Traceable acquisition and processing workflow for multispectral drone monitoring of orchards
Questo articolo presenta un flusso di lavoro di acquisizione e processamento tracciabile per il monitoraggio di frutteti tramite drone DJI Mavic 3 Multispectral, dettagliando un protocollo completo dalla pianificazione della missione al controllo qualità che è stato valutato utilizzando dati provenienti da frutteti di durian in Malesia per consentire una provenienza dei dati riproducibile e identificare aree per una futura validazione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel cuore dell'agricoltura moderna, una rivoluzione silenziosa sta avvenendo sopra gli alberi. Gli agricoltori e gli scienziati si sono a lungo affidati ai satelliti per osservare le colture dallo spazio, ma queste vedute sono spesso troppo distanti per vedere le sottili differenze tra i singoli alberi di un frutteto. Il monitoraggio a livello del suolo, in cui una persona cammina tra i filari, offre dettagli ma manca della visione d'insieme ed è lento nel coprire grandi aree. Entra in scena il drone, un piccolo velivolo che può fluttuare abbastanza in alto da catturare immagini nitide di ogni albero, ma abbastanza basso da individuare lo stato di salute specifico di un singolo ramo. Per rendere utili queste immagini, esse devono essere più di semplici belle foto; devono essere misurazioni accurate. Ciò richiede un insieme rigoroso di regole su come il drone vola, come la luce viene misurata e come le foto vengono cucite insieme. Senza queste regole, un cambiamento nel colore di un albero in una foto potrebbe essere semplicemente un cambiamento del tempo o del momento della giornata, piuttosto che un reale cambiamento nella salute dell'albero.
Un team di ricercatori nel Sarawak, in Malesia, si è posto l'obiettivo di costruire e testare una guida chiara e passo dopo passo per l'uso dei droni nel monitoraggio dei frutteti di durian. Si sono concentrati su un modello specifico di drone dotato di telecamere che vedono non solo i colori che gli esseri umani possono vedere, ma anche la luce invisibile che le piante riflettono. Il loro obiettivo non era inventare un nuovo modo di volare, ma creare un sistema di registrazione affidabile. Volevano garantire che, se qualcuno avesse fatto volare lo stesso drone sopra lo stesso frutteto l'anno successivo, avrebbe potuto confrontare i risultati con fiducia. Il team è tornato a guardare tre specifici frutteti di durian che avevano già censito, controllando i loro appunti e i dati per vedere se avevano catturato informazioni sufficienti a dimostrare esattamente come le immagini fossero state create. Hanno scoperto che, sebbene potessero ricostruire con successo l'intero percorso dal piano di volo alla mappa finale, alcuni pezzi cruciali del puzzle erano mancanti, impedendo loro di affermare che i risultati fossero misurazioni perfettamente accurate delle vere condizioni degli alberi.
I ricercatori hanno iniziato esaminando i voli che avevano già condotto su tre blocchi di alberi di durian, due a Sri Aman e uno a Tapah. Hanno utilizzato un drone che trasporta una telecamera standard per scattare foto a colori e un sensore speciale che cattura quattro diverse bande di luce, incluso l'infrarosso vicino, che è vitale per comprendere la salute delle piante. Il team ha volato a diverse altezze, che variavano da 70 a 100 metri sopra il suolo, a seconda delle dimensioni del blocco del frutteto. A queste altezze, la telecamera poteva vedere dettagli piccoli quanto 3,23 centimetri o 4,60 centimetri per pixel. Hanno volato secondo un modello a griglia, assicurandosi che ogni foto si sovrapponesse alla successiva di circa il 75 o 80 percento, una tecnica che permette al software di cucire le immagini insieme in una singola mappa continua. Durante questi voli, il drone ha registrato l'ora del giorno, la velocità del vento e la luminosità della luce solare, tutti elementi che possono cambiare l'aspetto di una pianta in una fotografia.
Una volta raccolti i dati, il team li ha elaborati per creare diversi tipi di mappe. Hanno generato ortomosaici colorati e nitidi, che sono come gigantesche fotografie aeree ad alta risoluzione del frutteto, mostrando la disposizione degli alberi, i sentieri di terra e il paesaggio circostante. Hanno anche creato mappe basate sulle bande di luce invisibile, che hanno permesso di calcolare gli indici di vegetazione. Questi sono valori numerici che indicano quanto le piante siano verdi e sane. Ad esempio, hanno prodotto mappe che mostrano l'Indice di Vegetazione Differenziale Normalizzato, una misura comune del vigore delle piante. Il software ha combinato con successo migliaia di singole immagini in queste grandi mappe, e il team ha potuto tracciare ogni fase del processo, dalle foto grezze ai livelli colorati finali. Ciò ha dimostrato che il flusso di lavoro proposto era funzionale e poteva produrre i prodotti visivi desiderati.
Tuttamente, lo studio ha anche rivelato lacune significative nelle loro registrazioni che limitano quanto si possa fidarsi di queste mappe per prendere serie decisioni agricole. Sebbene il team avesse i record interni del drone relativi alla luce solare, non aveva utilizzato una lavagna bianca fisica e calibrata a terra per misurare esattamente la luce. Senza questa verità al suolo, i numeri nelle mappe rappresentano la luminosità relativa piuttosto che la riflettanza assoluta e scientificamente verificata. Ciò significa che, sebbene le mappe possano mostrare quali alberi appaiano più verdi rispetto ad altri in una singola foto, è difficile dire con certezza se un albero sia veramente sano o se la differenza sia dovuta semplicemente a un cambiamento delle nuvole o all'angolo del sole. Inoltre, sebbene il drone utilizzasse un sistema di posizionamento ad alta precisione per sapere dove si trovava, il team non aveva allestito checkpoint indipendenti a terra per verificare l'esatta posizione di ogni punto sulla mappa. Hanno usato gli stessi punti per guidare la mappa e per controllarla, il che è come controllare il proprio lavoro senza un secondo paio di occhi.
I ricercatori hanno concluso che il loro flusso di lavoro proposto è eccellente per organizzare i dati e creare una storia chiara di come sia stata eseguita una rilevazione, ma non è ancora una prova scientifica completa delle condizioni degli alberi. Le mappe che hanno prodotto sono preziose per individuare aree che richiedono un'ispezione più ravvicinata, come una sezione del frutteto che appare insolitamente marrone o rada. Ma lo studio afferma esplicitamente che queste mappe non possono ancora essere utilizzate per diagnosticare problemi specifici come la carenza di nutrienti, le malattie o lo stress idrico con certezza. Per fare ciò, le rilevazioni future dovrebbero includere controlli più rigorosi, come il posizionamento di pannelli riflettenti della luce noti al suolo e la misurazione diretta della salute degli alberi con campioni di suolo e di foglie. Lo studio funge da progetto per ciò che deve essere registrato per rendere affidabile il monitoraggio tramite droni, evidenziando che la tecnologia è pronta per volare, ma la scienza dell'interpretazione dei dati ha ancora bisogno di alcuni pezzi di evidenza in più per essere pienamente affidabile.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.