Оставьте свой номер и мы с вами свяжемся!
Или Вы можете позвонить нам сами:
+7 902 934 71 72

Сравнение БПЛА мультироторного и самолетного типов для их использования в сельском хозяйстве

Саденова Маржан Ануарбековна , Бейсекенов Наиль Аликулы*, Турежан Бауржанулы Ануарбеков, Азамат Кайсарович Капасов, Наталья Анатольевна Куленова

Приоритетная кафедра Центр «Veritas» Восточно-Казахстанский технический университет им. Д. Серикбаева, 070000, г. Усть- ул. Серикбаева, 19 Каменогорск, Казахстан

[email protected]
Оценка спектрального значения растительности с помощью датчиков беспилотных летательных аппаратов для неразрушающего дистанционного зондирования является ключевым элементом мониторинга роста и развития сельскохозяйственных культур. Учитывая широкое присутствие на рынке коммерческих решений на базе беспилотных летательных аппаратов (БПЛА), существует потребность в четкой информации о производительности этих продуктов, чтобы помочь конечному пользователю в их выборе и использовании в точном земледелии. Целью данной работы является сравнение и оценка эффективности поддержки практического применения методов дистанционного зондирования Земли с использованием БПЛА DJI P4M и senseFly eBee X при производстве сельскохозяйственного ячменя. Описаны особенности этих коммерческих БПЛА и результаты их применения. Индексы NDVI были рассчитаны при использовании данных съемки с обоих беспилотных летательных аппаратов. На основе полученных результатов корреляция r-Pearson двух БПЛА составила от 0,78 до 0,80. Также разработана структурная схема, показывающая обработку результатов обследования урожая ячменя с помощью измерений двух исследуемых БПЛА. В результате сравнительного анализа двух БПЛА senseFly eBee X оказался лучшим по большинству показателей.



1. Введение



Знание пространственных и временных изменений в росте сельскохозяйственных культур имеет важное значение для выращивания сельскохозяйственных культур и устойчивого растениеводства для обеспечения продовольственной безопасности страны. Сочетание моделей роста сельскохозяйственных культур и данных дистанционного зондирования является полезным методом мониторинга состояния роста сельскохозяйственных культур и оценки урожайности (Jin et al., 2016).



Спектральная реакция полога на солнечную радиацию относится к тому, как растения поглощают и отражают различные длины волн света от солнца. Солнечный свет состоит из различных длин волн, которые вместе составляют электромагнитный спектр. Разные виды растений имеют разную грудную реакцию, что означает, что они поглощают и отражают свет по-разному в зависимости от длины волны. Спектральная реакция растительного покрова на солнечную радиацию, анализируемая путем расчета широкого диапазона вегетационных индексов (VI), является основой для применения дистанционного зондирования Земли в сельском хозяйстве. Как структурные аспекты, так и биохимический состав, физиологические процессы и листовые симптомы влияют на то, как растительность отражает свет в различных областях электромагнитного спектра (Giovos et al., 2021). Таким образом, специализированный анализ дает важную информацию о вегетативном состоянии и потребностях сельскохозяйственных культур, но при оптимальном получении спектральных данных необходимо учитывать характеристики каждой культуры, поскольку существуют структуры и характеристики, влияющие на спектральный отклик (Tardaguila et al., 2021).



Учитывая наличие различных платформ дистанционного зондирования, лучшим решением для оптимального удовлетворения этих потребностей является использование беспилотных летательных аппаратов (БПЛА), которые получили широкое распространение в последнее десятилетие для широкого спектра научных исследований и применений в растениеводстве (Matese et al., 2021). Эти платформы позволяют точно определять изменчивость в поле, обеспечивая характеристику роста и развития растений и пространственное разрешение. БПЛА могут стать важной технологией для извлечения полезной информации о земной поверхности за короткий промежуток времени, такой как цифровые модели поверхности (ЦММ) и другая информация. Конечные продукты сильно зависят от выбора значений для различных параметров для планирования полетов и обработки данных (Liu et al., 2022). Данные, получаемые датчиками БПЛА, могут быть спектральными, пространственными и временный. Выбор подходящего датчика и данных зависит от характера применения. Например, тепловые данные подходят для определения состояния воды, а спектральная информация является хорошим вариантом для выявления возможных заболеваний (Radoglou et al., 2020).



Различные источники информации описывают такие типы датчиков, как тепловизионные, мультиспектральные и гиперспектральные камеры. Существует множество беспилотных летательных аппаратов, предназначенных для сельского хозяйства с использованием различных видов технологий дистанционного зондирования Земли. Дроны способны получать снимки высокого разрешения, которые после обработки специализированным программным обеспечением используются для предварительного анализа урожая. Дроны оснащаются несколькими типами встроенных датчиков, что делает их полноценными мобильными измерительными платформами. Они способны работать в различных средах и условиях, с разным уровнем автономности, индивидуально или в сотрудничестве с другими беспилотными аппаратами того же или другого типа.



Высокоточная топографическая съемка с минимальными затратами и усилиями всегда была одной из растущих областей научного интереса. Решения дистанционного зондирования на основе изображений с использованием беспилотных авиационных систем (БАС) и конструкций из движения (SfM) с многоракурсной стереофотограмметрией (MVS) являются новейшим достижением в области автоматизации и геодезической инженерии. Современные разработки привели к широкому применению БАС в различных областях знаний, однако остается вопрос оценки точности результатов съемки на основе БАС. Оценка точности и тестирование продуктов на предмет их применимости и эффективности в решении реальной проблемы является обязательным условием любой новой технологии. Отдельные БПЛА имеют ограничения по весу, размеру и энергопотреблению как для себя, так и для датчиков, которые они несут (Doering et al., 2014).



Система дистанционного зондирования Земли на базе БПЛА должна обладать такими характеристиками, как экономичность, быстрота изготовления, простота эксплуатации местным персоналом и хорошая геометрическая точность (менее метра). Авторы (Rokhmana et al., 2015) указывают, что исходными данными являются ортофотопланы и цифровая модель рельефа (ЦМР). Средняя геометрическая точность может составлять до 3 пикселей или эквивалентна субметровой точности, а время производства может достигать более 500 га в день. Ортофотоснимок может обеспечить визуальную интерпретацию, такую как индивидуальная структура деревьев, густота растений и площадь границы участка, в то время как ЦМР может оценить информацию о высоте деревьев и рельефе местности с точностью 3-6 пикселей или 0,5-2,5 м. Работа (Iost Filho et al., 2020) посвящена использованию всех дронов для получения данных в сельскохозяйственном мониторинге и управлении растениеводством:



1. Охват растений, высота растений и индексы: RGB-камера, пространственное разрешение - (1280×720); (1920×1080 гг.); (2048×1152); (3840×2160); (4000×3000); (4000×3000); (4056×2282); (4160×2340); (4608×3456); (5344×4016); (5472 × 3648);



2. Вегетативные индексы; физиологическое состояние растения: Мультиспектральная камера, пространственное разрешение - (1080×720); (1248×950); (1280×960); (2064 × 1544). Вес 30-420г. Частота кадров от 1 до 30 кадров в секунду;



Температура поверхности растений, индекс водного стресса сельскохозяйственных культур: тепловизионная камера, пространственное разрешение (336×256); (640×512); (1920×1080). Вес 92-370 г. Спектральный диапазон 7,5-14 мкм. Диапазон рабочих температур (°C) от -40 до 55. Тепловые датчики обнаруживают инфракрасную (ИК) и электромагнитную энергию, излучаемую мишенью, и преобразуют ее в изображение. Они используются в сельском хозяйстве из-за их способности обеспечивать измерения, связанные с температурой поверхности растений и индексом водного стресса. RGB-камеры могут обеспечить лучшее пространственное разрешение, чем другие типы датчиков, однако в области сельского хозяйства мультиспектральные камеры имеют больше преимуществ перед RGB-камерами с точки зрения экстраполированной информации, например, способность обнаруживать невидимое физиологическое состояние растения. Гиперспектральные камеры обычно не используются в сельском хозяйстве, так как для корректной работы на платформах БПЛА они требуют интеграции с большим количеством других устройств, включая аккумулятор, фреймграббер и запоминающее устройство, а также являются тяжелыми и большими. Тем не менее, гиперспектральные датчики все больше миниатюризируются, что увеличит количество применений, которые могут извлечь выгоду из их использования. Изменяющиеся условия окружающего воздуха и присутствие различных объектов, испускающих или отражающих тепловое инфракрасное излучение, могут снизить надежность измерений тепловизионной камеры, требуя периодической калибровки. Датчики обнаружения и определения дальности света (LiDAR) измеряют расстояние до одной целевой точки, освещая ее и анализируя отраженный свет. Этот тип датчика способен определять широкое поле зрения (FOV), т.е. угол, охватываемый датчиком, и высокую точность. Однако размер и вес могут быть проблемой с точки зрения требований к полезной нагрузке БПЛА.



Для беспилотных летательных аппаратов, летающих на малых высотах, статические и динамические препятствия могут представлять серьезную проблему, которая также ставит под угрозу целостность летательного аппарата. Эти соображения справедливы для всех типов применений, использующих БПЛА. Некоторые датчики, которые могут помочь БПЛА получать информацию о препятствиях и окружающей среде, сообщаются вместе с дальностью их действия. В сельском хозяйстве чаще всего используются обычные RGB-камеры, поскольку они позволяют легко оценить физическое состояние растений. Эти камеры являются наиболее подходящими устройствами для ответа на вопрос о том, присутствует ли растение, сколько его частей, какой ущерб наносит дикая природа, но также можно достичь гораздо более перспективных и точных решений для исследования урожая с физиологической точки зрения. Таким образом, анализ спектрального отклика растительности с помощью оптических датчиков для неразрушающего дистанционного мониторинга является ключевым элементом мониторинга посевов. Учитывая широкое присутствие на рынке коммерческих решений на основе беспилотных летательных аппаратов, целью данной статьи является исследование и получение информации о производительности этих продуктов, чтобы помочь конечному пользователю в их выборе и использовании для применения в точном земледелии.


2. Методика проведения эксперимента



Исследование конфигурации датчиков беспилотных летательных аппаратов и ГИС-поддержки для оценки перспектив практического применения технологии дистанционного зондирования Земли в сельском хозяйстве проведено на примере посевов ярового ячменя на опытном участке, расположенном на северо-востоке Казахстана (рис. 1а). Экспериментальная часть работы проводилась с использованием мультикоптера DJI Phantom 4 Pro Multispectral (производства DJI, Китай) (рис. 1б) и БПЛА senseFly eBee X (производства senseFly, Швейцария) (рис. 1в).

Рисунок 1: Экспериментальное поле и БПЛА, использованные в данном исследовании а) БПЛА DJI P4M; б) senseFly eBee X
Внешний вид используемых БПЛА показан на рисунке 1б-в. Для обработки полученных изображений использовалось лицензионное программное обеспечение Pix4DMapper 4.4.12 по методике, описанной в (Sun et al., 2020). Для подготовки полетного задания было использовано программное обеспечение для планирования полета senseFly eMotion версии 3.11.0 для создания горизонтального и 3D-блока миссии. Расстояние отбора проб с поверхности (GSD) было установлено на уровне 2,0 см для senseFly S.O.D.A 3D и 2,5 см для Aeria X, компактной фотограмметрической камеры для дронов, в результате чего высота над уровнем моря (AED) составила 88 и 118 метров соответственно. Для достижения оптимальных летных характеристик боковое перекрытие было установлено на уровне 60%, а продольное перекрытие варьировалось от 60% для Aeria X до 85% для senseFly S.O.D.A. 3D, с углом наклона, установленным на 30 градусов по умолчанию. Все полеты проходили в автономном режиме, а изображения были привязаны к геотегам с абсолютной точностью с помощью рабочего процесса PPK в eMotion Flight Data Manager (FDM).



3. Результаты и обсуждение



Беспилотные летательные аппараты занимают особое место в реализации точного земледелия (Sadenova et al., 2021a). Технические возможности применения БПЛА в Казахстане используются не в полной мере. Эти устройства меняют способ получения полевых данных для анализа и принятия решений. Многие коммерческие дроны поставляются с различными типами датчиков камеры, например, DJI Phantom 4 Multispectral поставляется с мультиспектральной камерой. Эти типы камер очень полезны для получения данных о состоянии сельскохозяйственных культур. Используя мультиспектральную визуализацию, агрономы могут создавать различные типы карт вегетационных индексов, которые позволяют анализировать состояние растений и почвы. Частый анализ данных с использованием мультиспектральных карт поможет выявить любые проблемы со здоровьем сельскохозяйственных культур до того, как появятся какие-либо видимые нарушения. Раннее выявление проблем с ростом культур позволит быстро составить план действий и смягчить проблему до того, как она усугубится.



Использование беспилотных летательных аппаратов в дистанционном зондировании, мониторинге растительности, картографировании вегетационного индекса и т.д. становится все более важным в точном сельском хозяйстве. БПЛА имеют множество преимуществ, таких как высокое пространственное разрешение, быстрое получение информации, удобное и простое управление, высокая производительность, отсутствие помех в облаке и низкая стоимость. В настоящее время для получения значений коэффициента отражения поверхности или цифровых чисел используются различные типы мультиспектральных камер. Значения коэффициента отражения можно использовать для расчета вегетационного индекса NDVI. Точность спектральных данных и NDVI, получаемых с этих камер, имеет важное применение. В данной работе была проанализирована возможность съемки сельскохозяйственных полей с помощью камер Parrot Sequoia+ и DJI Phantom 4 Multispectral с использованием различных комбинаций коэффициентов корреляции и точности. Были выбраны следующие аспекты: Спектральные значения; Растительность в кубиках; Зона покрытия (покрытия). Согласно данным опроса, SenseFly eBee X может делать в 10 раз больше съемок, чем DJI Phantom 4 Multispectral, с той же точностью за тот же промежуток времени. SenseFly eBee X имеет четырехкратную скорость полета, а также время полета на одном аккумуляторе в три раза больше, чем у DJI Phantom 4 Multispectral. Размер матрицы влияет на количество света, попадающего на изображение. Большие камеры означают лучшую светочувствительность. Полнокадровый режим обеспечивает более широкое поле зрения на каждом снимке. Когда требуется больше изображений и большое перекрытие, эта разница увеличивается. С помощью DJI Phantom 4 Multispectral и SenseFly eBee X Parrot Sequoia+ данные сельскохозяйственных полей могут быть обработаны с помощью программного обеспечения, такого как Pix4D, DJI Terra, Agisoft MetaShape, Propeller и т. д. С помощью данных БПЛА были собраны изображения с разным разрешением. Сравнение средних спектральных значений NDVI проводилось на двух полигонах, на полигоне 1 (рис. 2 I), практикующем богарное земледелие, на полигоне 2 (рис. 2II), практикующем орошаемое земледелие, на примере сельскохозяйственной культуры: ячмень крестьянско-фермерского хозяйства «Маяк» Павлодарской области. Результаты для



Полигон 1 показывает, что NDVI мультиспектральной камеры DJI Phantom 4 равен: 0,25, аSequoi a+ NDVI — 0,2, что указывает на высокую межполосную корреляцию (коэффициент корреляции P2 равен 0,80). Мультиспектральные камеры Sequoia+ и DJI Phantom 4 обладают высокой корреляцией; NDVI имеет самую высокую корреляцию P2 среди них — 0,78. Это показывает, что производительность различных камер можно оценить как по спектральным значениям, так и по точности вегетационных индексов (рис. 2).

Рисунок 2: Обработанный индекс NDVI опытных участков 1-2 (I. - орошаемое земледелие; II. - богарное земледелие) на базе двух БПЛА: а) DJI P4; б) SenseFly eBee X Parrot Sequoia+ (обследование с БПЛА проводилось: 20.06.2022)
Разные мультиспектральные камеры БПЛА могут иметь одинаковую производительность, даже если они имеют разные функции спектральных значений. Полученные результаты могут быть использованы в качестве основы для анализа совместимости различных датчиков при анализе изменений в росте растительности на фермах. Разница в результатах, показанных выше, обоснована различиями в технических особенностях каждого БПЛА.



Мультиспектральный БПЛА DJI Phantom 4, используемый в этой работе, оснащен 5 датчиками камеры, которые захватывают данные изображения, невидимые человеческому глазу. Он оснащен дополнительным датчиком RGB и технологией коррекции RTK GPS для сантиметровой точности. DJI Phantom 4 Multispectral — это корпоративный дрон DJI с точными данными о растительности, созданный для сельского хозяйства. Сбор данных стал проще и эффективнее, чем когда-либо, благодаря встроенной стабилизации изображения и набору из 5 2-мегапиксельных мультиспектральных камер с глобальным затвором (синий, зеленый, красный, красный край и ближний инфракрасный диапазон) и камерой RGB (видимый спектр), установленных на 3-осевом стабилизированном стабилизаторе. DJI создала мультиспектральную платформу P4 с улучшенными стандартами производительности: всего 27 минут полета при дальности передачи 7 км. Получать изображения в сельском хозяйстве стало еще проще и эффективнее. Мультиспектральный Phantom с 5 мультиспектральными датчиками и RGB-камерой на стабилизированном подвесе предоставляет точные данные о состоянии посевов. Было интересно сравнить производительность с другим продуктом этого класса, DJI Phantom 5 Multispectral. В сочетании с данными постобработки эта информация помогает получить наиболее точные результаты NDVI. Встроенный спектральный датчик солнечного света P4 Multispectral в верхней части квадрокоптера работает в связке с подвеской для достижения максимально точных результатов NDVI. Датчик улавливает солнечный свет, чтобы повысить точность и обеспечить согласованность обрабатываемых данных в разное время суток. Когда проекты масштабируются, квадрокоптеры теряют свою эффективность. Действительно, из-за их низкой эффективности полета им требуется от 5 до 14 раз больше времени, чем БПЛА с неподвижным крылом, чтобы составить карту той же области.



Еще один БПЛА, использованный для сравнения в этом исследовании, — SenseFly eBee X. Это легкий беспилотный летательный аппарат с неподвижным крылом, который запускается вручную и может быть снят несколькими камерами, что делает его пригодным для поучения данных для различных отраслей промышленности. Время полета составляет 60 минут, но может быть увеличено до 90 минут с помощью сверхмощного аккумулятора. Однако явным недостатком является посадка дрона, что усложняет повседневное использование, потенциально сокращая срок службы дрона. Посадка может привести к повреждениям и непредсказуемой зоне приземления. Этот факт означает, что необходимо запланировать 100 м2, чтобы гарантировать, что дрон безопасно приземлится. Другим недостатком является меньший сенсор камеры и более низкая плотность пикселей, что ограничивает реальное разрешение и GSD до 1.8cm (0,7 дюйма) на пиксель. Абсолютная точность по горизонтали обеспечивается до 3 см. Основные характеристики приведены в таблице 1.

Таблица 1: Преимущества и недостатки мультиспектральных БПЛА senseFly eBee X и DJI Phantom 4 Pro
На основе полученных данных была разработана структурная схема, демонстрирующая обработку посевов ячменя, обследованных дронами. Ортофотопланы и другие извлечения данных выполнялись систематически в определенной последовательности для получения данных с БПЛА. Нормализованный относительный вегетационный индекс (NDVI) был использован для верификации эффективности обнаружения различных типов почвенно-растительного покрова. Проведен сравнительный анализ двух индексов и проанализированы ортофотопланы, сделанные БПЛА DJI P4M и senseFly eBee X в период с 14 мая по 20 сентября 2022 г. (Sadenova et al., 2021b). На рисунке 3 показана разработанная методика обработки и оценки двух БПЛА.
Рисунок 3: Блок-схема, демонстрирующая обработку ортофотопланов и извлечение данных
4. Заключение



Преимущества дронов для сельского хозяйства огромны, и по мере совершенствования технологий они будут использоваться все шире и играть огромную роль в сельскохозяйственных задачах. Существует множество дронов, подходящих для использования в сельском хозяйстве, от получения высокодетализированных изображений с географической привязкой для карт до интеллектуального опрыскивания сельскохозяйственных культур. БПЛА играют огромную роль в высокоточном вооружении и помогают в разработке устойчивых методов ведения сельского хозяйства. Сравнение БПЛА senseFly eBee X и квадрокоптера Phantom 4 Multispectral показало, что оба летательных аппарата могут получать необработанные данные (фотографии) практически с одинаковой точностью без использования RTK. В случае использования RTK-станции точность может быть увеличена. Конструктивные особенности этих БПЛА обуславливают разнообразие применений. Преимуществом БПЛА senseFly eBee X является его собственное программное обеспечение eMotion, которое позволяет ему в полной мере использовать его возможности. При этом данные, получаемые с помощью Phantom 4 Multispectral, зависят от функциональности программного обеспечения, используемого для обработки. Благодаря большой зоне покрытия БПЛА senseFly, eBee X может покрыть до 500 гектаров за один полет, в то время как DJI P4M может покрыть до 32 гектаров за один полет. Эта большая зона покрытия позволяет eBee X быть более эффективным для крупномасштабных картографических и геодезических проектов. В результате нашего сравнения БПЛА senseFly имеет больше преимуществ, по этой причине он является лучшим решением по сравнению с DJI P4M.



Подтверждения



Данное исследование выполнено при поддержке Проекта IRN BR10965186 «Разработка и внедрение геоинформационного обеспечения «Умного» сельского хозяйства для совершенствования управления агропромышленным комплексом», финансируемого Комитетом науки Министерства образования и науки Республики Казахстан.
Ссылки



Дёринг Д., Бененманн А., Лерм Р., де Фрейтас Э.., Мюллер И., Винтер Дж.М., Перейра С.Е., 2014, Проектирование и оптимизация гетерогенной платформы для многократного использования БПЛА в применениях точного земледелия. Сборники материалов IFAC, 47(3), стр.12272-12277.

Гивос Р., Тассопулос Д., Каливас Д., Лугкос Н., Приоволу, А., 2021, Вегетационные индексы дистанционного зондирования в винограде: критический обзор. Сельское хозяйство, 11(5), с.457.

Иост Фильо Ф.Х., Хелденс В.Б., Конг З., де Ланге Э.С., 2020, Дроны: инновационная технология для использования в прецизионной борьбе с вредителями. Журнал экономической энтомологии, 113(1), стр.1-25.

Цзинь Х., Кумар Л., Ли З., Сюй Х., Ян Г., Ван, Д., 2016, Оценка биомассы и урожайности озимой пшеницы путем объединения модели аквакультуры и полевых гиперспектральных данных. Дистанционное зондирование, 8(12), с.972.

Лю Х., Лянь Х., Ян В., Ван Ф., Хань Ю., Чжан Ю., 2022, Оценка точности метода прямой пространственной привязки БПЛА и влияние конфигурации наземных контрольных точек. Дроны, 6(2), с.30.

Матезе А., Бертон А., Ди Дженнаро С.Ф., Гатти М., Сквери К., Пони С., 2021, Тестирование производительности гиперспектральных изображений на основе БПЛА в виноградарстве. В кн.: Точное земледелие'21 (с. 322-337). Вагенингенское академическое издательство.

Радоглу-Грамматикис., Саригианнидис., Лагкас Т., Мосхолиос И., 2020, Сборник применений БПЛА для точного земледелия. Компьютерные сети, 172, с.107148.

Rokhmana C.A., 2015, Потенциал дистанционного зондирования на основе БПЛА для поддержки точного земледелия в Индонезии. Procedia Environmental Sciences, 24, стр.245-253.

Саденова М.А., Бейсекенов Н.А., Рахымбердина М.Ю., Варбанов .С., Клемеш Ю.Я., 2021a, Mathematical Моделирование в растениеводстве для прогнозирования урожайности сельскохозяйственных культур. Труды по химической инженерии, 88, 1225-1230.

Саденова М.А., Бейсекенов Н.А., Апшикур Б., Храпов С.С., Капасов А.К., Мамышева А.М., Клемеш Ю.Я., 2022b, Моделирование прогнозирования урожайности люцерны на данных дистанционного зондирования Земли (ДЗЗ) и методы дистанционного зондирования Земли. Chemical Engineering Transactions, 94, 697-702.

Сунь Г., Ван Х., Ян Х., Чжан Х., 2020, Метод измерения информации о пологе для современных стандартизированных яблоневых садов на основе многомиллионной информации БПЛА. Датчики, 20(10), с.2985.

Тардагила Х., Столл М., Гутьеррес С., Проффитт Т., Диаго М.., 2021, Умные приложения и цифровые технологии в виноградарстве: обзор. Умные агротехнологии, 1, с.100005.
04 декабря/ 2023