BookPDF Available

Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista, EIP-hankkeen (2017-2019) loppuraportti

Authors:

Abstract

[Report in Finnish with an English abstract] In Finland, control of common wild oat is documented in the law, and each year Finnish farmers use a lot of resources to prevent the spread of the common wild oat. New technological solutions have the potential to help target these resources more efficiently. One of the first phases in technology-assisted common wild oat eradication is automated crop surveillance that enables fast management interventions as soon as a wild oat individual is detected growing on the field. In this project we aimed to find out if this kind of automated surveillance could be implemented using drones (UAVs). We asked, if drones could produce suitable images for machine learning algorithms to automatically locate the common wild oat infestations. Furthermore, we explored the additional benefits of aerial imagery in identifying other agricultural weeds as well as estimating the crop quality. The chosen field parcels were aerially photographed twice a year, in the early growing season soon after crop sprouting and in the late growing season when the crops were maturing. On both points of time aerial surveys were conducted separately with RGB and multispectral cameras. Aerial surveys were complemented with ground-truth data collection involving photosynthesis measurements with a handheld device and, in the late growing season, also GPS locations of the manually weeded common wild oats. The RGB images with common wild oats served as an input for the machine learning model (a convolutional neural network) that was able to detect individual common wild oat spikelets and, consequently, common wild oat shoots visible to human eye with 88 % accuracy. Our work demonstrates that the automated detection of individual common wild oat shoots from aerial images is possible, yet the current results are applicable to a limited experimental dataset. The detection of common wild oats in an early growth stage was not successful because of insufficient image resolution and lack of precise geolocation data. Ultrahigh image resolution (approx. 1-2 mm/pixel) and spatial accuracy are the most critical factors also when it comes to identifying common wild oats with panicles. Currently, reaching the required precision translates into flight heights between 4 and 20 meters (depending on the camera properties), which is still impractical for conducting aerial common wild oat inspections at large scales. Overcoming these restrictions may occur as the camera technology develops. Another significant limitation is related to the generalization of the developed method. Detecting common wild oats from different backgrounds, i.e. growing among different crop species, is a challenge on its own. Solving this challenge requires a representative dataset including images from different environmental conditions – more than we were able to collect during three growing seasons. The image dataset collected during this project is still substantial and it can be utilized for further studies. We consider crop canopy height models a promising complementary approach for automated common wild oat detection. The accuracy and generalizability of the detection tool will improve as the existing data is exhaustively researched, and more data collected.
Hukkakauran ja muiden
rikkakasvien tunnistaminen
pienoishelikopterikuvista
EIP-HANKKEEN (2017-2019) LOPPURAPORTTI
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
1
Kiitämme lämpimästi hankkeeseen osallistuneita viljelijöitä
ja muita yhteistyökumppaneita!
Pekka Salmen muistolle.
Versio 1.1
Koonnut: Tinja Pitkämäki
projektitutkija, Turun yliopisto
Turussa 11.12.2019
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
2
Sisällysluettelo
1. Hankkeen perustiedot ............................................................................................ 3
2. Yhteenveto .............................................................................................................. 4
3. Summary ................................................................................................................. 5
4. Hankkeen tausta ja tavoitteet ................................................................................ 6
5. Hankkeen toteutus ja tulokset ............................................................................... 7
5.1 Käytetyt menetelmät .............................................................................................. 9
5.1.1 RGB-ilmakuvaus ja koneoppimismenetelmät ........................................................... 9
5.1.2 Multispektri-ilmakuvaus .......................................................................................... 14
5.1.3 Fotosynteesimittaukset .......................................................................................... 15
5.1.4 Kasvihuonekasvatukset ja 3D-mallinnus ................................................................ 16
6. Viestintä ja yhteistyö ............................................................................................ 17
7. Vaikuttavuus ja arviointi ...................................................................................... 18
8. Keskeinen kirjallisuus .......................................................................................... 21
LIITE 1: Lista tutkimuskohteista .............................................................................. 22
LIITE 2: Lista viestinnästä ........................................................................................ 23
LIITE 3: FinDrones2018 -kongressi ......................................................................... 24
Huomautus: Tässä raportissa kuvattu hanke perustuu yksityismailta eli viljelijöiden pelloilta
kerättyihin tutkimusaineistoihin. Tulosten käsittelyssä huomioimme viljelijöiden oikeuden
yksityisyydensuojaan, emmekä siksi sisällytä julkiseen versioon ilma- tai karttakuvia, joista
yksittäinen peltolohko on selvästi tunnistettavissa. Otathan yhteyttä hankkeen tutkijoihin,
esimerkiksi raportin laatijaan, jos toivot aineistoja tutkimuskäyttöön.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
3
1. Hankkeen perustiedot
Hankkeen nimi
Hukkakauran ja muiden rikkakasvien paikantaminen
pienoishelikopterikuvista
Hankenumero
30934
Toteuttajat
Maaseudun Innovaatioryhmä, jonka muodostavat Turun yliopiston
tutkijat Biokemian ja Tulevaisuuden teknologioiden laitoksilta,
kopteriyrittäjät Pekka Salmi ja Miikka Salmi sekä nousiaislaiset
maanviljelijät
Toiminta-aika
1.3.201731.12.2019
Kokonaisbudjetti
302 564,24€
Rahoittaja
Euroopan maaseudun kehittämisen maatalousrahasto
Manner-Suomen maaseudun kehittämisohjelma 2014-2020
Maaseudun Innovaatioryhmät, EIP
Ohjausryhmä
(sukunimen mukaisessa aakkosjärjestyksessä)
Seppo Anttila, AGCO
Lassi Hurskainen, Hämeen ELY-keskus
Jukka Häkkinen, Helsingin yliopisto
Jere Kaivosoja, Luonnonvarakeskus
Anna Schulman, Maa- ja metsätalousministeriö
Hankkeen tutkijat
Dos. Esa Tyystjärvi1,*
Prof. Tapio Pahikkala2,*
Jukka Teuhola2,*
Olli Nevalainen2,*
FT Jonne Pohjankukka2 (1.5.201731.12.2019, osa-aikaisesti)
FT Arto Soitamo1 (1.5.30.6.2017)
Henri Tenhunen2 (1.5.31.12.2019)
Paavo Nevalainen2 (1.15.10.2019 osa-aikaisesti)
Li Qingping2 (1.10.31.12.2019)
Kaija Porkka1 (1.5.201730.4.2018)
Tinja Pitkämäki1 (1.5.201831.12.2019)
Olli Virtanen1 (1.10.31.12.2019)
Pooneh Sotoudehnia1 (1.5.30.8. ja 1.10.31.12.2019)
Heta Mattila1,*
Affiliaatiot:
1 Molekulaarinen kasvibiologia, Biokemian laitos, Turun yliopisto
2 Tulevaisuuden teknologioiden laitos, Turun yliopisto
* Oman toimen ohella
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
4
2. Yhteenveto
Suomessa hukkakauran torjunta perustuu lakiin, ja viljelijät käyttävät vuosittain paljon
resursseja hukkakauran torjuntaan. Kehittyvä teknologia tarjoaa mahdollisuuksia näiden
resurssien tehokkaampaan kohdentamiseen. Teknologia-avusteisen hukkakauratorjunnan
ensimmäisiä vaiheita on peltojen automatisoitu tarkkailu, joka mahdollistaa viljelijän nopean
reagoinnin hukkakaurojen ilmaantuessa lohkolle. Tässä hankkeessa tutkimme, voitaisiinko
tällaista tarkkailua toteuttaa pienoishelikopterien eli droonien avulla ilmasta käsin.
Tutkimuskysymyksemme kuului, voivatko droonit tuottaa kuva-aineistoa, josta hukkakaurat
paikantuisivat tekoälyn avulla. Tämän lisäksi tarkastelimme ilmakuvauksen soveltumista
muiden rikkakasvien havaitsemiseen viljapelloilta sekä kasvuston kunnon tarkasteluun.
Valitut peltolohkot ilmakuvattiin kasvukauden alussa, viljojen ollessa oraalla, sekä
kasvukauden loppupuolella, viljojen kypsyessä. Ilmakuvaukset toteutettiin molempina
ajankohtina erikseen RGB- ja multispektrikameroilla. Ilmakuville kerättiin maan tasalta
verrokkiaineistoa, joka koostui fotosynteesimittauksista ja kasvukauden loppupuolella myös
lohkolta kitkettyjen hukkakaurojen sijaintitiedoista. Hukkakauroja sisältävät RGB-kuvat
toimivat syötteenä konvoluutioverkkoon perustuvalle koneoppimismallille, joka oppi
erottamaan kuvista hukkakaurojen tähkylöitä ja tunnistamaan 88% ihmissilmän havaitsemista
hukkakauraversoista. Työmme tulokset osoittavat, että hukkakaurojen röyhyjen
automaattinen havaitseminen on mahdollista, mutta toistaiseksi tulokset ovat sovellettavissa
vain rajalliseen koeaineistoon. Hukkakaurojen havaitseminen orasvaiheessa epäonnistui
kuvien riittämättömän resoluution ja epätarkan sijaintitiedon vuoksi. Kuvien resoluutio (n. 1-2
mm/pikseli) ja tarkka paikannusteknologia ovat kriittisimmät tekijät myös röyhyllä olevan
hukkakauran tunnistamiseksi. Toistaiseksi riittävän korkean resoluution saavuttaminen
edellyttää niin matalaa lentokorkeutta (kamerasta riippuen 4-20 m), että laajan mittakaavan
hukkakauratarkastukset eivät ole käytännöllisiä toteuttaa. Nämä rajoitteet voivat poistua
kamerateknologian kehittyessä. Toinen merkittävä rajoite liittyy automaattisten
hukkakaurahavaintojen yleistettävyyteen, sillä hukkakaurojen erottaminen erilaisista
taustoista eli eri viljelykasvien seasta on oma haasteensa. Tämän haasteen ratkaiseminen
edellyttää kattavasti aineistoa erilaisista olosuhteista enemmän kuin kolme kasvukautta
kattaneessa hankkeessa onnistuimme keräämään. Hankeen aineistoissa riittää kuitenkin
runsaasti tutkittavaa myös hankkeen päättymisen jälkeen. Pidämme erityisesti kasvuston
korkeusmallinnusta lupaavana täydentävänä menetelmänä hukkakaurantunnistuksessa.
Tässä hankkeessa kehitetyn tunnistustyökalun tarkkuus ja yleistettävyys tulee paranemaan
olemassa olevan aineiston laajemman hyödyntämisen sekä uusien aineistojen keruun myötä.
Avainsanat: Avena fatua; drone; drooni; hukkakaura; ilmakuvaus; kaukokartoitus;
koneoppiminen; maatalous; neuroverkko; rikkakasvi; tekoäly; täsmäviljely
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
5
3. Summary
In Finland, control of common wild oat is documented in the law, and each year Finnish
farmers use a lot of resources to prevent the spread of the common wild oat. New
technological solutions have the potential to help target these resources more efficiently. One
of the first phases in technology-assisted common wild oat eradication is automated crop
surveillance that enables fast management interventions as soon as a wild oat individual is
detected growing on the field. In this project we aimed to find out if this kind of automated
surveillance could be implemented using drones (UAVs). We asked, if drones could produce
suitable images for machine learning algorithms to automatically locate the common wild oat
infestations. Furthermore, we explored the additional benefits of aerial imagery in identifying
other agricultural weeds as well as estimating the crop quality. The chosen field parcels were
aerially photographed twice a year, in the early growing season soon after crop sprouting and
in the late growing season when the crops were maturing. On both points of time aerial
surveys were conducted separately with RGB and multispectral cameras. Aerial surveys were
complemented with ground-truth data collection involving photosynthesis measurements with
a handheld device and, in the late growing season, also GPS locations of the manually
weeded common wild oats. The RGB images with common wild oats served as an input for
the machine learning model (a convolutional neural network) that was able to detect individual
common wild oat spikelets and, consequently, common wild oat shoots visible to human eye
with 88 % accuracy. Our work demonstrates that the automated detection of individual
common wild oat shoots from aerial images is possible, yet the current results are applicable
to a limited experimental dataset. The detection of common wild oats in an early growth stage
was not successful because of insufficient image resolution and lack of precise geolocation
data. Ultrahigh image resolution (approx. 1-2 mm/pixel) and spatial accuracy are the most
critical factors also when it comes to identifying common wild oats with panicles. Currently,
reaching the required precision translates into flight heights between 4 and 20 meters
(depending on the camera properties), which is still impractical for conducting aerial common
wild oat inspections at large scales. Overcoming these restrictions may occur as the camera
technology develops. Another significant limitation is related to the generalization of the
developed method. Detecting common wild oats from different backgrounds, i.e. growing
among different crop species, is a challenge on its own. Solving this challenge requires a
representative dataset including images from different environmental conditions more than
we were able to collect during three growing seasons. The image dataset collected during
this project is still substantial and it can be utilized for further studies. We consider crop
canopy height models a promising complementary approach for automated common wild oat
detection. The accuracy and generalizability of the detection tool will improve as the existing
data is exhaustively researched, and more data collected.
Key words: agriculture; aerial photography; artificial intelligence; Avena fatua; common wild
oat; drone; machine learning; neural network; precision farming; UAS; UAV; weeds
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
6
4. Hankkeen tausta ja tavoitteet
Hukkakaura on kilpailukykyinen ja tehokkaasti leviävä yksivuotinen rikkakasvi, joka runsaana
esiintyessään heikentää pelloilta saatavaa satoa. Suurimpia taloudellisia tappioita
hukkakaura aiheuttaa siemenviljelyksillä, koska hukkakauran saastuttamalta lohkolta ei saa
korjata viljansiementä. Suomessa kansallinen lainsäädäntö edellyttääkin hukkakauran
torjumista. Hukkakauran esiintymistä valvoo ja tilastoi Ruokavirasto (Kuva 1)
(https://www.ruokavirasto.fi/viljelijat/kasvintuotanto/hukkakaura/). Työhön osallistuvat myös
ELY-keskukset. Hukkakaurattomuustarkastuksia suorittavat kuntien maaseutuelinkeino-
viranomaiset tai viljelystarkastajat.
Kuva 1. Hukkakaurasaastunnat vuosina 20062018. Vuoden 2011 tiedot eivät saatavilla.
Tilastotietojen lähde: https://www.ruokavirasto.fi/viljelijat/kasvintuotanto/hukkakaura/tilastot/
(2.12.2019). Tiedot perustuvat viljelijöiden tukihakemuksissa ilmoittamiin saastuntoihin.
Yleisesti hukkakaura torjutaan kasvinsuojeluaineilla tai käsin kitkemällä. Vaikka peltolohko
olisi keväällä ruiskutettu kasvinsuojeluaineella, tulee ruiskutuksen teho varmistaa
tarkistamalla lohkon puhtaus heinä-elokuussa. Kaurapelloilla tai luomuviljelyssä
kasvinsuojeluaineet eivät kuitenkaan ole vaihtoehto, ja erityisesti tällöin hukkakauratilanteen
pitäminen hallinnassa edellyttää peltolohkojen aktiivista tarkkailua. Havaitsemalla pelloilta jo
ensimmäiset hukkakaurojen röyhyt ja kitkemällä ne ajoissa estetään tehokkaasti
hukkakauran leviämistä. Käytännössä hukkakauran hävittäminen kitkemällä on silti
haasteellista: se vaatii vuosien sitoutumista, useita kitkentäkierroksia vuodessa sekä tarkkaa
työjälkeä. Uusien hukkakauran siementen kulkeutumista peltolohkolle ei voi täysin estää ja
hukkakauran siemenet säilyvät maaperässä elinvoimaisina useita vuosia. Torjuntaa voi
tehostaa muilla viljelytoimenpiteillä, jotka vaikuttavat epäsuotuisasti hukkakauran
kasvuolosuhteisiin. Esimerkiksi syysviljapelloilla hukkakauraa on yleensä vain vähän.
0
5
10
15
20
25
30
35
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
%
Hukkakauran saastuttama peltopinta-ala viljellystä
pinta-alasta (%), 2006-2018
Varsinais-Suomi
Koko Suomi
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
7
Kuvat 2 ja 3. Hukkakauran kitkentä on tarkkaa ja fyysistä työtä. Kuvassa hankkeen tutkija Kaija
Porkka suorittamassa tehtävää. Voisiko drooni kartoittaa kitkettävien hukkakaurojen sijainnit?
Uusi drooni- ja tekoälyteknologia tarjoaa mahdollisuuksia peltolohkojen tehokkaampaan
tarkkailuun ja voi auttaa viljelijää havaitsemaan hukkakaurasaastunnat varhaisessa
vaiheessa. Nopea puuttuminen tilanteeseen säästää torjunnan resursseja: työtunteja ja
kasvinsuojeluaineita. Tämän hankkeen taustalla on ajatus ilmakuvausten ja
koneoppimismenetelmien hyödyntämisestä rikkakasvien, erityisesti hukkakauran
torjunnassa. Droonien potentiaali maataloudessa on jo laajalti tunnustettu, sillä ne kartoittavat
pellot nopeasti, kasvustoa häiritsemättä ja lähes automaattisesti. Tekoälypohjaisiin
tunnistustyökaluihin yhdistettynä droonien keräämät aineistot jalostuvat viljelijälle
käyttökelpoisiksi tuotteiksi, esimerkiksi siten, että koneoppimisalgoritmi paikantaa valokuvista
hukkakaurayksilöt ja merkitsee havainnot kartalle.
HANKKEEN TUTKIMUSSUUNNITELMASSA ESITETYT TAVOITTEET
1. Hukkakauran automaattinen paikantaminen:
1A. Hukkakauran oraiden paikannus viljakasvustojen riviväleistä kasvukauden
alkuvaiheessa.
1B. Hukkakauraröyhyjen paikannus kasvukauden loppuvaiheessa
2. Muiden rikkakasvien automaattinen paikantaminen.
3. Kasvuston tilan arviointi ilmakuvista.
5. Hankkeen toteutus ja tulokset
Hankkeen suunnittelu käynnistyi jo vuonna 2015, kun työryhmä testasi hukkakaurojen
kuvaamista droonilla. Vuosina 2015 ja 2016 toteutetut esikokeet toimivat pohjana
hankehakemukselle, joka sai myönteisen rahoituspäätöksen vuonna 2017. Alkuvuonna 2017
toteutettiin hankkeen rekrytoinnit ja palkatut projektitutkijat aloittivat työnsä Turun yliopiston
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
8
Biokemian ja Tulevaisuuden teknologioiden laitoksilla. Hankkeen ilmakuvaustoiminta tilattiin
tarjouskilpailun jälkeen paikalliselta palveluntarjoajalta, yrittäjä Pekka Salmelta (PSFire).
Tutkimuskohteita kartoitettiin ottamalla yhteyttä hukkakaurarekisteristä löytyvien
peltolohkojen omistajiin. Lohkojen valintakriteerejä olivat tunnetut hukkakauraesiintymät,
lupaus siitä, ettei lohkoa tultaisi kuvauskesänä ruiskuttamaan hukkakauraa torjuvalla
kasvinsuojeluaineella sekä logistisesti järkevä sijainti. Valpperin kylän ympäristö oli
toiminnalle sopiva kohdealue, sillä esikokeissa ja hankevalmisteluissa mukana olleet viljelijät
asuivat seudulla, ja myös kopteriyritys sijaitsi samassa suunnassa Turusta katsoen.
Vapaaehtoisia viljelijöitä löytyi ja hankkeen ensimmäiset ilmakuvaukset päästiin toteuttamaan
kasvukaudella 2017. Hankkeen työvaiheet noudattivat jokaisena vuonna samaa yleiskaavaa,
jossa kasvukausi sisälsi monipuolista aineistonkeruuta ja loppuvuosi kerättyjen aineistojen
tarkastelua (Kuva 4).
Kuva 4. Hankkeen yleiset työvaiheet kasvukauden aikana (vuosittain huhtikuusta elokuuhun).
Aineistonkeruun vuosittainen rytmitys oli toimiva, vaikka hankkeen edetessä kohtasimme
myös useita ennakoimattomia muutoksia. Kesällä 2017 haasteeksi muodostui se, ettei
drooniin yrityksistä huolimatta saatu toimivaa automaattiohjausta. Tämä teki peltolohkojen
järjestelmällisestä kattamisesta erittäin vaikeaa. Tämän jälkeen hanke koki suurimman
takaiskunsa, kun yritysyhteistyökumppani Pekka Salmi menehtyi yllättäen. Ilmakuvausten
toteutus oli kilpailutettava uudelleen vuodelle 2018 ja toiminnan jatkajaksi valittiin uuden
tarjouskilpailun pohjalta Pekka Salmen poika Miikka Salmi. Kesä 2018 käynnistettiin myös
uuden projektityöntekijän voimin, kun Kaija Porkka vaihtoi uusiin tehtäviin ja hänen tilalleen
palkattiin Tinja Pitkämäki. Suurista muutoksista huolimatta kesän 2018 ilmakuvaukset
päästiin aloittamaan aikataulussa. Automaattiohjaus toimi ja pelloilta saatiin lupaavan
näköistä kuvamateriaalia, jonka resoluution havaittiin kuitenkin olevan liian alhainen, jotta
hukkakaurahavainnot olisi voitu vahvistaa kuvista riittävällä varmuudella. Vuosien 2017 ja
2018 kuvauskokemusten perusteella hankkeessa päädyttiinkin tekemään suunnanmuutos,
joka sisälsi ilmakuvausten toteuttamisen huomattavasti matalammalta lentokorkeudelta.
Tämän teki mahdolliseksi projektin oman, pienen ja ketterän kaupallisen droonin hankinta.
Kohteiden
valinta
huhti-touko
Kevään ilmakuvaukset ja
fotosynteesimittaukset
touko-kesä
Kesän ilmakuvaukset ja
fotosynteesimittaukset
heinä (-elo)
Hukkakaurojen
kitkentä
heinä (-elo)
Ilmakuvien
prosessointi
elo-maalis
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
9
Yhteistyö Miikka Salmen kanssa jatkui multispektri-ilmakuvausten osalta, mutta vastuu
hankkeen RGB-ilmakuvauksista siirtyi hankkeen ilmakuvauskoulutuksen saaneelle tutkijalle
(T. Pitkämäki).
5.1 Käytetyt menetelmät
Hankkeen päätavoitteena oli hukkakauran automaattinen tunnistaminen viljakasvustoista.
Tätä päämäärää varten aineistoa kerättiin RGB-kameralla varustetulla droonilla (Kuva 5).
Tärkeimmän osan aineistosta muodostavat siis tavalliset värivalokuvat, jotka toimivat
koneoppimisalgoritmin lähdeaineistona. Samat RGB-kuvat toimivat myös muiden
rikkakasvien tunnistamisessa. Lisäksi hankkeen tavoitteena oli tarkastella viljakasvuston
kuntoa vertailemalla multispektri-ilmakuvausten ja käsikäyttöisen fotosynteesimittarin
antamia tuloksia. Hankkeen tuottamat aineistot on kuvattu Taulukossa 1.
Taulukko 1. Hankkeessa hyödynnetyt aineistonkeruumenetelmät, tuotetut aineistot sekä
aineistojen käsittelyssä hyödynnetyt ohjelmistot.
Aineistonkeruu-
menetelmä
Tuotettu
aineisto
Alkuperäinen
tiedostomuoto
Prosessointiin
käytetty ohjelma
Raportin
osio
RGB-
ilmakuvaus
RGB-valokuvat
RAW ja JPEG
Agisoft PhotoScan
(nyk. Metashape)
5.1.1
Hukkakaurojen
kitkentä
hukkakaurojen
GPS-koordinaatit
GPX
QGIS
5.1.1
RGB-
valokuvien
jatkokäsittely
opetus- ja
testiaineisto
koneoppimismallille
JPEG
weedPicker ja Pixel
Annotation Tool
5.1.1
Multispektri-
ilmakuvaus
multispektrikuvat
JPEG
Agisoft PhotoScan
5.1.2
Fotosynteesi-
mittaukset
yhteyttämis-
parametrien taulukko
CSV
R (ja RStudio)
5.1.3
Kasvihuone-
kuvantaminen
lähikuvat
orasvaiheesta
RAW
Microsoft Excel ja
kuvankäsittelyohj.
5.1.4
5.1.1 RGB-ilmakuvaus ja koneoppimismenetelmät
Aineiston keruu: ilmakuvaukset ja hukkakauran kitkentä
Ennen ilmakuvauksia asetimme tutkimukseen valittujen peltolohkojen pientareille 3-4
kiintopistettä (valkoisesta muovimatosta tehdyt, halkaisija 50 cm), jotka kiinnitimme maahan
upotettavilla aurauskepeillä. RGB-kuvauksien laitteistona olivat vuonna 2017 Vulcan Black
Widow -drooni ja Canon EOS D5 Mark IV -järjestelmäkamera (30,4 Mpix), vuonna 2018
Gryphon Dynamics XQ100FZ -drooni ja Canon EOS D5 Mark IV -järjestelmäkamera sekä
vuonna 2019 DJI Phantom 4 Pro -drooni ja kiinteä kamera (20 Mpx). Vuonna 2017
kuvauksista vastasi Pekka Salmi (PSFire), vuonna 2018 Miikka Salmi (Telatu Oy) ja vuonna
2019 projektin tutkija Tinja Pitkämäki. Hankkeen lentotoiminta täytti ilmailulainsäädännön
vaatimukset RPAS-toimijarekisteröinnistä, vastuuvakuutuksista sekä lentokirjanpidosta.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
10
Kuva 5. Hukkakaurayksilöt automaattisesti tunnistavan algoritmin kehitysvaiheet.
Kasvukauden ensimmäiset RGB-ilmakuvaukset toteutimme keväällä viljakasvustojen ollessa
maksimissaan noin 15 cm korkeita, jolloin rivivälit olivat ilmasta käsin vielä selkeästi
erotettavissa. Kasvukauden toiset RGB-ilmakuvaukset toteutimme loppukesästä viljojen
kypsyessä ja hukkakaurojen ollessa röyhyllä. Kasvukauden toisten kuvausten päätteeksi
kitkimme pelloilta kaikki havaitut hukkakaurat ja tallensimme niiden sijainnit käsikäyttöiselle
GPS-laitteelle (Garmin eTrex 10).
Asetimme kaikissa RGB-kuvauksissa lentokorkeudet niin alhaisiksi kuin mahdollista
lentoturvallisuutta vaarantamatta, esimerkiksi läheisen puuston ja sähkölinjat huomioiden.
Pyrimme kartoittamaan pellon pinta-alan mahdollisimman kattavasti. Vuonna 2018
hukkakaurojen kuvauskorkeudet olivat n. 15-30 metriä, vuonna 2019 4 metriä. Vuoden 2019
poikkeuksellinen kuvauskorkeus johtui erittäin korkearesoluutioisten kuvien tavoittelusta.
Matalan kuvauskorkeuden mahdollisti se, että pienen droonin aiheuttama ilmavirta oli
heikompi, eikä aiheuttanut niin suurta kasvuston heilumista kuin ison. Käytetyimmät
automaattisen lentotoiminnan sovellukset olivat FieldAgent (Kuva 6) ja DroneDeploy.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
11
Kuva 6 (viereisellä sivulla). Esimerkki suoritetusta kartoituslennosta Sentera FieldAgent-
sovelluksessa, joka ohjelmoi droonille automaattisen lentoreitin. Kuvan 0,1 hehtaarin alueen
kattaminen 1 m/s nopeudella ja valokuvien 60% limittäisyydellä kesti noin 12 minuuttia ja tuotti
313 valokuvaa. Kuva on rajattu ruutukaappaus sovelluksen näkymästä.
Kuvat 7, 8 ja 9. Hukkakauroja kaurapellossa. Ylhäällä alkuperäinen kuva ja alhaalla kaksi siitä
rajattua pienempää kuvaa, joissa näkyy hukkakauran röyhyjä.
Aineiston käsittely: paikkatietovertailu ja kuvankäsittely
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
12
Tuotimme ilmakuvista mahdollisuuksien mukaan yhdistetyn ilmakuvakartan (ortomosaiikin)
viljelijöille. Käytännössä tämä ei kuitenkaan aina onnistunut, koska viljapellon pinta on
yleensä varsin tasainen ja siitä on vaikea erottaa selkeitä kuvia yhdistäviä kiintopisteitä. Kun
lentokorkeus on matala, syntyy aineistoon yhä enemmän yksittäisiä ilmakuvia, joiden
kattamat alueet ovat keskenään erittäin samankaltaisia. Käsittelimme kuvat paikallisesti
Agisoft Photoscan -ohjelmalla tehokkaalla pöytätietokoneella, tallensimme ortomosaiikit
GeoTIFF-tiedostomuodossa ja loimme karttatulosteet QGIS-paikkatieto-ohjelmistolla.
Ortomosaiikkia pyrittiin hyödyntämään karttana hukkakaurayksilöiden paikantamisessa,
mutta käytännössä matalalta kuvatut kuvat eivät tuottaneet laadukkaita ortomosaiikkeja.
Vuoden 2019 kuvauksissa ortomosaiikkimenetelmä korvattiinkin differentiaali-GPS-
tekniikalla, jonka avulla jokainen yksittäinen kuva pystytään paikantamaan lähes
senttimetritarkkuudella. Drooni tallentaa myös kuvan kompassisuunnan maastossa.
Valitettavasti differentiaali-GPS:ää ei pystytty hyödyntämään kitkennässä, joten
hukkakaurayksilöiden maastopaikannukseen jäi perus-GPS:n epätarkkuus, noin ± 3 m.
Vertaamalla ilmakuvien koordinaattitietoa kitkennän yhteydessä tallentamiimme
hukkakaurojen koordinaatteihin, pystyimme arvioimaan, missä kuvissa esiintyy hukkakauraa.
Tiesimme kuva-aineiston sisältävän moninkertaisesti enemmän hukkakarattomia kuin
hukkakaurallisia kuvia, joten karsimme käsiteltävien kuvien määrää paikkatietovertailun
perusteella. Kuvien ja paikkatiedon päällekkäisyysanalyysi toteutettiin olettaen, että kuvan
koordinaattitieto eli droonin sijainti kuvanottohetkellä vastasi ilmakuvan maantieteellistä
keskipistettä (kuvanvakain kompensoi droonin mahdollista kallistumista).
Paikkatietovertailussa hyödynsimme paikkatieto-ohjelmistoa (QGIS). Yksittäisten ilmakuvien
hyödyntäminen mahdollisti aikaa vievän ja virhelähteiden määrää kasvattavan ortomosaiikin
luomisvaiheen jättämisen pois. Päällekkäisyysanalyysin tuloksena saimme tiedon siitä, missä
kuvissa esiintyy hukkakauraa, ja näistä kuvista merkitsimme hukkakaurayksilöt
koneoppimista varten manuaalisesti käyttäen projektissa kehitettyä, MATLAB-ympäristössä
toimivaa weedPicker-työkalua sekä olemassa olevia työkaluja (Pixel Annotation Tool).
Harjoitimme ohjattuun oppimiseen perustuvia algoritmeja tunnistamaan ilmakuvista
ensimmäisenä hukkakauran tähkylät. Näiden tunnistamiseen sovelsimme kahta
konvoluutioverkkoihin perustuvaa menetelmää objektien tunnistusta sekä semanttista
segmentointia. Merkitsimme ilmakuvissa esiintyvät tähkylät pikselikohtaisesti sekä
ikkunoidusti koneoppimismalleihin soveltuvaksi harjoitusaineistoksi. Pilkoimme alkuperäiset
ilmakuvat pienempiin osiin, jotta menetelmä vaatisi vähemmän muistia. Semanttiseen
segmentointiin pohjautuva malli tunnisti 13 testikuvasta hukkakauran tähkylöiden pikselit
keskimäärin 82% tarkkuudella ROC AUC-arviointimenetelmällä (Kuva 10).
Jos algoritmi löytää kuvasta useita lähekkäisiä tähkylöitä, on todennäköistä, että kyseisellä
alueella sijaitsee hukkakauran röyhy. Tähän perustuen ryhmittelimme tähkyläksi luokiteltujen
pikseleiden sijainnit ohjaamattomaan oppimiseen perustuvalla hierarkkisella klusterointi-
menetelmällä. Tarkoituksena on koota segmentointialgoritmin tulokset alkuperäisen
ilmakuvan kokoiseen todennäköisyyskarttaan ja ryhmitellä aineisto siten, että lähellä
toisistaan sijaitsevat tähkylät muodostavat rykelmän (klusterin), joka todennäköisesti edustaa
hukkakauran röyhyä. Hukkakauran paikantaminen segmentointialgoritmin tuloksista
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
13
klusterointimenetelmällä tuotti keskimäärin 88% paikannustarkkuuden. Käyttämämme
testiaineisto koostui 405:sta segmentoidusta kuvasta (Kuva 11).
Kuva 10. Semanttisen segmentoinnin tuloksia. Vasemmalla: algoritmin syöte eli alkuperäisestä
kuvasta rajattu osa. Keskellä: pikselikohtaisesti annotoidut tähkylät eli ihmisen näkökykyyn
perustuva mallisuoritus. Oikealla: koneoppimisalgoritmin ennustamat tähkylöiden pikselit.
Kuva 11. Esimerkki hukkakauran paikantamisen tuloksista härkäpapupellolla.
Koneoppimisalgoritmi on löytänyt 4 metrin korkeudelta kuvatusta ilmakuvasta neljä
hukkakauraa. Taustan ilmakuva on käsittelemätön ja alkuperäisessä koossa (ei rajattu).
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
14
5.1.2 Multispektri-ilmakuvaus
Toteutimme multispektri-ilmakuvaukset ensisijaisesti samoina ajankohtina kuin RGB-
ilmakuvaukset: kahdesti vuodessa, keväällä ja loppukesästä. Multispektri-ilmakuvausten
laitteistona toimi Senteran Multispectral Double 4k -kameralla (12 Mpx) varustettu DJI Inspire
1 -drooni. Jotta eri valaistusolosuhteissa kuvattujen peltolohkojen vertailu olisi mahdollista,
hankimme ilmakuvien kalibrointia varten myös MosaicMillin valmistamat reflektanssipaneelit,
jotka asetettiin pellon laidalle multispektri-ilmakuvausten yhteydessä. Multispektrikuvien
ottamisesta vastasivat Pekka ja Miikka Salmi. Koska multispektrikuvien tarkoituksena ei ollut
tunnistaa yksittäisiä kasviyksilöitä, vaan tarkastella kasvuston kuntoa yleisesti, asetettiin
kuvauskorkeudeksi 100 m.
Multispektri-ilmakuvat prosessoitiin RGB-kuvien tavoin yhdistetyksi kartaksi Agisoft
PhotoScan -ohjelmistolla. Tämän jälkeen kuvista laskettiin NDVI-kasvillisuusindeksi raster
calculator -toiminnolla (Kuva 12). Saadut arvot jouduttiin kuitenkin toteamaan suuntaa-
antaviksi, sillä ilmakuvien kalibrointia ei pystytty toteuttamaan suunnitellusti. Yksi syy
kalibrointien epäonnistumiseen oli se, että valmistajan lupauksista huolimatta Sentera Double
4k -kamera kykeni tallentamaan ainoastaan JPEG-tiedostoja, kun tarkka reflektanssien
kalibrointi olisi edellyttänyt RAW-tiedostomuotoa. Nykyisestä aineistosta voimme silti
tarkastella peltolohkon sisäistä vaihtelua kuvaushetkellä, sillä kuvaukset suoritettiin
tasaisissa valaistusolosuhteissa.
Kuvat 12 ja 13. Kasvuston kunnon arviointi multispektri-ilmakuvauksen ja maastossa tehtävien
mittausten avulla. Vasemmalla PhotoScan-ohjelmalla multispektrikuvista tuotettu NDVI-kartta ja
oikealla samasta peltolohkosta QGIS-paikkatieto-ohjelmassa tuotettu lehtivihreäkartta, joka on
interpoloitu pistemäisistä mittaustuloksista (ks. osio 5.1.3).
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
15
5.1.3 Fotosynteesimittaukset
Fotosynteesi- eli yhteytysmittausten tavoitteena oli varmentaa multispektri-ilmakuvausten
tuottamaa tietoa maan tasalla, joten mittaukset pyrittiin tekemään mahdollisimman pian
multispektri-ilmakuvausten jälkeen. Multispektri-ilmakuvausten tavoin fotosynteesimittauksia
tehtiin jokaisella tutkimuslohkolla kahdesti kasvukauden aikana. Työpanos mukautettiin
kuitenkin hankkeen päätavoitteiden mukaan, joten kasvukauden loppupuolella priorisoimme
RGB-ilmakuvaukset ja hukkakaurojen kitkennät.
Suoritimme fotosynteesimittaukset käsikäyttöisellä MultispeQ-mittalaitteella (PhotosynQ),
jonka käyttö tapahtui kännykkään ladattavan sovelluksen kautta. Laitteen käytöstä vastasivat
projektin tutkijat Kaija Porkka (2017), Tinja Pitkämäki (2018) ja Pooneh Sotoudehnia (2019).
Yhdellä mittauksella laite tallentaa tietoja useista eri kasvin fysiologista tilaa kuvaavista
muuttujista (mm. yhteyttämistehokkuus ja yhteyttämisnopeus) sekä kasvin välittömistä
ympäristöolosuhteista mittaushetkellä (mm. lämpötila ja suhteellinen kosteus).
Tutkimuksessa olimme erityisesti kiinnostuneita suhteellisesta lehtivihreäpitoisuudesta ja sen
vaihtelusta peltolohkon eri osissa, koska lehtivihreäpitoisuus on viljelijöille tuttu mittari, jota
hyödynnetään rutiininomaisesti esimerkiksi lannoitustarpeen ja sadon laadun arvioinnissa.
Jokainen MultispeQ-laitteella tehty mittaus sisältää myös mobiilipaikannukseen perustuvan
sijaintitiedon, joten mittaukset voidaan asettaa kartalle ja näin suorittaa vertailua
ilmakuvausten antamiin tuloksiin. Hankkeessa suunniteltua vertailua ei kuitenkaan voitu
tehdä, koska multispektri-ilmakuvien kalibrointi epäonnistui (ks. osio 5.1.2) ja tästä syystä eri
tavalla kerättyjen aineistojen lehtivihreäpitoisuuksista ei saatu vertailukelpoisia.
Kaiken kaikkiaan fotosynteesimittaukset tuottivat laajan, yhteensä n. 9000 mittauksen
aineiston, jonka analyysi tulee vielä jatkumaan. Mittausten itsessään muodostamaa aineistoa
voidaan hyödyntää kolmen kesän tilastollisessa vertailussa. Aineiston avulla pyrimme myös
selvittämään, millä tarkkuudella klorofyllipitoisuus voidaan mitata RGB-kuvista laskettavia
kasvillisuusindeksejä hyödyntäen.
Kuva 14. Esimerkki fotosynteesimittausten
hyödyntämisestä rapsia kasvavalla
peltolohkolla. Lohkolla oli silmin havaittavia
eroja kasvuston kunnossa ja seitsemän eri
alueen (A-G) otostaminen (15 mittausta per
alue) vahvisti lohkonsisäiset erot kasvien
suhteellisissa lehtivihreäpitoisuuksissa.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
16
5.1.4 Kasvihuonekasvatukset ja 3D-mallinnus
Testasimme hankkeessa myös vaihtoehtoisia menetelmiä, joiden kautta etsimme uusia
näkökulmia päätutkimuskysymykseemme eli hukkakauran automaattiseen tunnistamiseen.
Talvikaudella 2017-2018 toteutimme kasvatuskokeen Helsingin yliopiston ylläpitämässä
NaPPI-laboratoriossa (National Plant Phenotyping Infrastructure). Kokeessa kasvatimme
vehnää, kauraa, ohraa, ruista, rypsiä, rapsia ja hukkakauraa. Hukkakauraa istutettiin neljään
eri syvyyteen (0, 2, 8 ja 15 cm) itämisprosenttien ja -nopeuksien vertailemiseksi. Kuten
odottaa saattoi, 15 cm syvyyteen istutetut hukkakaurat itivät keskimäärin verrokkeja
myöhemmin, mutta muihin syvyyksiin kylvetyt hukkakaurat itivät vain hiukan hitaammin kuin
viljakasvit (n. 2 vuorokauden viiveellä, Kuva 15), minkä vuoksi hukkakauran versojen
havaitseminen keväällä ennen kasvuston sulkeutumista on haastavaa ja vaatii kuvausta
kapean aikaikkunan sisällä. Hukkakaurojen itämisprosentti (max 72%) jäi viljakasveja
alhaisemmaksi (90% tai yli). Noin kuukauden mittaisen kasvatuskokeen aikana otettiin
valokuvia, joista on mahdollista tarkastella hukkakauran ja verrokkilajien eroja varhaisessa
kasvuvaiheessa. Valokuvista on hyötyä esimerkiksi silloin, kun halutaan osoittaa kasvuvaihe,
jossa erot lehtien kierteisyydessä tulevan näkyväksi.
Kuva 15. NaPPI-laboratoriossa toteutetun kasvatuskokeen tuloksia.
Syksyllä 2019 toteutimme myös rikkakasvien kasvihuonekasvatuksia ja
laboratoriokuvauksia, joiden avulla koostettava aineisto mahdollistaa rikkakasvien
tunnistamisen eri kasvuvaiheissa. Erityisen tärkeää on kuvata kasveja aikaisessa vaiheessa,
jolloin torjunta on vielä mahdollista. Laboratoriokokeissa olemme selvittäneet myös kauran ja
hukkakauran värierojen fysiologiaa.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
17
Kesällä 2018 ja 2019 testasimme kasvustojen 3D-mallintamista (Kuva 16). Structure from
motion -menetelmä mahdollistaa 3D-mallien luomisen tavallisista RGB-ilmakuvista, kunhan
valokuvissa on riittävästi päällekkäisyyttä. Muuta viljakasvustoa korkeampien hukkakaurojen
havainnointi korkeusmallista voisi tukea RGB-valokuvissa havaittaviin piirteisiin perustuvaa
tunnistusta, mutta mallintamisesta tekee haasteellista sekä hukkakaurojen pieni koko että
liike pienimmässäkin tuulenvireessä. Jos hukkakaura näkyykin yksittäisessä valokuvassa, voi
se seuraavassa kuvassa olla hieman eri asennossa, jolloin laadukkaan fotogrammetrisen 3D-
mallin rakentaminen on mahdotonta. Stereokuvaus eli kuvaus useammasta suunnasta voisi
osaltaan auttaa tämän ongelman ratkaisussa. 3D-pistepilvien prosessointi on kuitenkin myös
laskennallisesti raskasta. Testien perusteella saimme käsityksen siitä, minkä kokoisia
aineistoja nykyinen laitteistomme kykenee prosessoimaan ja millä tarkkuudella, mikä on
olennaista tietoa jatkotutkimusten suunnittelussa. Yllä mainituista syistä lähdimme erityisesti
selvittämään sitä, kuinka tarkan 3D-mallin pystyisimme luomaan videokuvan perusteella.
Kuva 16. 3D-malli joutomaa-alueelta. Kuvan tiheä pistepilvi perustuu 10 metrin korkeudesta
otettuihin RGB-valokuviin. Kuvassa erottuvat turkoosit pisteet ovat mittatikkujen osia, joiden
avulla voimme arvioida korkeusmallinnuksen tarkkuutta. Kartoitimme saman koealan myös
videokuvauksella.
6. Viestintä ja yhteistyö
Hankkeen viestinnän ydinkohderyhmää ovat olleet viljanviljelijät, ilmakuvauspalveluja
tarjoavat yritykset sekä hukkakauran esiintymistä valvovat viranomaiset. Laajempi
kohderyhmä pitää sisällään maataloudesta ja teknologiasta kiinnostuneet kansalaiset,
esimerkiksi Maaseudun Tulevaisuuden tai Koneviestin lukijat, sekä ilmakuvauslaitteistojen
valmistajat ja kasvinsuojeluyritykset. Suurin osa hankkeen sisäisestä viestinnästä on hoidettu
pellonpientareella tai puhelimitse (viljelijät), sähköpostitse (tutkijat ja viljelijät) ja säännöllisissä
kokouksissa (tutkijat ja ohjausryhmä). Puhelimitse sovituista asioista on pidetty
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
18
soittokirjanpitoa. Hanke on viestinyt myös tutkimusryhmän ulkopuolelle, pääasiassa
jalkautumalla erilaisiin alan tapahtumiin, mutta myös järjestämällä itse yleisölle avoimia
tapahtumia, kuten kopteriprojektien yhteistyöseminaarin 27.11.2017 ja loppuseminaarin
3.12.2019. Hankkeessa tehtiin päätös olla perustamatta omia sosiaalisen median tilejä,
mutta tieto hankkeesta on levinnyt tutkijoiden henkilökohtaisilla tileillä (esimerkki 1 Instagram,
esimerkki 2 Twitter). Hanke on herättänyt kiitettävästi kiinnostusta myös mediassa ja
tutkimuksista on julkaistu useampi lehtiartikkeli. Hankkeen viestintäpanostukset ja julkaisut
on listattu kattavasti Liitteessä 2.
Hankkeen tärkeimmät yhteistyökumppanit ovat alansa ammattilaiset: viljelijät ja
kopteriyrittäjät. Heidän sitoutumisensa ja yhteistyöhalukkuutensa tekivät tämän hankkeen
toteuttamisesta mahdollista. Hankkeen aikana kahdeksan eri viljelijää ovat päästäneet
meidät pelloilleen keräämään aineistoja ja luottaneet hukkakaurakitkentöjä meidän käsiimme.
Viljelijöistä kaksi olivat myös projektin alussa perustetun Maaseudun Innovaatioryhmän (EIP-
ryhmän) jäseniä ja mukana vuosien 2015-2016 esikokeista lähtien.
Hankkeen tutkijat olivat päävastuussa Droonit maa- ja metsätaloudessa -kongressin
järjestämisestä Naantalissa 29.30.11.2018 (ks. Liite 3). Kongressi onnistui erinomaisesti (yli
100 osanottajaa) ja toi ensimmäistä kertaa yhteen droonien maa- ja metsätalouskäytöstä
kiinnostuneet tutkijat, kaupalliset toimijat ja maanomistajat. Ulkomaisten vieraiden esitelmät
ja niistä käyty keskustelu osoittivat, että suomalaisella osaamisella on käyttöä myös
maailmalla. Kongressista päätettiin saman tien tehdä joka toinen vuosi järjestettävä
kongressisarja.
7. Vaikuttavuus ja arviointi
Hankesuunnitelmassa esitetyt tavoitteet ja niiden toteutuminen
1A. Hukkakauran oraiden paikannus viljakasvustojen riviväleistä kasvukauden
alkuvaiheessa.
Hankkeessa emme onnistuneet paikantamaan hukkakauroja viljojen ollessa oraalla.
Arvioimme kuitenkin, että tavoite olisi mahdollista saavuttaa erittäin korkearesoluutioisilla
valokuvilla ja korkeimmalla mahdollisella paikannustarkkuudella (differentiaali-GPS). Lisäksi
suosittelemme, että verrokkiaineisto koealalta muodostetaan jo kevätkuvausten yhteydessä,
ei (ainoastaan) kitkettyjen hukkakaurojen perusteella.
1B. Hukkakauraröyhyjen paikannus kasvukauden loppuvaiheessa
Hankkeessa onnistuimme kehittämään koneoppimismenetelmän, joka havaitsee
hukkakaurojen tähkylöitä loppukesästä kuvatuilta pelloilta. Vaikka kyseinen menetelmä toimii
toistaiseksi vain rajatulla tutkimusaineistolla, on kyse merkittävästä edistysaskeleesta
hukkakauran automaattisessa tunnistamisessa. Tunnistuksen onnistuminen näin
yksityiskohtaisten piirteiden varassa kertoo toisaalta siitä, että tavoiteltu sovellus asettaa
aineiston laadulle korkeat vaatimukset ja on siten vielä kaupallisten toimijoiden
ulottumattomissa, mutta toisaalta myös siitä, että yksittäisetkin hukkakauraversot voidaan
havaita ja samaa voidaan todennäköisesti soveltaa muihinkin viljalajeihin esimerkiksi
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
19
puhdaskauraviljelmiltä. Tähkylöiden havaitsemiseen perustuvassa tunnistuksessa on se etu,
että hukkakauran röyhy voidaan tunnistaa, vaikka yksittäinen röyhyn tähkylä jäisikin
havaitsematta.
2. Muiden rikkakasvien automaattinen paikantaminen.
Emme hankkeessa kehittäneet algoritmeja muiden rikkakasvien havaitsemiseen, sillä kaikki
resurssit ohjattiin hukkakauran tunnistamiseen. Kuva-aineistojen tarkastelu kuitenkin vahvisti
käsityksiämme siitä, että hukkakaura on ilmakuvausten kannalta rikkakasveista haastavimpia
ja muiden rikkakasvien tunnistaminen on mahdollista hyvällä kuvauskalustolla jopa useiden
kymmenien metrien korkeudesta. Droonin lennättäminen korkeammalla mahdollistaa
suurempien alojen kattamisen nopeammin ja siten myös taloudellisemmin. Uskomme, että
droonien käyttö rikkakasvikarttojen ja torjuntasuunnitelmien tekemisessä tulee yleistymään,
kunhan laitteiden hinta, käyttäjäystävällisyys ja monipuoliset toiminnot kohtaavat tiedon
soveltajia houkuttelevalla tasolla. Tutkimusta tarvitaan yhä etenkin luotettavien
verrokkiaineistojen tuottamiseksi, uusien tunnistusmenetelmien luomiseksi ja vanhojen
validoimiseksi erilaisissa ympäristöolosuhteissa.
3. Kasvuston tilan arviointi ilmakuvista.
Hankkeessa emme kyenneet vertailemaan kaukokartoituksen (multispektrikuvat) ja
maastomittausten (MultispeQ-laite) antamien tulosten yhteneväisyyttä peltolohkon
suhteellisen lehtivihreäpitoisuuden mittaamisessa. Muutoin ilmakuvaukset kyllä antoivat
viljelijöille hyödyllistä tietoa esimerkiksi orastumisesta ja kuivuuden vaikutuksista
kasvustoihin.
Käytettyjen menetelmien soveltuvuus tutkimukseen
ssä hankkeessa toimivin laitteisto hukkakaurojen ilmakuvaamiseen oli pieni ja ketterä
kaupallinen nelikopteri (20 megapikselin RGB-kameralla varustettu DJI Phantom 4 Pro), jota
lennätettiin niin matalalla viljelykasvien yllä kuin mahdollista. Riittävän tarkan kuva-aineiston
saaminen edellytti ehdottomasti autopilottiohjelmiston käyttöä ja senttimetrien tarkkuuteen
yltävä differentiaali-GPS (PPK tai RTK teknologia) olisi ollut eduksi sekä droonissa että
hukkakaurahavaintojen tallentamisessa. Multispektri-ilmakuvausten osalta opimme, että
hankintojen kanssa on oltava tarkkana, sillä laitevalmistajat eivät aina kykene lunastamaan
korkeita lupauksiaan. Suosittelemme multispektri-ilmakuvaukseen laitteistoa, johon sisältyy
säteilyanturi, jonka ansiosta jokainen kuva voidaan kalibroida erikseen vallitsevien valo-
olosuhteiden mukaisesti. Tällöin esimerkiksi vaihteleva pilvisyys ei aiheuta vastaavia
epätasaisuuksia kalibroinnissa kuin reflektanssipaneelien käyttö. Totesimme myös, että
tutkimustarkoituksiin käytettävää RAW-tiedostomuotoa on niukasti tarjolla kaupallisissa
automaattiohjaussovelluksissa, vaikka droonin kamera RAW-kuvia kykenisikin ottamaan.
Toisaalta RAW-kuvien varjopuolena on huomioitava niiden suuri tiedostokoko ja sitä kautta
levytilan tarve sekä prosessoinnin hitaus.
Hankkeessa tuotetun sovelluksen tekninen valmiusaste ja perustelu
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
20
Luokittelemme tuotetun hukkakaurantunnistustyökalun teknisen valmiusasteen tasolle 5
Todellisessa toimintaympäristössä validoitu sovellettavuus” (Horizon 2020 Liitteen G
tasoista 1-9). Hanke on osoittanut, että hukkakuroja voidaan tunnistaa automaattisesti
kuluttajatason droonilla ilmakuvatuista RGB-valokuvista, kun kuvat on otettu
luonnollisissa pelto-olosuhteissa. Samalla hanke on määritellyt ne reunaehdot, joiden
toteutuessa tuloksia voidaan saavuttaa: nämä reunaehdot koskevat ensisijaisesti kuva-
aineiston laatua, mutta myös käytettävissä olevaa laskentakapasiteettia ja -aikaa.
Hankkeessa tuotettu tunnistusalgoritmi ei vielä sellaisenaan sovellu maatalouskäyttöön,
koska matala lentokorkeus tekee toiminnasta liian kallista ja epäkäytännöllistä. Lisäksi on
huomioitavaa, että tunnistusalgoritmi on vasta yksi automaattisen rikkakasviseurannan
komponentti ja tuotteen kaupallistaminen edellyttäisi kattavamman palvelu-
kokonaisuuden muotoilua. Palveluun tulisi sisältyä esimerkiksi kuva-aineistojen
automaattinen siirtyminen palvelimelle, nopea prosessointi pilvipalvelussa (max 24h)
sekä tulosten automaattinen esittäminen kartalla. Jatkamme kuitenkin sovelluksen
kehittämistä, sillä sekä droonien että kameroiden kehitys mahdollistaa jo
lähitulevaisuudessa riittävän korkearesoluutioisten valokuvien ottamisen korkeammalta.
Muilta osin teknisen valmiusasteen nostaminen on enemmän kiinni olemassa olevien
resurssien hyödyntämisestä.
Hankkeen vaikuttavuus ja johtopäätökset
Hankkeella on laajan mittakaavan vaikutuksia sekä tutkimus- että maatalousnäkökulmasta.
Sen pohjalta on jo luotu uudenlaisia yhteistyöverkostoja, johon lukeutuu esimerkiksi
FinDrones2018-kongressissa alkunsa saanut Droonit maataloudessa hankekonsortio.
Kongressista itsestään syntyi säännöllisesti järjestettävä tapahtuma, joka toteutetaan
seuraavan kerran Tampereen yliopiston johdolla Porissa (marraskuu 2020). Hankkeen
pohjalta on jo luotu uusia hankesuunnitelmia rikkakasvien automaattiseen tunnistamiseen
liittyen. Suomalaisen maatalouden ja hankkeessa mukana olleiden viljelijöiden näkökulmasta
hanke on osaltaan demonstroinut droonien käyttöä maataloudessa. Hankkeen aikana
olemme tehneet seuraavat johtopäätökset:
1. Kasvinviljelyyn tuotettavissa droonisovelluksissa tulee mieluiten suuntautua käyttämään
drooneja, jotka sijaitsevat tilalla ja ovat viljelijän itse käytettävissä, jolloin kuvaus voidaan
tehdä täsmälleen oikeaan aikaan.
2. Maatalous-droonisovelluksissa tarvitaan hyvin toimivaa pilvipalvelua kuvien
analysoimiseksi, joten pelkän teknillisen sovelluksen lisäksi myös palvelualustan on
toimittava helposti ja tehokkaasti.
3. Maatalouden droonisovelluksiin tarjolla olevien kaupallisten laitteistojen ja ohjelmistojen
kehitysvaihe ei vielä mahdollista niiden suosittelemista joka tilan varusteiksi. Kehitys on
nopeaa, mutta yhteistyötä alan tutkimuksen ja laite- ja ohjelmistovalmistajien välillä
tarvitaan.
4. Kuva-aineiston määrä, tiedonsiirto ja kuvien prosessointiteho, erityisesti
ortomosaiikkiratkaisujen yhteydessä, ovat merkittäviä pullonkauloja, jotka jatkokehityksen
täytyy pystyä avaamaan.
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
21
8. Keskeinen kirjallisuus
Hukkakauraan liittyvä lainsäädäntö ja muut ohjeistukset Ruokaviraston verkkosivuilla:
https://www.ruokavirasto.fi/viljelijat/kasvintuotanto/hukkakaura/ (viimeksi vierailtu 9.12.2019)
Hukkakauraesiintymien ennakoitavuudesta ja täsmätorjunnan kustannuksista:
Castillejo-González I L, De Castro A I, Jurado-Expósito M, Peña J-M, García-Ferrer A ja López-
Granados F. 2019. Assessment of the persistence of Avena sterilis L. patches in wheat fields for
site-specific sustainable management. Agronomy 9: 30,
https://doi.org/10.3390/agronomy9010030
Maan tasalta tehtyjen spektroradiometrimittausten hyödyntäminen hukkakauran ja vehnän
erottamisessa toisistaan:
Gómez-CaseroI M T, Castillejo-González I L, García-Ferrer A, Peña-Barragán J M, Jurado-
Expósito M, García-Torres L ja López-Granados F. 2010. Spectral discrimination of wild oat and
canary grass in wheat fields for less herbicide application. Agronomy for Sustainable
Development 30: 689699, https://doi.org/10.1051/agro/2009052
Useiden heinämäisten rikkakasvien, mukaan lukien hukkakaurojen tunnistusta vehnäpellosta:
López-Granados F, Jurado-Expósito M, Peña-Barragán J M ja García-Torres L. 2006. Using
remote sensing for identification of late-season grass weed patches in wheat. Weed Science 54:
346353, https://doi.org/10.1614/WS-05-54.2.346
Hukkakaurojen tunnistusta satelliittikuvista (2):
Martín M P, Barreto L ja Fernández-Quintanilla C. 2011. Discrimination of sterile oat (Avena
sterilis) in winter barley (Hordeum vulgare) using QuickBird satellite images. Crop Protection 30:
1363, https://doi.org/10.1016/j.cropro.2011.06.008
Castillejo-González I L, Pena-Barragán J M, Jurado-Expósito M, Mesas-Carrascosa F J ja López-
Granados F. 2014. Evaluation of pixel-and object-based approaches for mapping wild oat (Avena
sterilis) weed patches in wheat fields using QuickBird imagery for site-specific management.
European Journal of Agronomy 59: 5766, https://doi.org/10.1016/j.eja.2014.05.009
Yleisesti rikkakasvien tunnistamisesta tekoälyn avulla:
Wang A, Zhang W ja Wei, X. 2019. A review on weed detection using ground-based machine
vision and image processing techniques. Computers and Electronics in Agriculture 158: 226-
240, https://doi.org/10.1016/j.compag.2019.02.005
Yleisesti rikkakasvien kartoittamisesta paikkakohtaisen viljelyn näkökulmasta:
FernándezQuintanilla C, Peña J M, Andújar D, Dorado J, Ribeiro A ja López-Granados F.
2018. Is the current state of the art of weed monitoring suitable for sitespecific weed
management in arable crops? Weed Research 58: 259272, https://doi.org/10.1111/wre.12307
Yleisesti droonien käyttömahdollisuuksista maataloudessa:
Zhang C ja Kovacs J M. 2012. The application of small unmanned aerial systems for precision
agriculture: a review. Precision Agriculture 13: 693, https://doi.org/10.1007/s11119-012-9274-5
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
22
LIITE 1: Lista tutkimuskohteista
Hankkeeseen osallistuneiden viljelijöiden yksityisyyden suojelemiseksi tiedot
tutkimustarkoituksessa kartoitetuista peltolohkoista listataan yleisellä tasolla. Näin
takaamme, ettei yksittäistä viljelijää voida tunnistaa peltolohkotietojen perusteella.
Vuoden 2017 osalta pinta-alat on ilmoitettu peltolohkoille sijoitettujen koealojen pinta-aloina.
Vuosien 2018 ja 2019 pinta-alat edustavat koko peltolohkon pinta-alaa, koska keräsimme
aineistoa ensisijaisesti koko lohkolta.
Vuosi
Viljelty laji
Ala (ha)
Vuosi
Viljelty laji
Ala (ha)
2017
ohra
0,4
2018
ohra
2,2
ohra
0,7
ohra
2,6
ohra
0,001
ohra
2,3
ohra
1,6
ohra
1,2
ohra
1,1
ohra
9,0
vehnä
1,7
ohra
4,5
vehnä
1,6
ohra
4,4
vehnä
1,6
syysruis
3,9
vehnä
0,7
syysruis
1,2
vehnä
0,2
syysvehnä
4,0
vehnä
0,2
kaura
5,8
vehnä
1,0
rapsi
9,5
kaura
2,8
2019
kaura
0,7
kaura
0,3
kaura
1,7
Koonti
kaura
1,4
YHT. (ha)
2017
2018
2019
kaura
2,9
ohra
3,8
26,2
5,7
kaura
5,8
vehnä
7,0
-
4,5
ohra
2,2
kaura
2,8
5,8
12,8
ohra
1,2
syysruis
-
5,1
-
ohra
2,3
syysvehnä
-
4,0
-
rapsi
4,0
rapsi
-
9,5
6,6
rapsi
2,6
härkäpapu
-
-
7,3
vehnä
4,5
kaikki yht.
13,6
50,6
36,9
härkäpapu
7,3
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
23
LIITE 2: Lista viestinnästä
Tavoittavuus-sarakkeen kävijämäärät ovat osittain arvioita, koska esimerkiksi kongressissa
käyneitä median edustajia ei ole tilastoitu. Taulukossa esitetyn lisäksi hankkeemme edustajat
ovat osallistuneet aktiivisesti mm. Maaseutuverkoston järjestämiin tapahtumiin.
Nimi
Lisätieto
Tavoittavuus
TIETEELLISET JULKAISUT
Locating individual shoots of Avena species among
cultivated crops using unmanned aerial vehicles and
machine learning (työotsikko)
Tenhunen ym. (julkaisematon
käsikirjoitus)
Automatic detection of cereal rows by means of pattern
recognition techniques
Tenhunen ym. (2019) Comput
Electron Agr 162: 67688
Hukkakauran tunnistaminen minihelikopterikuvista
Mäkinen, 2018, pro gradu
JÄRJESTETYT TAPAHTUMAT
Päätöstilaisuus viljelijöille
Valpperi 16.12.2019
8 hlöä
Hankkeen loppuseminaari
Turku 3.12.2019
25 hlöä
Droonit maa- ja metsätaloudessa -kongressi
(FinDrones2018)
Naantali 29.30.11.2018
100 hlöä
ESITELMÄT
Maatalouden digi- ja teknologiahankkeiden hanketreffit
Seinäjoki 26.11.2019
50 hlöä
FarmiData -projektikokous
Salo 17.9.2018
5 hlöä
Turun yliopiston Maantieteen laitos
Turku 11.2.2018
7 hlöä
Maataloustieteen päivät
10.11.1.2018
MUU
EIP-AGRI Seminar: New Skills for Digital Farming
Aranjuez, Espanja 5.6.2.2020
Droonihankkeiden hyvät käytännöt -julkaisu
tulossa 2020
Työtehoseuran tapahtuma Uudet teknologiat ja
maatalous -tapaaminen
Tampere 4.12.2019
60 hlöä
FRUCT IDEA19 Workshop
Helsinki 8.11.2019
30 hlöä
Droonit maataloudessa -työpajat, hankevalmistelu
Tarvaala 14.15.2.2019
ja Mustiala 14.15.10.2019
15 hlöä
Ultrahack DroneTournament 2019 -edustus ja voitto
Helsinki 2.5.9.2019
50 hlöä
Kuvauskopterit maatalouden työkaluna, Pro-Agrian
viljelijätilaisuus
Laitila 25.7.2019
6 hlöä
Paattisten ilmailuharrastajien avoin tapahtuma
Turku 20.7.2019
10 hlöä
LEHTIARTIKKELIT
Teknologia ja talous (2019)
Maaseudun Tulevaisuus (10.10.2017)
Maatilan Pellervo (7.2.2018)
Maaseutukuriiri (2017)
Savon Sanomat 20.6.2018
VIITTAUKSET MEDIASSA
FinDrones2018 paikallisuutisissa
28.11.2019
DroneTournament haastattelut ja uutisointi
useissa medioissa
SOSIAALINEN MEDIA
22 uudelleentwiittausta,
n. 8000 tavoitettua käyttäjää Twitterissä
Hukkakauran ja muiden rikkakasvien tunnistaminen pienoishelikopterikuvista
EIP-hankkeen loppuraportti ©2019
24
LIITE 3: FinDrones2018 -kongressi
Hankkeen yhteistyöseminaarissa syntyi ajatus siitä, että Suomessa tulisi järjestää laajempikin
luonnovara-alaa koskeva droonitapahtuma. Droonit maa- ja metsätaloudessa -kongressi
(FinDrones2018) sai alkunsa ja Turun yliopisto ryhtyi sen pääjärjestäjäksi. Marraskuussa
2018 kaksipäiväinen kongressi houkutteli Naantalin kylpylään yli 100 drooniteknologiasta ja
sen soveltamisesta kiinnostunutta vierasta. Tapahtuma oli kerätyn palautteenkin perusteella
varsin onnistunut ja hanke hyötyi sitä kautta saamastaan näkyvyydestä. Esimerkiksi twiitti
hankkeen tutkijan Jonne Pohjankukan esitelmästä oli tapahtumatilin suosituimpia julkaisuja
ja tavoitti 2300 katsojaa.
Tapahtuman verkkosivut: http://drones2018.utu.fi/
Twitter-tili: www.twitter.com/FinDrones2018.
Kuva 1. FinDrones2018 -kongressista kerättyä kävijäpalautetta. Kuvaaja on luotu Google Forms
-palveluun tallennettujen vastausten pohjalta. Kyselyyn vastasi yhteensä 24 osallistujaa.
Kuva 2. FinDrones2018 -kongressin graafinen ilme, jonka loivat hankkeen työntekijät.
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
This paper aims to evaluate the spatial persistence of wild oat patches in four wheat fields over time to determine the economic feasibility of using late-season wild oat maps for early site-specific weed management (SSWM) next season. The spatial persistence of wild oat patches was analyzed by three tests: land use change detection between years, spatial autocorrelation, and analysis of spreading distance. The temporal trend of wild oat patch distribution showed a clear persistence and a generalized increase in the infested area, with a noticeable level of weed aggregation and a tendency in the new weed patches to emerge close to older ones. To economically evaluate the SSWM, five simulations in four agronomic scenarios, varying wheat yields and losses due to wild oat, were conducted. When yield losses due to wild oat were minimal and for any of the expected wheat yields, some SSWM simulations were more economically profitable than the overall application in most of the fields. Nevertheless, when the yield losses due to wild oat were maximal, all SSWM simulations were less profitable than overall treatment in all the analyzed fields. Although the economic profit variations achieved with SSWM treatments were modest, any of the site-specific treatments tested are preferred to herbicide broadcast over the entire field, in order to reduce herbicide and environmental pollution.
Article
Full-text available
Weed monitoring is the first step in any site-specific weed management program. A relatively large variety of platforms, cameras, sensors and image analysis procedures are available to detect and map weed presence/abundance at various times and spatial scales. Remote sensing from satellites or aircrafts can provide accurate weed maps when the images are obtained at late weed phenological stages. Cameras located on UAVs have been shown to be adequate for early season weed detection in a variety of wide-row crops, providing images with relatively high spatial resolutions. Alternatively, weed detection/mapping systems from ground-based platforms can achieve even higher resolutions using a great variety of non-imaging and imaging technologies. These ground systems are suited, in some cases, for real-time site-specific weed management. In spite of this rich arsenal of technologies, their commercial adoption is, apparently, low. In this paper we will describe the state-of-the-art of remotely-sensed and ground-based weed monitoring in arable crops and the current level of adoption of these technologies, exploring major constrains for adoption and trying to identify research gaps and bottle necks.
Article
Full-text available
Precision agriculture (PA) is the application of geospatial techniques and sensors (e.g., geographic information systems, remote sensing, GPS) to identify variations in the field and to deal with them using alternative strategies. In particular, high-resolution satellite imagery is now more commonly used to study these variations for crop and soil conditions. However, the availability and the often prohibitive costs of such imagery would suggest an alternative product for this particular application in PA. Specifically, images taken by low altitude remote sensing platforms, or small unmanned aerial systems (UAS), are shown to be a potential alternative given their low cost of operation in environmental monitoring, high spatial and temporal resolution, and their high flexibility in image acquisition programming. Not surprisingly, there have been several recent studies in the application of UAS imagery for PA. The results of these studies would indicate that, to provide a reliable end product to farmers, advances in platform design, production, standardization of image georeferencing and mosaicing, and information extraction workflow are required. Moreover, it is suggested that such endeavors should involve the farmer, particularly in the process of field design, image acquisition, image interpretation and analysis.
Article
Full-text available
Wheat, Triticum durum L, is a major cereal crop in Spain with over five million ha grown annually. Wild oat, Avena sterilis L., and canary grass, Phalaris spp., are distributed only in patches in wheat fields but herbicides are applied over entire fields, thus leading to overapplication and unnecessary pollution. To reduce herbicide application, site-specific management techniques based on weed maps are being developed to treat only weed patches. Intensive weed scouting from the ground is time-consuming and expensive, and it relies on estimates of weeds at unsampled points. Remote sensing of weed canopies has been shown to be a more efficient alternative. The principle of weed remote sensing is that there are differences in the spectral reflectance between weeds and crops. To test this principle, we studied spectral signatures taken on the ground in the visible and near-infrared windows for discriminating wheat, wild oat and canary grass at their last phenological stages. Late-season phenological stages included initial seed maturation through advanced maturation for weeds, and initial senescence to senescent for wheat. Spectral signatures were collected on eight sampling dates from April 28 through May 26 using a handheld field spectroradiometer. A stepwise discriminant analysis was used to detect differences in reflectance and to determine the accuracy performance for a species classification as affected by their phenological stage. Four scenarios or classification sets were considered: wheat-wild oat-canary grass, with each species represented by a different group of spectra; wheat and grass weeds, combining the two weed species into one spectral group; wheat and wild oat with each represented as a single group, and finally, wheat and canary grass. Our analysis achieved 100% classification accuracy at the phenological stages of initial seed maturation, and green and advanced seed maturation and partly green for weeds and wheat, respectively, between the dates of April 28 and May 6. Furthermore, we reduced the number of hyperspectral wavelengths to thirteen out of 50. Multispectral analysis also showed that broad wavebands corresponding to those of QuickBird satellite imagery discriminated wild oat, canary grass and wheat at the same phenological stages and dates. Our findings are very useful for determining the timeframe during which future multispectral QuickBird satellite images will be obtained and the concrete wavelengths that should be used in case of using airborne hyperspectral imaging. Accurate and timely mapping of the spatial distribution of weeds is a key element in achieving site-specific herbicide applications for reducing spraying volume of herbicides and costs.
Article
Field research was conducted to determine the potential of hyperspectral and multispectral imagery for late-season discrimination and mapping of grass weed infestations in wheat. Differences in reflectance between weed-free wheat and wild oat, canarygrass, and ryegrass were statistically significant in most 25-nm-wide wavebands in the 400- and 900-nm spectrum, mainly due to their differential maturation. Visible (blue, B; green, G; red, R) and near infrared (NIR) wavebands and five vegetation indices: Normalized Difference Vegetation Index (NDVI), Ratio Vegetation Index (RVI), R/B, NIR-R and (R − G)/(R + G), showed potential for discriminating grass weeds and wheat. The efficiency of these wavebands and indices were studied by using color and color-infrared aerial images taken over three naturally infested fields. In StaCruz, areas infested with wild oat and canarygrass patches were discriminated using the indices R, NIR, and NDVI with overall accuracies (OA) of 0.85 to 0.90. In Florida–West, areas infested with wild oat, canarygrass, and ryegrass were discriminated with OA from 0.85 to 0.89. In Florida–East, for the discrimination of the areas infested with wild oat patches, visible wavebands and several vegetation indices provided OA of 0.87 to 0.96. Estimated grass weed area ranged from 56 to 71%, 43 to 47%, and 69 to 80% of the field in the three locations, respectively, with per-class accuracies from 0.87 to 0.94. NDVI was the most efficient vegetation index, with a highly accurate performance in all locations. Our results suggest that mapping grass weed patches in wheat is feasible with high-resolution satellite imagery or aerial photography acquired 2 to 3 wk before crop senescence.
Article
This paper compares of pixel- and object-based techniques for mapping wild oat weed patches in wheatfields using multi-spectral QuickBird satellite imagery for site-specific weed management. The researchwas conducted at two levels: (1) at the field level, on 11 and 15 individual infested wheat fields in 2006 and2008, respectively, and (2) on a broader level, by analysing the entire 2006 and 2008 images. To evaluatethe wild oat patches mapping at the field level, both pixel- and object-based image analyses were testedwith six classification algorithms: Parallelepipeds (P), Mahalanobis Distance (MD), Maximum Likelihood(ML), Spectral Angle Mapper (SAM), Support Vector Machine (SVM) and Decision Tree (DT). The resultsshowed that weed patches could be accurately detected with both analyses obtaining global accuraciesbetween 80% and 99% for most of the fields. The MD and SVM classifiers were the most accurate forboth the pixel- and object-based images from 2006 and 2008, respectively. In the broad-scale analysis,all of the wheat fields were identified in the imagery using a multiresolution hierarchical segmentationbased on two scales. The first segmentation scale was classified using the MD and ML algorithms todiscriminate wheat fields from other land uses. Accuracies greater than 85% were obtained for MD and88% for ML for both imagery. A hierarchical analysis was then performed with the second segmentationscale, increasing the accuracies to 93% and 91% for 2006 and 2008 imagery, respectively. Finally, based onthe most accurate results obtained in the field-level study, pixel-based classifications using the MD, MLand SVM algorithms were applied to the wheat fields identified. The results of these broad-level analysesshowed that wild oat patches were accurately discriminated in all the wheat fields present in the entireimages with accuracies greater than 91% for all the classifiers tested.
Article
Site-specific weed management implies detecting the location of weeds in order to generate maps of their spatial distribution. This information facilitates a more accurate application of herbicides, spraying them in the exact areas of weed growth and in the required doses. In order to explore the potential of commercial satellites to discriminate and map weeds, we used the information contained in high spatial resolution images acquired by the QuickBird satellite to assess the density of sterile oat (Avena sterilis) present in a winter barley field at two different dates (March and June). Our results confirmed the potential of using satellite images in the spectral discrimination of weed patches in infested fields. The results of binary logistic regressions showed that the best matches in the classification of three categories (low, medium, or high sterile oat densities) corresponded to the March image. QuickBird’s March image provided reliable estimates of sterile oat patches in barley crops when weed density was relatively high (between 86% and 94% of agreement between predicted and observed densities). However, when weed densities were lower than 10 plants/m2 there were serious difficulties to distinguish them from weed-free zones (between 72 and 75% of global agreement in the classification) with large underestimation of medium density weed patches (10 plants/m2). This is a potential limitation considering than the thresholds used for herbicide application decisions are generally close to this density. However, the information obtained may still be useful for producing field maps to describe the spatial distribution of this weed. Moreover, these studies have provided valuable information on the best spectral regions and/or vegetation indices for approaching discrimination between sterile oat and cereal crops and the most suitable period for it.