Wielosensorowy lotniczy system teledetekcyjny MultiSen-1PL na potrzeby precyzyjnego rolnictwa i leśnictwa

• Autorzy: Sieczkiewicz, Marta , Jedynak, Łukasz , Wyczałek, Ireneusz , Strzeliński, Paweł , Wyczałek-Jagiełło, Michał

Warianty tytułu

EN

Multi-sensor airborne remote sensing system MultiSen-1PL for precision agriculture and forestry

• Języki publikacji: PL

Abstrakty

PL

W celu zlokalizowania dokładnych i aktualnych danych dotyczących wzrostu i kondycji roślin na potrzeby precyzyjnego rolnictwa lub leśnictwa niezbędne jest prowadzenie okresowych badań terenowych. Na ich podstawie podejmowane są decyzje co do zakresu i intensywności działań wzmacniających i/lub ochronnych. Aby ułatwić i zautomatyzować proces pozyskiwania danych, rozwijane są zobrazowania satelitarne wykraczające poza zasięg światła widzialnego, zwłaszcza w kierunku podczerwieni (NIR) lub mikrofal (SWIR), a ostatnio także w paśmie czerwieni krawędziowej (RE). Ze względu na rozdzielczość przestrzenną 10-20 metrów dane satelitarne nie są wystarczająco przydatne dla ograniczonych przestrzennie pól lub drzewostanów. Podjęto zatem wysiłki, aby wykorzystać doświadczenia satelitarne dla danych pozyskiwanych z pułapu lotniczego. W pracy przedstawiono zaprojektowany, zbudowany i przetestowany system rejestracji składający się z zestawu kamer oraz skanera laserowego o parametrach filtrowania fal dostosowanych do wymagań indeksów roślinności, wykorzystywanych do analizy danych obrazowych na potrzeby rolnictwa i leśnictwa. Wyniki wdrożenia systemu pokazują, że klasyfikacja oparta na uzyskanych w ten sposób danych teledetekcyjnych zapewnia prowadzenie analiz poprzez inwentaryzację i parametryzację roślinności. W celu analizy zdrowotności drzewostanów wyznaczono wskaźniki NDVI i LAI oraz stopień defoliacji. Dla obszarów rolniczych wdrożono procedurę oceny i weryfikacji stanu upraw poprzez analizę wskaźników NDVI, NDRE, GNDVI oraz wysokości plonów, w celu określenia przestrzennej zmienności kondycji roślin, a także jakości i predykcji plonów. Uzyskane wstępne wyniki potwierdziły spełnienie oczekiwań wobec wielosensorowego systemu pozyskiwania danych teledetekcyjnych, któremu nadano nazwę MultiSen-PL.

EN

In order to locate accurate and up-to-date data on plant growth and health for precision agriculture or forestry, it is necessary to conduct periodic field surveys. On their basis, decisions are made regarding the scope and intensity of strengthening and/or protective actions. To facilitate and automate the data acquisition process, satellite imagery is being developed that goes beyond the range of visible light, especially in the infrared (NIR) or microwave (SWIR) direction, and recently also in the red edge (RE) band. Due to the resolution of 10-20 meters, satellite data is not useful enough for spatially limited fields or forest stands. Therefore, efforts were made to take advantage of satellite experiences for data obtained from the plane level. The work presents the designed, built and tested registration system consisting of a set of cameras and a laser scanner with wave filtering parameters adapted to the requirements of vegetation indices, used to analyze image data for agriculture and forestry. The results of the system implementation show that the classification based on the remote sensing data obtained in this way ensures analysis through the inventory and parameterization of vegetation. In order to analyze the health of forest stands, the NDVI, NDRE and LAI indexes as well as the degree of defoliation were determined. For agricultural areas, a procedure for assessing and verifying the condition of crops was implemented by analyzing the NDVI, NDRE, GNDVI and yield indicators in order to determine the spatial variability of plant condition, as well as the quality and prediction of yields. The obtained preliminary results confirmed that the expectations for the multi-sensor remote sensing data acquisition system, named MultiSen-1PL, were met.

Słowa kluczowe

PL

precyzyjne rolnictwo i leśnictwo; lotniczy system teledetekcyjny; NDVI; RE

EN

precision agriculture and forestry; aerial remote sensing system; NDVI,; RE band

• Czasopismo: Przegląd Geodezyjny
• Rocznik: 2024
• Tom: R. 96, nr 2
• Strony: 25--30
• Opis fizyczny: Bibliogr. 21 poz., rys., wykr., zdj.

Twórcy

autor

Sieczkiewicz, Marta

• GISPRO SA,
• Prezes Zarządu GISPRO Technologies Sp. z o.o. Centrum Badawczo-Rozwojowe

autor

Jedynak, Łukasz

• GISPRO SA,

autor

Wyczałek, Ireneusz

• Politechnika Poznańska,
• Politechnikia Bydgoska
• GISPRO SA

autor

Strzeliński, Paweł

• Uniwersytet Przyrodniczy,

autor

Wyczałek-Jagiełło, Michał

• GISPRO SA,

Bibliografia

• [1] Misra G., Cawkwell F., Wingler A. 2020: Status of Phenological Research Using Sentinel-2 Data: A Review. Remote Sens. 12 (17), 2760. https://doi.org/10.3390/rs12172760
• [2] Mahlein AK., Oerke EC., Steiner U., i in. 2012: Recent advances in sensing plant diseases for precision crop protection. Eur J Plant Pathol. 133, 197–209. https://doi.org/10.1007/s10658-011-9878-z
• [3] Iskanderani A.I., Mehedi I.M., Aljohani A.J., i in. 2021: Artificial Intelligence-Based Deep Fusion Model for Pan-Sharpening of Remote Sensing Images. Computational Intelligence and Neuroscience. 11. https://doi.org/10.1155/2021/7615106
• [4] Botelho J. Jr., Costa S.C.P., Ribeiro J.G., Souza C.M., 2022: Mapping Roads in the Brazilian Amazon with Artificial Intelligence and Sentinel-2. Remote Sensing. 14 (15) 3625. https://doi.org/10.3390/rs14153625
• [5] Kaur S., Kaur R., Chauhan B.S., 2018: Understanding crop-weed-fertilizer-water interactions and their implications for weed management in agricultural systems. Crop Protection. 103, 65–72.
• [6] Mulla D.J., 2012: Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering. 114 (4), 358–371 https://doi.org/10.1016/j.biosystemseng.2012.08.009
• [7] Mulla D.J., Khosla R., 2015: Historical Evolution and Recent Advances in Precision Farming. in. Soil-Specific Farming Lal R., B.A. Stewart, ed. https://doi.org/10.1201/b18759-2
• [8] van Eeuwijk F.A., Bustos-Korts D., Millet E.J., Boer M.P., i in., 2019: Modelling strategies for assessing and increasing the effectiveness of new phenotyping techniques in plant breeding. Plant Science. 282, 23–39
• [9] Wulder M.A., Loveland T.R., Roy D.P., Crawford Ch.J., i in., 2019: Current status of Landsat program science and applications. Remote Sensing of Environment 225, 127–147. https://doi.org/10.1016/j.rse.2019.02.015
• [10] Neményi M., Mesterházi P.Á., Pecze Zs., Stépán Zs., 2003: The role of GIS and GPS in precision farming. Computers and Electronics in Agriculture. 40, 45–55. https://doi.org/10.1016/S0168-1699(03)00010-3
• [11] Wang J., Huang J., Zhang K., Li X., She B., Wei C., Gao J., Song X., 2015: Rice Fields Mapping in Fragmented Area Using Multi-Temporal HJ-1A/B CCD Images. Remote Sensing. 7, 3467–3488. https://doi.org/10.3390/rs70403467
• [12] Fiedler R., Proksch G., 1972: Emission spectrometry for routine analysis of nitrogen-15 in agriculture. Plant Soil. 36, 371–378. https://doi.org/10.1007/BF01373491
• [13] Kura-Hotta M., Satoh K., Katoh S., 1987: Relationship between Photosynthesis and Chlorophyll Content during Leaf Senescence of Rice Seedlings. Plant and Cell Physiology. 28 (7), 1321–1329 https://doi.org/10.1093/oxfordjournals.pcp.a077421
• [14] Pinter P.J., Hatfield J.L., Schepers J.S., Barnes E.M., i in., 2003: Remote sensing for crop management. Photogrammetric Engineering and Remote Sensing. 69, 647–664.
• [15] Blackburn G.A., 2007: Hyperspectral remote sensing of plant pigments. Journal of Experimental Botany. 58(4), 855–867.
• [16] Alsina I., Duma M., Dubova L., Šenberga A., Dagis S.2016: Comparison of different chlorophylls determination methods for leafy vegetables. Agronomy Research. 14(2), 309–316.
• [17] Hunt Jr. E.R., Doraiswamy P.C., R.Jr., McMurtrey J.E., i in., 2013: A visible band index for remote sensing leaf chlorophyll content at the canopy scale Int. Jour. Appl. Earth Observation and Geoinformation. 21, 103–112. https://digitalcommons.unl.edu/usdaarsfacpub/1156
• [18] Zhang T., Su J., Liu C., Chen W. -H., Liu H., Liu G. 2017: Band selection in sentinel-2 satellite for agriculture applications. Proc. of 23rd Int. Conference on Automation and Computing (ICAC) Huddersfield UK 07-08 September 2017, 1–6. https://doi.org/10.23919/IConAC.2017.8081990
• [19] Dash J. Curran P.J. 2007: Evaluation of the MERIS terrestrial chlorophyll index (MTCI). Advances in Space Research. 39 (1) 100–104. https://doi.org/10.1016/j.asr.2006.02.034
• [20] Frampton W.J., Dash J., Watmough G., Milton E.J., 2013: Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation. ISPRS Journal of Photogr. and Remote Sensing. 82, 83–92.
• [21] Delegido J., Verrelst J., Alonso L., Moreno J., 2011: Evaluation of Sentinel-2 Red-Edge bands for empirical estimation of green LAI and chlorophyll content. Sensors (Basel). 11(7): 7063–7081. https://doi.org/10.3390/s110707063.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

Identyfikatory

DOI

10.15199/50.2024.02.3