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

Kód výsledku v 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>

Výsledek na webu

<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

—

Jazyk výsledku

čeština

Název v původním jazyce

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

Popis výsledku v původním jazyce

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).

Název v anglickém jazyce

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

Popis výsledku anglicky

A major goal is to reduce the use of agrochemicals in crop management by optimizing the application of herbicides. For effective site-specific weed management, it is crucial to understand the spatial distribution of weed plants within the field. Unmanned aerial vehicles (UAVs) equipped with high-resolution spectral and spatial sensors have proven effective for this purpose. Modern sprayer technology, which allows for precise control of individual nozzles or sections based on prescription maps, enhances the reliability and efficiency of weed control. These maps typically consist of polygons indicating specific areas for herbicide application. In this study, a UAV was used to scan a field infested with field thistle (Cirsium arvense), and four potential detection methods related to agricultural practices were assessed. The supervised classification algorithms, Support Vector Machine (SVM) and Maximum Likelihood (ML), were implemented using ESRI ArcGIS Pro. The thresholding method and the Pix4Dfields (Magic Tool) classification algorithm were also evaluated. The performance of each approach was measured using the Kappa coefficient and overall accuracy. An RGB orthomosaic was utilized for three techniques, while NDVI data from a multispectral sensor was applied for the thresholding method. Based on the Kappa coefficient and overall accuracy, the findings revealed that the thresholding method provided the highest accuracy, whereas Pix4Dfields showed the lowest. Among the supervised techniques, SVM outperformed ML. UAV imagery indicated that only 5.56% of the field area was affected by weeds, suggesting that site-specific herbicide application could significantly reduce chemical use. The thresholding method achieved an impressive accuracy of 98.6% and a Kappa index of 0.836, outperforming the other detection methods.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

40101 - Agriculture

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2024

Kód důvěrnosti údajů

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