Weed Detection in Winter Wheat Using UAV Imagery: A Comparison of GIS Tools and Pix4Dfields

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43210%2F24%3A43926389" target="_blank" >RIV/62156489:43210/24:43926389 - isvavai.cz</a>

Result on the web

<a href="https://www.vupt.cz/storage/app/media/Konference%20mlad%C3%BDch/Sborn%C3%ADk.pdf" target="_blank" >https://www.vupt.cz/storage/app/media/Konference%20mlad%C3%BDch/Sborn%C3%ADk.pdf</a>

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Detekce plevelů v pšenici ozimé pomocí snímků z UAV: Srovnání nástrojů GIS a Pix4Dfields

Original language description

Jedním z klíčových cílů v zemědělství je minimalizovat množství agrochemikálií používaných při ošetřování plodin prostřednictvím optimalizace aplikace herbicidů. Pro účinnou lokální regulaci plevelů je nezbytné porozumět prostorové rozmanitosti plevelných rostlin na poli. Pro toto využití se osvědčily bezpilotní prostředky (UAV) schopné pořizovat fotografie s vysokým spektrálním a prostorovým rozlišením. Moderní technologie aplikace postřikovačů umožňující sekční nebo individuální řízení trysek na základě předpisové mapy, dodává účinnosti regulace plevelů jistotu. Obvykle je tato mapa tvořena polygony, které zobrazují oblast aplikace. V této práci bylo pole zapleveleno pcháčem rolním (Cirsium arvense), které bylo snímáno bezpilotním letounem. Tato studie hodnotí čtyři možné techniky detekce související se zemědělskými postupy. Dva algoritmy, Supported Vector Machine (SVM) a Maximum Likelihood (ML), jsou techniky klasifikace pod dohledem. Klasifikační algoritmy ML a SVM byly spuštěny v aplikaci ESRI ArcGIS Pro. Mezi další techniky patří přístup prahování a klasifikační algoritmus Pix4Dfields (Magic Tool). Přesnost jednotlivých metod byla určena koeficientem Kappa a celkovou přesností. Pro ostatní tři techniky byla použita ortomozaika RGB, zatímco pro metodu prahování bylo využito NDVI získané multispektrálním senzorem. Na základě koeficientu Kappa a celkové přesnosti výsledky ukazují, že nejlepší přesnosti dosáhla metoda prahování, zatímco Pix4Dfields měla nejnižší přesnost. Pokud jde o přístupy s dohledem, SVM si vedl lépe než ML. Podle snímků UAV použitých k identifikaci zaplevelení je plevelem pokryto pouze do 5,56 % plochy pole. Použití herbicidů lze tedy výrazně snížit postřikem pouze na určitých místa. S přesností 98,6 % překonala metoda prahování ostatní čtyři potvrzené algoritmy detekce plevelů (Kappa index: 0,836).

Czech name

Detekce plevelů v pšenici ozimé pomocí snímků z UAV: Srovnání nástrojů GIS a Pix4Dfields

Czech description

Jedním z klíčových cílů v zemědělství je minimalizovat množství agrochemikálií používaných při ošetřování plodin prostřednictvím optimalizace aplikace herbicidů. Pro účinnou lokální regulaci plevelů je nezbytné porozumět prostorové rozmanitosti plevelných rostlin na poli. Pro toto využití se osvědčily bezpilotní prostředky (UAV) schopné pořizovat fotografie s vysokým spektrálním a prostorovým rozlišením. Moderní technologie aplikace postřikovačů umožňující sekční nebo individuální řízení trysek na základě předpisové mapy, dodává účinnosti regulace plevelů jistotu. Obvykle je tato mapa tvořena polygony, které zobrazují oblast aplikace. V této práci bylo pole zapleveleno pcháčem rolním (Cirsium arvense), které bylo snímáno bezpilotním letounem. Tato studie hodnotí čtyři možné techniky detekce související se zemědělskými postupy. Dva algoritmy, Supported Vector Machine (SVM) a Maximum Likelihood (ML), jsou techniky klasifikace pod dohledem. Klasifikační algoritmy ML a SVM byly spuštěny v aplikaci ESRI ArcGIS Pro. Mezi další techniky patří přístup prahování a klasifikační algoritmus Pix4Dfields (Magic Tool). Přesnost jednotlivých metod byla určena koeficientem Kappa a celkovou přesností. Pro ostatní tři techniky byla použita ortomozaika RGB, zatímco pro metodu prahování bylo využito NDVI získané multispektrálním senzorem. Na základě koeficientu Kappa a celkové přesnosti výsledky ukazují, že nejlepší přesnosti dosáhla metoda prahování, zatímco Pix4Dfields měla nejnižší přesnost. Pokud jde o přístupy s dohledem, SVM si vedl lépe než ML. Podle snímků UAV použitých k identifikaci zaplevelení je plevelem pokryto pouze do 5,56 % plochy pole. Použití herbicidů lze tedy výrazně snížit postřikem pouze na určitých místa. S přesností 98,6 % překonala metoda prahování ostatní čtyři potvrzené algoritmy detekce plevelů (Kappa index: 0,836).

Type

O - Miscellaneous

CEP classification

—

OECD FORD branch

40101 - Agriculture

Project

—

Continuities

S - Specificky vyzkum na vysokych skolach

Publication year

2024

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů