Gradueret planteværn på basis af droneoptagelser Jesper Rasmussen Det Natur- og Biovidenskabelige Fakultet, KU Plantekongres 2015, 14.-15. januar, Herning Kongrescenter
Status Droner med kameraer Findes i mange prisklasser Kan købes og håndteres af de fleste (varierende brugervenlighed) Serviceydelser udbydes Billedbehandling Ingen konsensus Flaskehals Serviceydelser udbydes Fra billede til beslutninger til handling Meget sparsomme erfaringer
Automatisering - Der er vi ikke endnu Department of Plant and Environmental Sciences G o
Ruteplanlægning, flyvning, fotografering, sammensætninger af billeder og georeferering er alle vigtige komponenter - men gennemgås ikke i dette indlæg
Planteværn og droner - to indfaldsvinkler 1) Kortlægge variation i vegetations-indekser og graduere planteværn i forhold til Et vegetationsindeks er en matematisk beregning udført på det lys, som reflekteres fra det man fotograferer - NDVI gør brug af nær-infrarød (lys som reflekteres) og rød eller blå (lys som absorberes af planterne) - ExG gør brug af grøn (lys som reflekteres) og rød og blå (lys som absorberes af planterne) 2) Kortlægge skadevoldere direkte (i vores tilfælde ukrudt)
Variation i vegetations-indekser Billeder fra forskellige kameraer RGB NDVI kamera
Variation i vegetations-indekser Beregnede vegetationsindekser Department of Plant and Environmental Sciences RGB NDVI kamera Dias 7
Variation i vegetations-indekser Foreløbig konklusion: Variation i vegetationsindekser kan bestemmes med god nøjagtighed under forudsætning af, at lysforholdene er nogenlunde konstante (dog en del faldgruber) Problemstillingerne vedrørende vegetationsindekser og gradueret planteværn ligner problemstillingerne for de jordbårne afgrødesensorer
Kortlægge skadevoldere direkte - eksemplificeret med tidsler i modent korn To metoder: 1. ecognition (objektbaseret) et kommercielt billedbehandlingsprogram som kræver brugerinteraktion 2. Thistle Tool (farve og tekstur) et fuldautomatisk program som udvikles på Datalogisk Institut (DIKU), KU Department of Plant and Environmental Sciences
Erfaringer med ecognition Department of Plant and Environmental Sciences Dias 10
ecognition Foreløbig konklusion: Program med mange muligheder 85% af tidslernes dækningsgrad kan bestemmes uden at korn fejlbestemmes som tidsler Hvis man vil have flere tidsler med i bestemmelserne øges risikoen for falske positive (korn fejlbestemmes som tidsler)
Thistle Tool Fuldautomatisk program som klassificerer felter (64 x 64 pixels) på grundlag af Farveforskelle Tekstur Kombination af farve og tekstur Brugeren har mulighed for at justere tærskelværdier for at få flere eller færre tidsler med i bestemmelserne træne programmet I det følgende præsenteres eksempler hvor kun farve er anvendt til at bestemme tidsler i modent korn (tekstur er meget beregningstungt)
Demonstration af Thistle Tool Betydningen af SKALA og TÆRSKEL SKALA angiver klassifikations-enhedens geografiske størrelse i forhold til den gennemsnitlige størrelse af tidslerne Skala=1 betyder at klassifikations-enheden er af nogenlunde samme størrelse som én tidsel Skala = 4 betyder at klassifikationsenheden er 16 gange større (4 gange større på hver led = 4 x 4) TÆRSKEL angiver hvor farve-snittet mellem tidsler og korn lægges Tærskel = auto er programmes automatiske indstilling Tærskel = høj betyder at der tages lidt flere tidsler med (tærsklen kan øges eller reduceres trinløst)
Fuldautomatisk bestemmelse af tidsler på sammensat billede (ortofoto)
Illustrationer af SKALA og TÆRSKEL Dias 15
Skala=1 Tærskel=auto. Bestemmelse af tidsler Dias 16
Skala=1 Tærskel=høj. Bestemmelse af tidsler Dias 17
Skala=1 Tærskel=auto. Bestemmelse af korn Dias 18
Skala=1 Tærskel=høj. Bestemmelse af korn Dias 19
Skala=1/4 Tærskel=auto. Bestemmelse af tidsler Dias 20
Skala=1/4 Tærskel=høj. Bestemmelse af tidsler Dias 21
Skala=1/4 Tærskel=auto. Bestemmelse af korn Dias 22
Skala=1/4 Tærskel=høj. Bestemmelse af korn Dias 23
Skala=4 Tærskel=auto. Bestemmelse af tidsler Dias 24
Skala=4 Tærskel=høj. Bestemmelse af tidsler Dias 25
Skala=4 Tærskel=auto. Bestemmelse af korn Dias 26
Skala=4 Tærskel=høj. Bestemmelse af korn Dias 27
Beregnet areal med tidsler (%) 80 70 60 50 Tidselbestemmelsen er afhængig af skala og tærskelværdi Department of Plant and Environmental Sciences 40 30 Høj tærskel Auto tærskel 20 10 0 0 1 2 3 4 5 Skala
Første test af Thistle Tools egnethed til automatisk bestemmelse af tidsler - Visuel vurdering og automatisk bestemmelse af tidsler på 10 billeder fra forskellige marker optaget i forskellige højde
Visuel*: 3% Thistle Tool: 1% *gennemsnit af 2 personers visuelle vurderinger
Visuel: 6,5% Thistle Tool: 5,5% Dias 31
Visuel: 53% Thistle Tool: 49%
Sammenhæng mellem visuel tidselvurdering og Thistle Tools automatiske bestemmelse Beregnet dækning (%) 60 50 40 30 20 10 0 0 10 20 30 40 50 60 Visuel vurdering af dækning (%)
Konklusion Der er gode muligheder for at bestemme vegetationsindekser på grundlag af billeder fra droner men metoden mangler at blive sammenlignet med jordbårne afgrødesensorer og anvendt i praktisk planteværn Der er opnået lovende resultater med bestemmelse af tidsler i modent korn med Thistle Tool (fuldautomatisk) og ecognition I 2015 vil der blive kortlagt flerårigt ukrudt i modent korn og foretaget sammenligninger med registreringer på jorden
Følgende har bidraget til dette indlæg Jon Nielsen, PLEN, KU George Dakos, PLEN, KU Søren I Olsen, DIKU, KU Kim Steenstrup Pedersen, DIKU, KU Henrik G. Jensen, DIKU, KU Jón Gísli Egilsson, DIKU, KU Støttet af Miljøstyrelsen og GUDP