Thumbnail Image

The effects of three different proximal and remote sensing platforms on estimating agronomic parameters using image-based methods: implications for precision agriculture

Li, Minhui

Precision Agriculture (PA) and decision making in agriculture require reliable field information about crop and soil conditions at the field scale. The necessary parameters that contain information on local heterogeneity are usually determined with various sensing platforms, e.g. unmanned aerial vehicles (UAVs), for site-specific management and dynamic crop monitoring. However, measuring agronomic parameters with high spatial heterogeneity of crops in the fields is hampered by impractical high efforts for manual plant sampling and analysis strategies. The general aim of this work is to assess the potential impact of the proximal and remote sensing platforms for non-destructive crop monitoring by image analysis with vehicle-, UAV-, and satellite-based imagery. The findings can be exploited to improve the effectiveness of analysis for field mapping using sensing systems as well as broaden the use for multiple agronomic parameters without much effort for ground reference measurement. The objectives are to evaluate the effects of camera viewing angles, oblique unmanned aerial vehicle (UAV) imagery, and spatial differences between UAV and satellite imagery in order to improve the quality of agronomic parameters estimation. Data were used from laboratory, field, and farmland experiments in Northeastern Germany, and were acquired from different sensing platforms that varied with the experiments' scales. It was found that a viewing angle of −45° towards the canopy is the most efficient viewing angle for measuring leaf length and width. This is an important prerequisite for the accurate use of camera sensors to achieve better three-dimensional (3D) point clouds in order to estimate plant canopy parameters from reconstructed 3D point clouds. As shown in the test results with 3D data of maize canopy, reconstructed from UAV imagery taken from the nadir and oblique perspective in the fields, UAV 3D data of maize canopy can provide valuable information for plant height (PHT) and leaf area index (LAI). With three cultivars, canopy height data from the 3D point clouds was linearly correlated with manual measurements with R2 of 0.89, 0.86, and 0.78 by CH90. This was sufficient to achieve consistent maps that outlined detailed information on PHT for all three cultivars. However, the correlation of LAI estimation was less desirable (R2 = 0.48) due to a lower point density caused by missing maize plants in the sample areas, leading to different and variable counts of maize plants and thus inaccurate estimation of canopy density and LAI. It would be worthwhile to conduct future research on data analysis that allows possible variable counts of maize plants for plant LAI mapping with 3D photogrammetry. Furthermore, the findings of this thesis encourage the use of the UAV imagery supporting a fusion of Sentinel-2 imagery that can include new information about the distribution of tramlines throughout the whole field to achieve better results. It is suggested by this thesis to add an additional image in the early growth stage from UAV data as input for the features in controlled traffic farming (CTF). The estimation and mapping of agronomic parameters would significantly advance using vehicle-, UAV- or satellite-based sensing platforms and imaging technologies in crop monitoring taking into account the effects of sensing platforms based on the image-based methods.
Präzisionslandwirtschaft (Precision Agriculture, PA) und Entscheidungsfindung in der Landwirtschaft erfordern zuverlässige Feldinformationen über die Anbau- und Bodenbedingungen auf der Feldskala. Die erforderlichen Parameter, die Informationen über die lokale Heterogenität enthalten, werden in der Regel mit verschiedenen Sensorplattformen, z. B. über Drohnen (UAVs), für die teilflächenspezifische Bewirtschaftung und das dynamische Pflanzenmonitoring ermittelt. Die Messung agronomischer Parameter bei hoher räumlicher Heterogenität der Kulturen auf den Feldern wird jedoch durch den hohen Aufwand für manuelle Probenahme- und Analysestrategien erschwert. Das allgemeine Ziel dieser Arbeit ist es, die potenziellen Auswirkungen von Nah- und Fernerkundungsplattformen für die zerstörungsfreie Pflanzenüberwachung durch Bildanalyse mit Fahrzeug-, UAV- und satellitengestützten Bildern zu bewerten. Die Ergebnisse können genutzt werden, um die Effektivität der Analyse für die Kartierung von Feldern mit Hilfe von Erfassungssystemen zu verbessern und die Verwendung für mehrere agronomische Parameter ohne großen Aufwand für die Referenzmessung am Boden zu erweitern. Ziel ist es, die Auswirkungen von Kamerablickwinkeln, schrägen UAV-Bildern (Unmanned Aerial Vehicle) und räumlichen Unterschieden zwischen UAV- und Satellitenbildern zu bewerten, um die Qualität der Schätzung agronomischer Parameter zu verbessern. Es wurden Daten von Experimenten auf der Pflanzen-, Bestandes- und Feldskale im Nordosten Deutschlands verwendet, die von verschiedenen Sensorplattformen erfasst wurden, die je nach Skalenebene der Experimente variierten. Es wurde festgestellt, dass ein Betrachtungswinkel von -45° zum Pflanzenbestand hin der effizienteste Betrachtungswinkel für die Messung von Blattlänge und -breite ist. Dies ist eine wichtige Voraussetzung für den präzisen Einsatz von Kamerasensoren, um bessere dreidimensionale (3D) Punktwolken zu erhalten, mit denen sich aus rekonstruierten 3D-Punktwolken die Parameter des Pflanzenbestands schätzen lassen. Wie die Testergebnisse mit 3D-Daten von Maiskulturen zeigen, die aus UAV-Bildern rekonstruiert wurden und aus der Nadir- und Schrägperspektive auf den Feldern aufgenommen wurden, können UAV-3D-Daten von Maiskulturen wertvolle Informationen zur Pflanzenhöhe und zum Blattflächenindex (LAI) liefern. Bei drei Sorten korrelierten die aus den 3D-Punktwolken gewonnenen Daten zur 90. Perzentil der Bestandeshöhe linear mit manuellen Messungen der Pflanzenhöhe mit R2 Werten von 0,89, 0,86 und 0,78. Das war ausreichend, um konsistente Karten zu erhalten, die detaillierte Informationen über die Pflanzenhöhe für alle drei Sorten enthielten. Die Korrelation der LAI-Schätzung war jedoch weniger ideal (R2 = 0.48), was auf eine geringere Punktdichte zurückzuführen ist, die durch fehlende Maispflanzen in den Probeflächen verursacht wurde, was zu unterschiedlichen und variablen Zählungen von Maispflanzen und somit zu einer ungenauen Schätzung der Bestandesdichte und des LAI führte. Es wäre lohnenswert, künftige Untersuchungen zur Datenanalyse durchzuführen, die eine variable Zählung von Maispflanzen für die LAI-Kartierung mit 3D-Photogrammetrie ermöglichen. Darüber hinaus regen die Ergebnisse dieser Arbeit die Verwendung von UAV-Bildern zur Unterstützung einer Fusion von Sentinel-2-Bildern an, die neue Informationen über die Verteilung von Fahrgassen auf dem gesamten Feld enthalten können, um bessere Ergebnisse zu erzielen. In dieser Arbeit wird vorgeschlagen, eine zusätzliche Luftbildaufnahme in der frühen Wachstumsphase aus UAV-Daten für die Integration der Merkmale eines Regelfahrspursystem für die Auswertung hinzuzufügen. Die Schätzung und Kartierung agronomischer Parameter würde durch den Einsatz von fahrzeug-, drohnen- oder satellitengestützten Erfassungsplattformen und bildgebenden Technologien bei der Überwachung von Kulturpflanzen unter Berücksichtigung der Auswirkungen von Erfassungsplattformen auf der Grundlage bildgestützter Methoden erheblich verbessert.