Drone’larla bağ izleme

Giriş

Drone verilerinin gelişmiş analizine dayanan yeni teknolojiler sayesinde hassas bağcılık dev adımlarla ilerliyor. Bu bağlamda, Chameleon projesinin bir parçası olan VineScale alt projesi, drone görüntülerinin analizi yoluyla bağ izlemede devrim yaratmayı amaçlamaktadır. VineScale projesinin amacı, Chameleon’un otomatik drone veri analizi aracını test etmek ve doğrulamaktır; bu doğrultuda İtalya genelinde dağılmış 12 bağda farklı uygulama senaryolarında aracın etkinliği ve güvenilirliği değerlendirilmiştir (Şek. 1).

Şek.1: VineScale projesi uçuşlarının özeti.

Chameleon’un otomatik sisteminden elde edilen bilgilerin geçerliliğini sağlamak amacıyla, VineScale sonuçları doğrudan arazide toplanan verilerle karşılaştırılmıştır.

Asma bitkilerinin otomatik tespiti

Chameleon platformunun sunduğu araçlar arasında, asmaların tanımlanmasına yönelik otomatik tespit aracı bulunmaktadır. Yapraksız dönemde drone ile çekilen görüntülerin işlenmesinden elde edilen 3B nokta bulutunun analizi sayesinde bu araç, tarladaki tüm bitkileri tanımlayan vektörel bir maske oluşturabilmektedir.

Bu aracın etkili olduğu kanıtlanmış olsa da, uygun bir veri setinin elde edilmesi ve verilerin doğru şekilde işlenebilmesi için uçuş yüksekliği, örtüşme oranı ve grid düzeni (örn. çift grid uçuşu) gibi veri toplama kılavuz ilkelerinin belirlenmesi gerektiği ortaya çıkmıştır.

Şek.2: Ayrıştırılan tekil bitkilerin nokta bulutu (solda) ve bitki maskesi (sağda)

RGB bilgileriyle ürün gelişiminin izlenmesi

Maskeler (otomatik veya manuel olarak) oluşturulduktan sonra, her bir bitkinin yaprak hacmini izlemeyi sağlayan başka bir algoritma test edilebilir. Chameleon aracıyla elde edilen asma tepe hacmi tahminleri, bitkilerin manuel olarak ölçülen kalınlık ve yükseklik verileriyle karşılaştırıldığında tutarlı bir örüntü ortaya çıkmıştır (Şek. 3, 4). Farklılıklar hacim hesaplamasındaki basitleştirmelerden kaynaklanmaktadır; ancak genel olarak yöntem, büyüme izlemesi açısından yüksek güvenilirlik göstermiştir. Her bir bitkinin değerlerinin enterpolasyonu yoluyla, arazideki durumu yansıtan tematik haritalar oluşturulabilmektedir.

Şek.3: Her bir bitkinin hacmini hesaplayan algoritmanın sonuçları.

Şek.4: Chameleon aracı tarafından tahmin edilen veriler ile arazide toplanan veriler arasındaki korelasyon.

Asmalarda su stresinin tespiti

Su stresi analizi, termal görüntüler ve bitki örtüsü segmentasyon teknikleri kullanılarak, sıcaklık verilerinden yola çıkarak her bir asma için Bitki Su Stresi İndeksi (CWSI) hesaplanmasıyla gerçekleştirilmektedir. Bu sayede, sulama yönetimini iyileştirmek amacıyla bitkilerin su durumu hakkında son derece hızlı bir şekilde temel veriler elde edilmiştir. Termal verilerden türetilen CWSI değerlerini hassas bir şekilde tahmin etmek için, sistemin doğru çalışmasını garanti altına almak amacıyla referans olarak hava sıcaklığı ve nem verileri kullanılmıştır.

Şek.5: Her bitki için sıcaklık sonuçları.

Çok bantlı bilgilerden asma analizi

Çok bantlı ortomozaikler kullanılarak sistem, asmaların canlılığını hassas bir şekilde ortaya koymayı sağlamış, geleneksel yöntemlere kıyasla ürün segmentasyonu ve izlemesini daha hızlı hale getirmiştir. Ayrıca, drone verilerinden elde edilen toprak bölgeleme haritaları fiziksel örneklemelerle karşılaştırılmıştır. Bir korelasyon katsayısı (Pearson) kullanılarak, araç tarafından oluşturulan haritalar ile arazide toplanan veriler arasındaki benzerlik değerlendirilmiş ve bölgeleme yönteminin güvenilirliği doğrulanmıştır.

Şek.6: Her bir bitki için NDVI.

Sonuçlar ve gelecek perspektifleri

VineScale projesi, hassas bağcılık için drone kullanımının potansiyelini ortaya koymuş ve asma izleme, gelişim analizi ve su kaynakları yönetimi için yenilikçi bir araç sunmuştur. Bazı zorluklar ortaya çıkmış olsa da, elde edilen sonuçlar bu teknolojilerin modern bağ yönetimine entegrasyonu açısından umut verici bir gelecek olduğunu göstermektedir.

Projenin önemli bir unsuru, Chameleon sisteminin yaklaşık 44,6 hektarı ve 129.636 bitkiyi 33.752 saniyede (yaklaşık 9 saat) analiz edebilmiş olmasıdır. Bu sistem, NDVI, sıcaklık, CWSI ve tepe hacmi de dahil olmak üzere çok sayıda indeks ve biyometrik ölçüm hesaplamış ve bunu manuel ölçümlere kıyasla akıl almaz bir hızda gerçekleştirmiştir. Nitekim, bu parametrelerin geleneksel yöntemlerle ölçülmesi günler süren çalışma ve önemli miktarda iş gücü gerektirirken, drone’ların ve gelişmiş algoritmaların kullanımı hızlı, eksiksiz ve ayrıntılı bir analiz yapılmasını mümkün kılmıştır.

Algoritmalardaki ileri iyileştirmelerle birlikte, bu araçların etkinliği daha da artabilecek ve bu da giderek daha akıllı ve sürdürülebilir bir bağcılığa yol açacaktır.