Komparativ evaluering i avlingsvariasjon mellom Sentinel-2, droner og høyoppløsningdata av KI for norsk presisjonslandbruk
Master thesis
![Thumbnail](/nmbu-xmlui/bitstream/handle/11250/3148009/no.nmbu%3awiseflow%3a7110333%3a59110561.pdf.jpg?sequence=5&isAllowed=y)
Permanent lenke
https://hdl.handle.net/11250/3148009Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Bærekraftig matproduksjon, økt avling og minske det økologiske fotavtrykket har vært viktige tema innenfor norsk landbruk. Presisjonslandbruk er en nyere teknikk som kombinerer landbruksredskaper med nyere teknologi for å bedre forvalte og allokere av ressurser. Eksempelvis ved tildeling av nitrogengjødsel. Norske bønder benytter Sentinel-2 satellittdata og multispektral droner for å vurdere avlingstilstand. Høyoppløsningsdata generert fra KI kan løse utfordringer/begrensninger Sentinel-2 og drone har rundt skalerbarhet og lønnsomhet. I oppgaven sammenliknet vi Sentinel-2 satellittdata, DJI P4 drone og Digifarms høyoppløsningsdata fra KI for å undersøke om romlig oppløsning har en betydning for å detektere variasjon i jord- og avlingstilstand. Testområdet var i Vollebekk i Ås med to grenseområder kalt polygon A [2.4 daa] og polygon B [9.3 daa]. Med fire målinger av samme opptaksdato er det funnet en signifikant forskjell i variasjondeteksjon på tvers av datakildene. Ved stedsnøyaktighet var resultatet inkonklusiv på hvilke datakilde som presterte best grunnet manglende data fra Sentinel-2 og Digifarm. I en videre analyse ble det funnet at Digifarms data presterte bedre i detektere variasjoner i jord- og avlingstilstand enn drone. Dette kan tyde på at Digifarms data kan måle seg like bra eller bedre enn drone, forutsatt god stedsnøyaktighet. Videre ble det funnet at Digifarms data estimerte hhv. - 30,3 % og -32,0 % mindre behov for nitrogentildeling enn drone, basert på polygon A og B. Ved disse to funnene kan høyoppløsningsdata fra KI være en alternativ for bønder som ønsker å bespare på tid og ressurser, samt løse utfordringer rundt skalerbarhet og lønnsomhet ved dronemålinger. Vi håper derfor at norske bønder er åpne for å ta i bruk dette til forbedring av dagens presisjonslandbruk. Sustainable crop production, crop yield increase and reducing ecological footprint are important themes within Norwegian agriculture. Precision agriculture is a new technique that combines agricultural tools with newer technology to better manage and allocate resources effectively. In particular applying variable rate application of nitrogenous fertilizers. Norwegian farmers use Sentinel-2 satellite data and drones to assess crop variability. AI-based super-resolution image is a viable solution to address the challenges/limitations around Sentinel-2 and drones. In the context of scalability and profitability. In this research paper, we are comparing Sentinel-2 satellite imagery, drones and super-resolution imagery from Digifarm to evaluate whether spatial resolution impacts within-field detection of soil and crop variability. The test area conducted was at Vollebekk in Ås and consisted of two areas named polygon A [2.4 daa] and polygon B [9.3 daa]. With 4 measurements used, we found a statistical difference in the detection of soil and crop variability between groups. The evaluation of which of the groups that scored best in the geolocation accuracy was found to be inconclusive. This was due to missing geolocation error data of Sentinel-2 and drone. Further analysis tells us that the data from Digifarm performs the same or better than drones, assuming high geolocation accuracy. Furthermore, the results indicate that the data from Digifarm estimated -30.3% and -32.0% in reduction of required fertilization compared to drones, based on the area of polygon A and B respectively. These two findings suggest that super-resolution imagery could be an alternative for farmers who wants to save time and resources.Additionally, solving challenges regarding scalability and profitability from drone measurements. We hope that Norwegian farmers are open to using this technology as an improvement of today’s precision agriculture.