Estimating Rice Agronomic Traits Using Drone-Collected Multispectral Imagery
Από RemoteSensing Wiki
Add Your Content Here
- Τίτλος: Εκτίμηση γεωπονικών χαρακτηριστικών σε καλλιέργειες ρυζιού με χρήση πολυφασματικών εικόνων από Drone.
- Πρωτότυπος Τίτλος:Estimating Rice Agronomic Traits Using Drone-Collected Multispectral Imagery
- DIMITRIS STAVRAKOUDIS , DIMITRIOS KATSANTONIS, KALLIOPI KADOGLIDOU, ARGYRIS KALAITZIDIS AND IOANNIS Z. GITAS
- Πηγή: [1]
- Εισαγωγή
Το Ρύζι αποτελεί κύρια πηγή τροφής για πάνω από 3.000.000.000 ανθρώπους. Λόγω της αυξημένης αύξησης, στις αγροτικές καλλιέργειες παρατηρείται εκτεταμένη χρήση των αζωτούχων λιπασμάτων (N), η οποία προκαλεί αρνητικές επιπτώσεις στο περιβάλλον, όπως τον ευτροφισμό των επιφανειακών υδάτων και την εξάντληση των στρωμάτων του όζοντος. Η εργασία αφορά την δημιουργία εμπειρικών μοντέλων για την πρόβλεψη των γεωπονικών χαρακτηριστικών σε καλλιέργειες ρυζιού, που εξαρτώνται από την απόδοση και τις απαιτήσεις των καλλιεργειών σε άζωτο (Ν), με απώτερο στόχο την ορθολογική χρήση των λιπασμάτων αζώτου στις καλλιέργειες. Τα μοντέλα κατασκευάστηκαν με την χρήση δεδομένων πεδίου και εικόνων που λήφθηκαν με τη χρήση μη επανδρωμένου εναέριου οχήματος (drone), με πολυφασματικό αισθητήρα.
- Περιοχή μελέτης
Τα δεδομένα πεδίου και εικόνων, συλλέχθηκαν σε πειραματικές καλλιέργειες ρυζιού στην περιοχή της Θεσσαλονίκης (πειραματικός σταθμός Καλοχωρίου Θεσσαλονίκης) σε διάφορά στάδια των καλλιεργειών και σε περίοδο δύο συνεχόμενων ετών (2016-2017).
- Μεθοδολογία
- 1. Πειράματα πεδίου
Οι πειραματικές καλλιέργειες αναπτύχτηκαν σε έκταση του πειραματικού σταθμού Καλοχωρίου Θεσσαλονίκης. Για την εκτίμηση των γεωπονικών χαρακτηριστικών σε διαφορετικά στάδια ανάπτυξης του ρυζιού και σε διαφορετικές θεραπείες λίπανσης του εδάφους, επιλέχθηκαν σπόροι ρυζιού Ιαπωνίας, τύπου Ελληνικής Εμπορικής ποικιλίας «ΔΙΩΝ», που ανήκουν στην Ευρωπαϊκή Κεντρική συλλογή (http://tropgenedb.CIRAD.FR). Επιλέχθηκε να γίνει εφαρμογή τεσσάρων διαφορετικών ποσοτήτων λίπανσης ανά τμήμα καλλιέργειας, με ένα νέο βιο-λίπασμα (RBBf), που αναπτύχθηκε στον Ελληνικό Γεωργικό Οργανισμό – ΔΗΜΗΤΡΑ (ΕΛΓΟ-ΔΗΜΗΤΡΑ), στο πλαίσιο του προγράμματος Ορίζων 2020, με τις τέσσερις κατηγορίες (C0, C1, C2, C3) να διαφοροποιούνται ως προς την ποσότητα εμπλουτισμού με λίπασμα ως εξής: 1) 0 N kg ∙ ha − 1 — Έλεγχος χωρίς επεξεργασία (C0) 2) 80 N kg ∙ ha − 1 του RBBf (C1) •3) 160 N kg ∙ ha − 1 του RBBf — πρότυπη τοπική πρακτική για την καλλιέργεια ρυζιού (C2) • και 4) 320 N kg ∙ ha − 1 RBBf (C3). Σε κάθε διαφορετική κατηγορία λίπανσης επιλέχθηκαν πέντε περιοχές για την λήψη δεδομένων και το μέγεθος κάθε περιοχής πειραματικής σχεδίασης να έχει εμβαδό 11τ.μ. (5Χ2,5μ.).
Η φύτευση έγινε στα πλημμυρισμένα αγροτεμάχια στις 2 Ιουνίου 2016 και στις 9 Ιουνίου 2017, αντίστοιχα. Το σύστημα λίπανσης του εδάφους ακολούθησε τις τοπικές και διεθνείς τυποποιημένες πρακτικές για την καλλιέργεια ρυζιού, όπου η ποσότητα λίπανσης διαιρείται σε τρεις φάσεις: το 40% του N – P – K ενσωματώνονται ως βασικό λίπασμα πριν από τις πλημμύρες, το 40% εφαρμόζεται στο στάδιο της όργωσης, και ομοίως τα υπόλοιπα (20%) στο στάδιο της μύησης (πριν τη διόγκωση). Εκτός από τη λίπανση, εφαρμόστηκαν όλες οι υπόλοιπες κοινές πρακτικές. Το όλο πείραμα ολοκληρώθηκε όταν τα φυτά έφτασαν στο στάδιο φυσιολογικής ωριμότητας στις 6 Οκτωβρίου 2016 και στις 10 Οκτωβρίου 2017, αντίστοιχα. Κατά τη διάρκεια της περιόδου πειραματισμού, αξιολογήθηκαν τα ακόλουθα χαρακτηριστικά στα κατάλληλα στάδια της κλίμακας BBCH: (1) ύψος φυτού (PH, cm), μετρώντας το κύριο στέλεχος 30 τυχαίων φυτών ρυζιού ανά οικόπεδο • (2) ολική βιομάζα (BT, tn•ha−1), κόβοντας ολόκληρης της βιομάζας σε 0.25m2 από κάθε τμήμα των αγροτεμαχίων και ζυγίζοντας το μετά από 48 h στεγνώματος με αέρα στους 70 °C , • (3) η συγκέντρωση N (NC,%), που καθορίζεται από τη διαδικασία macro-Kjeldahl • (4) N πρόσληψη (NU; kg ∙ ha − 1 ), υπολογιζόμενη ως συνολική συγκέντρωση βιομάζας × N , • (5) απόδοση σιτηρών (απόδοση, tn•ha−1) • και (6) δείκτης συγκομιδής (HI), που εκτιμάται ως απόδοση κόκκων/(ολική ξηρά ύλη + απόδοση κόκκων).
- 2. Λήψη εικόνων και προεπεξεργασία
Για τη λήψη των εικόνων χρησιμοποιήθηκε ο πολυφασματικός αισθητήρας Parrot® Sequoia™ multispectral imaging sensor (Parrot Drones S.A.S, Paris, France), ο οποίος συλλαμβάνει το αντανακλασόμενο φως, σε τέσσερις φασματικές ζώνες, με οπτικό πεδίο 70,6 °, green (G; 550 nm; 40 nm, εύρος ζώνης), red (R; 660 nm, 40 nm εύρος ζώνης), red-edge (RE; 735 nm • -10 nm εύρος ζώνης), και near-infrared (NIR, 790 nm, 40 nm εύρος ζώνης). Ο αισθητήρας ήταν τοποθετημένος σε ένα ελικόπτερο (drone) DJI 4 (DJI, Shenzhen, Κίνα) το οποίο ήταν επίσης εξοπλισμένο με έναν αισθητήρα ακτινοβολίας για τη μέτρηση του φωτός την ώρα των λήψεων, προκειμένου να διορθωθούν οι εικόνες, στις μεταβλητές συνθήκες φωτισμού κατά τη διάρκεια της πτήσης. Το σχέδιο πτήσης δημιουργήθηκε αυτόματα μέσω της εφαρμογής πτήσης Atlas (MicaSense, Inc., Σιάτλ, ΗΠΑ), επιλέγοντας το 80% να επικαλύπτονται και για τον μπροστινό και τον πλευρικό γύρο, προκειμένου να διασφαλιστεί η ακρίβεια των δεδομένων . Στη συνέχεια, οι εικόνες συνδυάστηκαν με την χρήση της εφαρμογής Pix4Dmapper Pro (Pix4D Α.Ε., Λωζάνη, Ελβετία). Κατά τη διάρκεια κάθε καλλιεργητικής περιόδου, πάρθηκαν τρεις εικόνες πάνω από την περιοχή μελέτης. Το τηλεκατευθυνόμενο πετούσε σε ύψος 30 m πάνω από το επίπεδο του εδάφους, με αποτέλεσμα έναν ορθοφωτοχάρτη με χωρική ανάλυση περίπου 2,5 cm. Από κάθε εικόνα υπολογίστηκαν 35 VIs, οι οποίες εξετάστηκαν σε σχέση με μελέτες που αφορούσαν την εκτίμηση των Γεωπονικών χαρακτηριστικών του ρυζιού. Στη συνέχεια σε κάθε πειραματικό οικόπεδο οριοθετήθηκε , η περιοχή έρευνας χειροκίνητα (περίπου 10 m2). Για κάθε οικόπεδο, η μέση τιμή όλων των εικονοστοιχείων εντός της οριοθετημένης περιοχής υπολογίστηκε για κάθε μπάντα της κάμερας και VI, και το δεδομένα που παράχθηκαν, χρησιμοποιήθηκαν στη συνέχεια για την ανάλυση. Το τελικό σύνολο δεδομένων περιελάμβανε 40 δείγματα, καθώς το πείραμα περιελάμβανε 20 αγροτεμάχια (πέντε αναπαραγωγές για καθεμία από τις τέσσερις μεθόδους λίπανσης με (N) και οι μετρήσεις έγιναν για τα δύο χρόνια πειραματισμού (2016 και 2017).
- 3. Μοντέλα παλινδρόμησης
Η ένωση των τεσσάρων καναλιών της κάμερας και τα 35 VIs χρησιμοποιήθηκαν ως εισροές για την δημιουργία των εμπειρικών μοντέλων. Τα δείγματα που χρησιμοποιήθηκαν για την ανάλυση ήταν η μέση τιμή των VIs και των καναλιών της κάμερας, μαζί με τις αντίστοιχες τιμές δεδομένων πεδίου (ένα από τα χαρακτηριστικά για κάθε μοντέλο) για κάθε οικόπεδο και για τα δύο χρόνια πειραματισμού. Η ερμηνεία των μοντέλων, επιλέχθηκε να γίνει μέσω της απλής προσέγγισης με ελάχιστη κλίμακα πολλαπλής γραμμικής παλινδρόμησης. Όλα τα VIs θεωρήθηκαν ως δυνητικές εισροές για τα μοντέλα, δεδομένου ότι οι λιπάνσεις με N επηρεάζουν, ταυτόχρονα, τη βιομάζα, τον δείκτη φύλλων και την περιεκτικότητα σε χλωροφύλλη όλων των φυτών και, ως εκ τούτου, κάθε VI θα μπορούσε ενδεχομένως να αυξήσει την ακρίβεια ενός μοντέλου που χτίστηκε για κάθε χαρακτηριστικό. Για κάθε γεωπονική ιδιότητα, δημιουργήθηκαν μοντέλα παλινδρόμησης, σε δύο στάδια καλλιέργειας, χρησιμοποιώντας τα δεδομένα πεδίου και από τα δύο έτη. Η πρώτη κατηγορία μοντέλων χτίστηκε για το στάδιο της συγκομιδής BBCH 25, η οποία αντιστοιχεί σε δύο έως τρεις ημέρες πριν από την πρώτη TdF (στο στάδιο της όργωσης). Η δεύτερη κατηγορία κατασκευάστηκε για το στάδιο της καλλιέργειας BBCH 45, η οποία αντιστοιχεί σε περίπου πέντε ημέρες πριν από το δεύτερο TdF (στο στάδιο εκκίνησης). Για την πρώην κατηγορία μοντέλων, τα μοντέλα χτίστηκαν λαμβάνοντας υπόψη τις μεταβλητές εισόδου από μόνο την πρώτη εικόνα, που καταγράφονται στο στάδιο BBCH 25. Για την τελευταία κατηγορία μοντέλων εξετάστηκαν δύο προσεγγίσεις. Η πρώτη χρησιμοποίησε την Ένωση μεταβλητών εισόδου από δύο εικόνες, εκείνες που πάρθηκαν στο στάδιο BBCH 25 και BBCH 45. Η ακρίβεια των μοντέλων αξιολογήθηκε με τη βοήθεια του προσαρμοσμένου συντελεστή προσδιορισμού της παλινδρόμησης (adj. R2), καθώς και το ριζικό μέσο λάθος της περιοχής (RMSE). Δεδομένου ότι το μέγεθος του RMSE εξαρτάται από το μέγεθος των δεδομένων, αναφέρουμε επίσης ένα σχετικό μέτρο της διασποράς των σφαλμάτων μοντελοποίησης, δηλαδή τον συντελεστή διακύμανσης του RMSE (CVRMSE).
- Άποτελέσματα
Σύμφωνα με τις μετρήσεις, αξιολογήθηκαν οι διαφορές των Γεωπονικών χαρακτηριστικών για κάθε διαφορετική μέθοδο λίπανσης. Η βιομάζα, η πρόσληψη N και η απόδοση παρουσιάζουν μια μάλλον αναμενόμενη τάση, δηλαδή υψηλότερες τιμές με αυξημένη ποσότητα λιπασμάτων N. Η απόδοση παρουσιάζει επίσης τον αναμενόμενο κορεσμό με λίπανση Ν, δηλαδή, οι μεγάλες διαφορές στο NU και BT μεταξύ C2 (τυπική τοπική πρακτική) και C3 (διπλή ποσότητα) στο BBCH 45 δεν αντανακλούσαν πλήρως στις διαφορές απόδοσης. Τα γραμμικά μοντέλα που κατασκευάστηκαν για το στάδιο εκκίνησης χρησιμοποιώντας δύο εικόνες UAV (στο BBCH 25 και 45) παρουσίασαν υψηλές συσχετίσεις για τα περισσότερα από τα γεωπονικά γνωρίσματα. Τα μοντέλα για τη βιομάζα (BT99 και BSL99) και η συγκέντρωση N (NC99, NCSL99 και NUG) κατά τη διάρκεια της ωριμότητας πέτυχαν σχετικά χαμηλότερη ακρίβεια, αλλά στις περισσότερες περιπτώσεις οι προσαρμοσμένες τιμές R2 ήταν υψηλότερες από 0,7, με εξαίρεση το HI. Τα γραμμικά μοντέλα που κατασκευάστηκαν για το στάδιο εκκίνησης, χρησιμοποιώντας τρεις εικόνες UAV (στο BBCH 25, 31 και 45), γενικά οδήγησαν σε αυξημένη ακρίβεια σε σύγκριση με τα αντίστοιχα μοντέλα που κατασκευάστηκαν με μόνο δύο εικόνες. Τα μοντέλα που είχαν εμφανίσει μια αύξηση της ακρίβειας, αποτελούνταν από έναν μεγαλύτερο αριθμό προβολών από εκείνα με δύο εικόνες, πράγμα που σημαίνει ότι εκμεταλλεύονται τις πρόσθετες πληροφορίες που παρέχονται από την εικόνα στο BBCH 31, που είναι και αναμενόμενο.
- Συμπεράσματα
Τα εμπειρικά μοντέλα πρόβλεψης γεωπονικών χαρακτηριστικών σε καλλιέργειες ρυζιού μέσω πολυφασματικών εικόνων που λαμβάνονται εξ αποστάσεως, με απλά και οικονομικά μέσα, όπως τα μη επανδρωμένα εναέρια οχήματα (Drone) με αισθητήρες τεσσάρων καναλιών, μπορεί να δώσουν αξιόπιστα αποτελέσματα για την αποδοτική και ορθολογική χρήση των λιπασμάτων στις αγροτικές καλλιέργειες, σε σχέση με άλλες εναλλακτικές προσεγγίσεις δειγματοληψίας για τις μετρήσεις συγκέντρωσης ή απορρόφηση N , καθώς και της απόδοσης στις καλλιέργειες ρυζιού.
