Drone ile üzüm bağı izleme

Giriş

Hassas bağcılık, drone verilerinin gelişmiş analizine dayanan yeni teknolojiler sayesinde büyük adımlar atıyor. Bu bağlamda, alt proje VineScalebir parçası Bukalemunprojesi, drone görüntülerinin analizi yoluyla üzüm bağı izlemede devrim yaratmayı amaçlamaktadır. VineScale projesinin amacı, Chameleon’un otomatik drone veri analiz aracını test etmek ve doğrulamak, çeşitli uygulama senaryolarında etkinliğini ve güvenilirliğini İtalya’ya dağılmış 12 üzüm bağı üzerinde doğrulamaktır (Şekil 1).

Şekil 1: VineScale projesinin uçuş özeti.

Chameleon’un otomatik sisteminden elde edilen bilgilerin geçerliliğini sağlamak için VineScale sonuçları doğrudan sahada toplanan verilerle karşılaştırılmıştır.

Asma bitkilerinin otomatik tespiti

Chameleon platformu tarafından sunulan araçlar arasında vidaları tanımlamak için otomatik algılama aracı. Araç, yapraksız bir dönemde drone ile çekilen görüntülerin işlenmesinden elde edilen 3 boyutlu bir nokta bulutunun analizi yoluyla alandaki tüm bitkileri tanımlayan bir vektör maskesi.

Bu aracın etkili olduğu kanıtlanmıştır, ancak yeterli bir veri seti elde etmek ve verileri doğru bir şekilde işlemek için uçuş yüksekliği, örtüşme ve ızgara (örn. çift ızgaralı uçuş) gibi alım yönergelerinin belirlenmesi ihtiyacı vurgulanmıştır.

Şekil 2: Tek tek çıkarılan bitkilerin nokta bulutu (solda) ve bitki maskesi (sağda)

RGB bilgileri ile mahsul büyümesinin izlenmesi

Maskeler oluşturulduktan sonra (otomatik veya manuel olarak), her bir bitkinin yaprak hacminin izlenmesine olanak tanıyan başka bir algoritmayı test etmek mümkündür. Chameleon aracı kullanılarak elde edilen asma kanopisi hacim tahminleri ile bazı manuel bitki kalınlığı ve yüksekliği ölçümleri karşılaştırıldığında tutarlı bir model ortaya çıkmıştır (Şekil 3, 4). Farklılıklar hacim hesaplamasındaki basitleştirmelerden kaynaklanmaktadır, ancak genel olarak yöntem büyüme izleme için iyi bir güvenilirlik göstermiştir. Her bir bitki için değerler enterpole edilerek, arazideki durumu temsil edecek tematik haritalar oluşturulabilir.

Şekil 3: Her bir bitkinin hacmini hesaplamak için kullanılan algoritmanın sonuçları.

Şekil 4: Chameleon cihazı tarafından tahmin edilen veriler ile yerde ölçülen veriler arasındaki korelasyon.

Asma su stresinin tespiti

Su stresi analizi, termal görüntüleme ve bitki örtüsü segmentasyon teknikleri kullanılarak gerçekleştirilmekte ve sıcaklıktan her bir asma için Mahsul Su Stresi Endeksi (CWSI ) hesaplanmaktadır. Bu, sulama yönetimini iyileştirmek için bitkilerin su durumuna ilişkin temel verilerin çok hızlı bir şekilde elde edilmesini mümkün kılmıştır. Termal verilerden elde edilen CWSI değerlerini doğru bir şekilde tahmin etmek amacıyla, sistemin düzgün çalışmasını sağlamak için sıcaklık ve hava nemi verileri referans olarak kullanılmıştır.

Şekil 5: Her bir tesis için sıcaklık sonuçları.

Multispektral bilgilerden asma analizi

Sistem, multispektral ortomozaikler kullanarak asmaların canlılığının tam olarak vurgulanmasını sağladı ve geleneksel yöntemlere göre daha hızlı bir şekilde ürün segmentasyonunu ve izlemeyi kolaylaştırdı. Ayrıca, drone verilerinden elde edilen toprak bölgeleme haritaları fiziksel örnekleme ile karşılaştırılmıştır. Bir korelasyon katsayısı (Pearson) kullanılarak, cihaz tarafından üretilen haritalar ile sahada toplanan veriler arasındaki benzerlik değerlendirildi ve bölgelendirme yönteminin güvenilirliği teyit edildi.

Şekil 6: Her bir bitki için NDVI.

Sonuçlar ve Gelecek Perspektifleri

VineScale projesi, asmaları izlemek, büyümeyi analiz etmek ve su kaynaklarını yönetmek için yenilikçi bir araç sunarak hassas bağcılık için dronların kullanım potansiyelini ortaya koymuştur. Bazı zorluklar ortaya çıkmış olsa da, sonuçlar bu teknolojilerin modern bağ yönetimine entegrasyonu için umut verici bir gelecek olduğunu gösteriyor.

Projenin kilit unsurlarından biri , Chameleon sisteminin 33.752 saniyede (yaklaşık 9 saat) yaklaşık 44,6 hektarlık alanı ve 129.636 bitkiyi analiz edebilmiş olmasıdır. Bu sistem NDVI, sıcaklık, CWSI ve taç hacmi de dahil olmak üzere çok sayıda biyometrik endeks ve ölçümü manuel ölçümlere kıyasla düşünülemeyecek bir hızla hesaplamıştır. Gerçekten de, bu tür parametrelerin geleneksel olarak araştırılması günler süren bir çalışma ve önemli ölçüde insan gücü gerektirirken, dronların ve gelişmiş algoritmaların kullanılması hızlı, eksiksiz ve ayrıntılı bir analizi mümkün kılmıştır.

Algoritmalarda yapılacak daha fazla iyileştirme ile bu araçların etkinliği daha da artabilir ve bu da giderek daha akıllı ve sürdürülebilir bağcılığa yol açabilir.