Effekten av flyhøyde på avlingsprediksjon i hvete ved bruk av UAV-bilder

Abstract

Med klimakrise og krig i Europa står landbruket i sentrum av begivenhetene. Det krever effektivisering av matproduksjonen samtidig som det krever en grønn omstilling. En del av løsningen på dette kan være utnyttelse av bildeanalyser for avlingsestimering. Dette kan gjøre både bonden og forskeren mer effektiv og bærekraftig.

I denne oppgaven ble det fløyet en UAV med påmontert multispektralt kamera med 6 forskjellige sensorer. Sensorene registrerte refleksjonsbåndene blå, grønn, rød, rededge og nærinfrarød (NIR) i tillegg til RGB. Denne ble fløyet over et forsøksfelt med forskjellige sorter med vårhvete på 4 forskjellige flyhøyder; 20, 50, 70 og 100 meter. Flygingen ble gjentatt 3 forskjellige dager med 4 dagers mellomrom i siste del av kornfyllingen. Feltet var også gjødslet med 2 forskjellige gjødselmengder (7,5 kg N og 15kg N). I tillegg ble den fløyet over et skifte med vårhvete rundt aksskyting som ble stilt til disposisjon av en bonde.

Bildene ble sammenstilt til ortomosaikker i Pix4D. Data fra ortomosaikkene ble ekstrahert i QGIS, og basert på dataene ble det regnet ut 28 forskjellige vegetasjonsindekser som er brukt i forskjellig grad og for forskjellige formål, både i forskning og i landbruk. Avlingen i forsøksfelt ble registrert med forsøkstresker, mens avlingen i anvendt landbruk ble registrert med avlingsregistrator montert i treskeren. Indeksene ble også brukt som input i maskinlæringsmodellen LASSO for avlingsprediksjon Det ble gjort korrelasjonsanalyser for å finne korrelasjonen mellom indeksene fra hver flyhøyde og dato, og den registrerte avlingen fra både forsøksfelt og i anvendt landbruk. Det samme ble gjort med resultatene fra LASSO. Utslagene i NDVI (normalized difference vegetation index) ved forskjellig gjødselmengde ble også undersøkt.

Det ble registrert korrelasjonskoeffisienter helt fra 0,005 til 0,73 i dette forsøket. Indeksene varierte i prestasjon både mellom datoene for innsamling, og innad i datoene. Det var også indekser som var sensitive for endring i flyhøyde.

Climate change and war in Europe are greatly impacting modern agriculture. This demands a green change and making food production more efficient. An important part of the solution can be utilizing image analysis, which can give us more accurate yield estimates. This has the potential to make both farmers and scientists more efficient and sustainable. For collecting necessary research data, we used an UAV equipped with a six-sensor, multispectral camera. The sensors are capable of recording and registering data for these spectral bands: blue, red, green, rededge and near-infrared (NIR). The drone was flown over a test field containing varieties of spring wheat, at 4 different altitudes: 20, 50, 70 and 100 meters. To collect sufficient data this was repeated on 3 separate days, with a 4-day interval between them, during the last period of the grain filling. The field had also been fertilized with 2 different amounts of fertilizer (7.5kg N and 15kg N). Additional data was collected from another field, containing spring wheat at time of ear formation, put to our disposal by a willing farmer. The images were converted to orthmosaics in the mapping software Pix4D. Data from the orthomosaics were extracted in QGIS and were used to calculate 28 different vegetation indices. The yield of the test field was registered with a test-dedicated combine harvester, while the yield for the applied agriculture was recorded by a yield registrator mounted inside the combine harvester itself. The indices were also used as input to the the Least Absolute Shrinkage and Selection Operator (LASSO) regression model for prediction. Correlation analysis was applied to find the applicable correlation between the indices for each recorded altitude and date, and between the registered yield for both the test field and applied agriculture. The same analysis was done for the data from LASSO, and the results from NDVI (Normal Difference Vegetation Index) were also examined. Registered correlation coefficients for this examination ranged from 0,005 to a whole 0,73. The indices varied both between the collection dates and for data collected during the same day. Some indices were even sensitive to adjustment of altitudes of images recorded.