Anglicky: Automatic detection and quantification of wild game crop damage using an unmanned aerial vehicle (UAV) equipped with an optical sensor payload: a case study in wheat
Zdroj: Kuželka, K., Surový, P. 2018. Automatic detection and quantification of wild game crop damage using an unmanned aerial vehicle (UAV) equipped with an optical sensor payload: A case study in wheat. European Journal of Remote Sensing, 51(1), 241–250.
Klíčová slova: "bezpilotní letadla (uav), dálkový průzkum, fotogrammetrie, pšenice, zemědělské škody, divoká zvěř"
Dostupný z: https://doi.org/10.1080/22797254.2017.1419442
Škody na zemědělských plodinách vyvolané volně žijícími živočichy jsou nepříznivým důsledkem zvýšené hustoty populace volně žijících zvířat, zejména divokých prasat. Vzhledem k tělesným rozměrům a chování divokých prasat mohou způsobit značné škody na různých plodinách. Tyto škody lze účinně omezit pouze omezením množství jejich populace. Škody způsobené jelenovitou zvěří jsou obvykle malé a zanedbatelné, proto se polní plodiny snadno zotaví po poškození pohybem jelenovitých. Pro účely stanovení finančních náhrad za škody způsobené na zemědělských plodinách je nutné přesně posoudit rozsah (způsobených NEBO BEZ!!!) škod. Použití bezpilotního prostředku (UAV) s optickým senzorem představuje možný způsob získání údajů o stavu poškození plodin bez nutnosti vstupu do pole a zvýšení poškození těchto plodin.
Data pro danou studii byla shromážděna na pšeničném poli 4 km jihozápadně od Radonic, s nadmořskou výškou 450 m. Toto pole bylo vybráno kvůli přítomnosti nevratných poškození plodin způsobených divokými prasaty. Toto destruktivní chování prasat mělo za následek snadno detekovatelné plochy poškozených rostlin. Tyto plochy lze vyčíst na snímku pomocí odlišných kontrastu poškozených ploch vůči nenarušeným rostlinám. V dané práci byl navržený nový způsob vymezování poškozených oblastí pomocí automatické segmentace pole. Tato metoda je založena na fotogrametrické rekonstrukci různých výšek plodin v terénu pomocí technologie Structure from Motion s následnou automatickou klasifikací. V této případové studii byl rozsah poškození pšenice stanoven s přesností 99,5% a 99,3% pomocí měření globálního navigačního družicového systému (GNSS) a klasifikace orthophoto generovaných z obrazů získaných z UAV.
Celkem bylo pořízeno během měření 233 snímku. Ze sekvenčních obrazů byla provedená analýza a sestavena 3D mapa obsahující 24,3 milionů bodů reprezentující plochu 3200 m2 celkové plochy pole. Pro posudek přesností analýzy tato zpracovaná data pomoci automatické analýzy poškozených ploch byly porovnávaný s daty, které byly získané na pozemku za pomoci technologie RTK (nejpřesnější navigační technologie v dnešní době) a manuální analýzy ortomozaiky.
