Remote sensing for precision agriculture

dc.contributor.advisorKleinschmit, Birgit
dc.contributor.authorVallentin, Claudia
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeKleinschmit, Birgit
dc.contributor.refereeKaufmann, Hermann
dc.contributor.refereeConrad, Christopher
dc.date.accepted2020-11-17
dc.date.accessioned2021-02-25T13:17:13Z
dc.date.available2021-02-25T13:17:13Z
dc.date.issued2021
dc.description.abstractBackground: Agriculture is a large and dynamic sector, essential for the supply of the population and thus in a complex area of tension. The growing population and the resulting need for optimization, greater efficiency and intensification are in direct conflict with the demand for sustainability, environmental compatibility and, above all, mitigation of climate change and its consequences. Precision agriculture can make a decisive contribution to increasing efficiency in particular. Because through the targeted and demand-oriented application of fertilizers and pesticides, but also spatially variable sowing, resources can be used better and in the best case even increase yields. Above all, if fertilizers are applied in the way that the plants need and can absorb them, in contrast to uniform application across the entire field, a surplus that can be washed into the groundwater can be avoided. A basis is therefore needed on which this variable application of resources can be determined. In practice, maps of current condition in the form of zones in the field or on-the-go measurements from sensors on the tractor are often used here. However, for comprehensive planning and holistic cultivation of crop, current and past spatial information maps, such as zone maps, are necessary. Satellite data are a data basis for such zones, as they are available in various types, current and retrospective and cover large areas spatially. Objective: This work explores possibilities to derive this zoning from satellite data and developes different approaches. The interrelations between satellite data, geoinformation data and agricultural data such as yield will be investigated and combined. The focus of the method development is the applicability in practice and the associated requirements of the farmer. Data: For method development and analysis 179 RapidEye scenes, 512 Landsat scenes, 43 Sentinel-2 scenes and 21 Planetscope scenes were used. Furthermore, the soil map „Bodenschätzung“, which not only transmits the information about the respective soil type, but also a quantification of the fertility respectively the yield potential in the form of „Bodenzahl“ and „Ackerzahl“. Digital terrain models in different spatial resolutions were used as well as in-situ measurements of nutrients, electrical conductivity and phenology. Methods and Results: In this thesis two methods and a data analysis are presented. The first method uses only optical satellite data (RapidEye) and processes these automatically into five relative yield zones, which reflect the expected relative yield averaged over several years. The method independently selects the appropriate data sets for a prescribed field, using different thresholds resulting from the reflectance values of individual bands. The zones are then separated on the basis of quantile values using an synthetic, averaged raster of the near infrared bands. The method is validated with actual yield data using the characteristics of box plots. The yield zones generated can then be used as management zones in precision farming. The second method also generates relative yield zones, suitable for use as a management zone, using RapidEye satellite data as well as soil map and relief information. This data fusion for yield zone modeling is based on belief structures and uses the Transferable Belief Model. Thus, individual expert knowledge from practical agriculture can be integrated into the fusion process. The knowledge generated in the course of method development about the relationship between remote sensing and GIS data and the actual yield on the field will be extended and consolidated in a large-scale data analysis with a time series of 13 years and 755 satellite scenes. It shows that there is a strong correlation between satellite data and yield data (up to a correlation value of r = 0.75, some values even higher). However, this correlation depends strongly on the phenological timing of - in this case - cereals and canola. In addition, the spectral and spatial resolution, as well as the growing conditions and the soil available water. Conclusion: Satellite data are very well suited for agricultural applications and for the derivation of management zones for precision crop cultivation. However, a lot of expert knowledge has to be applied in the selection of the appropriate remote sensing data as well as in the processing and methodology. The scientific and practical use of remote sensing data should be adapted to the specific problem and external conditions.en
dc.description.abstractHintergrund: Die Landwirtschaft ist ein großer und dynamischer Sektor, essentiell für die Versorgung der Bevölkerung und dadurch in einem komplexen Spannungsfeld. Die steigende Bevölkerung und der dadurch bestehende Bedarf an Optimierung, mehr Effizienz und Intensivierung steht im direkten Konflikt mit dem Anspruch nach Nachhaltigkeit, Umweltverträglichkeit aber vor allem der Eindämmung des Klimawandels und seiner Folgen. Gerade bei Fragen der Effizienzsteigerung kann der Bereich der Präzisionslandwirtschaft einen entscheidenden Beitrag leisten. Denn durch die gezielte und bedarfsorientierte Anwendung von Dünger und Pflanzenschutzmitteln, aber auch die gezielte und räumlich variable angepasste Aussaat, können Ressource besser genutzt werden und im besten Falle den Ertrag sogar steigern. Vor allem wenn Düngemittel so ausgebracht werden, wie die Pflanzen ihn benötigen und aufnehmen können, im Gegensatz zu einer uniformen Ausbringung über das ganze Feld hinweg, kann ein Überschuss, welcher in das Grundwasser ausgewaschen werden kann, vermieden werden. Es braucht also eine Grundlage, auf welcher diese variable Ausbringung von Ressourcen bestimmt wird. Hier werden in der Praxis oft Zustandskarten in Form von Zonen im Feld verwendet oder „on-the-go“-Messungen von Sensoren auf dem Traktor. Für die umfassende Planung und eine holistische Bearbeitung der Bestände sind aber aktuelle und zurückliegende, wie zusammenfassende Zustandskarten, beziehungsweise Zonenkarten nötig. Eine Datengrundlage für solche Zonen sind Satellitendaten, da sie in verschiedenster Art, aktuell und retroperspektiv vorliegen und große Flächen räumlich erfassen. Ziel: Diese Arbeit erforscht Möglichkeiten aus Satellitendaten eben diese Zonierung abzuleiten und sucht dabei verschiedene Herangehensweisen. Es sollen die Zusammenhänge zwischen Satellitendaten, Daten der Geoinformation und landwirtschaftlicher Daten wie Ertrag untersucht und miteinander kombiniert werden. Im Fokus der Methodenentwicklung steht die Anwendbarkeit in der Praxis und die somit einhergehenden Anforderungen des Landwirtes. Daten: Für die Methodenentwicklung und die Analyse wurden 179 RapidEye Szenen, 512 Landsat-Szenen, 43 Sentinel-2 Szenen und 21 Planetscope-Szenen verwendet. Weiterhin die Bodenkarte Bodenschätzung, welche nicht nur die Informationen über die jeweilige Bodenart übermittelt, aber auch eine Quantifizierung der Fruchtbarkeit beziehungsweise des Ertragspotentials in Form von „Bodenzahl“ und „Ackerzahl“. Digitale Geländemodell in unterschiedlichen räumlichen Auflösungen wurden verwendet, ebenso wie in-situ-Messungen von Nährstoffen, elektrischer Leitfähigkeit und Phänologie. Methoden und Ergebnisse: In dieser Doktorarbeit werden zwei Methoden und eine Datenanalyse vorgestellt. Die erste Methode verwendet einzig optische Satellitendaten (RapidEye) und verarbeitet diese automatisiert zu fünf relativen Ertragszonen, welche den zu erwartenden relativen Ertrag gemittelt über mehrere Jahre spiegelt. Die Methode wählt dabei eigenständig die passenden Datensätze für ein vorgeschriebenes Feld aus, unter Verwendung verschiedener Schwellwerte, die sich aus den Rückstrahlwerten einzelner Bänder ergeben. Auf Basis eines gemittelten Rasters der Bänder des nahen Infrarots werden dann auf Basis von Quartilswerten die Zonen separiert. Die Methode wird mit tatsächlichen Ertragsdaten mithilfe der Charakteristika von Boxplots validiert Die erzeugten Ertragszonen können dann als Bearbeitungszonen in der Präzisionslandwirtschaft verwendet werden. Die zweite Methode erzeugt ebenfalls relative Ertragszonen, geeignet für die Verwendung als Management Zone, verwendet neben RapidEye Satellitendaten auch die Informationen der Bodenkarte und des Reliefs. Diese Datenfusion zur Modellierung von Ertragszonen basiert auf Überzeugungsstrukturen und verwendet das Transferable Belief Model. Somit kann individuelles Expertenwissen aus der praktischen Landwirtschaft in den Fusionsprozess integrieren werden. Die Erkenntnisse, die im Laufe der Methodenentwicklung über die Zusammenhänge von Fernerkundungs- und GIS Daten und dem tatsächlichen Ertrag auf dem Feld generiert wurden, werden in einer großangelegten Datenanalyse mit einer Zeitreihe von 13 Jahren und 755 Satellitenszenen erweitert und gefestigt. Sie zeigt, dass es einen starken Zusammenhang zwischen Satellitendaten und Ertragsdaten gibt (bis zu einem Korrelationswert von r = 0.75, einzelne Werte höher). Diese Korrelation hängt aber stark ab vom phänologischen Zeitpunkt von – in diesem Falle – Getreide und Raps. Außerdem von der spektralen und räumlichen Auflösung, sowie den Wachstumsbedingungen und dem bodenverfügbaren Wasser. Fazit: Satellitendaten eignen sich sehr gut für die Anwendung in der Landwirtschaft und für die Ableitung von Bearbeitungszonen für den Präzisionspflanzenbau. Allerdings muss in der Auswahl der passenden Fernerkundungsdaten und auch der Verarbeitung und Methodik viel Expertenwissen angewandt werden. Die wissenschaftliche und praktische Verwendung von Fernerkundungsdaten sollte an die spezifische Fragestellung und die äußeren Bedingungen angepasst werden.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/12327
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-11174
dc.language.isoenen
dc.relation.haspart10.14279/depositonce-11665en
dc.relation.haspart10.14279/depositonce-11666en
dc.relation.haspart10.14279/depositonce-15318en
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc550 Geowissenschaftende
dc.subject.otherremote sensingen
dc.subject.otheragricultureen
dc.subject.otherprecision agricultureen
dc.subject.otheryield estimationen
dc.subject.otherGIS Dataen
dc.subject.otherFernerkundungde
dc.subject.otherLandwirtschaftde
dc.subject.otherPräzisionslandwirtschaftde
dc.subject.otherGeodatende
dc.subject.otherErtragsvorhersagede
dc.titleRemote sensing for precision agricultureen
dc.title.subtitleyield mapping and delineation of management zones with multispectral satellite imagery and GIS dataen
dc.title.translatedFernerkundung für die Präzisionslandwirtschaftde
dc.title.translatedsubtitleErtragskartierung und Abgrenzung von Managementzonen mit multispektralen Satellitenbildern und GIS-Datende
dc.typeDoctoral Thesisen
dc.type.versionacceptedVersionen
tub.accessrights.dnbdomainen
tub.affiliationFak. 6 Planen Bauen Umwelt>Inst. Landschaftsarchitektur und Umweltplanung>FG Geoinformation in der Umweltplanungde
tub.affiliation.facultyFak. 6 Planen Bauen Umweltde
tub.affiliation.groupFG Geoinformation in der Umweltplanungde
tub.affiliation.instituteInst. Landschaftsarchitektur und Umweltplanungde
tub.publisher.universityorinstitutionTechnische Universität Berlinen
Files
Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
vallentin_claudia.pdf
Size:
34.45 MB
Format:
Adobe Portable Document Format
Description:
Collections