Traceable acquisition and processing workflow for multispectral drone monitoring of orchards
Dit artikel presenteert een traceerbare acquisitie- en verwerkingsworkflow voor monitoring van boomgaarden met de DJI Mavic 3 Multispectrale drone, waarbij een uitgebreid protocol van missieplanning tot kwaliteitscontrole wordt uiteengezet dat werd geëvalueerd met behulp van gegevens uit doerienboomgaarden in Maleisië om reproduceerbare gegevensprovenance mogelijk te maken en gebieden voor toekomstige validatie te identificeren.
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 het hart van de moderne landbouw vindt een stille revolutie plaats boven de bomen. Boeren en wetenschappers vertrouwen al lang op satellieten om gewassen vanuit de ruimte te observeren, maar die beelden zijn vaak te ver weg om de subtiele verschillen tussen individuele bomen in een boomgaard te zien. Inspecties op grondniveau, waarbij een persoon door de rijen loopt, bieden detail maar missen het grote plaatje en zijn traag bij het bestrijken van grote gebieden. Maak kennis met de drone, een klein vliegtuig dat hoog genoeg kan zweven om scherpe beelden van elke boom vast te leggen, maar laag genoeg om de specifie-ke gezondheid van een enkele tak te kunnen zien. Om deze beelden nuttig te maken, moeten ze meer zijn dan alleen mooie plaatjes; ze moeten nauwkeurige metingen zijn. Dit vereist een strikte set regels voor hoe de drone vliegt, hoe het licht wordt gemeten en hoe de foto's aan elkaar worden gevoegd. Zonder deze regels zou een verandering in de kleur van een boom op een foto simpelweg een verandering in het weer of de tijd van de dag kunnen zijn, in plaats van een echte verandering in de gezondheid van de boom.
Een team van onderzoekers in Sarawak, Maleisië, zette zich scharpe om een duidelijke, stapsgewijze handleiding te bouwen en te testen voor het gebruik van drones om durian-boomgaard te monitoren. Ze richtten zich op een specifiek dronemodel uitgerust met camera's die niet alleen de kleuren zien die mensen kunnen zien, maar ook onzichtbaar licht dat planten reflecteren. Hun doel was niet om een nieuwe manier van vliegen uit te vinden, maar om een betrouwbaar systeem voor verslaglegging te creëren. Ze wilden ervoor zorgen dat als iemand volgend jaar met dezelfde drone over dezelfde boomgaard zou vliegen, zij de resultaten met vertrouwen konden vergelijken. Het team keek terug naar drie specifieke durian-boomgaard die ze al eerder hadden gesurveyed, waarbij ze hun aantekeningen en gegevens controleerden om te zien of ze voldoende informatie hadden vastgelegd om precies te bewijzen hoe de beelden waren gemaakt. Ze ontdekten dat hoewel ze de gehele reis succesvol konden reconstrueren, van het vliegplan tot de uiteindelijke kaart, er enkele cruciale stukjes van de puzzel ontbraken, wat hen verhinderde om te claimen dat de resultaten perfecte, nauwkeurige metingen waren van de werkelijke conditie van de bomen.
De onderzoekers begonnen door de vluchten te onderzoeken die ze al hadden uitgevoerd boven drie blokken durianbomen, twee in Sri Aman en één in Tapah. Ze gebruikten een drone die een standaardcamera draagt voor het maken van kleurenfoto's en een speciale sensor die vier verschillende lichtbanden vastlegt, inclusief nabij-infrarood, wat essentieel is voor het begrijpen van de plantgezondheid. Het team vloog op verschillende hoogtes, variërend van 70 meter tot 100 meter boven de grond, afhankelijk van de grootte van het boomgaardblok. Op deze hoogtes kon de camera details zien die zo klein zijn als 3,23 centimeter of 4,60 centimeter per pixel. Ze vlogen in een rasterpatroon, waarbij ze ervoor zorgden dat elke foto met de volgende ongeveer 75 tot 80 procent overlapte, een techniek waarmee software de beelden aan elkaar kan naaien tot één naadloze kaart. Tijdens deze vluchten registreerde de drone de tijd van de dag, de windsnelheid en de helderheid van het zonlicht, al deze factoren die kunnen veranderen hoe een plant er op een foto uitziet.
Zodra de gegevens waren verzameld, verwerkte het team deze om verschillende soorten kaarten te maken. Ze genereerden heldere, gekleurde orthomosaïeken, die lijken op gigantische, hoog-resolutie luchtfoto's van de boomgaard, waarop de lay-out van de bomen, de zandpaden en het omliggende landschap te zien zijn. Ze maakten ook kaarten gebaseerd op de onzichtbare lichtbanden, wat hen in staat stelde om vegetatie-indices te berekenen. Dit zijn numerieke waarden die aangeven hoe groen en gezond de planten zijn. Zo produceerden ze bijvoorbeeld kaarten die de Normalized Difference Vegetation Index laten zien, een veelgebruikte maatstaf voor de vitaliteit van planten. De software combineerde duizenden individuele beelden succesvol tot deze grote kaarten, en het team kon elke stap van het proces traceren, van de ruwe foto's tot de uiteindelijke gekleurde lagen. Dit toonde aan dat de door hen voorgestelde workflow functioneel was en de gewenste visuele producten kon voortbrengen.
Echter, de studie onthulde ook aanzienlijke hiaten in hun verslagen die de mate waarin ze deze kaarten kunnen vertrouwen voor het nemen van serieuze landbouwbeslissingen beperken. Hoewel het team de interne gegevens van de drone over het zonlicht had, hadden ze geen fysiek, gekalibreerd wit bord op de grond gebruikt om het licht exact te meten. Zonder deze grondwaarheid vertegenwoordigen de getallen in de kaarten relatieve helderheid in plaats van absolute, wetenschappelijk geverifieerde reflectie. Dit betekent dat hoewel de kaarten kunnen laten zien welke bomen groener lijken dan andere in een enkele foto, het moeilijk is om met zekerheid te zeggen of een boom echt gezond is of dat het verschil slechts te wijten is aan een verschuiving in de wolken of de hoek van de zon. Bovendien, hoewel de drone een precisie-positioneringssysteem gebruikte om te weten waar hij was, had het team geen onafhankelijke controlepunten op de grond opgezet om de exacte locatie van elk punt op de kaart te verifiëren. Ze gebruikten dezelfde punten om de kaart te leiden en om deze te controleren, wat hetzelfde is als je eigen werk controleren zonder een tweede paar ogen.
De onderzoekers concludeerden dat hun voorgestelde workflow uitstekend is voor het organiseren van gegevens en het creëren van een duidelijk historisch overzicht van hoe een survey is uitgevoerd, maar dat het nog geen volledige wetenschappelijke bewijsvoering is voor de conditie van de bomen. De kaarten die zij produceerden zijn waardevol voor het opsporen van gebieden die nauwere inspectie vereisen, zoals een sectie van de boomgaard die er ongewoon bruin of schraal uitziet. Maar de studie stelt expliciet dat deze kaarten nog niet gebruikt kunnen worden om specifieke problemen zoals tekorten aan voedingsstoffen, ziekten of waterstress met zekerheid te diagnosticeren. Om dat te doen, zouden toekomstige surveys striktere controles moeten bevatten, zoals het plaatsen van bekende lichtreflecterende panelen op de grond en het direct meten van de gezondheid van de bomen met bodem- en bladmonsters. De studie dient als een blauwdruk voor wat er vastgelegd moet worden om drone-monitoring betrouwbaar te maken, waarbij wordt benadrukt dat de technologie klaar is om te vliegen, maar dat de wetenschap van het interpreteren van de gegevens nog enkele bewijsstukken nodig heeft om volledig betrouwbaar te zijn.
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.