Comparison of NDVI obtained from an active proximal sensor and UAV multispectral imagery in coffee
Deze studie toont aan dat NDVI-waarden afgeleid van multispectrale UAV-beelden en de GreenSeeker actieve sensor een sterke overeenkomst vertonen en geen significante statistische verschillen laten zien over diverse fenologische stadia van koffieplanten, wat hun uitwisselbaarheid voor gewasbewaking valideert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de hooglanden van Brazilië, waar koffiestruiken zich uitstrekken over glooiende bergen, worden boeren geconfronteerd met een constante uitdaging: precies weten hoe hun gewassen er voor staan zonder urenlang door elke rij te moeten lopen. Decennialang werd de gezondheid van een plant beoordeeld aan de hand van de groenheid, een visuele aanwijzing die wetenschappers hebben geleerd te meten met een instrument genaamd de Normalized Difference Vegetation Index, of NDVI. Dit getal fungeert als een vitale teken voor vegetatie; het stijgt wanneer een plant weelderig is en vol chlorofyl, en daalt wanneer deze onder stress staat of schraal is. Om dit getal te verkrijgen, gebruikten onderzoekers traditioneel handbediende apparaten die hun eigen licht uitzenden om de bladeren te scannen, een methode die betrouwbaar is maar traag en beperkt tot de specifieke plek waar de sensor wordt gehouden. Recentelijk zijn de luchten geopend met drones die camera's dragen die dezelfde gegevens over groenheid kunnen vastleggen over uitgestrekte velden in één enkele vlucht, waardoor gedetailleerde kaarten van de gezondheid van het gewas worden gecreëerd. Hoewel beide methoden wijdverbreid worden gebruikt, is er een hardnekkige vraag gebleven: vertellen deze twee verschillende manieren om hetzelfde veld te zien eigenlijk hetzelfde verhaal?
Een team van onderzoekers van Braziliaanse universiteiten en landbouwinstellingen zette zich erop in om deze vraag te beantwoorden door de twee methoden aan een test te onderwerpen in echte koffievelden. Ze werkten in drie verschillende koffiekwekersregio's in het Matas de Minas-gebied en bezochten veertien verschillende boerderijen over twee oogstseizoenen. De wetenschappers waren geïnteresseerd in de vraag of de handbediende sensor en de dronecamera het eens zouden zijn over de gezondheid van de bomen naarmate de koffieplanten hun natuurlijke cyclus doorliepen, van de minuscule fase van de vrucht als een speldenkop tot de volledige expansie en uiteindelijk tot de rijping. Om de vergelijking eerlijk te maken, gebruikten de onderzoekers een handbediende sensor uitgerust met een lange PVC-paal, waardoor ze het apparaat direct boven de bovenkant van het koffiedak konden houden, wat het neerwaartse zicht van de drone nabootste. Ze verzamelden de gegevens op hetzelfde tijdstip van de dag en op dezelfde locaties, om ervoor te zorgen dat de omstandigheden voor beide metingen zo vergelijkbaar mogelijk waren.
De resultaten van deze zij-aan-zij vergelijking waren opvallend consistent. Over alle verschillende stadia van de groei van de koffieplant heen, waren de getallen gegenereerd door de handbediende sensor en de dronebeelden vrijwel identiek. De onderzoekers vonden geen statistisch significant verschil tussen de twee methoden, wat betekent dat de kleine variaties die ze wel zagen, waarschijnlijk slechts willekeurige ruis waren in plaats van een systematische fout in een van de instrumenten. Het gemiddelde verschil tussen de twee datasets was zo klein dat het bijna nul was, en de spreiding van de fouten was minimaal. Dit suggereert dat de handbediende sensor, wanneer deze direct boven de bladeren wordt gebruikt, dezelfde informatie vastlegt als de drone, zelfs terwijl de koffiebomen fysiek en chemisch veranderen gedurende het seizoen.
Een interessant detail kwam naar voren met betrekking tot de timing van de metingen. De twee methoden kwamen het meest overeen wanneer de koffievruchten in expansie waren, een periode waarin het bladerdak uniform en groen is. Naarmate de vruchten begonnen te rijpen en van kleur veranderden, werden de kleine verschillen tussen de methoden iets groter, waarschijnlijk omdat de veranderende kleuren van de vrucht en de verschuivende structuur van het bladerdak de scène complexer maakten om te meten. Echter, zelfs tijdens deze meer variabele stadia bleven de twee methoden in sterke overeenstemming. De studie benadrukte ook dat het vermogen van de drone om het hele veld in één keer te zien, helpt om de kleine variaties glad te strijken die kunnen optreden wanneer een persoon door een veld loopt en specifieke planten kiest om te meten.
Uiteindelijk bevestigt de studie dat boeren en onderzoekers de gegevens van ofwel de ene, ofwel de andere bron kunnen vertrouwen, of zelfs beide kunnen combineren om koffiegewassen te monitoren. De handbediende sensor biedt een praktische, punt-voor-punt controle die werkt ongeacht het tijdstip van de dag of de bewolking, terwijl de drone een weids uitzicht over het gehele landschap biedt. Het onderzoek toont aan dat deze instrumenten geen concurrerende technologieën zijn, maar eerder complementaire technologieën die dezelfde taal spreken. Voor de koffieteler betekent dit dat de overgang van controles op grondniveau naar monitoring vanuit de lucht niet betekent dat men vanaf nul moet beginnen; de gegevens uit het verleden kunnen naadloos worden geïntegreerd met de hoogresolutiekaarten van de toekomst, waardoor wordt gewaarborgd dat de gezondheid van het gewas met helderheid en precisie wordt begrepen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.