Kasvuston biomassan määrittäminen multispektrikamerakuvien ja 3D-mallinnuksen avulla

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202006052579
Title: Kasvuston biomassan määrittäminen multispektrikamerakuvien ja 3D-mallinnuksen avulla
Author: Änäkkälä, Mikael
Contributor: University of Helsinki, Faculty of Agriculture and Forestry, Department of Agricultural Sciences
Publisher: Helsingin yliopisto
Date: 2020
Language: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202006052579
http://hdl.handle.net/10138/315856
Thesis level: master's thesis
Discipline: Agroteknologia
Agrotechnology
Agroteknologi
Abstract: Dronejen määrä on kasvanut niin yksityis- kuin yrityskäytössä. Myös maataloudessa ollaan kiinnostuneita droneista, sillä niitä käyttäen on helppo ja nopea tarkkailla suuria peltoaloja. Lisäksi automaattiset lentotehtävät ovat helppoja toteuttaa. Dronekuvaukset antavat laajemman kuvauksen koko pellosta, kuin mitä pellon reunasta voidaan nähdä. Ilmakuvat pelloista helpottavat jatkotoimenpiteiden suunnittelua, kuten esimerkiksi pellon ruiskutustarpeen arvioimista tai lannoituskartan tekemistä. Dronekuvauksia voidaan myös käyttää kasvuston biomassojen arvioimiseen. Tällöin voidaan tarkkailla kasvuston kehittymistä kasvukauden aikana lohkokohtaisesti. Tämän tutkimuksen tavoitteena oli selvittää, kuinka multispektrikameran kuvia ja 3D-mallia voidaan hyödyntää kasvien tarkkailussa. Kasvustosta mitattavia ominaisuuksia olivat kasvien maanpäällinen biomassa, lehtivihreäpitoisuus ja lehtialaindeksi. Tutkimuksessa oli 8 eri kasvia/lannoitustasoa. Tässä tutkimuksessa käytettiin multispektrikameraa ja tavallista RGB-kameraa kasvuston ominaisuuksien määrittämiseen. Multispektrikameran avulla voitiin määrittää kasvuston heijastusarvoja, jotka kuvasivat sitä, kuinka paljon kasvit heijastivat auringon säteilyä takaisin. Multispektrikamera mittasi heijastusarvoja viideltä eri aallonpituusalueelta (sininen, vihreä, punainen, red edge ja NIR), joiden avulla laskettiin NDVI -kasvillisuusindeksi. Näitä heijastusarvoja ja indeksejä verrattiin kasvuston kuiva-ainemassaan, lehtialaindeksiin ja lehtivihreäpitoisuuteen. RGB-kameran ottamista kuvista luotiin kasvustosta 3D-malli, josta laskettiin kasvuston tilavuus. Kasvuston tilavuuksia verrattaisiin sen biomassoihin ja lehtialaindeksin arvoihin. Kuvista laskettujen ja kasvustosta määritettyjen muuttujien välisen riippuvuuden tarkasteluun käytettiin lineaarista regressioanalyysiä. Multispektrikuvista määritetyt muuttujat selittivät näiden tulosten mukaan hieman heikommin kasvuston kuiva-ainemassaa ja lehtialaindeksiä kuin RGB-kameran kuvista määritetyt 3D-mallit. Multispektrikameran kuvaamasta aineistosta voimakkain määritetty riippuvuus oli härkäpavun lehtialaindeksin ja NDVI:n välillä (R2 = 0,85). Multispektrikameran heijastusarvo-/indeksiaineistoa käyttäen määritetyt selitysasteet olivat pieniä: kasvuston kuiva-ainemassa oli keskimäärin 0,15, lehtivihreäpitoisuus 0,14 ja lehtialaindeksi 0,21. 3D-mallinnuksen korkein selitysaste oli kauran kuiva-ainemassan ja siitä mitattujen tilavuuksien välillä (R2 = 0,91). Keskimäärin riippuvuuden selitysaste oli 0,69 tarkasteltaessa kasvien kuiva-ainemassoja ja 3D-mallien tilavuuksia. Kasvien lehtialaindeksin ja 3D-mallien välisen riippuvuuden keskimääräinen selitysaste oli 0,57. Näiden tulosten perusteella multispektrikameran datoista NDVI-indeksi soveltui parhaiten kasvuston kuiva-ainemassan, lehtialaindeksin ja lehtivihreäpitoisuuden määrittämiseen. Eri heijastusalueiden/NDVI-indeksin ja kasvien ominaisuuksien välisissä riippuvuuksissa on kuitenkin eroja eri kasvien välillä. 3D-mallit tuottivat voimakkaampia riippuvuuksia kasvuston biomassan ja lehtialaindeksin arvioimiseen kuin multispektrikuvista määritetyt suureet. Aineiston analysointi laskentamenetelmillä, jotka hyödyntävät useampien aallonpituusalueiden arvoja sekä niistä laskettuja indeksejä, olisi todennäköisesti ollut nyt käytettyä lineaarista regressiota tehokkaampi menetelmä aineiston analysoinnissa. Ulkoisten tekijöiden aiheuttamien häiriöiden poistaminen multispektrikameran kuvista oli hyvin haasteellista. Varsinkin kuivan maan heijastusarvot poikkesivat kasvuston heijastusarvoista. Jatkotutkimuksissa pitäisi kehittää erilaisia kasvillisuusindeksejä, jotka vähentävät ympäristön aiheuttamaa häiriötä. Tämän lisäksi tulisi kehittää aineistojen käsittelyä siten, että hyödynnetään useita aallonpituusalueita ja kasvillisuusindeksejä kasvuston ominaisuuksien ja kuvista mitattujen muuttujien välisen riippuvuuden määrittämiseksi. Sen lisäksi tulisi tutkia kasvilajikohtaisia kuvantamistekniikoita, sillä eri kasveilla on erilaiset heijastusarvot.The number of drones has increased in both the private and corporate sectors. There is also an interest in the use of drones in agriculture since by using them the large fields can be monitored easily. Automatic flight systems of drones are simple to use. More accurate overview of the field can be got by utilizing the drones than by making observations from the side of the field. With aerial photographs the measures for the field can be planned further. For example, based on the photos pesticide spraying or fertilize spreading can be planned for the field. Drones can also be used to estimate crop biomasses. With drones the development of the crops is possible to observe as a timeseries during the growing season. The aim of this study was to explore the use of multispectral images and 3D models in crop monitoring. Crop leaf area index (LAI), biomass and chlorophyll content were measured. There were 8 different plants/fertilization levels in this study. In this study, a multispectral camera and a RGB-camera were used to estimate crops features. With a multispectral camera the reflectance values of the vegetation, which described how much of the incoming sun radiation was reflected back from the vegetation, were able to determine. The multispectral camera had five spectral bands (blue, green, red, red edge and NIR). Based on these bands NDVI vegetation index was calculated. The reflectance values and vegetation indices were compared to the dry matter mass, LAI, and chlorophyll content determinations of the vegetation. From the images of the RGB-camera 3D-models were created to calculate crop volumes. Calculated volumes were compared to crop dry matter mass and LAI measurements. Linear regression analysis was used to examine the relationship between the variables calculated from the images and the parameters determined from the crops on the field. According to these results, the variables determined from the multispectral images explained the dry matter mass and leaf area index of the crop slightly less than the 3D-models determined from the RGB images. The strongest determined dependence of the data recorded by the multispectral camera was between the faba bean LAI and NDVI (R2 = 0,85). The relationship between the reflection/index data of multispectral camera and crop parameter was weak: average coefficient of determination for dry matter mass of the crop was 0.15, for chlorophyll content 0.14, and for LAI 0,21. The highest coefficient of determination for 3D model of crop volume was between the dry matter mass of oats (R2 = 0.91). The mean coefficient of dependence was 0.69 for the relationship between the plant dry matter masses and 3D model volumes. The mean coefficient of determination for the relationship between the leaf area index of plants and the 3D model volumes was 0.57. Based on these results, from the multispectral camera data, the NDVI index was best suited to determine the crops dry matter mass, leaf area index, and chlorophyll content. However, there were differences in the dependencies between different spectral bands/NDVI index and plant properties determined from different crops. 3D models produced stronger dependences for estimating crop dry matter mass and leaf area index than the quantities determined from multispectral images. Analyzing the data with more sophisticated calculation methods utilizing the values of several spectral bands and the indices in the same time would probably have been a more efficient method to analyzing the data than the current used linear regression used in this study. Removing errors, caused by external factors, from multispectral images was found to be very difficult. Especially reflectance values of dry soil differed clearly from vegetations values. Further studies are needed to develop vegetation indices that can reduce errors caused by external factors. In addition, data processing of images should be developed to utilize multiple spectral bands and vegetation indices to determine the relationship between crop characteristics and variables measured from images. In addition, different plant species imaging techniques should be investigated, as different plants have different reflection values.
Subject: Drone
UAV
3D-malli
Multispektrikamera
RGB-kamera


Files in this item

Total number of downloads: Loading...

Files Size Format View
Anakkala_Mikael_Pro_gradu_2020.pdf 3.149Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record