БПЛА для «умного сельского хозяйства»

Различные датчики получения данных для различных областей применения


Башар Альсадик, Фарзане Дадрасс Джаван, Франческо Некс • 19 января 2023

«Умное сельское хозяйство», т.е. эффективное использование ресурсов Земли для того, чтобы накормить мир, требует точного и продвинутого получения, моделирования и управления данными. Важнейшую роль в этом могут сыграть БПЛА.

По мере того, как население мира продолжает расти, растет и спрос на продовольствие. В то же время ряд глобальных и локальных вызовов угрожает «продовольственной безопасности». В этом контексте в последние десятилетия были предложены и рассмотрены различные технологии и методы для обеспечения эффективного использования сельскохозяйственных ресурсов планеты, т.е. «умное сельское хозяйство». Это требует оперативного получения и управления соответствующими данными. В этой статье представлено краткое обсуждение того, как беспилотные летательные аппараты (БПЛА или «дроны») могут играть решающую роль в «умном» сельском хозяйстве, в том числе с акцентом на их возможности и области их применения.

Что такое умное сельское хозяйство?
Умное сельское хозяйство определяется как применение современных технологий для качественного повышения урожайности сельскохозяйственных культур и улучшения управления сельским хозяйством. В деловом мире это также известно как «точное земледелие» или «агротехнологии». Умное сельское хозяйство направлено на снижение затрат и рисков, связанных с выращиванием сельскохозяйственных культур, при минимизации затрат с точки зрения орошения, удобрений, гербицидов, пестицидов и т. д. Основная цель «умного» сельского хозяйства заключается в том, чтобы эффективно адаптироваться между имеющимися ресурсами и потребностями на основе наблюдаемой временной и пространственной несогласованности на сельскохозяйственном поле.

Умное сельское хозяйство объединяет множество передовых и развивающихся технологий и применений, включая беспилотные летательные аппараты и спутниковое дистанционное зондирование, сети на основе Интернета вещей (IoT), цифровое прогнозирование развития ситуации с насекомыми и болезнями, механизированное орошение, управление светом и теплом, управление почвой и другие связанные с этим аналитические задачи. Среди всех этих технологий наблюдение за Землей (ДЗЗ) играет важную роль во всех аспектах предварительной диагностики, моделирования и профилактики.

Являясь одной из наиболее быстро развивающихся технологий аэрофотосъемки, беспилотные летательные аппараты имеют преимущества как по сравнению с традиционными методами полевых измерений, так и по сравнению с методами анализа спутниковых изображений. Для получения высококачественных данных полевых измерений требуется значительное количество времени и усилий. В отличие от них, БПЛА обладают рядом преимуществ:

• обеспечение более быстрого, гибкого и удобного реагирования на проблемы, связанные с выращиванием сельскохозяйственных культур;
• картографирование больших посевных полей по сравнению с традиционными измерениями полей;
• возможность комбинирования данных, полученных с помощью различных датчиков;
• работа даже в пасмурные дни;
• получение информации о сх культурах в более высоком пространственном и временном разрешении;
• создание точных карт растительности, что помогает принимать более обоснованные решения.

Кроме того, снимки с БПЛА имеют ряд преимуществ по сравнению со снимками, полученными со спутников или пилотируемой аэрофотограмметрии:

• меньшее влияние облаков из-за меньшей высоты полета;
• большой объем данных, собранных за короткое время;
• полный контроль со стороны пользователя;
• меньшее влияние атмосферы;
• снижение эксплуатационных расходов.

Применение БПЛА в умном сельском хозяйстве

В настоящее время БПЛА, оснащенные оптическими камерами, играют важную роль в цифровом умном сельском хозяйстве. Этот метод может стать ключевым элементом, способствующим повышению точности ведения сельского хозяйства, повышению урожайности сельскохозяйственных культур и большему вниманию к целенаправленной защите растений.

БПЛА могут оснащаться различными датчиками для получения данных, такими как RGB, мультиспектральными (MS), гиперспектральными или тепловизионными камерами или лидарами. Растения отражают свет на разных длинах волн в зависимости от содержания хлорофилла и биомассы. БПЛА с мульти- или гиперспектральной камерой измеряет отраженную энергию, полученную от солнца в разных областях спектра. Уровень энергии, отраженной от растительности, и соотношение между различными спектральными каналами могут позволить индексировать состояние здоровья сельскохозяйственных культур. Существуют различные вегетационные индексы, в том числе хорошо известный нормализованный вегетационный индекс (NDVI), который основан на использовании ближнего инфракрасного диапазона (NIR). NDVI обычно используется для определения площади листьев и здоровья растений, при этом высокие значения NDVI указывают на высокий уровень биомассы. Таким образом, NDVI и другие карты вегетационных индексов представляют собой большой потенциал для увеличения производства сельскохозяйственных продуктов питания более устойчивым образом.

Рисунок 1: Визуализация использования БПЛА в умном сельском хозяйстве.

Следовательно, спектральные данные, полученные с помощью БПЛА, могут быть проанализированы, чтобы оценить и локализовать любые участки с ранними признаками заражения вредителями или болезнями. Кроме того, эта спектральная информация в сочетании с 3D-информацией из таких источников, как цифровые модели поверхности (ЦММ) и карты водных путей, может быть использована для повышения эффективности таких видов деятельности, как орошение или обработка пестицидами, при одновременном сокращении объема необходимых ресурсов. На рисунке 1 обобщено использование БПЛА для умного сельского хозяйства и показана связь между датчиками, вегетационными индексами и применениями, как описано ниже.

Вегетационные индексы и измерения

Для измерения свойств растений было предложено и определено несколько спектральных вегетационных индексов. Невидимые параметры могут быть преобразованы в видимые индексы и измерения путем создания соответствующих цветных карт или индикаторов. Примерами таких индексов являются:

• Индекс площади листьев (LAI): Определяется как проекция односторонней площади зеленых листьев на единицу площади земли. LAI является важным показателем состояния роста сельскохозяйственных культур. Он может быть рассчитан с помощью наземных методов или дистанционного зондирования Методы оценки с использованием оптического дистанционного зондирования классифицируются на три типа: экспериментальные взаимосвязи между LAI и вегетационными индексами, такими как NDVI, модели отражения полога или комбинация обоих этих методов.
• Нормализованный вегетационный индекс (NDVI): широко используется в умном сельском хозяйстве для оценки пространственных вариаций ожидаемого LAI. Индекс NDVI обычно используется для определения площади листьев и здоровья растений, при этом высокие значения NDVI означают более высокий уровень концентрации биомассы.
• Индекс TGI: основан на использовании изображений RGB на основе значений коэффициента отражения в видимой части спектра для определения содержания хлорофилла в областях с высоким листовым покровом.
• Видимый индекс устойчивости к атмосферным воздействиям (VARI): Этот индекс получен на основе изображений RGB для листьев. Индекс VARI используется для оценки элементов растительности с низкой чувствительностью к атмосфере.
• Надземная биомасса (AGB): включает в себя всю биомассу живых растений над почвой, включая стебли, ветви, семена, листву и т. д. Поскольку надземная биомасса в основном видна в углеродных пулах (например, в океанах), AGB представляет собой важный индикатор изменений или преимуществ, связанных со снижением выбросов углерода. Соответственно, AGB является значимым индексом для мониторинга выбросов парниковых газов и других сопутствующих проектов.
• Фракционный растительный покров (FVC): Этот индекс включает в себя наземный слой (например, травы), средний слой (например, деревья среднего размера) и слой полога. Для определения NDVI можно использовать значения NDVI коэффициента отражения голой почвы (NDVIs) и коэффициента отражения всей растительности (NDVIv).
• Индекс зеленой зоны (GAI): Указывает на все зеленые особенности растения, включая листья, стебли и репродуктивные органы. Дополнительный индекс коричневой площади (BAI) относится к незеленым участкам в пологе леса. Общий индекс, известный как индекс площади растений (PAI), указывает как на зеленые, так и на незелёные части.

Распространенные датчики для умного сельского хозяйства

Существует несколько типов датчиков, которые обычно используются в приложениях дистанционного зондирования БПЛА в сельскохозяйственном и лесном секторах. В основном их можно классифицировать следующим образом:

Оптические RGB-камеры: RGB-сенсоры являются наиболее широко используемыми датчиками в системах БПЛА для умного сельского хозяйства. Они могут делать снимки с высоким разрешением и, как правило, дешевле, чем другие типы. Помимо того, что они легкие и простые в использовании, они также легко доступны. Изображения RGB можно снимать в более широком диапазоне погодных условий, в том числе в солнечные и пасмурные дни, при условии, что определенные параметры камеры (выдержка, ISO и т. д.) правильно настроены в зависимости от погодных условий, чтобы предотвратить недодержку или передержку изображения. Фундаментальным недостатком этих датчиков является их низкое спектральное разрешение, что делает их неадекватными для измерения вегетационных индексов, требующих получения спектральных данных из невидимой части спектра. Следовательно, датчики RGB обычно используются вместе с другими типами датчиков.

Мультиспектральные и гиперспектральные камеры: Спектральные данные могут быть очень полезны для оценки некоторых биологических и физических характеристик сельскохозяйственных культур. Мультиспектральные или гиперспектральные датчики изображения имеют более высокое спектральное разрешение. Изображения, полученные БПЛА, оснащенными этими датчиками, могут предоставить информацию о спектральном поглощении и отражении растительности в различных диапазонах. Больные культуры можно обнаружить на ранней стадии, так как хлорофилл поглощает видимый свет в красном канале, сильно отражая свет ближнего ИК-диапазона. Таким образом, информация, содержащаяся в канале NIR, может быть использована для выявления таких случаев заболевания, даже если они еще не видны в красном канале. Технологические усовершенствования в производстве датчиков привели к созданию более легких мультиспектральных датчиков, которые можно использовать даже на современных коммерческих легких БПЛА. MicaSense RedEdge и Parrot Sequoia— два примера таких датчиков, способных улавливать более широкий диапазон длин волн, включая ближний ИК-диапазон. С помощью таких камер можно вывести NDVI и некоторые другие вышеперечисленные вегетационные индексы. На рисунке 2 показана область спектра, охватываемая каждой из двух камер. Гиперспектральные датчики также были усовершенствованы для создания более легких датчиков специально для дронов. Эти камеры охватывают более широкий диапазон спектра, чем мультиспектральные датчики, но обычно достигают более низкого пространственного разрешения. FS-10 (FS60 – версия для БПЛА) от компании CNHSPEC — это датчик, который обычно используется для классификации и мониторинга растительности. Эта легкая гиперспектральная камера генерирует до тысячи спектральных каналов в спектральном диапазоне VIS-VNIR (400-1000 нм).

Рисунок 2: Два примера спектральных каналов сенсоров, способных регистрировать отраженный свет в более широком диапазоне длин волн, включая ближний инфракрасный диапазон (NIR).

Тепловизионные камеры: Когда температура объектов выше абсолютного нуля, все они излучают инфракрасный свет с определенной длиной волны, пропорциональной их температуре. Тепловизионные камеры концентрируются и улавливают излучение на определенных длинах волн, которое впоследствии преобразуется в изображение в градациях серого для представления тепла. Некоторые тепловые датчики могут интерпретировать полученную энергию и преобразовывать ее в абсолютную температуру объекта. В этом случае изображения могут отображаться в цветах, при этом более горячие объекты обычно обозначаются красными оттенками, а более холодные — синими. Тепловизионное дистанционное зондирование с помощью беспилотных летательных аппаратов успешно используется в сельском хозяйстве для инспекции состояния растений, основанной на предположении, что свежая растительность обычно менее сухая при более низких температурах. Кроме того, эти изображения могут быть подвергнуты дальнейшему изучению и обработке для извлечения информации, которая может помочь в картографировании ирригации, управлении удобрениями/пестицидами и оценке урожайности. Кроме того, тепловизионное изображение может помочь оценить развитие зрелости растения и выявить ущерб, нанесенный урожаю вредными событиями, такими как пожары и тому подобное. FLIR — один из основных брендов камер, активно применяемых в этом контексте, предлагающий три основных диапазона длин волн: коротковолновое, средневолновое и длинноволновое инфракрасное (рис. 3).

Лидар: В настоящее время 3D-облако точек необходимо для оценки высоты растений, фенологии сельскохозяйственных культур, потока воды и многого другого. Более надежная оценка этих параметров может быть достигнута при наличии облака точек высокой плотности. Беспилотный летательный аппарат, оснащенный лидаром, является предпочтительным методом получения плотного облака точек из-за значительной точности лидара и способности принимать несколько отраженных сигналов. Биомасса традиционно измеряется квадратами, которые не были очищены от листвы в результате вырубки или выпаса скота в течение вегетационного периода. Несмотря на то, что данные точны, этот традиционный метод отбора проб в полевых условиях AGB является трудоемким, и дорогостоящим. Кроме того, получение данных AGB затруднен на больших территориях. Лидарные данные с БПЛА дают уникальную возможность измерять вертикальные 3D-конструкции. Например, измерения высоты полога основаны на отражении лазерного импульса от растительности и земли в многократных отражениях и на разных высотах. В последние годы цифровые модели местности (ЦМР) и ЦММ были созданы на основе данных лидара в качестве основы для мониторинга структур растений с помощью БПЛА и создания моделей высоты купола (CHM). Для определения CHM ЦММ сравнивается в разное время в течение вегетационного периода, при этом исходный ЦМР вычисляется с использованием первых измерений. Также начали появляться методы, использующие лидар для оценки PAI на основе плотности полога. Фундаментальным преимуществом этих лидарных методов является их чувствительность как к зеленым, так и к незеленым растительным компонентам.

Рисунок 3: Три основных диапазона длин волн камер FLIR.

Использование БПЛА дистанционного зондирования Земли для «умного» сельского хозяйства

Данные, полученные с помощью БПЛА, оснащенного лидаром или камерами, могут быть использованы для различных целей планирования и мониторинга сельского хозяйства, в том числе:

• мониторинг состояния сельскохозяйственных культур;
• оценка сухости растительности и почвы;
• оценка потребности в удобрениях;
• обнаружение повреждений и болезней;
• наблюдение за ростом культур и оптимизация уборки урожая;
• картографирование водных потоков и управление орошением;
• мониторинг эрозии и потерь почвы;
• создание карт уклонов и зон воздействия солнечного света.

Ниже более подробно описан ряд областей применения.

Управление орошением: Одним из ключевых применений технологии БПЛА в умном сельском хозяйстве является управление орошением сельскохозяйственных культур, при котором эффективность использования воды повышается за счет применения оптимального количества ресурса в оптимальном месте и в оптимальное время. Беспилотные летательные аппараты с соответствующими типами датчиков могут использоваться для определения местоположения участков культуры, требующих дополнительного полива. Это положительно сказывается на общем объеме растениеводства. Тепловизионная камера является одним из наиболее часто используемых датчиков для этой области применения. Используя тепловидение для картографирования изменчивости водного потенциала на поле, можно оптимизировать орошение. Тепловизионное изображение БПЛА может потребоваться для выявления таких проблем, как неисправные системы орошения и неравномерное орошение. Использование тепловизионного изображения с БПЛА позволяет обнаружить тепловой стресс до того, как растению будет нанесен непоправимый ущерб, или выявить проблемы с орошением до того, как симптомы станут заметны. Например, на виноградниках орошение с помощью БПЛА используется в интеллектуальном сельском хозяйстве для улучшения распределения воды внутри виноградника, чтобы помочь достичь равномерной зрелости и, следовательно, повысить качество продукции.

Страхование урожая: Глобальные проблемы, такие как глобальное потепление и более экстремальные осадки в течение года, все чаще приводят к наводнениям, что приводит к гибели сельскохозяйственных культур из-за недостатка кислорода в корнях и недостатка солнечного света на листве. В таких случаях фермеры часто могут подать заявление о страховых возмещениях за причиненный ущерб. Прежде чем претензия может быть удовлетворена, инспектор по страховому ущербу должен провести оценку ущерба, нанесенного урожаю. Традиционно они были сложными в выполнении и часто ошибочными, потому что работа в основном выполнялась вручную. Беспилотные летательные аппараты обладают потенциалом для оценки ущерба сельскохозяйственным культурам, поскольку они позволяют получать изображения на широкой территории покрытия, тем самым сокращая время и затраты, одновременно повышая точность инспекции и поддерживая эффективную документацию.

Картографирование сорняков: Картографирование сорняков является важным применением умного сельского хозяйства на основе БПЛА. Сорняки - это нежелательные растения, которые развиваются в сельскохозяйственных культурах и могут привести к нескольким проблемам. Они негативно влияют на рост растений, потому что усиливают борьбу за ограниченные ресурсы, такие как вода или пространство для роста. Опрыскивание посевного поля гербицидами является традиционным методом борьбы с сорняками. Однако чрезмерное использование гербицидов может привести к появлению устойчивых к гербицидам сорняков, а также повлиять на развитие и урожайность сельскохозяйственных культур. Кроме того, это серьезно угрожает окружающей среде загрязнением, не говоря уже о значительном увеличении себестоимости. Альтернативой этому является борьба с сорняками на конкретном участке (SSWM), при которой гербициды применяются пространственно изменчивым образом, а не распыляются по всему полю. Для этого необходимо создать точную карту засоренного покрова, которая позволит целенаправленно применять гербициды на основе визуализации с помощью БПЛА. Карты сорняков задач или карты зон показывают типы почв, топографию или карты вредителей. Когда методы машинного обучения применяются к изображениям с БПЛА, можно автоматически идентифицировать сорняки и культуры на основе их формы, структуры и контраста. Затем гербициды применяются только к сорнякам, что лучше для культуры, а также оказывает меньшее воздействие на окружающую среду.

Обнаружение повреждений урожая: БПЛА можно использовать для создания цифровых 3D-карт урожая и оценки различных факторов, включая высоту урожая и LAI. Кроме того, данные визуализации сельскохозяйственных культур с помощью БПЛА могут быть проанализированы с помощью инструментов обработки данных для выявления изменений в биомассе и здоровье растений. В результате инфекции могут быть выявлены на ранних стадиях, что позволяет фермерам принимать меры для минимизации потерь. Как правило, БПЛА играют определенную роль, собирая данные, относящиеся к здоровью сельскохозяйственных культур, чтобы обнаружить потенциальную инфекцию на начальной стадии инфекции, до появления визуальных признаков. Кроме того, БПЛА могут использоваться во время лечения инфекций, когда фермеры могут использовать их для целенаправленного опрыскивания, а также для точного отслеживания хода вмешательства.

Удобрение для сельскохозяйственных культур: Самым популярным удобрением в мире является азот, он является жизненно важным компонентом хлорофилла, который является ключом к выживанию растений. Контроль количества удобрений, используемых для сельскохозяйственных культур, приносит пользу как растениям, так и бюджету. Соответственно, многие фермеры в настоящее время используют беспилотные летательные аппараты и интеллектуальные методы ведения сельского хозяйства для получения информации и картографирования своих сельскохозяйственных полей, чтобы обеспечить растения необходимыми удобрениями, используя при этом меньше азота в целом. GAI является наиболее часто используемым индексом для расчета того, когда и где требуется внесение азота. Как правило, полученная карта культур имеет цветовую маркировку в соответствии со значениями GAI, при этом более низкие значения GAI указывают на большую потребность в азоте.

Инспекция затопленных посевных площадей: Для оценки страхового ущерба БПЛА может быть запущен над регионами, которые были повреждены, для получения данных с помощью RGB или MS камер. Данные могут быть обработаны и отображены с использованием соответствующих передовых технологий для расчета потерь урожая. Чтобы проанализировать ущерб, нанесенный урожаю, и предоставить фермеру отчет о результатах, инспектор по убыткам должен сначала построить серию визуализаций, похожих на ортофотоплан. Инспектор потерь также может рассчитать NDVI, который эффективен при обнаружении растительности и голой почвы, чтобы определить степень ущерба. После разработки категоризированной карты NDVI, отображающей участки голой почвы на поле, инспектор может использовать карту для определения участков поля, требующих более тщательной оценки уровня повреждения.

Заключение

В этой статье описываются технологии с использованием БПЛА для умного сельского хозяйства в различных областях, связанных с мониторингом и управлением сельскохозяйственными культурами, и подчеркиваются преимущества использования БПЛА в этом секторе по сравнению с полевыми и спутниковыми методами. Кратко объясняются различные вегетационные индексы, в том числе их связь с типами датчиков, используемых на БПЛА, такими как мультиспектральные, тепловые, RGB-камеры и лидары.