Monitorowanie winnic za pomocą dronów

Wprowadzenie

Winiarstwo precyzyjne robi ogromne postępy dzięki nowym technologiom opartym na zaawansowanej analizie danych pozyskiwanych z dronów. W tym kontekście podprojekt VineScale, będący częścią projektu Chameleon, ma na celu zrewolucjonizowanie monitorowania winnic poprzez analizę obrazów pozyskiwanych z dronów. Celem projektu VineScale jest przetestowanie i zwalidowanie narzędzia Chameleon do automatycznej analizy danych z dronów, poprzez weryfikację jego skuteczności i niezawodności w różnych scenariuszach zastosowania, na 12 winnicach rozsianych po całych Włoszech (Rys. 1).

Rys.1: Podsumowanie lotów w ramach projektu VineScale.

Aby zapewnić poprawność informacji uzyskanych z automatycznego systemu Chameleon, wyniki VineScale porównano z danymi zebranymi bezpośrednio w terenie.

Automatyczna detekcja krzewów winorośli

Wśród narzędzi oferowanych przez platformę Chameleon znajduje się narzędzie do automatycznej detekcji służące do identyfikacji krzewów winorośli. Dzięki analizie chmury punktów 3D uzyskanej z przetworzenia zdjęć wykonanych dronem w okresie bezlistnym, narzędzie umożliwia wygenerowanie maski wektorowej identyfikującej wszystkie rośliny w polu.

Narzędzie to okazało się skuteczne, ale ujawniło potrzebę określenia wytycznych dotyczących pozyskiwania danych, takich jak wysokość lotu, nakładanie się zdjęć i typ siatki (np. lot z podwójną siatką), aby uzyskać odpowiedni zbiór danych i prawidłowo przeprowadzić ich przetwarzanie.

Rys.2: Chmura punktów poszczególnych wyodrębnionych roślin (lewa strona) oraz maska roślin (prawa strona)

Monitorowanie wzrostu uprawy na podstawie informacji RGB

Po wygenerowaniu masek (automatycznie lub ręcznie) można przetestować kolejny algorytm, który umożliwia monitorowanie objętości liści każdej pojedynczej rośliny. Porównując szacunki objętości korony winorośli uzyskane za pomocą narzędzia Chameleon z ręcznymi pomiarami grubości i wysokości roślin, zaobserwowano spójny wzorzec (Rys. 3, 4). Różnice wynikają z uproszczeń w obliczaniu objętości, jednak ogólnie metoda wykazała wysoką niezawodność w monitorowaniu wzrostu. Dzięki interpolacji wartości dla każdej pojedynczej rośliny można wygenerować mapy tematyczne odzwierciedlające sytuację w terenie.

Rys.3: Wyniki algorytmu obliczającego objętość każdej pojedynczej rośliny.

Rys.4: Korelacja między danymi oszacowanymi przez narzędzie Chameleon a danymi zebranymi w terenie.

Wykrywanie stresu wodnego winorośli

Analiza stresu wodnego jest przeprowadzana za pomocą obrazów termicznych i technik segmentacji roślinności, poprzez obliczanie wskaźnika Crop Water Stress Index (CWSI) dla każdego krzewu, na podstawie temperatury. Umożliwiło to bardzo szybkie uzyskanie kluczowych danych na temat stanu wodnego roślin, w celu usprawnienia zarządzania nawadnianiem. Aby precyzyjnie oszacować wartości CWSI wyprowadzone z danych termicznych, jako punkt odniesienia wykorzystano dane dotyczące temperatury i wilgotności powietrza, co pozwoliło zapewnić prawidłowe działanie systemu.

Rys.5: Wyniki temperatury dla każdej rośliny.

Analiza winorośli na podstawie informacji wielospektralnych

Wykorzystując wielospektralne ortomozaiki, system umożliwił precyzyjne uwidocznienie wigoru winorośli, ułatwiając segmentację i monitorowanie upraw znacznie szybciej niż metody tradycyjne. Ponadto mapy stref glebowych uzyskane z danych dronowych porównano z próbkowaniem fizycznym. Za pomocą współczynnika korelacji (Pearsona) oceniono podobieństwo między mapami wygenerowanymi przez narzędzie a danymi zebranymi w terenie, co potwierdziło niezawodność metody stref.

Rys.6: NDVI dla każdej pojedynczej rośliny.

Wnioski i perspektywy na przyszłość

Projekt VineScale wykazał potencjał wykorzystania dronów w winiarstwie precyzyjnym, oferując innowacyjne narzędzie do monitorowania winorośli, analizy wzrostu i zarządzania zasobami wodnymi. Choć pojawiły się pewne wyzwania, uzyskane wyniki wskazują na obiecującą przyszłość integracji tych technologii z nowoczesnym zarządzaniem winnicami.

Kluczowym elementem projektu jest fakt, że system Chameleon umożliwił analizę około 44,6 hektara i 129 636 roślin w 33 752 sekundy (około 9 godzin). System ten obliczył liczne wskaźniki i pomiary biometryczne, w tym NDVI, temperaturę, CWSI i objętość korony, z szybkością nie do pomyślenia w porównaniu z pomiarami ręcznymi. Rzeczywiście, podczas gdy tradycyjny pomiar tych parametrów wymagałby wielu dni pracy i znacznego nakładu siły roboczej, wykorzystanie dronów i zaawansowanych algorytmów umożliwiło przeprowadzenie szybkiej, kompletnej i szczegółowej analizy.

Dzięki dalszym udoskonaleniom algorytmów skuteczność tych narzędzi będzie mogła być jeszcze większa, prowadząc do coraz bardziej inteligentnego i zrównoważonego winiarstwa.