Estimating biomass of silage grass production parcels using an uncrewed aerial system and satellite remote sensing
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-05-15
Department
Major/Subject
Geoinformatics
Mcode
Degree programme
Master's Programme in Geoinformatics (GIS)
Language
en
Pages
53+22
Series
Abstract
Yield measurements of grass swards in silage production are crucial for farmers to adjust the harvest times and the productivity of the fields. Previously, destructive sampling and laboratory measurements were used to analyze the grass growth stage and quantity analysis. The timely estimations of full parcel yields and yield maps are increasingly growing areas of research and business. By leveraging these estimations, also the environmental impact of grass production can be reduced. This thesis proposes a workflow for yield estimation using an approach that combines a multispectral Uncrewed Aerial System (UAS) and Sentinel-2 (S2) satellite imagery. In this study, UAS imagery was used to calculate vegetation indices for full grass parcels. These indices were used to estimate fresh yield (FY) with linear regression. The linear models were built using in-situ FY measurements as a reference. Furthermore, the FY values estimated with UAS models were used as a training dataset to build FY estimation models with vegetation indices derived from S2 satellite data. S2 estimations were done using the Random Forest algorithm. FY maps were built from all the estimations. For the UAS models the average normalized root mean square error (NRMSE) was 18.2 % and the average R2 value was 0.65. For the S2 models the average NRMSE was 9.5 % and the average R2 value was 0.65. The results were promising considering the amount of reference data from the parcels. This study proves that UAS models provide suitable reference data for S2 FY estimations. Overall, during the study the effects of changing illumination conditions and cloudiness were notable. More reference data would enable the use of possibly better machine learning methods.Säilörehunurmien sadon arviointi on viljelijöille tärkeää peltojen tuottavuuden ja sadonkorjuun ajoituksen säätelemiseksi. Sadon kasvuvaiheen ja korjuuajan määrityksessä on aikaisemmin käytetty fyysistä näytteenottoa ja laboratoriotutkimuksia. Kaukokartoitusmenetelmin tuotetut oikea-aikaiset arviot lohkon kasvutilanteesta sekä satokartat ovat kasvavia tutkimuksen ja liiketoiminnan aloja. Näitä arvioita hyödyntämällä on mahdollista pienentää myös nurmen tuotannon ympäristövaikutuksia. Tässä tutkimuksessa kehitettiin työskentelyketju tuoreitten nurmisatojen estimoinnille käyttäen lähestymistapaa, jossa yhdistetään drooni- ja Sentinel-2-satelliittikuva-aineistoja (S2). Tässä tutkimuksessa drooniaineistosta laskettiin kasvillisuusindeksejä kokonaisten nurmilohkojen alalta. Näitä indeksejä käytettiin yhdessä fyysisten satonäytteiden kanssa lineaaristen regressiomallien luomiseen sadon arvioimiseksi. Drooniaineistoista tehtyjä malleja käytettiin myöhemmin opetusaineistona satomallien luomiseen S2-satelliittiaineistoista laskettujen kasvillisuusindeksien avulla. Jokaiselle pellolle visualisoitiin satokartta käyttäen sekä drooni- että S2-aineistoista saatuja tuloksia. Kaikkien drooniaineiston avulla luotujen mallien normalisoidun neliöllisen keskihajonnan (NRMSE) keskiarvo oli 18,2 % ja R2-arvojen keskiarvo oli 0,65. S2-aineistoista luodut mallit saavuttivat 9,5 % NRMSE-keskiarvon ja 0,65 R2-keskiarvon. Tulokset olivat lupaavia ottaen huomioon käytetyn referenssiaineiston määrän ja laadun. Tämä tutkimus osoittaa, että drooneilla kerättyä kuva-aineistoa voidaan hyödyntää opetusaineiston luonnissa satelliittiaineistoihin perustuvassa nurmisadon estimoinnissa. Yleisesti vaihtelevien sääolosuhteiden ja pilvisyyden vaikutukset olivat huomattavia tässä tutkimuksessa. Monipuolisempi ja laajempi referenssiaineisto mahdollistaisi monimutkaisempien koneoppimismenetelmien käytön ja siten parantaisi saatuja tuloksia.Description
Supervisor
Rautiainen, MiinaThesis advisor
Honkavaara, EijaAlves de Oliveira, Raquel
Keywords
agriculture, fresh yield, UAS, Sentinel-2, linear regression, random forest