Yiketai lancia una soluzione leggera, integrata e multi-sensore per la ricerca e il monitoraggio del fenotipo vegetale senza pilota - Ecodrone^®Sistema di telerilevamento multispettrale integrato leggero UAS-4 Pro LiDAR:

• Basato sulla tecnologia brevettata indipendente UAS-4 della piattaforma di telerilevamento, combina caratteristiche leggere e multifunzionali

• Contemporaneamente dotato di imaging multispettrale, LiDAR e RGB, con un tempo di lavoro di oltre 20 minuti

• Un volo può ottenere contemporaneamente 5/10 bande spettrali, dati di nuvole di punti ad alta densità e RGB, con conseguente risultato doppio con metà sforzo in termini di efficienza operativa

• Risoluzione multispettrale del suolo a livello centimetro, con una risoluzione del suolo di 3,4 cm a 50m di altezza e 2 cm a 30m di altezza (per l'analisi del fenotipo delle colture ad alto rendimento in campo)

• LiDAR-RGBPrecisione standard di 2,5 cm, frequenza di eco di 3, FOV di 70,4 gradi, opzionale con altre specifiche; Imaging RGB con sensore CMOS Exmor APS-C Sony, 20MP pixel, FOV 83 gradi

• Applicato nella ricerca agricola di precisione, nel telerilevamento del fenotipo delle colture, nel monitoraggio dei parassiti e delle malattie, nella valutazione della resa delle colture, nel monitoraggio del telerilevamento forestale, nel monitoraggio e nella valutazione del dissipatore delle fonti di carbonio, nell'indagine e nel monitoraggio dell'ambiente ecologico, nel monitoraggio della biodiversità e nella ricerca sul sequestro biologico del carbonio

Ecodrone^®UAS-4 ProSistema di telerilevamento multispettrale LiDAR integrato leggero

Principali indicatori tecnici:

Analizzare e misurare i parametri:

ü Parametri della struttura del baldacchino: NDVI, NDRE, DVI, VOG, NDWI, GCI, LCI, ecc

ü R/G/BIndice, come indice di verde, ecc.

ü Efficienza misurabile di utilizzo della luce, ambiente di acque poco profonde (aerosol, aerosol, ecc.), efficienza clorofillica o pendenza del bordo rosso, ecc. (10 canali)

ü Parametri Lidar: nuvola di punti di colore reale ad alta densità, dati di misurazione 3D, nuvola di punti di classificazione, DOM, DSM, DTM, DHM, ecc

Caso di applicazione 1: Analisi fenotipica del riso in diverse condizioni di stress

Yiketai Spectral Imaging and Unmanned Aerial Vehicle Remote Sensing Technology Research Center utilizza Ecodrone^®Il sistema di telerilevamento del veicolo aereo senza pilota conduce l'analisi del fenotipo su un determinato campo di riso. Sulla base dei risultati NDVI e NDRE, si può vedere che il valore complessivo dell'indice è relativamente alto tranne per il bordo del campo di riso, indicando che il contenuto di clorofilla e biomassa verde delle colture sono elevati, quasi saturando il valore NDVI. E dal grafico NDRE si possono vedere più chiaramente le differenze nelle caratteristiche fisiologiche del riso in diverse condizioni di trattamento: generalmente, più alto è il valore NDRE, più sana è la pianta.

Figura 1: diagramma delle operazioni di volo in sequenza; Diagramma di marcatura dei diversi metodi di trattamento (varietà, densità di impianto, concentrazione di fertilizzante) nei campi di riso; diagramma NDVI; Diagramma NDRE

Sulla base dei dati multispettrali provenienti da veicoli aerei senza equipaggio, ulteriori ricerche e verifiche sono state condotte per selezionare la combinazione ottimale di varietà di semina, densità di semina e applicazione di fertilizzante, che può efficacemente ridurre lo spreco di risorse e alleviare i problemi ambientali causati dalla perdita di fertilizzante azotato. Un modello adatto può essere stabilito combinando le informazioni strutturali LiDAR e dati fisici e chimici misurati effettivi per invertire gli indicatori biochimici e di biomassa delle colture, ottenendo una ricerca di precisione sulla produzione agricola.

Caso applicativo 2: Monitoraggio della crescita delle foreste artificiali di pino

Yiketai Spectral Imaging and Unmanned Aerial Vehicle Remote Sensing Research Center utilizza il suo Ecodrone sviluppato in modo indipendente^®Il sistema di telerilevamento dei veicoli aerei senza pilota LiDAR ha condotto operazioni di telerilevamento LiDAR su una determinata area forestale artificiale di terreni agricoli.

Figura 2-1: nuvola di punti LiDAR nell'area di lavoro basata sul rendering in altezza

Figura 2-2: Modelli DOM e DHM basati su cloud di punti LiDAR

Misurando l'altezza del profilo della nuvola di punti LiDAR e combinandolo con il modello DHM, sono stati selezionati in modo casuale 15 punti di pineta artificiale nel plot A e sono stati estratti i loro valori di altezza. Il valore medio è stato calcolato per essere 161cm. Tuttavia, la maggior parte delle altezze misurate dal campionamento manuale a terra è rientrata nell'intervallo di 1,6-1,7 m, indicando un alto grado di accordo.

Figura 2-3: Profilo di altezza e valori di misura della pineta artificiale basati sulla nuvola di punti LiDAR

Esperimenti hanno dimostrato che sulla base di Ecodrone^®La tecnologia di telerilevamento dei veicoli aerei senza pilota Lidar è di grande importanza per la classificazione precisa della vegetazione, il monitoraggio delle caratteristiche degli alberi/colture nelle diverse fasi di crescita, la valutazione della biomassa e la guida della fertilizzazione misurando le informazioni tridimensionali LiDAR ottenute e combinandole con i risultati del campionamento del suolo.

Caso di applicazione tre: diverse fasi di crescitaMonitoraggio dei cambiamenti nella struttura del baldacchino invernale del grano

Il monitoraggio della densità del baldacchino utilizzando indicatori quali l'indice di area fogliare (LAI) calcolato sulla base della spettroscopia di riflettanza svolge un ruolo importante nella comprensione e nella previsione dei processi ciclici nel sistema atmosferico delle piante del suolo, nonché nell'indicazione della salute delle colture e della stima della resa nella gestione aziendale. Gli studiosi tedeschi e belgi hanno utilizzato il veicolo aereo senza pilota Lidar e il sistema multispettrale di imaging di telerilevamento per raccogliere dati dall'area del campo di grano invernale ICOS a Selhausen, Germania sette volte, con un intervallo di tempo dal 1 aprile al 21 luglio 2020, per valutare la potenziale applicazione della tecnologia multispettrale Lidar nella stima della struttura delle tettoie agricole di precisione.

Figura 3-1: Schema di stima dell'indice di area vegetale (PAI) sulla base della densità del baldacchino utilizzando la misurazione LiDAR aerea

Figura 3-2: Sinistra: immagini RGB in periodi di tempo diversi e PAI e GAI ottenuti utilizzando rispettivamente metodi Lidar e multispettrali

Destra: Cambiamenti temporali e spaziali nell'altezza media del grano Daitian Winter ICOS

I risultati della ricerca indicano che durante la fase di crescita del grano invernale prima della maturazione, l'Indice di Area Vegetale (PAI) derivato dai dati Lidar è altamente coerente con i valori dell'Indice di Area Verde (GAI) raccolti attraverso attrezzature di terreno ed è strettamente correlato ai valori GAI stimati ottenuti dall'imaging multispettrale, che possono riflettere accuratamente i cambiamenti strutturali spaziali durante il processo di crescita del grano invernale. L'altezza del grano invernale può essere effettivamente stimata sottraendo il modello digitale DTM (01/04, all'inizio della stagione vegetativa) dal modello digitale di superficie DSM creato raccogliendo i dati delle nuvole di punti in ogni periodo temporale (12/05, 26/05, 09/06, 23/06). Allo stesso tempo, utilizzando i dati multispettrali per compensare Lidar PAI è possibile distinguere tra l'indice di area di vegetazione verde e l'indice di area di vegetazione non verde, completarsi a vicenda durante l'intero ciclo di crescita delle colture e condurre la modellazione delle colture per ottenere fertilizzazione di precisione, gestione delle colture e stima dello stoccaggio del carbonio.

Yiketai Ecological Technology Company è impegnata nella ricerca, nello sviluppo e nell'applicazione innovativa della salute dell'agricoltura ecologicaFornire soluzioni tecniche complete per la ricerca agricola di precisione, il telerilevamento del fenotipo delle colture, il monitoraggio dei parassiti e delle malattie, la valutazione della resa delle colture, il monitoraggio del telerilevamento forestale, il monitoraggio e la valutazione delle fonti e dei pozzi di carbonio, l'indagine e il monitoraggio dell'ambiente ecologico, il monitoraggio della biodiversità e la ricerca biologica sul sequestro del carbonio.

riferimento:

[1] Bates J S , Montzka C , Schmidt M , et al. Estimating Canopy Density Parameters Time-Series for Winter Wheat Using UAS Mounted LiDAR[J]. Remote Sensing, 2021, 13(4):710.