UAV fotogrammetrie a metody obrazové analýzy v polním pokusnictví

Cílem této diplomové práce bylo vyhodnotit využitelnost dat z UAV fotogrammetrie pro využití v oblasti zemědělství. Práce se zaměřovala na zpracování snímku pořízených UAV zařízením především za pomoci fotogrammetrických metod a metod obrazové analýzy.
Jedním z výsledků této práce je manuál popisující obecné zpracování UAV snímků do podoby trojrozměrných bodových mračen a následné odvození produktů těchto mračen, které mohou být využity v zemědělské praxi. Tento manuál zahrnuje popis použitých metod, nástrojů a jejich parametrů včetně uvedení použitého a doporučeného nastavení (viz kapitola 5).
Pořízené dvojrozměrné UAV snímky byly nejprve zpracovány za pomoci fotogrammetrických metod a nástrojů dostupných v programu Agisoft Metashape do podoby trojrozměrných hustých bodových mračen označovaných jako Dense Cloud. Tato bodová mračna byla nejprve analyzována, filtrována a klasifikována s využitím nástrojů dostupných v programu Cloud Compare. Výsledky tohoto zpracování byly filtrovaná bodová mračna a klasifikovaná mračna bodů terénu.
Takto zpracovaná mračna bodů byla nahrána zpět do prostředí Agisoft Metashape, kde byla následně využita pro odvození dalších produktů využitelných pro aplikace v zemědělství. Výslednými produkty byly digitální modely povrchu, digitální modely terénu, 3D modely a ortofotosnímky.
Z digitálních modelů povrchů a digitálních modelů terénu, které byly odvozeny ze zpracovaných bodových mračen, byly v programu ArcGIS Pro vypočítány výškové modely plodin označované jako Canopy Height Models. Tyto vzniklé výškové modely byly přepočítány na vybrané výškové metriky plodin označované jako Canopy Height Metrics, které byly vztaženy k oblastem zájmu (dále jen ROI) vytvořeným za účelem následného porovnání. Výsledky tohoto kroku byly vytvořené výškové modely, vytvořené ROI a odvozené výškové metriky včetně modelu (nástroje) pro jejich výpočet.
Z ortofoto mozaiky vygenerované na základě zpracovaných hustých bodových mračen a vytvořených digitálních modelů povrchu byly v programu ArcGIS Pro vypočítány vybrané vegetační indexy založené na transformaci RGB pásem. Výsledné hodnoty vegetačních indexů byly přepočítány na již zmíněné oblasti zájmu, aby bylo možné provést jejich porovnání s výslednými hodnotami výškových metrik za účelem prověření, zdali mezi některými výškovými metrikami a vegetačními indexy neexistuje vzájemný vztah nebo závislost. Výsledkem tohoto kroku byly vypočítané vegetační indexy a model (nástroj) pro jejich výpočet.
Pro ověření toho, zdali mezi jednotlivými výškovými metrikami a vegetačními indexy neexistuje vzájemný vztah nebo závislost, bylo v ArcGIS Pro provedeno statistické porovnání, jehož výsledkem byly korelační matice s hodnotami vyjadřujícími míru závislosti jednotlivých zkoumaných veličin.

Výsledky případové studie PŠENICE 2019

Výsledkem případové studie PŠENICE 2019 bylo několik produktů odvozených ze snímků UAV pořízených pro pole s pšenicí. Jedním z nejdůležitějších výsledků bylo husté bodové mračno od kterého se odvozovala většina ostatních výsledných produktů této případové studie. Těmito výslednými produkty byly digitální model povrchu, digitální model terénu, ortofoto mozaika, výškový model plodin a odvozené výškové metriky s odvozenými vegetačními indexy, které byly porovnány pomocí výsledné korelační matice. Všechny tyto výsledky jsou popsány v rámci kapitoly 6.1 a většina z nich je i zobrazena v rámci Přílohy 2.

Výsledky případové studie ČESNEK 2019

Výsledkem případové studie ČESNEK 2019 bylo několik produktů odvozených ze snímků UAV pořízených pro pole s pšenicí. Jedním z nejdůležitějších výsledků bylo husté bodové mračno od kterého se odvozovala většina ostatních výsledných produktů této případové studie. Těmito výslednými produkty byly digitální model povrchu, digitální model terénu, ortofoto mozaika, výškový model plodin a odvozené výškové metriky s odvozenými vegetačními indexy, které byly porovnány pomocí výsledné korelační matice. Všechny tyto výsledky jsou popsány v rámci kapitoly 6.2 a většina z nich je i zobrazena v rámci Přílohy 3.

Porovnání výsledků pro pšenice s výsledky pro česnek

Vzhledem k tomu, že snímky pořízené pro pšenici a snímky pořízené pro česnek byly zpracovány stejným postupem a s využitím totožných metod a nástrojů, je možné provést porovnání výsledných dat u těchto dvou případových studií. Pro lepší přehlednost tohoto porovnání byla vytvořena Tab. 6.2.3, shrnující některé výsledné produkty těchto případových studií.

Tab.6.2.3 Porovnání parametrů produktů vzniklých zpracováním dat pořízených pro pole s česnekem a pro pole s pšenicí

Jako první byla porovnávána vzniklá hustá bodová mračna (zobrazena v Příloze 2 a v Příloze 3). Zatímco husté bodové mračno a z něj odvozený 3D model v případě pšenice poměrně věrohodně reprezentují skutečný tvar snímkovaného porostu, v případě česneku se tohle tvrdit nedá. Vygenerované husté bodové mračno a z něj odvozený 3D model v případě česneku nedokázaly zachytit skutečný tvar porostu v dostatečném detailu, a je tak obtížné identifikovat jednotlivé modelované rostliny. Tento fakt je z jisté míry způsoben tím, že rostliny česneku nebyly na snímkovaném poli tak nahuštěné, jako v případě klasů pšenice, které tvoří souvislý povrch porostu. Mezi rostlinami česneku se vyskytovali mnohem větší rozestupy a navíc tvar těchto rostlin byl v porovnání s tvarem klasů pšenice poměrně komplexnější.
Zmíněné vlastnosti mračna bodů vytvořeného pro česnek byly nejspíše i příčinou méně přesné klasifikace bodů terénu v porovnání s klasifikací bodů terénu u pšenice. Zatímco v případě pšenice bylo klasifikováno jako body terénu 38,06 % bodů původního mračna bodů, v případě česneku to bylo 94,22 %. I když porost pšenice opravdu pokrýval mnohem větší plochu pole v porovnání s porostem česneku, je výsledné procentuální zastoupení bodu terénu v případě česneku podezřele vysoké a při klasifikaci bylo nejspíše značné množství bodů příslušících porostu česneku klasifikováno jako body terénu.
Problémy vzniklé při klasifikaci měli bezpochyby do jisté míry vliv na generování nepřesných DTM a DSM a výsledný CHM pro případ česneku na první pohled zcela neodpovídá realitě a spousta rostlin česneku u generovaného CHM „zmizelo“. V případě pšenice působí vytvořené DTM a DSM včetně vytvořeného CHM mnohem věruhodněji, ale vzhledem k tomu, že v roce 2019 neproběhlo referenční měření, je obtížné přesnost vytvořeného CHM posuzovat.
Nepřesný CHM u případu česneku měl bezpochyby negativní dopad na výsledky korelační matice porovnávající míru závislosti hodnot výškových metrik s hodnotami vegetačních indexů. V rámci jednotlivých ROI musely být hodnoty výškových metrik vlivem nepřesného CHM značně zkresleny a z toho důvodu ani neodpovídaly hodnotám vegetačných indexů. Tento fakt měl nějspíše největší podíl na tom, že výsledná korelační matice v případě česneku neprokázala vzájemné vazby a závislosti mezi hodnotami výškových metrik a vegetačních indexů tak, jako tomu bylo v případě pšenice.
Z provedeného porovnání lze usoudit, že na použité metody a postupy zpracování dat v této práci má znační vliv typ a charakteristika plodiny, která je UAV zařízením snímkována. Uvedené metody a postupy tak bude vhodnější aplikovat na plodiny, které tvoří souvislé a husté porosty (jako je obilí), než na plodiny s individuálními a řídce osázenými porosty (jako je česnek).

Výsledky referenčního snímkování a měření

V průběhu práce vznikl také požadavek na provedení referenčního snímkování společně s manuálním měřením výšek plodin za účelem jejich porovnání s výškami odvozenými ze vzniklých výškových modelů plodin. Výsledkem referenčního snímkování a měření byly tři výškové modely odvozené ze snímků pořízených z různých letových výšek (viz podkapitola 6.3.2). Dalším výsledkem je vyhodnocení přesnosti vytvořených výškových modelů pomocí porovnání hodnot odvozených výšek se zaměřenými výškami a využití vybraných prediktivních statistických ukazatelů (viz podkapitola 6.3.3). Pro účely zobrazení a vyhodnocení vztahů mezi velikostí chyb odvozených výšek a polohou příslušných referenčních bodů v prostoru byly vytvořeny tři mapy pro výškové modely CHM_20m, CHM_40m a CHM_60m, které vizualizují velikosti chyb hodnot odvozených výšek v prostoru (viz. Příloha 4, Příloha 5 a Příloha 6).

Výsledky algoritmu automatické detekce počtu klasů

Výsledné ortofoto snímky byly také využity pro testování algoritmu využívajícího obrazovou analýzu RGB snímků pro automatickou detekci počtu klasů pšenice, který byl dalším výsledkem této práce (viz podkapitola 6.4).