Gwałtowny rozwój technologii doprowadził do dużej dostępności bezzałogowych statków powietrznych, popularnie nazywanych dronami. Większość z nich wyposażona jest proste kamery RGB. Tylko najbardziej zaawansowane mogą być wyposażone w kamery NIR, lecz ceny takich zestawów kształtują się w okolicy 30-40 tys. PLN. Dla celów badań prowadzonych przez studentów, czy startup-y, takie rozwiązania mogą być niedostępne.

W ostatnich latach bardzo aktywnie prowadzone są badania i eksperymenty związane z oceną stanu zdrowotnego, sposobami wykrywania stresu roślin, dla zwiększenia jakości upraw, przy ograniczonym wykorzystaniu środków chemicznych.

W projekcie OpenDroneMap dotychczas brakowało takiego modułu przy pomocy którego można by wykonywać analizy indeksów wegetacyjnych. W lutym 2017 Dakota Benjamin opracował moduł do obliczeń NDVI z zdjęć wielospektralnych, a następnie ja podjąłem się próby stworzenia modułu dla indeksów RGB.

Moduł VegInd

W obecnym kształcie jest to samodzielny program napisany w języku Python, wykorzystujący biblioteki rasterio i numpy. Na dzień dzisiejszy dostępne są trzy indeksy: VARI, TGI, NGRDI. Postaram się je pokrótce omówić.

TGI

Triangular Greeness Index to wskaźnik jakości wzrostu roślin oparty o wykres absorbcji widma widzialnego w liściach – tworzy on charakterystyczny trójkąt.  Został on opracowany w taki sposób, aby możliwa była ocena ilości chlorofilu w liściach (czy generalnie w pokrywie roślinnej), bez wpływu powierzchni liści (LAI – Leaf Area Index). W związku z tym najlepiej odwzorowuje obniżoną zawartość azotu w roślinach.

Absorbcja promieniowania widzialnego w roślinach – trójkąt (Hunt,  2013)[2]

NGRDI

Znormalizowany indeks różnicowy zielony – czerwony wg doświadczeń prowadzonych przez [4] dla biomasy z kukurydzy, soi, w zakresie od 0 do 120 g/m jest skorelowany liniowo. Powyżej 150g/m mimo przyrostu biomasy, zmiany indeksu nie wykazują powiązania. Należy również zauważyć że NGRDI nie pokazuje skutecznie zawartości związków azotowych w roślinie.

VARI

Odporny na warunki atmosferyczne indeks promieniowania widzialnego ma w założeniach być podobnym do NGRDI indeksem z poprawką na zjawiska atmosferyczne tak jak zamglenie, zapylenia, czy warunki oświetleniowe. Indeks ten jest najlepiej dostosowany do oceny tzw. LAI – powierzchni biologicznie czynnej roślin. Został opracowany na Uniwersytecie Nebraska w ramach badań nad zobrazowaniami Landsat [5].

Instalacja

Jeśli nie jesteś jeszcze użytkownikiem OpenDroneMap, zajrzyj na stronę projektu. Tam bardzo szczegółowo opisana jest procedura instalacji całego pakietu narzędzi (toolchain) do pracy ze zdjęciami UAV. Jeśli jesteś zainteresowany wyłącznie modułem vegind, wystarczy zapisać lokalnie plik z kodem źródłowym z repozytorium OpenDroneMap contrib. Następnie zainstalujemy biblioteki rasterio i numpy.  Z poziomu systemu operacyjnego Ubuntu wykonuje się to przy pomocy dwóch prostych poleceń.

pip install rasterio

sudo apt-get install python-numpy

Więcej szczegółów na temat instalacji wymaganych bibliotek (szczególnie pod Windows) tutaj: numpy,  rasterio

Obsługa programu

W celu wywołania programu z linii poleceń należy użyć następującej składni:

python vegind.py <orto.tif> <index>

gdzie wartość index przyjmuje jeden z wyżej wymienionych wskaźników. Po zakończeniu obliczeń, plik wynikowy zostanie zapisany w tym samym miejscu co plik źródłowy, z dodatkowym opisem w nazwie.

Na przedstawionych poniżej ilustracjach zaprezentowałem wynik obliczeń indeksów dla ortofotomapy wsi w województwie opolskim w lipcu 2017 roku. Po lewej w środkowej części sceny widoczna uprawa kukurydzy, powyżej trawniki ozdobne, po prawej grunty orne, pastwiska i łąki, w tym częściowo suche, położone na piaszczystym podłożu). Dodatkowo po prawej widoczna kępa drzew sosnowych, zaś w centrum kadru drzewa liściaste.

Program został opublikowany na licencji GNU GPL3.

Bibliografia

  1. Hunt, E.R., Daughtry, C.S.T., Eitel, J.U.H., Long, D.S., 2011. Remote sensing leaf chlorophyll content using a visible band index. Agronomy Journal 103, 1090–1099.
  2. Hunt, E.R., Doraiswamy, P.C., McMurtrey, J.E., Daughtry, C.S.T., and Perry, E.M., “A Visible Band Index for Remote Sensing Leaf Chlorophyll Content at the Canopy Scale”, International Journal of Applied Earth Observation and Geoinformation, 21, 103-112, 2013.
  3. Gitelson, A.A., Viña, A., Arkebauer, T.J., Rundquist, D.C., and Keydan, G.P., “Remote Estimation of Leaf Area Index and Green Leaf Biomass in Maize Canopies”, Geophysical Research Letters, 30, 1248, 2003.
  4. Hunt, E.R., Cavigelli, M., Daughtry, C.S.T. et al. Precision Agric (2005) 6: 359. https://doi.org/10.1007/s11119-005-2324-5
  5. Gitelson, A.A., Viña, A., Arkebauer, T.J., Rundquist, D.C., and Keydan, G.P., “Remote Estimation of Leaf Area Index and Green Leaf Biomass in Maize Canopies”, Geophysical Research Letters, 30, 1248, 2003.

 


tomasznycz

Geograf, kartograf, góral z wyboru