов из 28-летних изображений, которые представляли кластеры трех рабочих классов размеров, встречающиеся через градиент высот болота и покрывающие ~ 1,1 миллиона м 2 солончаков Центральной Джорджии; и (3) объединение долгосрочных наблюдений за биомассой с климатическими, гидрологическими и метеорологическими данными для учета краткосрочного и долгосрочного поведения растительности.
Мы установили, что производство S. alterniflora на субтропических болотах юго-востока США реагирует на абиотические факторы в любое время года. Например, зимующая надземная биомасса непостоянна и, по-видимому, наиболее уязвима к стрессу от влаги из-за уменьшения количества осадков и понижения уровня моря. Продолжительность стресса важна. Три, шесть и девять месяцев до получения изображений оказались значимыми в определенное время года и с одним или несколькими классами размеров (рис. 7). Неудивительно, что наши лучшие результаты регрессии (рис. 7) совпали с периодами наибольшего изменения биомассы (особенно середина лета и середина осени, см. Рис. 5) или с большей продолжительностью и большими отклонениями от средней фенологической биомассы (серый цвет дня в году). линия на рис. 6), которые произошли во второй половине нашего исследования (1998–2011 гг.).В целом, на температуру приходилась наибольшая временная изменчивость, в первую очередь как положительное влияние на фенологию чистой первичной продукции. Однако весь набор переменных определяет степень отклонения биомассы в зависимости от реакции субсидирования стресса [50] от средней фенологии (рис. 6). Зимой более высокий уровень моря, осадки и температура способствуют увеличению биомассы (рис. 7). Увеличение стока рек и осадков зимой приводит к увеличению весенней биомассы.К середине лета, однако, более высокий уровень моря и / или общее количество осадков приводят к более высокой биомассе, тогда как засуха и высокотемпературный стресс приводят к более низкому, чем в среднем, биомассе. К середине осени — началу зимы растительная биомасса наиболее сильно реагирует на повышение уровня моря, количество осадков и температуры. Alterniflora физиология и продуктивность напрямую зависят от физических и химических свойств солончаковых отложений. В целом засоление почвы и другие факторы стресса на болотах (рис. 8) определяются соленостью окружающей приливной воды, частотой приливных паводков вдоль градиентов высот болота, недавними осадками на болотах и солнечной радиацией как движущей силой эвапотранспирации и гиперсолености почвы. [51,52].Эти эффекты варьируются в зависимости от градиента подъемного стресса S. alterniflora. Стресс растений также может привести к усилению травоядности и нисходящему контролю на болотных растениях [53]. Осадки в любое время года непосредственно разбавляют соль, которая накапливается в почве, и обеспечивает влажность (Рисунок 8). Например, увеличение количества осадков было связано с более высокой биомассой в июле и августе, но также и в два наших самых холодных периода (ноябрь-декабрь и январь-февраль, рисунок 7). Эти результаты согласуются с предыдущими выводами Dame и Kenny [54], Gross et al.[55], а также Вински и Пеннингс [20]. Расходы реки Высокий Алтамаха уменьшают соленость взаимосвязанных прибрежных каналов и вод внутреннего шельфа [56] и увеличивают запасы азота и фосфора [57]. В сочетании с более высоким уровнем моря приливная промывка снижает соленость поровых вод, увеличивает растворенный кислород и ограничивающие питательные вещества, а также удаляет избыточные отходы (метаболиты) и детрит (рис. 8) [52]. Как наше исследование, так и Вински и Пеннингс [20] обнаружили сильное внутреннее воздействие. -годовые различия в драйверах и ответах биомассы на раннюю осень в течение общего периода исследования (2000–2011 гг.).Диапазоны биомассы были сопоставимы, даже несмотря на то, что Вински и Пеннингс использовали неразрушающие, специфичные для участка аллометрические уравнения для меньшего количества и меньших площадей отбора проб по сравнению с нашей более синоптической процедурой дистанционного зондирования. Оба исследования установили, что расход реки Альтамаха, уровень моря, температура и осадки имели положительную корреляцию с биомассой середины осени и, как правило, были лучшими ее предикторами, а максимальная температура имела отрицательную корреляцию с биомассой в конце вегетационного периода. Кроме того, в обоих исследованиях более высокий уровень моря (датчики Fort Pulaski и / или Fernandina) были связаны с увеличением надземной биомассы для всех трех классов размеров вдоль градиента высоты болота.Несколько исследований показали увеличение продуктивности биомассы S. alterniflora с повышением уровня воды на средних высотах болот [58]. В период нашего исследования вариации уровня моря были больше подвержены влиянию метеорологии (изменения направления и силы ветра) [56], чем медленные, аддитивные темпы повышения уровня моря. В отличие от исследования Венски и Пеннинга, мы также смогли изучить влияние абиотических драйверов на другие периоды года. В субтропическом климате побережья Центральной Джорджии первичная продукция и чистый рост возможны в любое время года, хотя в период с октября по февраль наблюдалось общее снижение среднемесячной надземной биомассы (Рисунок 5).Чтобы увеличить размер выборки, но избежать сильной межмесячной вариации, мы выбрали четыре двухмесячных периода биндинга, чтобы изучить влияние абиотических переменных на разных этапах фенологии в течение 28-летнего периода исследования. В соответствии с нашими данными температурного отклика, фиксация углерода и чистый фотосинтез увеличились. во все сезоны у S. alterniflora умеренное повышение температуры [59]. И наоборот, температурный стресс был связан со снижением биомассы в периоды засухи и летних температур выше средних.Во время летних камерных экспериментов на болотах острова Сапело Джургевич и Данн [59] обнаружили, что максимальная скорость фотосинтеза достигает 30–32 ° C как для короткой, так и для высокой формы S. alterniflora. Они измерили значительное снижение чистого фотосинтеза, диффузионной проводимости листьев для водяного пара и эффективности использования воды при температуре от 35 до 45 ° C. В связи с ожидаемым повышением максимальных летних температур [60], S. alterniflora может стать более ограниченным из-за сокращения периодов оптимальных температур и снижения NPP, а также из-за стресса, вызванного сочетанием более высоких температур и засоления почвы, а также более низкого окислительно-восстановительного потенциала почвы (Eh).Недавние продолжительные засухи были связаны с маломасштабными и крупномасштабными случаями вымирания S. alterniflora [61]. Прямые причины отмирания сложны, но как абиотические, так и биотические стрессоры были определены как способствующие факторы [62]. Засуха оказывает сильное влияние на взаимодействие между болотными растениями, травоядными животными и грибами. Например, во время продолжительных периодов засухи улитки Littoraria irrorata оказывают сильное отрицательное воздействие на биомассу короткой формы S. alterniflora [63]; однако эти эффекты могут распространяться на более здоровые насаждения на более низких высотах [53].Грибы рода Fusarium непосредственно повреждали S. alterniflora в условиях сильного солевого стресса и сделали растения более восприимчивыми к пурпурному болотному крабу (Sesarma reticulatum) и травоядным нематодам [61]. Таким образом, повторяющееся, сильно сниженное количество биомассы между 2000 и 2011 годами (рис. 6) можно объяснить сочетанием вызванного засухой стресса растений в сочетании с повреждением улиток, крабов и грибов Fusarium. Снижение биомассы солончаков и их отмирание могут быть похожи на недавнее широко распространенное вымирание лесов [64], где усиление засухи приводит к отрицательному углеродному балансу растений, повышенной уязвимости для травоядных животных (короеды), а при продолжении — спирали гибели деревьев.Продолжительные периоды засухи и связанные с ними максимальные летние температурные режимы с 2000 года помогают объяснить чистое снижение биомассы S. alterniflora за 28 лет нашего исследования (Таблица 4). Неизвестно, является ли это снижение предвестником более долгосрочного спада. Проблемы, связанные с этим ключевым видом и здоровьем болотных экосистем, решаются в рамках долгосрочной исследовательской программы LTER прибрежных экосистем Джорджии и разработки всеобъемлющего связанного набора моделей для описания экофизиологии растений, валовой и первичной продукции в пространственно явной манере.Наш подход к дистанционному зондированию может сыграть важную роль в решении этого вопроса не только на побережье Центральной Джорджии, но и во многих других прибрежных районах.5. Выводы
Способность дистанционно различать размерные классы и, таким образом, анализировать реакцию биомассы вдоль градиента высоты болотной платформы позволяет получить представление об адаптации S. alterniflora к ресурсам и стресс-факторам (рис. 8). Наше исследование определило речной сток, средний уровень моря, температуру, осадки, засуху и биомассу предыдущего года как важные предикторы S.производство альтернативнофлоры. Хотя эти факторы наиболее очевидны в сезонные или межгодовые периоды ускоренного изменения биомассы, изученные нами движущие факторы оказывают влияние в течение всего года, и их величина в значительной степени определяет отклонения от средней фенологии биомассы. Наши 28-летние данные о наземной биомассе выявили серьезное недавнее снижение биомассы. эмерджентный макрофит, S. alterniflora, в Прибрежной Джорджии. Представляется вероятным, что эта совокупная реакция в значительной степени вызвана засухой и результатом уменьшения смыва болотных почв и более высоких температур, что приводит к снижению нагрузки питательными веществами, увеличению засоления, более обширным анаэробным условиям с повышенными уровнями сульфидов и аммиака и большему ущербу травоядным животным (рис. 8).Снижение на более низких высотах также может быть связано с колебаниями уровня моря и ускоренной физической и биологической эрозией вдоль рек и берегов ручьев и окраин более изолированных приливных илистых отмелей [65].Это исследование продемонстрировало ценность использования методов дистанционного зондирования и спутников наблюдения Земли для мониторинга сезонных и долгосрочных моделей первичной продукции в отличие от исследований, в основном основанных на биомассе в конце сезона (НАПП). Способность точно отслеживать и фиксировать фенологические тенденции может помочь усилиям по моделированию лучше понять взаимодействие средств экологического контроля с растительностью в любое время года.Однако в прибрежных местообитаниях выбор изображений требует тщательной оценки приливных паводков, а также соответствующих атмосферных поправок и георектификации. Этот метод выборки может точно выявить крупномасштабные закономерности, облегчая экстраполяцию гипотез и выводов на уровни экосистемы и ландшафта, в отличие от измерений на основе участков. Наконец, это исследование установило методологический подход, который можно продолжить на нашем объекте и перенести на другие участки или регионы, что позволит ученым и менеджерам заповедников лучше изучить влияние климатических и других внешних факторов с помощью восходящего и нисходящего контроля на первичные ресурсы. производство в экосистемах солончаков.
pTRA — Репортерная система для мониторинга внутриклеточной динамики экспрессии генов
Abstract
Наличие стандартизованных инструментов и методов для измерения и точного представления биологических частей и функций является предпосылкой для успешной метаболической инженерии и имеет решающее значение для понимания и прогнозирования поведения синтетических генетических цепей. Многие синтетические генные сети основаны на транскрипционных цепях, поэтому информация о транскрипционной и трансляционной активности важна для понимания и точной настройки синтетической функции.С этой целью мы разработали инструментарий для систематического анализа транскрипционной и трансляционной активности конкретной синтетической части in vivo . Он основан на плазмиде pTRA и позволяет назначать определенные транскрипционные и трансляционные выходы интересующим генам (GOI) и сравнивать различные генетические установки. Таким образом можно определить оптимальное сочетание силы транскрипции и трансляционной активности. Дизайн протестирован в тематическом исследовании с использованием гена, кодирующего флуоресцентный белок mCherry как GOI.Мы показываем внутриклеточную динамику образования мРНК и белка и обсуждаем потенциал и недостатки плазмиды pTRA.
Образец цитирования: Wagner SG, Ziegler M, Löwe H, Kremling A, Pflüger-Grau K (2018) pTRA — репортерная система для мониторинга внутриклеточной динамики экспрессии генов. PLoS ONE 13 (5): e0197420. https://doi.org/10.1371/journal.pone.0197420
Редактор: Андре Поль Гербер, Университет Суррея, ВЕЛИКОБРИТАНИЯ
Поступила: 24 октября 2017 г .; Принята к печати: 2 мая 2018 г .; Опубликован: 17 мая 2018 г.
Авторские права: © 2018 Wagner et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.
Доступность данных: Все соответствующие данные находятся в документе и его файлах с вспомогательной информацией. Последовательность pTRA депонирована в базе данных GeneBank (номер доступа MG210576).
Финансирование: Эта работа была поддержана Федеральным министерством образования и исследований Германии (BMBF) грантом SysBioTerp (код поддержки 031A305A) для AK.
Конкурирующие интересы: Авторы заявили, что конкурирующих интересов не существует.
Введение
В области синтетической биологии и биоинженерии генетические части со специфическими биологическими функциями обрабатываются или вводятся в клеточную систему хозяина. Для успешного выполнения таких функций крайне важно понять и предсказать поведение самой синтетической генетической цепи и ее влияние на физиологию клетки-хозяина [1,2].Следовательно, необходимы не только хорошие стандарты для измерения и точного представления биологических частей, но и понимание взаимодействия с клеточными ресурсами и функциями хозяина. Преобразование генетической последовательности в функциональный белок зависит от скоординированного взаимодействия множества биомолекул, которые обеспечиваются клеткой-хозяином — по крайней мере, до тех пор, пока не будет достигнута реальная ортогональность [1]. Уже достигнут значительный прогресс в разработке стандартов для генетических частей, представленных библиотекой BioBricks и биологических частей (http: // partsregistry.org) с расширением студенческого конкурса iGEM (http://www.igem.org) и Стандартной европейской векторной архитектурой (SEVA; http://seva.cnb.csic.es), хранилищем форматированных молекулярных инструменты [3,4]. Не менее важным является описание и параметризация биологических функций [5]. Поскольку многие синтетические генные сети включают транскрипционные цепи, очень желательно получить информацию о транскрипционных и посттранскрипционных событиях и их взаимосвязи. Поскольку эти биологические функции сложно стандартизировать, важно охарактеризовать их стандартными методами.Наиболее распространенные методы количественной оценки мРНК требуют сложного протокола с необходимостью быстрого гашения и требовательны к запуску in vivo . Особенно для конфигураций путей, включающих автономные компоненты, было бы полезно иметь легко считываемый анализ с высокой пропускной способностью для мониторинга экспрессии гена и напрямую связывать эту информацию с количеством продуцируемого белка. Знание о внутриклеточной динамике транскрипции и трансляции конкретной генетической конструкции будет способствовать пониманию взаимодействия между клеточными ресурсами, обеспечиваемыми клеткой-хозяином и введенным геном.Понимание и предсказуемость внутриклеточных процессов обеспечивает основу для управления и точной настройки генетической схемы для оптимальной работы в среде клетки-хозяина. С этой целью мы разработали измеримый инструмент in vivo, и , , который позволяет систематически характеризовать транскрипционный и трансляционный выход конкретных конструкций в сконструированных клетках.
Результаты и обсуждение
Свойства репортерной плазмиды pTRA
Центральным элементом метода является плазмида pTRA, которая была разработана для динамического анализа экспрессии гетерологичных генов (рис. 1А).Транскрипционная и трансляционная активность может сопровождаться 5′- или 3′-меткой мРНК с помощью мРНК-метки F30-2xdBroccoli [6] и N- или C-концевым гистидингом кодируемого белка [7]. Была выбрана мРНК-метка F30-2xdBroccoli, поскольку было доказано, что каркас F30 очень эффективен для экспрессии аптамеров в клетках и предотвращает быструю деградацию эндонуклеазами [8]. Организация сайтов рестрикции сайта множественного клонирования (MCS) pTRA соответствует стандартам SEVA и дополнительно позволяет сборку ДНК с использованием метода BioBrick (фиг. 1A и S1 фиг.).Это делает его удобным и универсальным инструментом, который может широко использоваться для мониторинга динамики транскрипции и трансляции данного гена или пути.
Рис. 1. Структура и возможности pTRA для количественного анализа экспрессии гетерологичных генов.
(A) Сайт множественного клонирования предназначен для сборки ДНК с использованием метода BioBrick и совместим с коллекцией SEVA. Количественная оценка транскрипционной активности обеспечивается мРНК-меткой dBroccoli, тогда как his-tag позволяет количественно оценить транслируемый белок.(B) Показаны различные возможности пометки интересующего гена (GOI) с обеих сторон. (C) В зависимости от выбранных сайтов рестрикции кластеры генов могут быть расположены моно- или полицистронным образом. (D) Плазмида pTRA-51hd, использованная в этой работе. Он несет ген mCherry с тегом dBroccoli, слитым с 3’-концом гена, и his-tag с С-концом белка. Эта плазмида была использована для проверки системы, поскольку она позволяет отслеживать синтез мРНК путем добавления красителя DFHBI-1T к культурам и образования белка с помощью флуоресценции, опосредованной mCherry.
https://doi.org/10.1371/journal.pone.0197420.g001
Во-первых, выбранный промотор должен быть интегрирован в плазмиду. В зависимости от требований пользователя гены могут быть организованы полицистронно или моноцистронно, следуя концепции BioBrick для клонирования (рис. 1С). Это поддерживает сайты рестрикции EcoRI , XbaI и SpeI (который совместим с XbaI ) и позволяет перетасовывать целые пути. Для полицистронной конфигурации в промотор необходимо вставить ферменты PacI и EcoRI , тогда как моноцистронная организация генов требует клонирования через XbaI и Bsp120I .
Затем необходимо определить положение тегов для считывания транскрипции и трансляции. Клонирование с помощью NdeI и SpeI обеспечивает dBroccoli-tag на 5′-конце транскрипта мРНК и his-tag на N-концевой части соответствующего белка, тогда как клонирование с помощью NcoI и XhoI размещает метки на противоположной стороне (рис. 1B). Мы рекомендуем пометить 3’-конец мРНК, чтобы снизить риск негативного влияния на транскрипцию стабильной вторичной структуры мРНК-метки F30-2xdBroccoli.Такое расположение двойной метки приводит к гист-метке белка, что позволяет проводить иммуно-количественную оценку и позволяет флуоресцентный мониторинг уровней мРНК in vivo . По желанию пользователя также можно выбрать только один тег. Простое доказательство успешного клонирования с помощью сине-белого скрининга предоставляется, поскольку ген lacZα вырезается в процессе клонирования. Мы рекомендуем использовать штамм recA — для поддержания плазмиды, так как векторная рамка содержит несколько повторяющихся последовательностей.Широкое разнообразие сайтов рестрикции в сайте множественного клонирования (MCS) расширяет репертуар pTRA за счет замены других частей системы: промотора, RBS или природы мРНК-метки. Этот высокомодульный сайт тегирования в сочетании с платформой pSEVA может предоставить индивидуально адаптированные плазмиды практически для любого анализа экспрессии.
Мониторинг динамики транскрипции и перевода — пример из практики
Чтобы показать потенциал pTRA, мы сконструировали pTRA-51hd (рис. 1D).В качестве промотора использовали хорошо охарактеризованный промотор XylS / Pm [9,10]. В качестве сайта связывания рибосомы (RBS) мы выбрали тот, который используется для репортерных генов базы данных SEVA [4], а в качестве заместителя любого интересующего гена (GOI) последовательность, кодирующую флуоресцентный белок mCherry. Это привело к 3’-концевому мечению мРНК с помощью dBroccoli-tag [6] и слиянию на С-конце his-tag с белком mCherry. Как схематично показано на фиг. 1D, GFP-подобный сигнал флуоресценции, отражающий количество мРНК, генерируется при образовании комплекса красителя DFHBI-1T с РНК-аптамером dBroccoli.Мы определили временные рамки поглощения красителя и формирования сигнала и протестировали различные концентрации красителя для получения надежных измерений (S2 Рис). Через 2 мин стабильное считывание сигнала мРНК было достигнуто во всех испытанных условиях. Концентрация красителя 200 мкМ DFHBI-1T была достаточной для насыщения сигнала. Для получения данных о транскрипционной и трансляционной активности мы выращивали E . coli HMS174 / DE3 (pTRA-51hd) в минимальной среде и контролировали оптическую плотность (OD 600 ), а также зеленую и красную флуоресценцию (рис. 2).В качестве элементов управления мы использовали тот же E . coli , но с соответствующей пустой плазмидой pTRA-50 или плазмидой без mBroccoli-tag (pTRA-51h) для коррекции аутофлуоресценции клеток и проверки влияния РНК-метки на стабильность мРНК. После индукции транскрипции во всех штаммах наблюдалось небольшое снижение скорости роста по сравнению с неиндуцированным контролем (фиг. 2, верхний ряд), даже в штамме, несущем пустую плазмиду pTRA-50. Мы связали этот эффект со слабой токсичностью ароматического индуктора.В штаммах, несущих плазмиду, содержащую ген mCherry (pTRA-51hd и pTRA-51h), красная флуоресценция обнаруживалась через 20 минут после индукции (рис. 2, средний ряд), что отражает время, необходимое для транскрипции, трансляции и созревания флуоресцентной белок [11]. Сравнивая количество белка, продуцируемого между различными генетическими установками, можно заметить, что клетки, несущие версию гена с меткой dBroccoli, показали немного более высокий красный флуоресцентный сигнал с более резким увеличением, чем клетки без РНК-метки.Это предполагает стабилизирующий эффект dBroccoli-tag на мРНК. На самом деле это долгожданный эффект нашего дизайна, так как эта стабилизация должна привести к более высоким уровням мРНК и может даже позволить изучить, в противном случае, довольно нестабильные мРНК. Этот потенциально стабилизирующий эффект наблюдался во всех экспериментах, даже несмотря на то, что планка ошибок, полученная при вычислении среднего значения трех различных биологических повторностей, довольно высока. Высокое стандартное отклонение является скорее результатом биологической изменчивости, чем нестабильности плазмиды, поскольку оно наблюдается только в культурах, происходящих из разных предварительных культур.Если реплики получены из одной и той же предварительной культуры, абсолютные значения вполне воспроизводимы (см. S3A фиг.). Анализ образца культур в фазе позднего экспоненциального роста с помощью проточной цитометрии показывает равномерное распределение флуоресцентных сигналов, исключающее, что вариабельность флуоресцентного сигнала возникает из-за появления субкультуры, потерявшей плазмиду. (см. рис. 3B).
Рис. 2. Транскрипционный и трансляционный вывод.
Показаны рост (верхний ряд), сигнал белка (средний ряд) и сигнал мРНК (нижний ряд) в культурах E . coli HMS174 / DE3, несущий pTRA-51hd (первый столбец), pTRA-50 (второй столбец, измерено в дубликатах) или pTRA-51h (последний столбец). Клетки выращивали до фазы среднего логарифмического роста и индуцировали (отмечены пунктирной линией) м-толуиловой кислотой (темный цвет) или измеряли без индукции (светлый цвет). Показаны средние значения и стандартное отклонение от трех повторностей, если не указано иное.
https://doi.org/10.1371/journal.pone.0197420.g002
Рис. 3. Иммуно-количественное определение mCherry.
Для количественной оценки интересующего белка (здесь mCherry) был выбран his-tag. (A) Вестерн-блоттинг с α- his-антителом из образцов, взятых в разные моменты времени после индукции экспрессии гена (дорожки 3-7). Двухточечный количественный анализ (дорожки 1 и 2) выполняли для согласования интенсивностей полос со стандартной кривой, полученной с очищенным гист-меченным mCherry (не показано). (B) Количественная оценка интенсивности сигнала, полученного от гистагена, путем определения площади пика с течением времени.(C) Корреляция между сигналом, полученным из флуоресценции, и иммуно-количественным сигналом белка mCherry.
https://doi.org/10.1371/journal.pone.0197420.g003
Для анализа сигнала мРНК, полученного связыванием красителя DFHBI-1T с мРНК, меченной dBroccoli (рис. 2, нижний ряд), необработанный флуоресцентный сигнал должен быть обработан, чтобы скорректировать автофлуоресценцию клеток и зависящее от плотности клеток тушение красителя DFHBI-1T. Подробное описание извлечения сигнала dBroccoli см. В материалах и методах, файлах S1 и S2 и S4, рис.
Сразу после индукции сигнал мРНК явно увеличивается, показывая, что количество мРНК, несущей dBroccoli-tag, увеличивается. Опять же, можно наблюдать стабилизирующий эффект метки, поскольку сигнал постоянно увеличивается с течением времени и не достигает плато. Клетки, несущие пустую плазмиду, а также клетки, несущие плазмиду с версией, не меченной dBroccoli, не показывают какого-либо очевидного увеличения извлеченного сигнала dBroccoli по мере роста. Таким образом, тэг dBroccoli плазмиды pTRA, по-видимому, достаточно хорошо отражает динамику образования транскрипта мРНК.Эта информация вместе с информацией о количестве продуцируемого белка теперь закладывает основу для создания и тестирования математических моделей, описывающих взаимодействие транскрипции и трансляции.
Поскольку большинство ГОИ не имеют флуоресцентного маркера, мы подтвердили, что количественная оценка интересующего белка также возможна с помощью иммуно-количественного анализа (рис. 3) и коррелирует с флуоресцентным выходом. Мы проанализировали образцы, взятые в разные моменты времени после индукции транскрипции, и определили количество his-tagged mCherry путем гибридизации с анти-his-антителом (рис. 3A).Количественная оценка интенсивности полос с помощью двухточечной калибровки показала устойчивое увеличение количества продуцируемого белка mCherry (рис. 3B), которое хорошо коррелирует с количеством белка, определенным с помощью флуоресцентного считывания (рис. 3C).
Заключение
Использование различных конфигураций pTRA путем комбинирования различных индукторов для получения измененных скоростей транскрипции и RBS для изменения скорости трансляции позволяет проводить тщательный анализ любого гетерологичного гена или кластера генов в соответствующей системе (рис. 4).Будет возможно назначать определенные действия как для транскрипции, так и для трансляции, и сравнивать различные генетические установки. Таким образом можно определить оптимальное сочетание силы транскрипции и трансляционной активности. Эта информация открывает путь к индивидуальной настройке любого синтетического пути, который должен быть интегрирован в клетку. В будущем сценарии с помощью реализации математической модели взаимодействие транскрипции и трансляции может быть описано более подробно, и, возможно, удастся извлечь конкретные скорости продукции мРНК.Таким образом, pTRA представляет собой полезный инструмент для определения влияния транскрипции и трансляции на общий результат белка синтетической гетерологичной конструкции и, следовательно, будет способствовать назначению, а в будущем, возможно, даже предсказанию числа для конкретных активностей.
Рис 4. Возможности pTRA.
Используя различные индукторы и RBS, можно определить количество транскрипта и скорость трансляции. Это позволит сравнивать производительность различных установок и точно настраивать синтетический путь, который должен быть интегрирован в клетку.
https://doi.org/10.1371/journal.pone.0197420.g004
Материалы и методы
Процедура клонирования
Плазмида pTRA была сконструирована путем вставки синтетической последовательности карго в pSEVA641 через сайты рестрикции PacI и SpeI (S1 фиг.). Последовательность грузов заказывалась у BioCat GmbH (Гейдельберг, Германия). Чтобы сконструировать плазмиды pTRA-51hd и pTRA-51h, сначала нужно было добавить промотор XylS / Pm.Следовательно, pSEVA648 (несущий промотор XylS / Pm) был переварен с помощью EcoRI и SpeI , и был вставлен одинаково расщепленный грузовой сайт. Было необходимо ввести молчащую мутацию в сайт рестрикции NcoI последовательности xylS (C270A) с помощью ПЦР с перекрывающимся удлинением, выполняемой с праймерами SW16, SW28, SW29 и SW30 (таблица 1), чтобы активировать NcoI . на основе клонирования интересующего гена (с получением плазмиды: pTRA-50).
Чтобы клонировать GOI, здесь mCherry, через NcoI и XhoI , сначала необходимо было избавиться от внутреннего сайта рестрикции NcoI гена mCherry, а также вставить два дополнительных основания в 5 ‘-end, чтобы избежать сдвига кадра.Вкратце, последовательность mCherry была амплифицирована из pSEVA237R посредством ПЦР с перекрывающимся удлинением с праймерами SW22, SW23, SW26 и SW27 (таблица 1), NcoI и XhoI расщеплены и лигированы в одинаково расщепленную pTRA-50. Это привело к pTRA-51hd. В качестве контроля была создана плазмида pTRA-51h без последовательности dBroccoli путем создания гист-меченного гена mCherry с олигонуклеотидами SW22 и SW68 (таблица 1), который был вставлен в pTRA-50 через NcoI и SpeI .Во всех случаях плазмиды трансформировали в химически компетентные E . coli клеток HMS174 / DE3. Поскольку мРНК-метка содержит высокоповторяющиеся последовательности recA — штаммов рекомендуется для хранения плазмиды. Последовательность pTRA депонирована в GeneBank под регистрационным номером MG210576.
Штаммы и культивирование
Общие условия выращивания.
Все прекультуры E .Клетки coli культивировали в среде Лурия-Бертани (LB) [12]. Минимальная среда состояла из солевого раствора с добавлением микроэлементов и 20 мМ глюкозы в качестве источника углерода. PH был установлен на 7,4 (25 ° C) добавлением 2,4 г л -1 NaOH к раствору соли [(NH 4 ) 2 HPO 4 4 г л -1 , KH 2 PO 4 13,3 г л -1 ] [13]. При необходимости pH дополнительно титровали NaOH. Микроэлементы без источника углерода получали, как описано в Hiller et al .[14] с той разницей, что использовались более высокие концентрации CaCl 2 (0,168 мМ) и MgSO 4 (2 мМ).
Эксперименты на микротитровальных планшетах.
Независимо от проведенных измерений, во всех случаях для приготовления культур применялась общая процедура: во-первых, клетки одной колонии E . coli HMS174 / DE3, несущие pTRA-51hd, pTRA-51h или pTRA-50, соответственно, инокулировали в 5 мл LB-среды [12] и инкубировали при 37 ° C в течение максимум 8 часов.Из этих экспоненциально растущих клеток 50 мкл переносили в 5 мл минимальной среды. Эти промежуточные культуры инкубировали в течение 24 часов до достижения стационарной фазы. Аликвоту использовали для инокуляции 5 мл минимальной среды до OD 600 0,05 (предварительное культивирование). На следующее утро эти культуры разбавляли свежей минимальной средой до OD 600 0,02. Из этой клеточной суспензии 100 мкл переносили в 96-луночный планшет и в каждую лунку еще 100 мкл минимальной среды, дополненной либо 2 мкл 40 мМ DFHBI-1T (Abcam, UK) в растворе ДМСО, либо равное количество растворителя (2 мкл ДМСО).Планшет для микротитрования помещали в автоматический планшет-ридер (Infinite 200, Tecan) и инкубировали при 37 ° C. Оптическая плотность (длина волны измерения: 600 нм, ширина полосы измерения: 9 нм, количество считываний: 25, время установления: 0 мс) и флуоресценция (зеленый: 485/520 нм, красный: 585/619 нм, ширина полосы возбуждения: 9 нм. , Ширина полосы излучения: 20 нм, режим считывания: верх, время задержки: 0 мкс, время интегрирования: 20 мкс, количество считываний: 25, время установления: 0 мс, значение усиления: 100) измерялись каждые 10 минут. После каждого измерения планшет встряхивали в течение 240 секунд (Продолжительность встряхивания: 10 секунд, Режим: Орбитальный, Амплитуда: 3 мм, Частота: 44.3 об / мин). По достижении среднеэкспоненциальной фазы роста (после 130 мин инкубации) транскрипцию индуцировали 0,2 мкл м-толуиловой кислоты (1,5 М, растворенной в ДМСО). К неиндуцированным клеткам (инокулированным из той же предварительной культуры) добавляли равное количество растворителя (0,2 мкл ДМСО). За ростом и флуоресценцией следили еще 3,5 часа.
Образцы для иммуно-количественного определения.
Для получения образцов для иммуно-количественной оценки прекультуры готовили точно, как описано выше. Однако на следующий день их использовали для инокуляции 50 мл минимальной среды до OD 600 , равной 0.05. Культивирование происходило в 250-миллилитровых колбах без перегородок при 250 об / мин и 37 ° C. Периодически в течение фазы роста отбирали образцы по 2 мл для вестерн-блоттинга и иммуно-количественного анализа.
Обработка данных
В экспериментах на микротитровальном планшете определяли рост, сигнал белка и сигнал мРНК. Если не указано иное, все эксперименты проводили в трех биологических повторностях, то есть в культурах, полученных из трех разных колоний. Для оценки роста оптическая плотность, измеренная с течением времени, была скорректирована с учетом фона с соответствующим значением минимальной среды без клеток (с добавлением того же количества добавок).Оптическую плотность переводили в сухой вес клеток с применением следующей корреляции: CDW [мг · мл -1 ] = 0,897 * OD 600 . Скорость роста представлена крутизной экспоненциальной аппроксимации, и продукцию белка mCherry оценивали, отслеживая красную флуоресценцию (RLU585 / 619) с течением времени.
Измеренная зеленая флуоресценция (RLU485 / 520) представляет собой сумму автофлуоресценции клеток и фактического сигнала дБрокколи. Для извлечения мРНК-сигнала из исходных данных (RLU485 / 520) выращивали две культуры, инокулированные одной и той же предварительной культурой, одну индуцировали, а другую изменяли равным количеством индуктора-растворителя.Для оценки автофлуоресценции клеток и извлечения сигнала мРНК был разработан сценарий Matlab (файл S3). Для получения подробной информации о том, как подготовить любой набор данных и как использовать сценарий, см. Файлы S1 – S3 и рис. S4. Вкратце, автофлуоресценция клеток, которая была определена из неиндуцированной культуры и на основе этих данных предсказана. для индуцированной культуры вычитали из зеленой флуоресценции индуцированной культуры, получая извлеченный сигнал дБрокколи с течением времени.
Вестерн-блоттинг и иммуно-количественная оценка
Во время культивирования периодически отбирали пробы по 2 мл. Клетки осаждали при 16 800 мкг в течение 10 минут и разводили в 5-кратном буфере Лэммли [15] до OD 600 , равного 5. После денатурации в течение 15 минут при 95 ° C 10 мкл образцов загружали на 12,5% SDS- СТРАНИЦА. Разделение происходило при 300 В и 40 мА на гель в течение 45 мин. После этого белки наносили на нитроцеллюлозную мембрану (Whatman) в течение 20 минут при 15 В с помощью полусухой камеры для построения графиков (Trans-Blot® SD Semi-Dry Transfer Cell, Bio-Rad Laboratories GmbH).После блоттинга мембрану блокировали в течение 1 ч при комнатной температуре 15 мл буфера TBS-молоко (5% [мас. / Об.] Сухое молоко, Tris 20 мМ, NaCl 150 мМ; pH 7,5). Мембрану инкубировали в течение ночи с 15 мкл первичного антитела (мышиное анти-his-антитело, каталожный № 2-1590-001, IBA Göttingen) при 4 ° C. Блот трижды промывали 15 мл буфера TBS-молоко, затем добавляли 2,5 мкл вторичного антитела (антимышиный IgG, HRP-связанное антитело # 7076, CST). Для обнаружения сигнала использовался набор для обнаружения Opti-4CN (goat anti mouse, Biorad) в соответствии с инструкциями поставщика.График сканировали с помощью HP Scanjet 5470C (Hewlett-Packard Company) и количественно определяли интенсивность сигнала по сканированию с помощью ImageJ. Показаны результаты трех независимых экспериментов.
Номенклатура плазмид pTRA
Мы рекомендуем систематическую номенклатуру, которая содержит все генетические компоненты, добавленные на сайт груза pTRA. Чтобы сократить названия плазмид, мы решили пронумеровать все используемые промоторы, гены и регуляторные сайты. Наша номенклатура основана на стиле pTRA_Promoter_ d_h _GOI_ h_d , в то время как d означает dBroccoli-tag и h для his-tag.Неиспользуемые функции могут быть обозначены как «0». Например, плазмида pTRA-51hd, используемая в этой работе, состоит из промотора ‘5’ (XylS / Pm), представляющего интерес гена ‘1’ (mCherry) и 3′-конца мРНК ‘d ‘(dBroccoli-tag), а также C-концевое слияние’ h ‘(his-tag).
Вспомогательная информация
S1 Рис. Грузовой сайт pTRA.
Грузовая площадка pTRA с обеих сторон окружена конечными точками T1 и T0, как рекомендовано руководящими принципами SEVA. Вставка выбранного промотора должна выполняться с использованием сайтов рестрикции PacI и Bsp120I .Возможность перетасовки путей в соответствии с концепцией BioBrick обеспечивается сайтами рестрикции EcoRI , XbaI и SpeI . В зависимости от стратегии клонирования метка мРНК F30-2xdBroccoli (зеленый) и / или his-tag (оранжевый) может быть присоединена к N- или C-концу. Набор сайтов ограничения позволяет выборочно обмениваться тегами. После вставки интересующего гена l acZα (пурпурный) удаляется, что дает возможность сине-белого скрининга. Сайты связывания рибосом (желтые) предусмотрены в плазмиде.Подчеркнутые последовательности представляют сайты рестрикции.
https://doi.org/10.1371/journal.pone.0197420.s004
(PDF)
S2 Рис. Параметр онлайн-измерения мРНК с помощью dBroccoli-tag.
(A) Временной интервал генерации сигнала. Продолжительность формирования сигнала и поглощения DFHBI-1T определяли в полностью индуцированной культуре с 200 мкМ флуорофора DFHBI-1T. Обратите внимание, что через две минуты было произведено стабильное считывание сигнала мРНК. (B) Определение оптимальной концентрации красителя.Концентрация флуорофора DFHBI-1T тестировалась в диапазоне от 0 до 200 мкМ красителя. Транскрипцию грузового сайта pTRA-51hd индуцировали тремя разными индукторами (м-туловая кислота, п-тулоиновая кислота и 3-хлорбензойная кислота). Обратите внимание, что в любом случае сигнал был насыщен 200 мкМ красителя. (C) Временные рамки инициации транскрипции. Транскрипцию mCherry с помощью dBroccoli-tag индуцировали 1,5 мМ м-тулоиновой кислоты в культуре, содержащей DFHBI-1T (200 мкМ), и зеленую флуоресценцию определяли каждые 30 секунд в первые 10 минут и с 2-минутными интервалами до 32-й минуты. .Затем измеряли флуоресценцию с интервалом 5 мин.
https://doi.org/10.1371/journal.pone.0197420.s005
(PDF)
S3 Рис. Вариабельность сигналов мРНК и белков.
(A) Извлеченная мРНК, а также сигналы mCherry обладают высокой воспроизводимостью, если один и тот же эксперимент проводится с несколькими разными культурами (здесь семь), инокулированными из одной и той же предварительной культуры (левый столбец). Напротив, если анализируются сигналы от трех независимых культур, инокулированных из трех разных предварительных культур, наблюдается высокое стандартное отклонение (правый столбец), указывающее на биологически обусловленную изменчивость.(B) Распределение флуоресценции дикого типа и pTRA_51hd, несущего E . coli по данным проточной цитометрии в поздней фазе экспоненциального роста. Обратите внимание, что распределение флуоресценции однородно, и никакая субпопуляция не обнаруживается, как можно было бы ожидать, если бы плазмида была нестабильной.
https://doi.org/10.1371/journal.pone.0197420.s006
(PDF)
S4 Рис. Процесс выделения сигнала мРНК.
(A) организация данных, (B) интеграция данных в Scipt Matlab, (D) прогноз автофлуоресценции тестового штамма на основе контрольного штамма и (D) извлечение сигнала мРНК.См. Текст для подробного описания обработки данных и сценария Matlab.
https://doi.org/10.1371/journal.pone.0197420.s007
(PDF)
Благодарности
Мы благодарим Виктора де Лоренцо (CNB, Мадрид) за критическое чтение и полезные комментарии к рукописи. Эта работа была поддержана Федеральным министерством образования и исследований Германии (BMBF) грантом SysBioTerp (код поддержки 031A305A).
Ссылки
- 1. Борковски О., Черони Ф., Стэн Дж. Б., Эллис Т.Перегрузка и стресс: анализ целых клеток для синтетической биологии бактерий. Curr Opin Microbiol. 2016; 33: 123–130. pmid: 27494248
- 2. де Лоренцо В., Шмидт М. Биологические стандарты для биоэкономики, основанной на знаниях: что поставлено на карту. N Biotechnol. 2017. pmid: 28479235
- 3. Мартинес-Гарсия Э., Апарисио Т., Гоньи-Морено А., Фрайле С., де Лоренцо В. SEVA 2.0: обновление Стандартной европейской векторной архитектуры для де- / реконструирования бактериальных функций.Nucleic Acids Res. 2015; 43: D1183–9. pmid: 25392407
- 4. Сильва-Роча Р., Мартинес-Гарсия Э, Каллес Б, Чаваррия М., Арсе-Родригес А., Лас-Эрас-де-А и др. Стандартная европейская векторная архитектура (SEVA): согласованная платформа для анализа и развертывания сложных прокариотических фенотипов. Nucleic Acids Res. 2013; 41: D666–75. pmid: 23180763
- 5. Энди Д. Основы инженерной биологии. Природа. 2005; 438: 449–453. pmid: 16306983
- 6.Филонов Г.С., Мун Д.Д., Свенсен Н., Яффри С.Р. Брокколи: быстрый отбор РНК, имитирующей зеленый флуоресцентный белок, путем отбора на основе флуоресценции и направленной эволюции. J Am Chem Soc. 2014; 136: 16299–16308. pmid: 25337688
- 7. Терпе К. Обзор слияния белков-меток: от молекулярных и биохимических основ до коммерческих систем. Appl Microbiol Biotechnol. 2003. 60: 523–533. pmid: 12536251
- 8. Филонов Г.С., Кам CW, Сонг В., Джаффри С.Р.Визуализация процессинга РНК в геле с использованием брокколи позволяет выявить оптимальные стратегии экспрессии аптамера. Chem Biol. 2015; 22: 649–660. pmid: 26000751
- 9. Гавин А., Валла С., Браутасет Т. Система регулятора / промотора XylS / Pm и ее использование в фундаментальных исследованиях экспрессии бактериальных генов, продукции рекомбинантных белков и метаболической инженерии. Morgenroth E, Flemming H-C, Azeredo J, Melo LF, Espinosa M, Whiteley M и др., Редакторы. Microb Biotechnol. 2017; 10: 702–718. pmid: 28276630
- 10.Гони-Морено А., Бенедетти И., Ким Дж., Де Лоренцо В. Деконволюция шума экспрессии генов в физическую динамику родственных промоторов. bioRxiv. 2015 ;: 019927. https://doi.org/10.1101/019927
- 11. Мерзляк Е.М., Гедхарт Дж., Щербо Д., Булина М.Е., Щеглов А.С., Фрадков А.Ф. и др. Яркий мономерный красный флуоресцентный белок с увеличенным временем жизни флуоресценции. Nat Meth. 2007. 4: 555–557. pmid: 17572680
- 12. Sambrook J, Fritsch E, Maniatis T. Молекулярное клонирование: лабораторное руководство.1989.
- 13. Ризенберг Д., Шульц В., Кнорре В.А., Поль HD, Корц Д., Сандерс Е.А. и др. Культивирование с высокой плотностью клеток Escherichia coli при контролируемой удельной скорости роста. J Biotechnol. 1991; 20: 17–27. pmid: 1367313
- 14. Хиллер Дж., Франко-Лара Э., Вейстер-Ботц Д. Метаболическое профилирование культур Escherichia coli : оценка процедур экстракции и анализа метаболитов. Biotechnol Lett. 2007. 29: 1169–1178. pmid: 17479221
- 15.Laemmli UK. Расщепление структурных белков при сборке головки бактериофага Т4. Природа. 1970; 227: 680–685. pmid: 5432063
Использование искусственного интеллекта и дистанционного зондирования в качестве эффективных устройств для увеличения урожайности сельскохозяйственных систем
Искусственный интеллект — новая технология в области сельского хозяйства. Инструменты и оборудование на основе искусственного интеллекта фактически подняли сельскохозяйственный сектор на новый уровень.Эта новая технология позволила улучшить растениеводство и улучшить мгновенный мониторинг, обработку и сбор. Новейшие компьютеризированные структуры, использующие дистанционное зондирование и дроны, внесли значительный вклад в сферу сельского хозяйства. Более того, дистанционное зондирование может поддерживать развитие сельскохозяйственных приложений с целью противостоять этому главному вызову, предоставляя циклические записи о состоянии урожайности в течение изучаемых периодов с различной степенью и по различным параметрам. Различные высокотехнологичные, поддерживаемые компьютером структуры создаются для определения различных центральных факторов, таких как обнаружение растений, распознавание урожайности, качество урожая и некоторые другие методы.Этот документ включает методы, используемые для анализа собранной информации с целью повышения производительности, прогнозирования возможных угроз и снижения нагрузки на культиваторов.
1. Введение
Фактически в сельскохозяйственном секторе различные производители сельскохозяйственной продукции борются с опасностями и рисками, связанными с использованием пестицидов в их сельскохозяйственных культурах для борьбы с вредителями и другими болезнями. Все эти компоненты объединяются и ставят перед фермерами новую задачу.Поскольку сельское хозяйство зависит от природных сил для получения большей части своей продукции и неопределенностей в отношении дождя, каждый год фермеры подвергаются сильному давлению из-за нехватки доступных рабочих и растущего желания добиться более высоких урожаев [1]. Это означает, что сельское хозяйство должно существенно расшириться в ближайшие годы, а эффективность хозяйств необходимо практически удвоить, чтобы владельцы ранчо могли достичь своих целей. Отрасль автоматизации в сельском хозяйстве остается в центре растущих проблем и проблем во всем мире.Население стремительно растет, и вместе с этим увеличивается потребность в продуктах питания и рабочих местах. В настоящее время традиционные методы фермеров не могут удовлетворить эти цели. Следовательно, были внедрены современные автоматизированные процедуры, чтобы сделать вещи более простыми и успешными [2]. Для различных технологических разработок в сельском хозяйстве может применяться искусственный интеллект. К ним относятся консультационные услуги по искусственному интеллекту, анализу данных, Интернету, использованию камер и других датчиков и т. Д.Искусственный интеллект в сельском хозяйстве станет достаточно компетентным, чтобы предлагать улучшенные, предсказуемые идеи путем изучения различных источников данных, таких как погода, местность, урожайность сельскохозяйственных культур и температура [3]. Такая технология на основе искусственного интеллекта может помочь сельскохозяйственному сектору производить больше урожая в цепочке поставок продуктов питания и улучшить широкий спектр сельскохозяйственных работ. Эти новые подходы помогли повысить потребности в продуктах питания и предоставили миллиардам людей по всей системе возможности трудоустройства.Применение искусственного интеллекта в сельском хозяйстве защищает урожайность сельскохозяйственных культур от нескольких причин (таких как рост населения и изменение климата). В сельскохозяйственном секторе есть ключевые проблемы: (i) Каждый день решение о подготовке почвы, семян и сбора урожая становится все более сложной задачей для фермеров. Сельское хозяйство тесно связано с изменением различных климатических элементов, таких как температура, осадки и влажность. Увеличение загрязнения и деградации также приводит к изменению климата [4].Для фермеров это серьезная проблема. (Ii) Каждое растение требует точного питания почвы. Фосфор, калий и азот — три основных питательных вещества, необходимых почве. Недостаток любого из этих элементов может привести к низкой урожайности сельскохозяйственных культур [5]. (Iii) Защита растений или сорняков также является важной функцией. Это может привести к увеличению затрат в дополнение к поглощению питательных веществ почвы, что, если не регулировать, приводит к недостатку питательных веществ в почве [6].
Хотя доступно множество приложений в сельском хозяйстве, знания о новейших технологиях во всем мире все еще ограничены.Искусственный интеллект поддерживает различные сегменты для повышения урожайности и эффективности. Результаты искусственного интеллекта помогают преодолевать обычные трудности в каждой области. Точно так же искусственный интеллект в сельском хозяйстве помогает земледельцам повышать свою квалификацию и уменьшать естественные недружелюбные воздействия [7]. Сельскохозяйственный бизнес прозрачно включил искусственный интеллект в свое обучение, чтобы изменить общий результат. Искусственный интеллект помогает владельцам ранчо быть в курсе последних событий в области прогнозирования климата.Прогнозируемая информация помогает владельцам ранчо расширять производство и получать выгоды без ущерба для урожая [8]. Изучение полученной информации помогает владельцам ранчо избежать потенциального риска путем понимания и обучения с помощью искусственного интеллекта [9]. Осуществление такого упражнения помогает сформулировать разумную оценку при разумной задержке.
Более того, использование искусственного интеллекта — это эффективный метод выявления потенциальных недостатков и недостатков компонентов в почве.Используя подход к идентификации изображений, искусственный интеллект распознает потенциальные недостатки через изображения, пойманные камерой [10]. Устройства глубокого обучения разрабатываются с помощью искусственного интеллекта для исследования моделей растительности в сельском хозяйстве. Такие устройства с поддержкой искусственного интеллекта помогают понять недостатки почвы, неудобства растений и болезни [11]. Владельцы ранчо могут использовать искусственный интеллект для контроля за сорняками посредством компьютерной визуализации, роботизированных технологий и машинного обучения [12].С помощью искусственного интеллекта собирается информация для ведения проверочных записей о сорняках, которые помогают владельцам ранчо использовать пестициды именно там, где находятся растения [13]. Это уменьшило использование всплеска синтетического продукта в желаемом секторе [14]. В результате искусственный интеллект сокращает использование гербицидов в этой области по сравнению с количеством синтетических веществ, регулярно распыляемых [15].
Дистанционное зондирование имеет отличительные преимущества по сравнению с другими типами методов экологических измерений [16].Эти преимущества включают способность оценивать факторы и характеристики земли / земли без прямой связи с регионом исследования; возможность проводить удаленные наблюдения, тем самым избегая рисков для пользователя и снижая плату за полевые измерения; и возможность вернуться в любое время и выполнить повторные исследования данных с целью наблюдения и оценки условий [17]. Области, связанные с дистанционным зондированием, многочисленны: морские, оценка рисков и наблюдение за природными ресурсами.Технологии непрерывно развиваются и создают основу для множества инноваций и разработок.
Дистанционное зондирование относится к идентификации электромагнитной энергии от заданной поверхности с помощью спутников или самолетов [18]. Спектральные детекторы можно разделить на две категории в зависимости от количества диапазонов волн, с помощью которых они оценивают спектральную отражательную способность: (а) мультиспектральные детекторы, которые получают данные об отражении в ограниченных (от 3 до 10) широких диапазонах волн только в видимой и ближней инфракрасной областях. спектральные зоны (от 400 до 1100 нм) с небольшим влиянием атмосферного диспергирования [19] и гиперспектральные детекторы (б), которые практически непрерывно получают данные об отражении (несколько сотен диапазонов волн) в воспринимаемой и инфракрасной спектральной зоне электромагнитного диапазона (от От 400 до 2500 нм).
Усовершенствование новых технологий, например, высокопространственных и гиперспектральных детекторов, сделало важным создание ассортимента новых методов, например многомерных статистических методов, для исследования такого рода информации [20].
2. Применение современных технологий в сельском хозяйстве
Как и многие отрасли промышленности, сельское хозяйство извлекает выгоду из воздействия технологий. Фермеры полагаются на информационные технологии для решения множества задач, а не только для управления фермой.На самом деле, то, как фермеры управляют урожаем и животноводством, было изменено информационными технологиями [21].
Фермеры могут использовать облачные вычисления для улучшения управления своими культурами и бизнесом. Они могут разрабатывать бюджеты и графики работы на основе своих производственных планов, используя некоторые из этих программ. Можно составить рабочие планы и отслеживать прогресс в соответствии с прогнозом погоды. Машинная деятельность и производство могут быть измерены с использованием мобильных систем управления задачами и методов интеграции данных [22].
Кроме того, радиочастотная идентификация (RFID) — это технология, используемая для слежения за сельским хозяйством и обеспечения безопасности. Например, домашний скот можно отслеживать с помощью RFID-меток для отслеживания домашнего скота. Это может быть полезно для ежедневного отслеживания крупного рогатого скота, а также для мониторинга здоровья и сохранения базы данных истории здоровья каждого животного. Кроме того, благодаря защищенной маркировке, эта технология помогает сократить количество фальсифицированных / загрязненных пищевых продуктов при транспортировке сельскохозяйственных культур, особенно сертифицированных органических культур [23].
Кроме того, точное земледелие содержит множество инструментов, в том числе аналитику данных. Это известно как «умное сельское хозяйство», и сейчас оно используется многими производителями продуктов питания для снижения затрат и повышения урожайности. Ниже описывается, как это работает: урожайность, внесение удобрений, картографирование почвы, погодные явления и здоровье животных — вот данные, которые собирают офисы фермерских хозяйств. Даже мелкие производители могут собирать данные из различных источников, чтобы помочь в принятии решений, которые помогут им сократить расходы и повысить урожайность.Здесь большое значение имеет использование датчиков воды, которые можно использовать для планирования будущих посевов и водопользования. Это особенно полезно в засушливых регионах [24].
Внедрение алгоритмов искусственного интеллекта на возделываемых территориях, а также в сельскохозяйственных продуктах было продвинуто в сельском хозяйстве. Когнитивные информационные технологии в сельском хозяйстве стали изобретательными, знающими и эффективными. Искусственный интеллект также может помочь производителям оценивать потребности путем предоставления таких данных, как тенденции исторических данных по продовольственным товарам, основные региональные предпочтения в еде и т. Д.[25]. Область применения искусственного интеллекта в сельском хозяйстве обширна и может использоваться, например, при распылении пестицидов с помощью датчиков и других устройств, установленных в дронах и роботах. Эти технологии способствуют предотвращению чрезмерного использования пестицидов, воды и гербицидов; поддерживать плодородие почвы; и, в то же время, повысить производительность и эффективность персонала при улучшении качества [26]. Решения на основе искусственного интеллекта предоставляют много преимуществ для сельскохозяйственного сектора.
2.1. Управление экологическими проблемами с использованием прогнозов погоды
В постоянно растущей сфере точного земледелия данные о погоде играют важную роль в качестве сельскохозяйственной техники, помогающей контролировать и точнее выращивать растения. Тем не менее, системы и информация, основанные на искусственном интеллекте, используют разумное распределение ресурсов, которое помогает фермерам договариваться о сменах в изменяющихся условиях окружающей среды в результате многих экологических проблем, таких как изменение климата и другие риски для продуктивности сельского хозяйства [27].
2.2. Система наблюдения за почвой и сельскохозяйственными культурами
Благодаря новым решениям и установке датчиков Интернета вещей (IoT) на сельскохозяйственных угодьях владельцы ранчо могут немедленно определять влажность почвы и знать ее химическую структуру и состав. Эти имплантированные датчики можно настроить так, чтобы фермеры автоматически получали информацию о недостаточном содержании в почве таких веществ, как калий, азот, фосфор или влажность [28]. Дистанционное зондирование, дополненное трехмерным лазерным сканированием, также помогает получить метрики растений сельскохозяйственных земель, которые гарантируют, что урожай выращивается в соответствии с правильными почвенными условиями.Кроме того, дроны играют важную роль в более раннем выявлении и количественной оценке проблем со здоровьем в сельском хозяйстве, предлагая значительную информацию об улучшении производства и минимизации производственных затрат с помощью профессиональных мультиспектральных камер и датчиков [29].
2.3. Сельское хозяйство и прогнозный анализ
Прогнозный анализ с использованием инноваций собирает факты и информацию, необходимые для принятия решения о том, как можно улучшить производство, и для принятия всех корректирующих мер для достижения цели. С другой стороны, интеллектуальное сельское хозяйство включает в себя ряд стратегий и навыков, которые позволяют фермерам максимизировать урожайность и улучшить плодородие почвы.При использовании этих технологий становится возможным надлежащим образом вмешиваться в нужное время, в правильном месте, чтобы с превосходной точностью реагировать на конкретные потребности отдельных культур и различных участков фермы [30].
2.4. Система с использованием искусственного интеллекта для оценки сельскохозяйственных данных и обнаружения насекомых
Применяя искусственный интеллект в сельском хозяйстве, производители теперь могут оценивать ряд вещей в режиме реального времени. Датчики могут обнаруживать появление насекомых на своей территории, а датчики могут определять, что это за насекомые.Он уходит и ничего не делает, если это полезное или нейтральное насекомое. Однако он предоставляет информацию из облака, если это серьезный вредитель или смертельная болезнь. Таким образом, решения, основанные на искусственном интеллекте, позволяют производителям оптимизировать свои планы для получения большей прибыли за счет адекватного использования ресурсов, управления выбором культур и многого другого [31].
2,5. Адекватное орошение и устойчивое земледелие
Растущий спрос на продукты питания привел к тому, что фермеры повысили свою продуктивность за счет использования различных методов, что привело к неправильному использованию почвы.Увеличение прибыли с течением времени снижает качество земли, что приводит к слишком низкой прибыли, чтобы платить даже за семена. Орошение — это процесс, требующий значительных усилий человека. Различные автоматизированные системы теперь могут влиять на искусственный интеллект и оборудование для оценки плодородия почвы, исторических погодных условий и качества семян, чтобы помочь фермерам эффективно управлять своими запасами воды [32]. За счет посева оптимальных культур, минимизации потерь воды и повышения урожайности использование решений Cognitive IoT может способствовать улучшению управления водными ресурсами.
3. Применение дистанционного зондирования в сельском хозяйстве и инвентаризации растительности
Стратегии, используемые для исследования характеристик растительности с дистанционным обнаружением, можно разделить на физические методы, эмпирические методы и их комбинацию [33]. Как правило, физические методы основаны на гипотезе радиационного обмена, и они воспроизводят связи растений и света с помощью моделирования [34]. Эмпирические методы зависят от статистической связи, включающей оцененных свойств растительности in situ, и данные отражательной способности растительности [35].
Вообще говоря, прикладная методология обнаружения эмпирических связей между характеристиками растительности и спектральной отражательной способностью включает объединение данных отражательной способности по крайней мере двух отдельных спектральных диапазонов волн для вычета показателя, называемого индексом растительности (VI). Например, Нормализованный разностный индекс растительности (NDVI) использует данные по уменьшенной отражательной способности в красной области и повышенной отражательной способности в ближней инфракрасной области [36]. NDVI использовался в течение многих лет для измерения различных факторов растительности; например, биомасса и урожай, от ограниченного до исчерпывающего [37, 38].Аналогичным образом были построены физически обоснованные индикаторы растительности, идентифицированные с биофизическими характеристиками растительности [39]. В таблице 1 представлены основные дистанционные индикаторы растительности, используемые при дистанционной оценке растительности сельскохозяйственных культур.
|
Среди этих индексов Расширенный индекс растительности (EVI) аналогичен Нормализованному индексу разницы в растительности (NDVI) и может использоваться для количественной оценки зелень растительности [52, 53].Однако EVI корректирует некоторые атмосферные условия, фоновый шум навеса и более чувствителен в районах с густой растительностью. Кроме того, индекс растительности с поправкой на почву (SAVI) имеет структуру, аналогичную NDVI, но с добавлением поправочного коэффициента яркости почвы [54]. Более того, NDRE (нормализованная разность красного края) — это индекс, который может быть сформулирован только тогда, когда в датчике имеется красная кромочная полоса. Он чувствителен к содержанию хлорофилла в листьях (как выглядит зеленый лист), изменчивости площади листа и фоновым эффектам почвы [55].
Другая стратегия включает смешивание многочисленных спектральных диапазонов волн в уникальный эмпирический прототип с использованием многомерных статистических методов [56, 57]. Эмпирические планы могут быть дополнительно разделены на линейные (например, регрессия частичных наименьших квадратов) и нелинейные (например, машины опорных векторов) планы.
Эмпирические методы являются быстрыми в вычислительном отношении и эффективно обобщают локальную информацию; однако у них есть и недостатки [58]. В этих процессах часто отсутствуют причинно-следственные связи, что затрудняет перемещение конструкции в новое место, изучение ее в другое время или даже на другой спектральный детектор без систематической повторной калибровки.Ограничения эмпирических методов можно частично преодолеть, используя физические методы [59]. Тем не менее, физические методы требуют большого количества компьютеров, иногда требуют нескольких входных переменных для калибровки и требуют строгой параметризации, прежде чем их можно будет использовать [60].
4. Спутниковые системы наблюдения за Землей
Спутники для осмотра земного шара колеблются в соответствии с их орбитой, положением устройства формирования изображений, информационными категориями, спектральными характеристиками и размером полосы обзора детекторов [61].Эти переменные устанавливаются в начале работы и являются частью установки спутника. Например, с целью наблюдения за погодными условиями в большом масштабе и на повышенной частоте, спутник может находиться на геостационарной траектории. Тем не менее, поскольку траектория находится на значительном расстоянии над земным шаром, сложно достичь повышенного пространственного разрешения. С другой стороны, для таких устройств, как прохождение облаков над сушей, повышенное пространственное разрешение не требуется [62].
Устройство с повышенным пространственным разрешением потребуется для проектов, требующих изображений с высоким разрешением определенного региона, таких как наблюдение за ледниковой рекой или осмотр сооружений, поврежденных в результате стихийного бедствия [63]. Такой детектор обычно имел бы тонкую полосу обзора и был бы на орбитальном аппарате на низкой околоземной орбите (как, например, спутник QuickBird). На такой орбите невозможно постоянно наблюдать идентичный район из-за непрерывного движения спутника вокруг земного шара [64].Снимки можно просто получить на спутнике. Например, изображения спектрорадиометра изображения среднего разрешения (MODIS) использовались для построения водоемов на общем и местном уровнях. Для локальных задач широко используются изображения, полученные через Enhanced Thematic Mapper Plus (ETM +), Thematic Mapper (TM) и Operational Land Imager (OLI) из серии спутников Landsat [65].
Hui et al. [66] спроектировал, используя разновременные изображения Landsat TM и ETM +, временные и пространственные модификации изучаемого озера.Изображения OLI были использованы Du et al. [67], чтобы удалить карты водоемов в подрайонах. При оценке с помощью MODIS изображения Landsat TM, ETM + и OLI имеют гораздо большее пространственное разрешение (30 метров) и могут извлекать объекты с более высоким аспектом и точностью. В таблице 2 показаны основные спектральные свойства Landsat TM / ETM.
|
Тем не менее, изображения Landsat с пространственным разрешением все еще недостаточно увеличены для распознавания достаточно малых масс [68]. Торговые спутниковые структуры, такие как IKONOS, SPOT6, SPOT7 и Quick-Bird, позволяют наносить на карту эти небольшие объекты и тела, хотя они могут быть дорогими.
Кроме того, Европейское космическое агентство инициировало новую спутниковую технологию с повышенным оптическим пространственным разрешением, которая была обозначена как Sentinel 2 в конце июня 2015 года.Этот спутник может предлагать автоматические и общие предварительные просмотры подробного пространственного разрешения и мультиспектральных изображений с повышенным временным движением, удовлетворяя потребности следующего поколения функциональных продуктов, таких как, например, участки почвенного покрова, участки обнаружения почвенного покрова и преобразования, а также геофизические атрибуты [69, 70]. Снимки Sentinel-2 имеют возможность представить огромное значение для составления местных карт объектов в соответствии с его интересными характеристиками (такими как пространственное разрешение в десять метров для 4 различных диапазонов и десять дней частотной экспедиции) и доступными бесплатными записями.Мультиспектральное изображение Sentinel-2 имеет третьи-подростковые полосы, в которых четыре полосы (синий, красный, зеленый и ближний инфракрасный) имеют пространственное разрешение десять метров, а шесть полос имеют пространственное разрешение двадцать метров. На рисунке 1 показан процесс геопространственной аналитики.
4.1. Электромагнитный спектр
Электромагнитное излучение можно описать как мощность, которая движется со скоростью яркости в модели гармонических волн. Видимая яркость — это только один класс электромагнитного излучения; другие категории включают радиосигналы, гамма-лучи, а также инфракрасные лучи.Все они включают электромагнитный спектр; различные типы электромагнитного излучения различаются в электромагнитном диапазоне по частоте и длине волны [72]. Длину волны можно определить как длину, включающую положения в двух последовательностях волн, тогда как частота описывается как количество последовательностей волн, доставляющих идентичную точку в заданную временную фазу (1 цикл в секунду = 1 Гц или Гц). Числовая связь между частотой и длиной волны указывается с помощью уравнения: S =, где — длина волны, f — частота, а S — яркостная скорость (которая постоянна при 300 × 10 3 км. в секунду в вакууме).Видимая яркость символизирует лишь небольшую часть электромагнитного спектра. Длина волны варьируется от 3,9 × 10 −7 м (фиолетовый) до 7,5 × 10 −7 м (красный), а соответствующие частоты меняются, начиная с 7,9 × 10 14 до 4 × 10 14 .
При дистанционном зондировании инструмент (например, датчик или сканер) прикрепляется к спутнику или самолету, который собирает данные и информацию о конкретных объектах или районах на суше.Как правило, в данных указывается уровень электромагнитной мощности, которой обладает объектив. Степень выбранного географического региона зависит от научных требований похитителя и высоты навигационного аппарата, которым он оборудован. Когда электромагнитное излучение вступает в контакт с любым объектом или материалом, таким как вода, деревья или атмосферные газы, могут происходить различные взаимодействия, включая излучение, отражение, рассеяние или поглощение электромагнитного излучения веществом или диффузию электромагнитное излучение через вещество.Обычно дистанционное зондирование связано с транскрипцией данных и распознаванием возвращаемого и испускаемого электромагнитного излучения. Каждый объект или материя имеет определенную характеристику высвобождения и / или отражательной способности, совместно идентифицируемую как его спектральное одобрение, что отличает его от других объектов и материалов. Дистанционные детекторы настроены на сборку этих спектральных подтверждений. Спектральные записи могут быть собраны в двух конфигурациях: аналоговая, как аэрофотоснимки, или цифровая конфигурация, как двумерная матрица, или изображение, составленное из пикселей, которые накапливают уровни электромагнитного излучения, собранные с помощью фиксированного набора спутников [73].Кроме того, датчики можно разделить на две группы: активные и пассивные датчики. Пассивные датчики, наиболее известный класс датчиков, которые в настоящее время работают во всем мире, изучают естественное электромагнитное излучение, которое либо возвращается, либо испускается из важных районов и организаций. В то время как активные датчики, такие как микроволновые системы, такие как радар, передают искусственное электромагнитное излучение на важные элементы и впоследствии регистрируют, какое количество этого электромагнитного излучения возвращается в систему [74].
4.2. Разрешение данных
Запись с дистанционным зондированием в основном определяется четырьмя видами разрешения:
4.2.1. Временное разрешение
Временное разрешение указывает частоту повторных посещений спутникового детектора для целевого местоположения. Временное разрешение связано с многочисленными особенностями, а также с перекрытием полосы обзора, подходящими спутниками и широтой. Период дня или месяца имеет огромное влияние на спутниковые изображения [75]. Конкретные организмы-мишени могут быстро колебаться в любое время, например, периоды лунного времени, которые влияют на океаны, постоянно увеличиваясь и уменьшаясь, или же фруктовые деревья могут терять листья зимой, что создает дополнительную трудность для точной дифференциации зеленой листвы.
4.2.2. Спектральное разрешение
Спектральное разрешение детектора обеспечивает количество спектральных групп (красный, синий, зеленый, ближний инфракрасный, средний инфракрасный, термический и т. Д.), В которых детектор может регистрировать электромагнитное излучение. Тем не менее количество полос не является единственным основным признаком спектрального разрешения [76]. Полосы частот в электромагнитном поле ценны. Чувствительность детекторов к незначительным изменениям в мощности электромагнитного излучения значительна.Чем выше радиометрическое разрешение детектора, тем он более восприимчив к восприятию небольших различий в возвращаемой или высвобождаемой энергии.
4.2.3. Пространственное разрешение
Пространственное разрешение обеспечивает пиксельные измерения спутниковых изображений, представляющих поверхность земного шара. В аэрофотоснимках это связано с характеристиками изображения и стадией, на которой небольшие объекты могут быть идентифицированы на изображении [77]. Пространственное разрешение аэрофотоснимков в белом и черном цвете (только одна полоса) составляет от 40 до 800 пар строк на миллиметр.Чем выше разрешение чувствительной структуры, тем эффективнее можно контролировать осадку объектов на почве. Пространственное разрешение изображения включает: (i) коэффициент размера изображения: пространственное разрешение уменьшается с увеличением коэффициента размерности (ii) количество оптической структуры (iii) тип сборки фотографического движения (iv) несоответствие отдельных сущностей и объектов (v) Последствия распространения в атмосфере: может вызвать снижение разрешения и контрастности (vi) Движение изображения: относительная активность, связанная с почвой и детектором, может вызвать искажение
Кроме того, важно отметить, что наиболее непредсказуемой особенностью является атмосфера, которую трудно предсказать и обычно колеблется [78].
4.2.4. Радиометрическое разрешение
Радиометрическое разрешение определяется как количество данных в одном пикселе и определяется в битах. Один бит данных указывает на двоичное решение «нет» или «да», сопровождаемое числовым значением 0 или 1 [79]. Белые и черные изображения, называемые изображениями в градациях серого, с цифровых фотоустройств обычно состоят из 8 бит с оценкой от 0 до 255 для обозначения данных. Цветные изображения часто имеют три канала по 8 бит; каждый канал имеет определенное значение для синего, зеленого и красного цветов.Одновременно они генерируют видимый цвет, а интенсивность каждого канала управляет темнотой. Это метод аддитивного слияния цветов.
В качестве примера радиометрическое разрешение 11 означает, что пиксель имеет 2048 (эквивалент 2 11 ) возможных оттенков красного, 12 бит символизируют 4096 (эквивалент 2 12 ) оттенков красного, а 14 бит соответствуют до 16384 (эквивалент 2 14 ) оттенков красного. Хотя увеличение радиометрического разрешения приводит к увеличению интервала для пикселя, это не означает, что это лучший вариант.
5. Машинное обучение в дистанционном зондировании
Во-первых, в девяностые годы в дистанционном зондировании применялись методы машинного обучения. Он был основан прежде всего на дистанционном зондировании как методе компьютеризации построения, основанного на познании. В работе Хуанга и Дженсена [80] объясняется, как была построена основа познания с минимальным участием пользователей, а затем были выращены деревья решений для понимания команд из индивидуального ввода для специальной структуры. Они пришли к выводу, что методология с использованием машинного обучения обеспечивает большую точность по сравнению с традиционными методами.Следовательно, аналогичные улучшения в машинном обучении были сделаны и были быстро одобрены как важный инструмент специалистами по дистанционному зондированию и учеными. В настоящее время он используется в большом количестве разнообразных задач, от неконтролируемой категоризации спутниковых изображений до организации [81].
5.1. Категории машинного обучения
Машинное обучение можно разделить на три типа, как показано на рисунке 2: (i) Машинное обучение с учителем: машина обучается с помощью помеченных данных.Прототип готовится на основе существующих записей, прежде чем он начнет формулировать решения на основе новых записей. Производительность контролируемого машинного обучения измеряется. Целевая переменная может быть непрерывной, как линейная, полиномиальная или квадратичная регрессия, или категориальной, как логистическая регрессия, машина опорных векторов, дерево решений, градиентное усиление, бэггинг, случайный лес и т. Д. [82]. (Ii) Неконтролируемое машинное обучение: машина обучен на немаркированных данных и без подходящего контроля. Он механически выводит модели и ассоциации в записях посредством построения кластеров.Прототип учится на основе измерений и предполагаемых построений в записях. Цель отсутствует, как в анализе главных компонентов, факторном анализе и т. Д. [83]. (Iii) Усиленное обучение: прототип учится с помощью техники тестирования и ошибок. Этот тип обучения предполагает наличие оператора, который будет взаимодействовать с окружающей средой, чтобы реагировать и впоследствии определять ошибки или последствия реакции [84].
Различие между контролируемым и неконтролируемым обучением присутствует при использовании контролируемых прототипов, когда оператор сконструировал заранее установленный маркер с набором признаков.В то время как неконтролируемый алгоритм выводит набор данных посредством классификации информации по различным категориям, построенным на связи, которую он идентифицировал среди различных данных [85], обучение с подкреплением совершенно не похоже. Оператор задает алгоритму настройку, и алгоритм формулирует варианты выбора в рамках этой настройки. Он постоянно совершенствуется с каждым решением, подкрепленным результатами предыдущего решения.
5.2. Обработка изображений и создание карт
Процесс получения данных о поверхности земли из записей дистанционного зондирования зависит от последовательности сложных шагов по той причине, что энергетическая яркость, рассчитанная с помощью датчиков (выраженная в ваттах на м 2 ), не позволяет сделать немедленный вывод почвенного покрова.Ранее многочисленные функциональные картографические структуры создавались на основе мониторинга интерактивного окулярного анализа некоторых изображений, полученных в определенные периоды года, и в основном зависели от объяснений специалистов. Устройства для обработки изображений постепенно утвердились в этом направлении.
Создание любого плана почвенного покрова включает в себя последовательность основных этапов работы. Для каждого этапа возможны многочисленные алгоритмические и теоретические варианты. Waldner et al. [86] показали, что точность масок культур отличается больше от одного сельскохозяйственного района к другому, чем от одной современной техники к другой.Очевидно, что одни технологические решения могут быть более подходящими, чем другие. Тем не менее, в большинстве случаев качество и количество входных данных дистанционного зондирования и набора уравнивающих данных играют важную роль. Решением для достижения является практически достаточный выбор технологических решений, выбранных для качества и количества входных осмотров глобуса и записей корректировки на месте, а также в отношении характеристик участка, которые должны быть нанесены на график. Заметно можно выделить четыре основных уровня построения последовательности покрытия территории: (1) сегментация изображения; (2) характерное извлечение; (3) категоризация; и, наконец, (4) постобработка, подсчет, фильтрация и / или комбинация.
5.2.1. Сегментация изображений
Почва разделена на пиксели с помощью спутниковых описаний, в то время как визуальный анализ монитора определяет стандартизированные модели. Растр изображения, составленный из пикселей, и вектор, составленный из объектов, определены как два наиболее важных концептуальных шаблона, установленных для иллюстрации пространственного аспекта земного шара. Хотя пространственное разрешение больше или меньше размера представляемых компонентов почвенного покрова, данные о почвенном покрове обычно обрабатываются с точностью до пикселя, и тогда этап сегментации не требуется.Для снимков с высоким пространственным разрешением, в которых пиксели гораздо менее важны, чем компоненты наземного покрова, обычно желателен прототип вектора, и изображение следует сегментировать на объекты с помощью алгоритмов сегментации изображения. При сегментации изображения смежные пиксели собираются в пространственно непрерывные объекты в соответствии со спектральными характеристиками и их пространственными перспективами с целью регистрации значимых пространственно изолированных наземных объектов и объектов. Принцип, основанный на объектах, эффективно приспособлен к извлечению структуры изображения, имеет необходимую необходимую информацию и допускает многомасштабный анализ из-за иерархической или многоуровневой сегментации [87].С другой точки зрения, этот этап является дополнительным источником ошибки при оценке с использованием пиксельной методологии. Фактически, в основном предлагается работать с категоризацией на основе объектов, в то время как размер в пикселях гораздо менее важен, чем компоненты ландшафта. Обычно метрические и декаметровые изображения часто фрагментируются на объекты, в то время как изображения с гектометрическим разрешением, несомненно, не фрагментируются. В исключительных случаях планируется пиксельное и объектное построение цепочек, осуществляется интерактивное построение плана почвенного покрова [88].Сегментация изображения может выполняться в соответствии с двумя различными методологиями: стратегиями на основе угла, которые зависят от ограниченного распознавания краев, и методами районирования, которые различают пространственные группы упорядоченных пикселей. Один из наиболее известных расчетов в области дистанционного зондирования, связанных с развитием районов, включает в себя процесс сборки объектов до тех пор, пока стандартизованная дисперсия значений пикселей в смешанном объекте сохраняется ниже определенного порога [89]. Помимо спектральной однородности, смешивание объектов также может контролироваться формой объекта, чтобы улучшить координацию с пространственными объектами почвенного покрова.
5.2.2. Извлечение атрибутов
Этап извлечения атрибутов влечет за собой оценку наиболее дискриминантных факторов, которые будут использоваться в качестве вкладов для вычисления категоризации на основе изображений дистанционного зондирования или временных циклов. Эти атрибуты могут иметь различную природу: (1) спектральные, такие как мультиспектральная отражательная способность, или полученные индексы, такие как NDVI или некоторые другие индексы растительности, хлорофилла или почвы; (2) временные, такие как наименьшее, наибольшее значение или амплитуда переменной за определенный период времени; (3) текстурные, такие как локальное несоответствие, энтропия или некоторая другая переменная, полученная из матрицы совместной встречаемости; и (4) пространственная или релевантная переменная, которая особенно подходит для объектно-ориентированной методологии.В настоящее время можно увидеть три основных процедуры в области создания земного покрова. Во-первых, обычные методики в основном зависят от спектральных характеристик и, в конечном итоге, некоторых основных временных характеристик, зависящих от временного расположения NDVI, с учетом того, что они являются истоками всех других характеристик в любых обстоятельствах. Принимая во внимание постоянно увеличивающуюся производительность вычислений и распространение алгоритмов искусственного интеллекта, многочисленные эксперты по дистанционному зондированию в настоящее время считают, что «чем больше, тем лучше», и полагаются на расчеты классификации, чтобы выбрать наиболее дискриминантные.Более того, информационные подходы предназначены для включения познания внешнего специалиста посредством структурирования неупорядоченных атрибутов, как указано в цели классификации, а также посредством удержания только тех атрибутов, которые считаются важными в соответствии с принципом специалистов [90].
5.2.3. Категоризация
Этот этап включает один или несколько числовых шагов для окончательного отнесения каждого пикселя или объекта к одному из классов конфигурации почвенного покрова. Большое разнообразие алгоритмов категоризации можно разделить на две основные группы: контролируемая группа, которая использует обучающий набор данных для согласования алгоритма априори , и неконтролируемая группа, которая создает группы пикселей, которые будут называться апостериори в качестве категории почвенного покрова с учетом in situ или вспомогательных записей.В настоящее время чрезвычайно ценно прогнозирование этапов контролируемой категоризации. Они включают в себя программную очистку набора обучающих данных на месте или динамическое обучение для создания более качественного набора обучающих данных путем многократного повышения эффективности конструкции классификатора. Набор методов, используемых для различения изображений в категориях почвенного покрова, постоянно расширяется. Обзор этих методов был возобновлен Nitze et al. [91] и включен следующим образом:
(1) Категоризация на основе максимального правдоподобия .До недавнего времени метод категоризации максимального правдоподобия считался наиболее часто используемым подходом для контролируемой категоризации информации с удаленных датчиков [92]. Принцип максимального правдоподобия зависит от вероятности. В этой методологии подготовка информации используется для статистического объяснения целевых категорий через их многомерные вероятностные возможности плотности. Каждая емкость плотности соответствует вероятности того, что спектральная модель класса попадает в заданный район в многомерном спектральном пространстве.Спектральная привязка каждого пикселя впоследствии распределяется по категории, элементом которой он с наибольшей вероятностью является элементом [93], в то время как существенным преимуществом подхода максимального правдоподобия является полный контроль пользователя над классами почвенного покрова. для использования в последней категории. Его применение ограничено его зависимостью от гауссовского распределения входных записей, допущение, которое часто игнорируется при использовании многокомпонентных записей многочисленных спектральных характеристик и мультимодальных распределений [94].Кроме того, категоризация посредством максимального правдоподобия использует эквивалентный набор признаков для всех категорий и требует повышенного количества вычислений для полной категоризации информации изображения. Это особенно очевидно, когда повышенное количество атрибутов используется в качестве входных данных на этапе категоризации или когда необходимо разделить большое количество спектральных категорий. В таких случаях использование классификатора максимального правдоподобия может быть значительно быстрее, чем другие контролируемые методы категоризации.Различные ограничения, связанные с категоризацией по максимальному правдоподобию, преобразуются в динамическое совершенствование новых расчетов категоризации для области дистанционного зондирования. Из этих новых методов огромные надежды подали искусственные нейронные сети [95], вспомогательные векторные машины [96], деревья решений [97] и группы деревьев классификации, такие как Random Forest [98].
(2) Искусственные нейронные сети . Использование искусственных нейронных сетей для категоризации дистанционного зондирования вызвано тем фактом, что человеческий мозг способен обрабатывать большие объемы информации и записей из широкого диапазона источников [99, 100], и что научное воплощение этой методологии может быть полезен для подготовки и анализа графической информации.Применительно к категоризации изображений искусственная нейронная сеть представляет собой чрезвычайно равный выделенный процессор, состоящий из основных элементов обработки, который получает информацию из своей среды посредством операции самообучения для адаптивного построения связей, включающих входные записи, как, например, спутниковые изображения. атрибуты и выходные записи, например, целевые группы прикрытия [101]. Известными искусственными нейронными сетями являются многослойный персептрон (MLP) [102], а также карта самоорганизующихся функций Кохонена [103] и нечеткий ARTMAP [104].Хотя эти методологии меняются в том, что касается их конкретного использования, они требуют обучения и организации для отделения важных данных от дистанционно обнаруженной информации об изображении [105]. На рисунке 3 представлена структура искусственной нейронной сети [106].
На этапе обучения собираются данные изображения из областей, функции (или классы) которых используются в качестве входных данных для системы. Эти данные используются системой в итеративной методологии, которая характеризует правила, обеспечивающие наилучшие организационные результаты.Показанные правила затем используются на этапе организации для обозначения атрибутивной информации для обучающего класса, компонентом которого она имеет наиболее значительную вероятность.
Преимущества искусственных нейронных сетей объединяют их возможности для: (1) более точной работы, когда входные данные включают множество больших наборов данных, которые оцениваются в различных масштабах и частотные распределения которых необычны; (2) изучать и постоянно обновлять сложные модели, такие как, например, нелинейные связи между входной информацией и группами выходных данных, по мере того как больше информации предоставляется в различной области; (3) давать путем обобщения убедительные ответы при наличии частичной или неточной информации; и (4) объединить априорных понимания и логических физических ограничений в исследовании [107, 108].Однако неудобства, связанные с искусственными нейронными сетями, ограничили их применение только базовыми приложениями [109]. С другой стороны, наиболее важным недостатком искусственных нейронных сетей является то, что они представляют собой «черный ящик» для объяснения [110]. Фактически, обычно было трудно существенно прояснить процедуру, посредством которой был получен результат, потому что руководящие принципы для организации изображений и анализа, полученные через систему, не просто достижимы или описываются [111].Поэтому в целом будут использоваться другие стратегии организации с более быстрыми способностями к логическому разъяснению.
(3) Машины опорных векторов . Машины опорных векторов, определяемые как контролируемая непараметрическая процедура статистического обучения для решения задач категоризации [112], демонстрируют невероятный потенциал для категоризации дистанционно обнаруженной информации изображения [113]. Машины опорных векторов решают задачу квадратичной оптимизации для определения идеальных разделяющих пределов (гиперплоскостей), включающих две группы в многомерном пространстве элементов [114].Машины опорных векторов выполняют эту задачу, концентрируясь на обучающих данных, которые находятся на грани группового распространения. Хотя группы не могут быть изолированы, обучающие данные назначаются в многомерное пространство с использованием основных методов, где новое распределение записей позволяет лучше подобрать прямую гиперплоскость [115]. Этот метод повторяется для каждой пары групп, чтобы разделить информацию на предварительно выбранное количество групп. Затем руководящие принципы для наилучшего группового разделения используются для распределения всей графической информации по заранее выбранным целевым группам.Рисунок 4 иллюстрирует принцип машины опорных векторов [116].
В основе принципа категоризации машин опорных векторов лежит идея о том, что для различения требуются только обучающие выборки, лежащие в пределах групп [117]. Преимущество использования машин опорных векторов заключается в их способности превосходить традиционные методы организации, когда доступны лишь небольшие наборы обучающих данных [118]. Фундаментальное правило, которое продвигает машины опорных векторов, состоит в том, что процедура обучения зависит от минимизации основных опасностей [119].Согласно этой идее, машины опорных векторов ограничивают ошибки организации в отношении скрытой информации, не делая никаких априорных предположений о статистическом распределении информации [120]. Существенная слабость в использовании машин опорных векторов касается выбора наиболее подходящего типа основной функции и связанных с ней параметров. Даже если существуют различные варианты выбора, некоторые основные функции не могут дать лучший дизайн машин опорных векторов для использования удаленного обнаружения [121]. Это важно, потому что неадекватные решения могут вызвать переоснащение, что может иметь огромное негативное влияние на выполнение машин опорных векторов и точность организации [122].Кроме того, машины опорных векторов не были улучшены для управления разнородной информацией, такой как выбросы, обычно встречающиеся в данных дистанционного зондирования, добавление которых может значительно снизить влияние классификатора [123]. Независимо от этих проблем, машины опорных векторов — отличная альтернатива для организаций, занимающихся почвенно-растительным покровом.
(4) Древовидная классификация решений . Деревья решений, стратегии контролируемой организации, зависящие от рекурсивных бинарных делений, согласующиеся со многими обновленными руководящими принципами, стали заманчивой альтернативой для разделения данных дискретных классов для классификации земного покрова [124].Дерево решений принимает множество элементов в качестве входных данных и возвращается с выходными данными посредством набора тестов [125]. Деревья строят инструкции с помощью рекурсивных двоичных разделительных областей, которые становятся все более однородными относительно своей переменной класса [126]. Классификаторы дерева решений делают многомерные схемы зависимыми от многих инструкций принятия решений, характеризующихся сочетанием параметров и множеством линейных дискриминантных уравнений, которые применяются в каждом тестовом узле [127]. Обычно после того, как собрано достаточное количество обучающих тестов, расчет обучения Дерева решений использует обучающую информацию для создания Дерева решений, которые затем преобразуются в другую иллюстрацию представления информации, называемую производственными инструкциями.Поскольку производственные инструкции несложны, они могут быть проанализированы специалистами и могут быть легко представлены [128].
Использование деревьев решений для организации изображений имеет много преимуществ, например, способность собирать информацию в различных оценочных шкалах [129], необычные (непараметрические) частотные распределения входной информации [130] и нелинейные связи между входной информацией и группами. [131]. Они аналогичны тем, которые объясняются искусственными нейронными сетями.Тем не менее, деревья решений просты в использовании, поскольку требуется определять меньшее количество факторов [132], как показано на рисунке 5; они дают ясную и простую для интерпретации иерархическую конструкцию [133]; и их можно обучить, создавая инструкции и настраивая непосредственно на основе обучающей информации с минимальным участием оператора [134].
Одной из наиболее важных особенностей деревьев решений является то, что они могут корректироваться при предоставлении новой обучающей информации и что выходные данные системы могут быть оценены, чтобы увидеть, как был достигнут вывод [135].К недостаткам использования деревьев решений можно отнести невозможность включения пространств с высокой размерностью [136], зашумленные данные [137] и переоснащение [112]. Лучшее понимание воздействий на производительность организации дерева решений является частью удаленного обнаружения, которое в настоящее время подвергается дальнейшему исследованию [138], и побудило к развитию ансамблевых стратегий на основе дерева решений, например, метод случайного леса, который улучшает организацию производительность благодаря сочетанию множества отдельных деревьев решений.
(5) Классификация случайных лесов . Случайный лес, улучшенная форма дерева решений, представляет собой вычисление для обучения ансамблю, которое объединяет различные организации схожей информации для генерации более высокой точности расположения, чем разные типы деревьев решений [98]. Случайный лес работает путем подгонки множества организаций, основанных на дереве решений, к набору данных и последующего использования подхода, основанного на рекомендациях, для объединения прогнозов из всех деревьев, как показано на рисунке 6 [139].
Во время этой процедуры единичные деревья разрабатываются из различных подмножеств обучающей информации с использованием процедуры, называемой пакетированием. Пакетирование включает в себя нерегулярную подвыборку (с подстановкой) исходной информации для разработки каждого дерева. Обычно для каждого разработанного дерева 66% обучающей информации используется для разработки дерева, а остальные 34% остаются неиспользованными для последующей оценки ошибок [140]. Впоследствии классификация соответствует каждой модели начальной загрузки; тем не менее, в каждом узле (разбиении) только несколько случайно определенных индикаторных факторов используются в бинарном делении [141].Процедура разделения продолжается до тех пор, пока дополнительное подразделение не перестанет уменьшать индексы Джини [142]. Только с одним голосом каждое дерево вносит свой вклад в задачу самого общего класса входных данных [143]. Прогнозируемая группа определяется общим голосованием по наблюдению, а разделение привязок определяется случайным образом [144].
Самым важным преимуществом Random Forest является то, что он, по-видимому, более точен и надежен, чем обычные параметрические методы или методы искусственного интеллекта дерева решений [143].Это связано с тем, что категория классификаторов выполняется более точно, чем любой уникальный классификатор, при этом избегая ограничений классификатора [145]. Кроме того, Random Forest нуждается в описании только двух факторов для построения модели прогноза (то есть количества требуемых деревьев классификации и количества факторов прогноза, используемых в каждом узле для построения дерева), и, соответственно, считается умеренно простым. для параметризации [143]. Дальнейшие интересные моменты возникают в результате использования случайным лесом пакетирования, чтобы вызвать развитие единственного дерева из подмножеств обучающей информации.Полностью разработанные деревья используются для оценки точности и частоты ошибок для каждой выборки с использованием прогнозов Out-Of-Bag, которые затем стандартизируются для всех тестов. Поскольку записи Out-Of-Bag не используются для соответствия деревьям, оценки Out-Of-Bag в основном являются оценками точности с перекрестной проверкой [143]. Random Forest дополнительно готов оценить значимость только одной переменной. По этой причине Random Forest переключает один из входных факторов, оставляя остальные неизменными, и определяет снижение точности, которое произошло с помощью методов для ошибки Out-Of-Bag [143].Это полезно, когда критически важно понять, как каждая прогностическая переменная влияет на структуру организации [145]. Недостатком использования случайного леса является то, что при большом количестве деревьев становится труднее анализировать отдельные деревья и понимать их конфигурацию [146], что приводит к среде черного ящика, которая усложняет инструкции по принятию решений [147]. В таблице 3 представлены преимущества и ограничения алгоритмов, используемых для классификации областей спутниковых изображений.
|
(6) Постобработка .Эти процессы могут разрабатывать выходные данные категоризации из-за возможности использовать различные методы фильтрации или иным образом комбинировать различные выходные данные категоризации. Первоначально макроскопические дефекты модифицируются интерактивно, поскольку они четко идентифицируются с помощью регулярного оптического исследования. Основные параметры фильтрации по скользящей секции размером 3 пикселя × 3 пикселя или 5 пикселей × 5 пикселей, такие как фильтр большинства, устраняют неприятный результат, вызванный категоризацией на основе пикселей.Такой фильтр большинства, кроме того, можно использовать для категоризации на основе пикселей объектов, полученных посредством сегментации изображения с мультиспектральной отражательной способностью, тем самым предлагая гораздо более гладкий план земного покрова. Методы слияния необходимы для объединения выходных данных из группы классификаторов. При голосовании большинством голосов можно получить уникальную диаграмму выходных данных либо когда ансамбль выбирает категорию, с которой согласны все классификаторы, либо когда соглашается не менее половины классификаторов. Взвешенное большинство голосов может использоваться, в то время как ряд классификаторов должен работать лучше, чем другие, или взвешиваются с помощью связанной возможности или членства в выходных данных категоризации.Обязательно отметить, что различные этапы, описанные выше, в основном взаимосвязаны, и каждый выбор должен учитывать общую последовательность создания картографии земного покрова, чтобы гарантировать реализацию подходящего решения.
6. Заключение
Сегодня эти решения на базе искусственного интеллекта используются для решения нескольких промышленных задач, таких как транспорт, банковское дело, медицина и сельское хозяйство. Использование этой технологии искусственного интеллекта произвело революцию во всем пищевом процессе с огромными преимуществами.Помимо поддержки производителей в автоматическом земледелии и культуре, искусственный интеллект в сельском хозяйстве также ведет к точному земледелию с более высокой урожайностью и лучшим качеством при использовании ограниченных ресурсов. Более того, дистанционное зондирование использует передовые методы, которые помогают владельцам ранчо наблюдать за своими посевами, не наблюдая за фермой физически. Сегодня несколько компаний с нетерпением ждут развития сельского хозяйства с использованием искусственного интеллекта. Искусственный интеллект в сочетании с дистанционным зондированием переопределяет обычные модели сельского хозяйства и, таким образом, переклассифицирует традиционную модель сельского хозяйства.В сельском хозяйстве будущее искусственного интеллекта все больше зависит от множества сложных стратегий посредством комплексных преобразований.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Вклад авторов
К.Е. разработал план рецензирования и написал текст; СС участвовал в написании текста; YG, MC и OBB участвовали в подготовке рисунков и таблиц, а также в написании текста; ME и MAT внесли свой вклад в рецензирование текста.Все авторы читали и одобрили окончательный вариант рукописи.
Произошла ошибка при настройке пользовательского файла cookie
Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.
Настройка вашего браузера для приема файлов cookie
Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:
- В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
- Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
- Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
- Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie.Чтобы исправить это, установите правильное время и дату на своем компьютере.
- Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.
Почему этому сайту требуются файлы cookie?
Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.
Что сохраняется в файле cookie?
Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.