Drohnen-Fernerkundung von „ungenauem“ NDVI zu genauer Identifizierung auf Blattebene
"Quelle: dronedj.com"
Durch die frühzeitige Erkennung und Identifizierung von Vegetationsunregelmäßigkeiten kann die drohnenbasierte Fernerkundung die Verluste für die Landwirte überall minimieren. Aber können die aktuellen Methoden der Fernerkundung aus der Luft als „Präzisionslandwirtschaft“ bezeichnet werden? Nicht wirklich, so der Hersteller von Multispektralsensoren.
Ira Dvir, ein in Israel ansässiger Pionier auf dem Gebiet der Videokomprimierung und Bildgebungstechnologien, ist überzeugt, dass die multispektralen Bildgebungskamerasensoren heutiger landwirtschaftlicher Drohnen einen grundlegenden Fehler aufweisen.
Wie er es ausdrückt: „Wenn Sie sich wahrscheinlich nicht auf einen Arzt verlassen können, der sagt, dass er Ihnen sagen kann, was mit Ihnen aus, sagen wir, drei Metern Entfernung ist, wie können Sie sich dann auf eine landwirtschaftliche Untersuchung verlassen, die auf multispektralen Bildern basiert die von einem Sensor mit 1,2 oder 1,3 MP pro Band aus einer Höhe von 100 Metern erfasst wurde?
Nachdem Ira und sein Partner Dr. Nitzan Rabinowitz 15 Jahre lang Video-CoDecs (der weltweit erste kommerzielle AVC-SW-CoDec, lizenziert an Cyberlink im Juli 2004) und andere innovative Imaging-Produkte entwickelt hatten, beschlossen sie, ihren Beitrag zur Rettung von Ernten zu leisten früh.
„Auslöser war die Erkenntnis, dass allein in den USA die Verluste durch dieses Problem auf über 40 Milliarden Dollar pro Jahr geschätzt werden“, erklärt Ira. „Und als wir die bestehenden Lösungen untersuchten, stellten wir fest, dass die Leute entweder mit Satellitenbildern oder Lösungen, die eher auf Schätzungen als auf einer echten Analyse des Problems erster Ordnung beruhen, festsitzen.“
Und so wurde Athroating geboren, ein Unternehmen, das preisgekrönte patentierte Drohnensensoren herstellt, die versprechen, einige der Hauptprobleme bei der Erfassung multispektraler landwirtschaftlicher Bilder zu überwinden. Das Startup bietet auch einen Cloud-basierten Softwaredienst an, der mithilfe künstlicher Intelligenz Schädlinge, Krankheiten, Nährstoffmängel usw. automatisch erkennt und identifiziert, die Bodenqualität analysiert und Ertragsprognosen liefert.
Awinning wurde mit der Vision gegründet, ungenaue Luftfernerkundung aus großer Höhe auf KI-basierte Analyse auf Blattebene zu übertragen. Unsere Sensoren nutzen international patentierte Technologie, während das Design auf hochwertiger Optik (F6 20–25 mm Brennweite), mehreren Linsen, mehreren Bandpassfiltern, einem einzigen Sensor, einem einzigen mechanischen Verschluss und benachbarten Linsen basiert. Wir lösen die meisten Probleme der multispektralen Bildaufnahme, nämlich: Synchronisation, Parallaxe, Dynamikbereich, Chroma-Aberration und Verzerrung.
Ira sagt, dass seine Innovationen marktführende Produkte wie das neue Altum-PT von MicaSense im Handumdrehen schlagen können. Eine kühne Behauptung, aber er untermauert sie mit den Worten:
Der Altum basiert auf einem Multi-Kamera-Design, und seine Auflösung und sein Dynamikumfang sind eher schlecht. Sie erhalten ungefähr 3 MP pro Band und es basiert auf einem elektronischen Verschluss, der gut für Videos, aber schlecht für Standbilder ist. Außerdem erlaubt der Abstand zwischen den verschiedenen Kameras keine gute Ausrichtung der Bänder im Nahbereich. Die Anzahl der Bänder ist auch weit entfernt von den 10 oder 14, die wir zu einem geringeren Preis mit 4-facher Auflösung anbieten. Unsere 10-Band-12-MP-pro-Band-Sensorkosten (UVP) basierend auf dem Sony A7RIVA-Kameragehäuse betragen 10.000 US-Dollar, was zwei Drittel des Preises des neuen Altum entspricht.
Ira betrachtet auch den normalisierten Differenzvegetationsindex (NDVI) – die bekannteste und am häufigsten verwendete Indexkarte, die aus multispektralen Bildern erstellt wurde – als nur einen ersten Schritt, der für eine echte Analyse auf Blattebene erforderlich ist.
„NDVI bedeutet späte Erkennung aufgrund von Auflösung“, witzelt er. „Es bedeutet auch eine ungenaue Einstufung zweiter Ordnung. NDVI kann nicht als „Präzisionslandwirtschaft“ betrachtet werden, da sie per Definition ungenau ist. Dennoch kann ein hochdetaillierter NDVI von 1,5 cm pro Pixel die Erkennung abgelegener Punkte im Feld ermöglichen, wo die multispektrale Nahbereichsanalyse von Bildern, die mit weniger als 1 mm pro Pixel erfasst wird, eine präzise Klassifizierung und Identifizierung ermöglicht.“
Aber am Ende interessiert sich der Farmbesitzer nicht wirklich für die Technologie, die im Spiel ist, oder? Sie brauchen nur einfache Antworten, die ihre Gewinne steigern würden.
Genau aus diesem Grund ist „Unkraut“ keine gute Antwort, sagt Ira. „Die spezifische Unkrautidentifizierung ist ein Muss für den Landwirt, da er das richtige Pestizid für die jeweilige Aufgabe auswählen muss. Ist es Alternaria oder Blight in meinem Kartoffelfeld? Eindeutige Einstufung ist ein Muss, sonst heißt es: ‚Gehen Sie im Feld nach‘, wenn sie in vielen Fällen nicht über die nötige Manpower verfügen.“
Hier kommen die KI-Algorithmen des Unternehmens ins Spiel. Diese Algorithmen, erklärt Ira, basieren auf charakteristischen Signaturen der Krankheiten, Schädlinge und Nährstoffmängel, die ein Landwirt möglicherweise identifizieren möchte.
Die Technologie ist erprobt und Awinning arbeitet bereits mit mehr als einem Dutzend Universitäten sowie Drohnenherstellern und Dienstleistern zusammen. Aber diese Zahl, betont Ira, wird bald in die Höhe schnellen.
„Wenn man sich die Arbeit ansieht, die Unternehmen wie SeeTree mit unseren Sensoren leisten, oder die Ergebnisse, die unsere Plattformen für Forschungen wie das in Brasilien ansässige Vetorgeo ermöglichen, besteht kaum ein Zweifel daran, dass sich die Präzisionslandwirtschaft aus der Luft in den kommenden Jahren zu einer unverzichtbaren Dienstleistung entwickeln wird Welt“, fasst er zusammen und fügt hinzu, dass Agring derzeit nach einer Serie-A-Finanzierung sucht, um seinen Umsatz zu steigern, ein Weitwinkelobjektiv mit 24 MP/36 MP pro Band zu entwickeln und ein patentiertes multispektrales Mobilkamera-Kit für Smartphones zu entwickeln.
