Vegetációs elemzés lehetőségei látható tartományban végzett drónfelvételezésekkel
DOI:
https://doi.org/10.33038/jcegi.3463Kulcsszavak:
látható sávok, multispektrális sáv, NDVI, drónfelvételezés, képfeldolgozásAbsztrakt
Multispektrális drónkamerákkal végzett felmérések jól használhatóak a mezőgazdasági tevékenységek támogatására. Multispektrális felmérések költsége még napjainkban is jelentősnek mondható. A költségcsökkentés egyik lehetősége olcsóbb, csak látható tartományban (Red, Green, Blue – RGB) érzékelő drónkamerák alkalmazása. Az előfeldolgozás feladatai is egyszerűbben elvégezhetőek így. Szomszédos őszi búza (Triticum aestivum L.) és őszi káposztarepce (Brassica napus L.) táblákon, három ismétlésben drónfelmérést végeztünk. A feldolgozás során több látható tartományban használható index értékeit hasonlítottam egymáshoz és multispektrális (normalizált differenciális vegetációs index – NDVI) adatokhoz.
Hivatkozások
AHAMED, T. – TIAN, L. – ZHANG, Y. – TING, K. C. (2011): A review of remote sensing methods for biomass feedstock production. Biomass and Bioenergy, 35(7), 2455–2469. DOI: https://doi.org/10.1016/j.biombioe.2011.02.028
BUSZNYÁK, J. (2022/a): Pilóta nélküli légijármű-műveletek szabályozása Mezőgazdasági Technika, Gödöllő. HU ISSN 0026 1890, 63 2pp, 3p 18–20.
BUSZNYÁK, J (2022/b): Multispektrális távérzékelési adatok gyűjtése, feldolgozása Mező-gazdasági Technika, Gödöllő. HU ISSN 0026 1890, 63, 4pp, 4p 2–5.
CONGEDO, L.: (2021): Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS. Journal of Open Source Soft-ware, 6(64), 3172
COSTA, L. – NUNES, L. – AMPATZIDIS, Y. (2020): A new visible band index (vNDVI) for estimating NDVI values on RGB images utilizing genetic algorithms. Computers and Electronics in Agriculture, 172, 105334.
EU – BIZOTTSÁG (2019): 2019/947 VÉGREHAJTÁSI RENDELETE (2019. május 24.) a pilóta nélküli légi járművekkel végzett műveletekre vonatkozó szabályokról és eljárásokról Az Európai Unió Hivatalos Lapja L 152/45
FEÑUELAS, J. – FILELLA, I. (1998): Visible and near- infrared reflectance techniques for diagnosing plant physiological status. Trends In Plant Science. 3 (4), 151–156. DOI: http://doi.org/10.1016/S1360-1385(98)01213-8
GITELSON A. – STARK R – GRITS U – RUNDQUIST D – KAUFMAN Y – DERRY D. (2002/a): "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562."
GITELSON, A. A. – KAUFMAN, Y. J. – STARK, R. – RUNDQUIST, D., (2002/b): Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80, 76–87. DOI: http://dx.doi.org/10.1016/S0034-4257(01)00289-9
HUNT, E. R. – DAUGHTRY C. S. T. – EITEL J. U. H – LONG D.S. (2011): Remote sen-sing leaf chlorophyll content using a visible band index. Agronomy Journal 103, 1090–1099. DOI: https://doi.org/10.2134/agronj2010.0395
HUNT, E. R. – DORAISWAMYA, P. C. – MCMURTREYA, J. E. – DAUGHTRYA, C. S. T. – PERRY, E. M. – AKHMEDOVA, B. (2013): A Visible Band Index for Remote Sensing Leaf Chlorophyll Content at the Canopy Scale. International Journal of Applied Earth Obser-vation and Geoinformation 21, 103-112. DOI: https://doi.org/10.1016/j.jag.2012.07.020
LEHOCZKY, É. – BUSZNYÁK, J. – GÓLYA, G. (2013): Study on the Spread, Biomass Production, and Nutrient Content of Ragweed with High-Precision GNSS and GIS Device System. Communications in Soil Science And Plant Analysis, 44 (1–4): 535–545. DOI: https://doi.org/10.1080/00103624.2013.744157
LEHOCZKY, É. – TAMAS, J. – RICZU, P. – HERDON, M. (2014): Weed Mapping Based on Integrated Remote Sensing Method In: Remigio, Berruto; Fedro, S Zazueta; Flor, Solano (szerk.) Proceedings in World Conference on Computers in Agriculture and Natural Resources San José, Costa Rica: American Society of Agricultural and Biological Engineers (ASABE) Paper: 155, 8 p.
LEHOCZKY, É. – RICZU, P. – MAZSU, N. – DELLASZÉGA LÁBAS, V. – TAMÁS, J.:(2018/a): Applying of remote sensing in weed survey by different cameras. In: Zoltán, Ken-de (szerk.) 17th Alps-Adria Scientific Workshop: Abstract Book, Szent István Egyetem Egye-temi Kiadó, Gödöllő. 172 p. pp. 44–45. Online ISBN 978-963-269-734-5 http://www.alpsadria.hu/17thAASW/Absract%20book_17thAASW.pdf
LEHOCZKY, É. – RICZU, P. – MAZSU, N. – DELLASZÉGA LÁBAS V. – TAMÁS, J. (2018/b): Applicability of remote sensing in weed detection. In: EGU General Assembly 2018: Geophysical Research Abstracts 1 Paper: EGU2018-14644. https://ui.adsabs.harvard.edu/abs/2018EGUGA..2014644L/abstract
MCKINNON, T. – HOFF, P. (2017): Comparing RGB-based vegetation indices with NDVI for drone based agricultural sensing. Agribotix. Com, 1–8.
MicaSensE (2017): MicaSense RedEdge-M Multispectral Camera User Manual, Rev 01, Nov-ember 2017, Seattle, WA 1–47. https://www.geotechenv.com/
Pix4d (2021): Dokumentation, Supported cameras - PIX4Dfields forrás: https://support.pix4d.com/hc/en-us/categories/360000061343
Qgis project (2022): Qgis Desktop User Guide/Manual (QGIS 3.22) forrás: https://docs.qgis.org/3.22/hu/docs/user_manual/#
RICZU, P. – NAGY, A. – LEHOCZKY, É. – TAMÁS, J. (2015): Precision Weed Detection Using Terrestrial Laser Scanning Techniques. Communications in Soil Science And Plant Analysis, 46 (1): 309-316. DOI: https://doi.org/10.1080/00103624.2014.989053
ROUSE, J. – HAAS, R. – SCHELL J. – DEERING D. (1973): Monitoring Vegetation Systems in the Great Plains with ERTS. Third ERTS Symposium, NASA, 309–317.
SOLYMOSI, K. – KÖVÉR, Gy. – ROMVÁRI, R. (2019): The Development of Vegetation Indices a Short Overview. Acta Agraria Kaposváriensis 23(1), 75–90. DOI: https://doi.org/10.31914/aak.2264
STARY, K. – JELÍNEK, Z. – KUMHÁLOVÁ, J. – CHYBA, J. – BALÁZOVA, K. (2020): Comparing RGB-based vegetation indices from UAV imageries to estimate hops canopy area. Agronomy Research, 18 (4) 2592–2601. DOI: https://doi.org/10.15159/AR.20.169
TAMÁS, J. – NAGY, A. – FEHÉR, J. – STELIAN, N. – LEHOCZKY, É. (2014): From Spectral Time Series Analyses To Drought Monitoring –GWP IDMP In: Anon (Ed) WCCA 2014 XII World Congress on Computers in Agriculture and Natural Resources. San Jose (CA), USA p. 2
TAMÁS, J. – RICZU, P. – NAGY, A. – LEHOCZKY, É. (2015): Evaluation of surface ru-noff conditions by high resolution terrestrial laser scanner in an intensive apple orchard In: International Soil and Water Assessment Tool Conference: SWAT 2015: Book of Abstracts CRS4 206 p. pp. 204–205.
WANG, F.– HUANG, J.– TANG, Y.– WANG, X. (2007): New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice. Rice Science, 14 (3): 195–203. DOI: https://doi.org/10.1016/S1672-6308(07)60027-4
ZHANG, J. – WANG, C. – YANG, C. – JIANG, Z. – ZHOU, G. – WANG, B. – SHI, Y. – ZHANG, D. – YOU, L. – XIE, J. (2020): “Evaluation of a UAV-mounted consumer grade camera with different spectral modifications and two handheld spectral sensors for rapeseed growth monitoring: performance and influencing factors. Precision Agriculture. DOI: https://doi.org/10.1007/s11119-020-09710-w
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2022 Journal of Central European Green Innovation
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
