Команда EastFruit продолжает серию публикаций о возможностях повышения эффективности садоводства и овощеводстве, используя дроны и робототехнику. Общий обзорный материал можно прочитать по этой ссылке. Сегодня же мы более подробно расскажем о возможностях, которые есть у дронов, для повышения скорости и эффективности получения максимально точной информации о состоянии сада или поля с овощами, что позволяет быстрее принимать решения. В результате резко снижаются затраты, повышается качество продукции и урожайность. Кроме того, фермеру удаётся избежать потерь, что важно для повышения устойчивости бизнеса.
Для проведения мониторинга по состоянию растений дроны могут быть оснащены различными типами камер и сенсоров: фотокамерой (визуальная инспекция, метрические показатели растения), мультиспектральной камерой (карты вегетационных индексов, оценка биомассы и состояния развития растений), тепловизором (физиологическая активность растений, транспирация, оценка уровня доступности влаги, функция безопасности), лидаром (количество и высота растений). В сельскохозяйственном секторе широко применяются дроны с мультиспектральной камерой.
В растениеводстве мультиспектральными камерами называют камеры, которые, помимо видимого человеческому глазу спектра света, способны регистрировать свет в ближнем инфракрасном диапазоне (NIR – near infrared, 750-1000 нм). В этом диапазоне растения отражают больше света, чем в видимом, причем уровень отражения прямо зависит (увеличивается) от количества биомассы. Одновременно отражение света в видимом диапазоне (в основном, в красном) обратно зависит (снижается) от количества основного фотосинтетического пигмента растений – хлорофилла. Поэтому соотношение между отражением в видимом и ближнем инфракрасном диапазонах является очень информативным показателем состояния растительности. Это соотношение известно как индекс NDVI (normalized difference vegetation index) и рассчитывается как:
NDVI = (NIR — RED) / (NIR + RED)
где NIR I RED – ближний инфракрасный и красный каналы изображений.
Рис. 1. Отображение состояния посадок по индексу NDVI.
Применение дронов с мультиспектральными камерами позволяет создавать карты NDVI, с помощью которых можно оценивать уровень развития, однородность садов или полей, выявлять растения в стрессе и прочее.
Рис. 2. Процесс сбора данных для проведения мультиспектрального анализа в яблоневом саду.
Помимо видимых каналов (красного — Red, зеленого — Green, синего — Blue) и канала NIR, мультиспектральные камеры могут быть оборудованы другими каналами, например – RedEdge (красный край, между Red и NIR). Это позволяет рассчитывать другие вегетационные индексы, которые в определенных ситуациях могут быть более информативными, чем NDVI
NDRE – похожий на NDVI индекс, но вместо красного диапазона использует так называемый «red edge» (красный край) диапазон – переходный между красным и NIR. Это помогает заметить незначительные различия в состоянии плотной и богатой хлорофиллом растительности, когда красный диапазон уже не является информативным.
Рис. 3. Отображение состояния посадок по индексу NDRE.
Важно понимать, что вегетационные индексы – это только спектральные показатели растений, чувствительные к содержанию хлорофилла и количеству биомассы. Они могут показать неоднородность поля/сада, обнаружить наличие проблемы, но не могут напрямую указать на решение проблемы (например, тип стресса или количество необходимых удобрений). Применение вегетационных индексов осуществляется в комплексе с агрохимическим анализом и консультацией со специалистами.
Карту индексов растительности можно создать с помощью изображений, сделанных камерой дрона. На основе этих индексов можно оценить информацию о культуре, такую как болезни культуры, потребности в питательных веществах и водный стресс. Индексы растительности помогают отличить здоровые растения от больных и сорняков. Эти индексы основаны на спектре изображения культур, и спектр изображения связан со состоянием здоровья культуры. Существуют надежные связи между урожайностью и индексами вегетации, оцененными на определенных этапах сбора урожая. Эти соотношения играют большую роль для мониторинга растений.
Эффективность обработки изображений в системе зависит от типа летательных платформ, алгоритмов машинного обучения и систем захвата изображений.
Рассмотрим пример применения дронов с мультиспектральными камерами.
Оценка общего состояния сливового сада после внекорневой подкормки азотом.
Задача: оценка состояния деревьев после экстремального внекорневого внесения азота.
Описание объекта: сливовый сад, общая площадь посадок – 12,4 га.
Внесение азота. Внекорневая подкормка предполагает внесение питательных веществ по листовой пластинке растения, а не к корневой системе, что позволяет производителям реагировать точнее и немедленно. Именно это применение было чрезвычайно важным, так как оно было последним перед сбором урожая, давая плодам последний импульс.
Рис. 4. Фото сливового сад
Сбор данных дроном. Для записи данных использовался дрон DJI Matrice 600 Pro с мультиспектральной камерой MicaSense RedEdge—M. Дрон летал на высоте 110 метров со скоростью 8 м/с с 80% перекрытием. И камера, и дрон эффективно работали при температуре свыше 40°C (100°F). После 20-минутного полета было собрано 2771 изображение, что в итоге составило примерно 6,35 ГБ данных.
Обработка данных программным обеспечением. После того как данные были собраны, они были перенесены с SD-карты дрона на компьютер в автомобиле. То есть, обработка данных проводилась непосредственно на поле. Все 2771 изображения были обработаны на месте с помощью программы Pix4Dfields менее чем за десять минут. После того как обработка изображений программой Pix4Dfields была выполнена, специалист смог провести анализ изображения на месте, обсудить результаты и немедленно исследовать зоны, привлекающие внимание, в саду.
Еще одна опция, которая была использована в данном случае – подключение к операционному центру John Deere OC. Это позволило пользователям далее использовать данные и визуализировать их вместе с другими базами данных (карты урожайности, карты почвы), чтобы принимать еще более обоснованные решения.
Выявление проблем защиты растений. С помощью специальной индексной карты и инструмента аннотаций (факторы, которые влияют на проект ИИ) выделили потенциальные проблемные зоны.
Среди выявленных проблем:
1. Утечка воды, которую немедленно подтвердил руководитель хозяйства.
2. Новая поливная труба была определена как потенциальная проблема. Это снова подтвердил руководитель хозяйства.
3. Обнаружен участок со значительно меньшей плотностью роста. Руководитель хозяйства не знал об этой проблеме. Было решено оперативно выехать на место и проверить состояние деревьев.
Рис. 5. Специальная индексная карта Pix4Dfields (для создания почвы), использующаяся с инструментом аннотаций для выделения проблемных зон.
По прибытии на место оказалось, что крона у 28 деревьев была заметно меньше (пострадавшей), чем у соседних деревьев. Агроном собрал образцы почвы и листьев, чтобы выяснить, что именно вызывает проблему. Использование инструментов мгновенной обработки и анализа Pix4Dfields позволило руководителю хозяйства принимать своевременные и целенаправленные решения на месте как часть их ежедневного рабочего процесса.
Рис. 6. На одном из 28 обрезанных деревьев в «медленнорастущей» зоне обнаружены видимые повреждения плодов и листьев.
Последовательность выполнения действий:
1. Сбор данных дроном.
2. Выгрузка изображений и создание ортофотомозаики.
3. Создание предварительно определенных индексных карт (NDVI и NDRE). Дополнительно следует создать специальную индексную карту, которая маскирует почву.
4. Сравнение поля с использованием инструмента ортофотомозаики и специального индекса.
5. Формирование зон для создания «читаемой» карты проблемных областей, на которые стоит сосредоточиться.
6. Добавление аннотации, чтобы выделить «области фокусировки» и добавить к ним дополнительную информацию.
7. Экспорт PDF-отчёта и распространение его между клиентами.
8. Подключение к операционному центру John Deere.
Проведение мультиспектрального анализа – это прежде всего возможность получать максимально оперативную информацию для анализа и принятия обоснованных решений. Дроны – это инструмент сбора этой информации.
Что касается моделей привлечения квалифицированного персонала, то в первую очередь стоит оценить свои потребности. Самой распространенной моделью является покупка дрона и обучение одного из работников управлению им. Это позволит быстро выезжать на место для сбора данных, а не ждать в очереди к специализированному провайдеру услуг.
Что касается этапа программной обработки и анализа, то наиболее распространенном является привлечение специализированных компаний, которые назначают менеджера для клиента и могут системно предоставлять услуги по обработке данных и их декодированию. Целесообразность в первую очередь обусловлена отсутствием необходимости покупать дорогостоящие компьютеры для обработки данных и проводить длительное обучение сотрудника, которого в течение сезона будет сложно обеспечить полной занятостью в этой сфере.
Видео о мультиспектральном анализе в садоводстве с помощью дронов можно посмотреть ниже.
