UAV fotogrammetrie a metody obrazové analýzy v polním pokusnictví

Hlavním cílem této diplomové práce bylo zpracování UAV snímků vybraných zemědělských plodin s pomocí fotogrammetrických metod a metod obrazové analýzy za účelem vyhodnocení využitelnosti těchto obrazových dat a z nich odvozených produktů pro různé účely a aplikace v oblasti zemědělství. Primárními daty pro tuto práci byly UAV snímky pořízené dronem DJI Phantom 4 Pro v sezóně roku 2019 a údaje o vlícovacích bodech využitých a zaměřených při UAV snímkování. Dalším úkolem bylo využít produktů vzniklých zpracováním UAV snímků pro výpočet výškových modelů plodin a z nich odvozených výškových metrik a dále pro výpočet vybraných vegetačních indexů založených na transformaci RGB pásem. Dílčím cílem práce bylo nalezení vhodného algoritmu využívajícího obrazovou analýzu RGB snímků pro automatickou detekci počtu klasů pšenice. V průběhu zpracování práce vznikl také požadavek na provedení referenčního snímkování společně se zaměřením výšek plodin ve vybraných referenčních bodech za účelem porovnaní těchto výšek s výškami odvozenými ze vzniklých výškových modelů plodin. Referenční snímkování a měření proběhlo dodatečně až v červnu roku 2020. Pro zpracování dat v této práci a pro získání výsledných produktů byly využity zejména programy Agisoft Metashape, Cloud Compare, ArcGIS Pro, ImageJ a Microsoft Excel.
Před samotným řešením práce bylo nutné provést rešerši dané problematiky. Za pomoci studia literatury, článků, předešlých výzkumů a studií byly získány potřebné informace o možnostech využití UAV fotogrammetrie a obrazové analýzy dat pro výzkum a aplikace v oblasti zemědělství. V teoretické části práce byly nejprve popsány základní informace o fotogrammetrii obecně, o UAV fotogrammetrii a možnostech jejího využití. Jako další zde byly popsány vybrané algoritmy a přístupy pro generování trojrozměrných bodových mračen na základě dvourozměrných fotografií a základní informace o výškových modelech plodin a z nich odvozených výškových metrik. Na konci teoretické části byla popsána obrazová analýza dat včetně informací o základních operacích s obrazem a o vybraných vegetačních indexech.
V další kapitole byl popsán současný stav řešené problematiky s uvedením konkrétních převážně zahraničních studií, které se potýkali s podobnou problematikou nebo které jinak napomohli naplnění cílů této diplomové práce. Před zpracováním primárních dat bylo také důležité získat teoretický základ a přehled o fotogrammetrických metodách a metodách obrazové analýzy dostupných ve zmíněných programech a o možnostech jejich využití pro účely této práce.
V rámci praktické části této práce byly nejprve popsány parametry pořízených dat a provedených snímkových letů. Následoval popis využitého postupu při zpracování pořízených dat a z nich odvozených produktů, který zahrnoval manuál s popisem použitých metod, nástrojů a jejich parametrů včetně uvedení použitého nastavení.
Další kapitola praktické části popisuje konkrétní případové studie, které byly v rámci této práce řešeny. V této kapitole jsou nejprve uvedeny případové studie pro zpracování snímků pšenice a česneku pořízených v roce 2019. Další případová studie popisuje provedení referenčního snímkovaní společně s manuálním měřením výšek plodin v terénu. V této případové studii je ze zpracovaných dat pomocí referenčních bodů hodnocena přesnost odvozených výšek vytvořených výškových modelů v porovnání se zaměřenými výškami. Poslední případová studie se zabývala testováním nalezeného algoritmu vhodného pro automatickou detekci počtu klasů pšenice na základě UAV snímků pořízených ve viditelném spektru. Pomocí tří testovacích oblastí, u kterých byly klasy na obrazu spočítány manuálně autorem práce, se hledalo optimální nastavení jednotlivých nástrojů algoritmu a následovalo vyhodnocení přesnosti výsledných počtů detekovaných klasů v porovnání s počty manuálního sčítání. V druhé části této případové studie byl algoritmus s nalezeným optimálním nastavením testován na vytvořeném ortofoto snímku.
Výsledky diplomové práce prokázaly, že s využitím UAV snímků pořízených ve viditelném spektru lze generovat hustá bodová mračna, která mohou být dále využita pro odvozování produktů využitelných pro výzkum a aplikace v oblasti zemědělství. Z vytvořených bodových mračen sice nebylo možné zkonstruovat zcela přesné výškové modely, které by odpovídaly skutečným respektive zaměřeným výškám modelovaných zemědělských plodin, ale tyto modely mohou být využité pro porovnávání výšek plodin v rámci modelované oblasti. Výsledky dále prokázaly, že UAV snímky pořízené ve viditelném spektru mohou být za pomoci metod obrazové analýzy využity k automatické detekci počtu klasů pšenice a tím pádem i jiných obilovin. Algoritmus pro automatickou detekci počtu klasů sice nezvládl detekovat přesné počty klasů na testovacích snímcích se pšenicí, u kterých proběhlo manuální sčítání, ale detekované počty byly velice blízké (míra úspěšnosti > 90 %) počtům získaným manuálním sčítáním. Výsledné detekované počty klasů jsou proto nanejmíň vzájemně porovnatelné a s jejich pomocí lze určit v jakých částech zkoumaných polí je hustota klasů vyšší nebo nižší. Výsledky korelační matice v případě pšenice prokázaly, že mezi určitými odvozenými výškovými metrikami a vypočítanými vegetačními indexy mohou existovat vzájemné vazby a závislosti. Výstupy a výsledky této diplomové práce mohou být užitečné pro budoucí výzkum zemědělských plodin nebo pro další aplikace v zemědělství.
Závěrem byla sepsána textová část práce. Celá práce, včetně textové části, příloh, výstupů, zdrojových a vytvořených dat je dostupná v příloze 8 na DVD. Výsledky práce jsou také prezentovány na webových stránkách diplomové práce a informačním posteru.