Traceable acquisition and processing workflow for multispectral drone monitoring of orchards
Cet article présente un flux de travail d'acquisition et de traitement traçable pour la surveillance des vergers par drone DJI Mavic 3 Multispectral, détaillant un protocole complet allant de la planification de la mission au contrôle qualité qui a été évalué à l'aide de données provenant de vergers de durians en Malaisie afin de permettre une provenance des données reproductible et d'identifier des domaines pour une validation future.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Au cœur de l'agriculture moderne, une révolution tranquille se prépare au-dessus des arbres. Les agriculteurs et les scientifiques comptent depuis longtemps sur les satellites pour surveiller les cultures depuis l'espace, mais ces vues sont souvent trop lointaines pour percevoir les subtiles différences entre les arbres individuels d'un verger. L'inspection au sol, où une personne parcourt les rangées, offre de la précision mais manque de vision d'ensemble et est lente à couvrir de grandes zones. Entrez en scène le drone, un petit aéronef capable de planer juste assez haut pour capturer des images nettes de chaque arbre, tout en étant assez bas pour repérer l'état de santé spécifique d'une seule branche. Pour rendre ces images utiles, elles doivent être plus que de jolies photos ; elles doivent être des mesures précises. Cela nécessite un ensemble strict de règles sur la manière dont le drone vole, comment la lumière est mesurée et comment les photos sont assemblées. Sans ces règles, un changement de couleur d'un arbre sur une photo pourrait simplement être dû à un changement de météo ou de l'heure de la journée, plutôt qu'à un véritable changement de l'état de santé de l'arbre.
Une équipe de chercheurs de Sarawak, en Malaisie, s'est donné pour mission de construire et de tester un guide clair, étape par étape, pour l'utilisation de drones afin de surveiller les vergers de durians. Ils se sont concentrés sur un modèle de drone spécifique équipé de caméras qui voient non seulement les couleurs visibles par l'homme, mais aussi la lumière invisible que les plantes réfléchissent. Leur objectif n'était pas d'inventer une nouvelle façon de voler, mais de créer un système de tenue de registres fiable. Ils voulaient s'assurer que si quelqu'un faisait voler le même drone au-dessus du même verger l'année suivante, il pourrait comparer les résultats avec certitude. L'équipe est revenue sur trois vergers de durians spécifiques qu'ils avaient déjà prospectés, vérifiant leurs notes et leurs données pour voir s'ils avaient capturé suffisamment d'informations pour prouver exactement comment les images avaient été réalisées. Ils ont constaté que, bien qu'ils puissent reconstruire avec succès l'intégralité du parcours, du plan de vol à la carte finale, certaines pièces cruciales du puzzle manquaient, empêchant de prétendre que les résultats étaient des mesures parfaitement exactes de la condition réelle des arbres.
Les chercheurs ont commencé par examiner les vols qu'ils avaient déjà effectués au-dessus de trois blocs de durians, deux à Sri Aman et un à Tapah. Ils ont utilisé un drone transportant une caméra standard pour prendre des photos colorées et un capteur spécial qui capture quatre bandes de lumière différentes, incluant l'infrarouge proche, qui est vital pour comprendre la santé des plantes. L'équipe a volé à différentes hauteurs, allant de 70 à 100 mètres au-dessus du sol, selon la taille du bloc du verger. À ces hauteurs, la caméra pouvait voir des détails aussi petits que 3,23 centimètres ou 4,60 centimètres par pixel. Ils ont volé selon un motif de grille, en veillant à ce que chaque photo chevauche la suivante d'environ 75 à 80 %, une technique qui permet aux logiciels d'assembler les images en une carte unique et sans couture. Pendant ces vols, le drone enregistrait l'heure de la journée, la vitesse du vent et la luminosité du soleil, autant de facteurs qui peuvent modifier l'apparence d'une plante sur une photographie.
Une fois les données collectées, l'équipe les a traitées pour créer plusieurs types de cartes. Ils ont généré des orthomosaïques colorées et nettes, qui sont comme de gigantesques photographies aériennes haute résolution du verger, montrant la disposition des arbres, les sentiers de terre et le paysage environnant. Ils ont également créé des cartes basées sur les bandes de lumière invisible, ce qui leur a permis de calculer des indices de végétation. Ce sont des valeurs numériques qui indiquent à quel point les plantes sont vertes et saines. Par exemple, ils ont produit des cartes montrant l'indice de végétation par différence normalisée (NDVI), une mesure courante de la vigueur des plantes. Le logiciel a réussi à combiner des milliers d'images individuelles en ces grandes cartes, et l'équipe a pu retracer chaque étape du processus, des photos brutes aux couches colorées finales. Cela a démontré que le flux de travail proposé était fonctionnel et pouvait produire les produits visuels souhaités.
Cependant, l'étude a également révélé des lacunes importantes dans leurs registres qui limitent la confiance que l'on peut accorder à ces cartes pour prendre des décisions agricoles sérieuses. Bien que l'équipe dispose des enregistrements internes du drone concernant la lumière du soleil, elle n'a pas utilisé de plaque blanche de calibration physique au sol pour mesurer la lumière exactement. Sans cette vérité terrain, les chiffres dans les cartes représentent une luminosité relative plutôt qu'une réflectance absolue et scientifiquement vérifiée. Cela signifie que, bien que les cartes puissent montrer quels arbres paraissent plus verts que d'autres dans une seule photo, il est difficile de dire avec certitude si un arbre est réellement sain ou si la différence est simplement due à un passage de nuages ou à l'angle du soleil. De plus, bien que le drone utilise un système de positionnement de haute précision pour savoir où il se trouve, l'équipe n'a pas mis en place de points de contrôle indépendants au sol pour vérifier l'emplacement exact de chaque point sur la carte. Ils ont utilisé les mêmes points pour guider la carte et pour la vérifier, ce qui revient à corriger son propre travail sans avoir un second regard extérieur.
Les chercheurs ont conclu que leur flux de travail proposé est excellent pour organiser les données et créer un historique clair de la manière dont un relevé a été effectué, mais qu'il ne constitue pas encore une preuve scientifique complète de la condition des arbres. Les cartes produites sont précieuses pour repérer les zones nécessitant une inspection plus étroite, comme une section du verger qui semble inhabituellement brune ou clairsemée. Mais l'étude stipule explicitement que ces cartes ne peuvent pas encore être utilisées pour diagnostiquer avec certitude des problèmes spécifiques tels que la carence nutritionnelle, les maladies ou le stress hydrique. Pour y parvenir, les relevés futurs devront inclure des contrôles plus rigoureux, comme la mise en place de panneaux réfléchissants connus au sol et la mesure directe de la santé des arbres avec des échantillons de sol et de feuilles. L'étude sert de modèle pour ce qui doit être enregistré afin de rendre la surveillance par drone fiable, soulignant que la technologie est prête à voler, mais que la science de l'interprétation des données a encore besoin de quelques preuves supplémentaires pour être pleinement digne de confiance.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.