Drone-based spectral and 3D remote sensing applications for forestry and agriculture
Loading...
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Doctoral thesis (article-based)
| Defence date: 2021-12-14
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.
Author
Date
2021
Major/Subject
Mcode
Degree programme
Language
en
Pages
78 + app. 134
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 168/2021, FGI publications, No 165
Abstract
Practising sustainable agriculture and forestry requires information on the state of forests and crops to support management. In precision agriculture, crops are observed in order to treat them precisely in the right place and at the right time, saving both production costs and the environment. Similarly, in forests, information on the composition and state of forest health are crucial to enable their sustainable management. In particular, climate-change-driven insect pests have increased, but economic and ecological losses can be reduced by the right actions if up-to-date and precise information on the health of forests is available. In recent years, drones with cameras have evolved into a flexible way to collect remote sensing data locally. Spectral cameras provide accurate information about the reflection properties of objects, and photogrammetric methods also provide a cost-effective way to collect three-dimensional (3D) data from an object. The objective of this work was to develop and assess drone-based 3D and spectral remote sensing techniques to classify the health status of individual trees and to estimate crop biomass, various biochemical parameters such as nitrogen content, and grass-feeding quality. The work developed a processing chain in which spectral and 3D features were extracted from remote sensing data. Then, combining the features with observations and reference measurements collected from plants, machine learning models were developed for tree health classification and estimation of crop-related parameters. The effects of different factors related to data collection and processing on classification and estimation accuracies were studied in order to generate knowledge on optimal sensors and methods. In general, radiometric corrections, spectral resolution, and the combined use of spectral and 3D features improved classification and estimation accuracies. However, the optimal sensors as well as the data collection and processing methods depend on the different applications and their accuracy requirements. This work was the first to demonstrate the ability of drone hyperspectral data to map the health status of a forest by classifying individual trees infested by bark beetles. The results of the work also showed that drone-based mapping offers a great tool to estimate agricultural crop parameters which can be applied to the optimization of various precision agriculture tasks.Kestävän maa- ja metsätalouden harjoittaminen vaatii tietoa metsien ja viljelykasvien tilasta päätöksenteon tueksi. Täsmämaataloudessa viljelykasveja havainnoidaan, jotta viljelytoimenpiteet voidaan kohdistaa oikeaan paikkaan ja oikea-aikaisesti säästäen sekä tuotantokustannuksia että ympäristöä. Metsissä tieto metsien terveydentilasta on tärkeää, jotta voidaan hillitä metsätuhojen leviämistä. Erityisesti hyönteistuhot ovat lisääntyneet voimakkaasti ilmastonmuutoksen vauhdittamana, mutta taloudellisia ja ekologisia tappiota voidaan vähentää oikeilla toimenpiteillä, jos on olemassa ajantasaisesta tietoa metsien terveydentilasta. Dronet ja niihin asennettavat kamerat ovat kehittyneet viime vuosina joustavaksi tavaksi kerätä kaukokartoitusaineistoa paikallisesti. Spektrikameroilla saadaan tarkkaa tietoa kohteen heijastusominaisuuksista, ja fotogrammetriset menetelmät mahdollistavat myös kustannustehokkaan tavan kerätä kohteesta kolmiulotteista (3D) tietoa. Tämän työn tavoitteena oli kehittää näihin aineistoihin nojautuen kaukokartoitusmenetelmiä yksittäisten puiden terveydentilan luokitteluun sekä viljelykasvien biomassan, erilaisten biokemiallisten parametrien, kuten typpipitoisuuden sekä nurmen ruokintalaadun, kuten D-arvon estimointiin. Työssä kehitettiin prosessointiketju, jossa kaukokartoitusaineistoista irrotettiin spektri- ja 3D-piirteitä, yhdistettiin ne kasveista kerättyihin havaintoihin ja mittauksiin sekä muodostettiin koneoppimismalleja puiden luokittelua ja viljelykasveihin liittyvien parametrien estimointia varten. Työssä verrattiin useiden aineistonkeräykseen ja -prosessointiin liittyvien tekijöiden vaikutuksia luokittelu- ja estimointitulosten tarkkuuteen optimaalisten menetelmien löytämiseksi. Esimerkiksi spektri- ja 3D-piirteiden hyödyntäminen yhdessä sekä radiometriset korjaukset paransivat yleisesti luokittelu- ja estimointitarkkuuksia. Optimaaliset sensorit sekä aineistonkeräys- ja käsittelytavat riippuvat kuitenkin eri sovelluksista ja niiden tarkkuusvaatimuksista. Työssä osoitettiin ensimmäistä kertaa dronesta kerätyn hyperspektrisen aineiston kyvykkyys metsän terveydentilan havainnoinnissa luokittelemalla kuuset kolmeen luokkaan kirjanpainajan aiheuttaman tuhon perusteella. Työn tulokset myös osoittivat drone-pohjaisen kartoituksen kyvyn estimoida erilaisia viljelykasvien parametreja, joita voidaan edelleen soveltaa suunniteltaessa esimerkiksi lisälannoitusta tai säilörehun optimaalista korjuuaikaa.Description
Supervising professor
Rautiainen, Miina, Prof., Aalto University, Department of Built Environment, FinlandThesis advisor
Honkavaara, Eija, Prof., Finnish Geospatial Research Institute FGI, FinlandHyyppä, Juha, Prof., Finnish Geospatial Research Institute FGI, Finland
Keywords
drone, remote sensing, agriculture, forestry, forest pest, biomass, grass quality, kaukokartoitus, maatalous, metsätalous, spektriaineistot, metsätuhot, kirjanpainaja, biomassa, nurmen laatu
Other note
Parts
-
[Publication 1]: Näsi, R., Honkavaara, E., Lyytikäinen-Saarenmaa, P., Blomqvist, M., Litkey, P., Hakala, T., Viljanen, N., Kantola, T., Tanhuanpää, T. & Holopainen, M. (2015). Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level. Remote Sensing, 7(11), 15467- 15493.
DOI: 10.3390/rs71115467 View at publisher
-
[Publication 2]: Näsi, R., Honkavaara, E., Blomqvist, M., Lyytikäinen-Saarenmaa, P., Hakala, T., Viljanen, N., Kantola, T. & Holopainen, M. (2018). Remote sensing of bark beetle damage in urban forests at individual tree level using a novel hyperspectral camera from UAV and aircraft. Urban Forestry & Urban Greening, 30, 72-83.
DOI: 10.1016/j.ufug.2018.01.010 View at publisher
-
[Publication 3]: Näsi, R., Viljanen, N., Kaivosoja, J., Alhonoja, K., Hakala, T., Markelin, L., & Honkavaara, E. (2018). Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based spectral and photogrammetric 3D features. Remote Sensing, 10(7), 1082.
DOI: 10.3390/rs10071082 View at publisher
-
[Publication 4]: Oliveira, R. A., Näsi, R., Niemeläinen, O., Nyholm, L., Alhonoja, K., Kaivos- oja, J., Jauhiainen, L., Viljanen, N., Nezami, S., Markelin, L., Hakala, T & Honkavaara, E. (2020). Machine learning estimators for the quantity and quality of grass swards used for silage production using drone-based imaging spectrometry and photogrammetry. Remote Sensing of Environment, 246, 111830.
DOI: 10.1016/j.rse.2020.111830 View at publisher
-
[Publication 5]: Tuominen, S., Näsi, R., Honkavaara, E., Balazs, A., Hakala, T., Viljanen, N., Pölönen, I., Saari, H. & Ojanen, H. (2018). Assessment of classifiers and remote sensing features of hyperspectral imagery and stereo-photogrammetric point clouds for recognition of tree species in a forest area of high species diversity. Remote Sensing, 10(5), 714.
DOI: 10.3390/rs10050714 View at publisher
