Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá độ chính xác của mosaics từ hình ảnh của thiết bị bay không người lái (UAV) cho mục đích nông nghiệp chính xác trong cây lúa mì
Tóm tắt
Hình ảnh độ phân giải không gian cao được chụp bởi các thiết bị bay không người lái (UAV) đã cho thấy tiềm năng trong việc theo dõi các biến số nông sinh học và môi trường. Tuy nhiên, cần phải chụp một lượng lớn hình ảnh chồng lấp mà phải được ghép lại để tạo ra một hình ảnh ortho duy nhất và chính xác (còn gọi là hình ảnh ortho-mosaicked) đại diện cho toàn bộ khu vực làm việc. Do đó, các điểm kiểm soát mặt đất (GCPs) phải được thu thập để đảm bảo độ chính xác của quy trình ghép hình. Hình ảnh ortho-mosaic từ UAV đang trở thành một công cụ quan trọng cho quản lý cỏ dại theo địa điểm sớm (ESSWM), vì việc phân biệt các cây nhỏ (cây trồng và cỏ dại) ở các giai đoạn sinh trưởng sớm gặp nhiều rào cản nghiêm trọng khi sử dụng các loại nền tảng từ xa khác có độ phân giải không gian thô, chẳng hạn như vệ tinh hoặc các nền tảng bay truyền thống. Những thay đổi nhỏ về độ cao bay rất quan trọng cho việc thu hình ảnh ở độ cao thấp vì những biến đổi này có thể gây ra sự khác biệt quan trọng trong độ phân giải không gian của các hình ảnh ortho. Hơn nữa, việc giảm độ cao bay làm giảm diện tích được bao phủ bởi mỗi hình ảnh chồng lấp đơn lẻ, điều này có nghĩa là tăng cả chuỗi hình ảnh và sự phức tạp của quy trình ghép hình ảnh để có được một hình ảnh ortho bao phủ toàn bộ khu vực nghiên cứu. Nghiên cứu này được thực hiện trên hai cánh đồng lúa mì tự nhiên bị nhiễm cỏ dại lá rộng và cỏ dại cỏ ở giai đoạn sinh trưởng phenologial rất sớm. Những khác biệt độ chính xác hình học và sự thẳng hàng cây trồng giữa các ortho-mosaic được tạo ra từ chuỗi hình ảnh UAV đã được điều tra trong khi tính đến ba độ cao bay khác nhau (30, 60 và 100 m) và một số lượng GCPs (từ 11 đến 45). Kết quả không cho thấy sự khác biệt đáng kể trong độ chính xác tham chiếu vị trí trong khoảng độ cao đã nghiên cứu. Tương tự, việc tăng số lượng GCPs không dẫn đến sự gia tăng đáng kể về độ chính xác tham chiếu vị trí. Do đó, tham số quan trọng nhất cần xem xét khi chọn độ cao bay là độ phân giải không gian của hình ảnh ortho yêu cầu thay vì độ chính xác tham chiếu vị trí. Về sự không thẳng hàng của cây trồng, kết quả cho thấy rằng các lỗi tổng thể nhỏ hơn gấp đôi độ phân giải không gian, điều này không làm phá vỡ tính liên tục của dòng cây trồng tại các độ phân giải không gian đã nghiên cứu (pixel từ 7,4 đến 24,7 mm cho độ cao bay 30, 60 và 100 m tương ứng) trên cây trồng đã nghiên cứu (cây lúa mì sớm). Kết quả dẫn đến kết luận rằng một UAV bay trong khoảng độ cao từ 30 đến 100 m và sử dụng một số lượng GCPs vừa phải có khả năng tạo ra hình ảnh ortho có độ phân giải không gian siêu cao với độ chính xác tham chiếu vị trí cần thiết để bản đồ các loại cỏ dại nhỏ trong lúa mì ở giai đoạn sinh trưởng phenologial rất sớm. Đây là một mục tiêu nông nghiệp đầy tham vọng đang được nghiên cứu trong một chương trình nghiên cứu rộng lớn có mục tiêu toàn cầu là tạo ra bản đồ cỏ dại lá rộng và cỏ dại cỏ trong các cây lúa mì cho một ESSWM hiệu quả.
Từ khóa
#UAV #ortho-image #GCP #độ chính xác hình học #quản lý cỏ dại #nông nghiệp chính xácTài liệu tham khảo
Blackmore, S. (1996). An information system for precision farming. British Crop Protection Council Pests and Diseases, Brighton, UK, 3,1207–1214.
De Castro, A. I., Jurado-Expósito, M., Peña-Barragán, J. M., & López-Granados, F. (2012). Airborne multi-spectral imagery for zapping cruciferous weeds in cereal and legume crops. Precision Agriculture, 13, 302–321.
De Castro, A. I., López-Granados, F., & Jurado-Expósito, M. (2013). Broad-scale cruciferous weed patch classification in winter wheat using QuickBird imagery for in-season site-specific control. Precision Agriculture, 14, 392–413.
ERDAS Inc. (1999). RMS error (pp. 362–365). In: ERDAS field guide (5th edn, 672 pp). Atlanta, GA: ERDAS Inc.
Gómez-Candón, D., López-Granados, F., Caballero-Novella, J. J., García-Ferrer, A., Peña-Barragán, J. M., Jurado-Expósito, M., et al. (2012). Sectioning remote imagery for characterization of Avena sterilis infestations part A: Weed abundance. Precision Agriculture, 13, 322–336.
Gómez-Candón, D., López-Granados, F., Caballero-Novella, J. J., Gómez-Casero, M. T., Jurado-Expósito, M., & García-Torres, L. (2011). Geo-referencing remote images for precision agriculture using artificial terrestrial targets. Precision Agriculture, 12, 876–891.
Hunt, E. R., Hively, W. D., Fujikawa, S. J., Linden, D. S., Daughtry, C. S. T., & McCarty, G. W. (2010). Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring. Remote Sensing, 2, 290–305.
Jurado-Expósito, M., López-Granados, F., García-Torres, L., García-Ferrer, A., Sánchez de la Orden, M., & Atenciano, S. (2003). Multi-species weed spatial variability and site-specific management maps in cultivated sunflower. Weed Science, 51, 319–328.
Jurado-Expósito, M., López-Granados, F., González-Andújar, J. L., & García-Torres, L. (2004). Spatial and temporal analysis of Convolvulus arvensis L. populations over four growing seasons. European Journal of Agronomy, 21, 287–296.
Kropff, M. J., Wallinga, J., & Lotz, L. A. P. (1997). Crop-weed interactions and weed population dynamics: Current knowledge and new research targets. In Proceedings of the 10th Symposium of the European Weed Research Society (EWRS) (pp. 41–48).
Laliberte, A. S., Herrick, J. E., Rango, A., & Winters, C. (2010). Acquisition, orthorectification, and object-based classification of unmanned aerial vehicle (UAV) imagery for rangeland monitoring. Photogrammetric Engineering and Remote Sensing, 76(6), 661–672.
Leica Geosystems. (2006). Leica Photogrammetry Suite Project Manager. Leica Geosystems Geospatial Imaging, LLC, Norcross, GA, (434 pp.) Retrieved July 25, 2013, from http://pdf.ebooks6.com/Leica-Photogrammetry-Suite-pdf.pdf.
Lin, Y., & Medioni, G. (2007). Map-enhanced UAV image sequence registration and synchronization of multiple image sequences. In IEEE Conference on Computer Vision and Pattern Recognition (Vol 1, pp. 3272–3278).
López-Granados, F. (2011). Weed detection for site-specific weed management: Mapping and real-time approaches. Weed Research, 51, 1–11.
López-Granados, F., Jurado-Expósito, M., Peña-Barragán, J. M., & García-Torres, L. (2006). Using remote sensing for identification of late-season grass weed patches in wheat. Weed Science, 54, 346–353.
Lunetta, R. S., Congalton, R. G., Fenstermaker, L. K., Jensen, J. R., Mcgwire, K. C., & Tinney, L. R. (1991). Remote sensing and geographic information system data integration: Error sources and research issues. Photogrammetric Engineering and Remote Sensing, 57, 677–687.
Mostafa, M. M. R., Hutton, J., & Lithopoulos, E. (2001). Airborne direct georeferencing of frame imagery: An error budget. In Proceedings of the 3rd International Symposium on Mobile Mapping Technology. Cairo, Egypt.
Peña-Barragan, J. M., Kelly, M., de-Castro, A. I. & Lopez-Granados, F. (2012). Object-based approach for crow row characterization in UAV images for site-specific weed management. In: R. Queiroz, G. A. Da Cost, M. de Almeida, L. M. García & H. J. Kux (Eds.), In 4th International Conference on Geographic Object-Based Image Analysis (GEOBIA 2012) (pp. 426–430).
Rango, A., Laliberte, A. S., Steele, C., Herrick, J. E., Bestelmeyer, B., Schmugge, T., et al. (2006). Using unmanned aerial vehicles for rangelands: Current applications and future potentials. Environmental Practice, 8, 159–168.
Schmale, D. G., Dingus, B. R., & Reinholtz, C. (2008). Development and application of an autonomous unmanned aerial vehicle for precise aerobiological sampling above agricultural fields. Journal of Field Robotics, 25, 133–147.
Slama, C. C., Theurer, C., & Henriksen, S. W. (1980). Manual of photogrammetry (4th ed.). Bethesda, MD: The American Society for Photogrammetry and Remote Sensing.
Thorp, K. R., & Tian, L. F. (2004). A review on remote sensing of weeds in agriculture. Precision Agriculture, 5, 477–508.
Torres-Sánchez, J., López-Granados, F., de Castro-Megías, A. I., & Peña-Barragán, J. M. (2013). Configuration and specifications of an unmanned aerial vehicle (UAV) for early site specific weed management. PLoS One,. doi:10.1371/journal.pone.0058210,e58210.
Vericat, D., Brasington, J., Wheaton, J., & Cowie, M. (2009). Accuracy assessment of aerial photographs acquired using lighter-than-air blimps: Low-cost tools for mapping river corridors. River Research and Applications, 25, 985–1000.
Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture, 13, 693–712.