Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

S11: Fernerkundung Anwendung - Forst und Agrar II
Donnerstag, 08.03.2018:
16:00 - 17:30

Chair der Sitzung: Georg Bareth
Chair der Sitzung: Peter Krzystek
Ort: Hörsaal 0602
Anwendung - Forst und Agrar
Invited talk Frederic Baret

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
16:00 - 16:30

The use of UAVs for high-throughput field phenotyping applications

F. Baret

French National Institute for Agricultural Research | INRA


Phenotyping consists in characterizing the structural and functional traits for helping breeders to select the genotypes the better adapted to each environment. The recent technological advances have made available new non-invasive methods allowing to monitor with high-throughput large panels of genotypes. Multicopters that may carry for 10-20 minutes a payload of few hundred grams up to few kilograms at variable altitude and speed are very well suited for field phenotyping. A range of sensors may be used including high-resolution RGB cameras, multispectral and hyperspectral cameras, thermal infrared cameras and LiDARs. Further, low altitude flights provide spatial resolution better than a fraction of mm to identify small organs or disease symptoms. A review of current accessible phenotyping traits is presented from such UAV observations. Several examples are given to illustrate the versatility of UAVs for high throughput phenotyping. The interpretation methods need to be well suited to provide estimates of canopy traits decontaminated from possible artifacts due to the variability in the environmental conditions during the measurement or due to confounding effects. Conclusions are drawn on the development and prospects of such UAV observations for high-throughput field phenotyping.

16:30 - 16:50

Multi-scale Observations For An Improved Detection Of Plant Diseases By Hyperspectral Imaging

J. Behmann1, D. Bohnenkamp1, A.-K. Mahlein1,2

1University of Bonn, INRES - Pflanzenenkrankheiten & Pflanzenschutz, Germany; 2Insitut für Zuckerrübenforschung (IFZ), Göttingen, Germany

Plant diseases are a highly relevant target for remote and proximal sensing. The interaction among a host and the specific pathogen results in specific symptoms which can be detected and identified by suitable sensor techniques. The identification of plant diseases on the leaf scale based on color images is subject to current research, mainly by deep learning methods in combination with smartphones. An early differentiation by hyperspectral imaging is applied on different scales. On the field scale first approaches emerge on a scientific basis. Given a suitable interpretation model, accurate detection, identification and quantification is possible even at a very early point in symptom development.

However, there is a discrepancy between optimal sensing and application scale. Exemplary, the spectral characteristics of symptoms of plant diseases are captured with a high accuracy in the laboratory under controlled environmental conditions. Sensing of the same symptoms in the field is much more complicated due to plant geometry, sensing distance and illumination conditions. Under such conditions the generation of a labeled set of high quality training data is nearly unfeasible.

This gap may be bridged by applying the training data from a more controlled measurement scale to derive a model that can be used to draw conclusion also under challenging conditions. Such a model has to compensate specific effects, e.g. different geometric effects in combination with diffused and directed sunlight.

In this study dealing with hyperspectral images in the visible (400-700nm) and near infrared (700-1000nm) range leaf rust on wheat was investigated. Training data on the leaf scale was used to derive a model transferred to the plant scale. Angular and distance related effects are compensated by a Standard Normal Variate (SNV) approach. It calculates a new data representation excluding additive and scale distortions. A sparse representation approach was selected to consider the increased mixed pixel effects due to blurring, reduced spatial resolution and high leaf angles. This approach performs a matrix factorization extracting the composition, meaning the ratio of symptom characteristics of each pixel.

We investigate the effects of SNV on the prediction results, also compared to the more established vegetation indices. Time series observations of infected and healthy wheat plants were used to validate the approach. Based on the potential to quantify the level of infection, an evaluation of the different approaches was performed.

Building on these investigations, we propose the idea of a multi-scale interpretation model for hyperspectral images. Such a model will realize an information flow from the single spore up to the satellite level spanning the gap between the optimal detection and application scales of phenomena like pathogenesis, in-field distribution and epidemiology.

16:50 - 17:10

Sensor Fusion As Tool For Estimating Forage Biomass In Heterogeneous Pastures

T. Möckel, T. Fricke, M. Wachendorf

Grünlandwissenschaft und Nachwachsende Rohstoffe, Universität Kassel, Deutschland

Feeding of livestock on pastures requires constant monitoring of forage quantity to ensure consistent levels of animal and milk production. Ground based remote sensing technologies have been recognized as practical means to estimate various vegetation parameter at the field scale. Real-time mobile sensors, which allow the collection of geographically referenced data, have proven to be useful for in-field monitoring of vegetation characteristics such as biomass with high spatial resolution for large areas. Mobile automated sensor measurements can provide high sampling density at a relatively low cost to generate maps representing both spatial and temporal variation of the respective vegetation characteristic. As the quality of the vegetation parameter changes over a growing period, single sensor use for the parameter estimation might not be enough. Here, mobile devices have an additional value, as they can carry different sensors, which can in combined use improve prediction accuracies of vegetation characteristics. Particularly, sensor fusion of e.g. spectral sensors and ultrasonic sensors have been shown an improvement for the prediction of vegetation biomass in heterogenous pastures.

The aim of this study was, to evaluate the applicability of ultrasonic and hyperspectral mobile measurements fusion to map spatial and temporal yield variation in pastures with different grazing intensities.

Data were sampled from a long-term pasture experiment in central Germany. Three pastures with different levels of grazing intensity (moderate, lenient, very lenient) were selected. Within each pasture a 30 m×50 m study plot was established. Field measurements were conducted at four sampling dates in 2014 for each study plot. The three paddocks we scanned using an electrically driven cycle-based four-wheel-vehicle with a track gauge of 180 cm Three ultrasonic sensors and one HandySpec spectrometer (400-1600nm) were mounted at the vehicle. The exact location of the mobile system was obtained using a differential GPS system. For calibrating the sensory model, biomass was clipped on 18 reference plots per study plot and sampling date.

The prediction accuracy for forage biomass using information from both sensor was good (R2 = 0.72) and improved the sensor calibration models based only on one sensor technique. Using variogram analysis the model was applied on ~2000 mobile measurement points covering the whole study plot and the forage biomass was interpolated to the full area. The variogram analysis revealed a decrease of the range parameter from moderate to very lenient grazing intensity, suggesting a larger small-scale variation of forage biomass in the grasslands, which corresponds to the expectations.

The results of this study indicate, that the application of novel remote sensing sensors in forage science can improve the understanding of variation in forage quantity in pastures. This knowledge can help to make grazing practices more efficient.

17:10 - 17:30

Hochdurchsatz-Phänotypisierung von Weizen unter Hitze- und Trockenstress mit Hilfe von UAVs

K. Kunz, Y. Hu, U. Schmidhalter

Techniche Universität München, Deutschland

Weizen ist weltweit eine der wichtigsten Getreidearten. Allerdings müssen sich die Weizenproduzenten großen Herausforderungen stellen: Bis zum Jahr 2050 wird mit einer Weltbevölkerung von über 9 Milliarden gerechnet, was auch eine ansteigende Nachfrage nach landwirtschaftlichen Produkten mit sich bringt. Gleichzeitig nimmt jedoch die landwirtschaftlich nutzbare Fläche für Nahrungsmittelproduktion weltweit ab. Um die Verfügbarkeit von Lebensmitteln zu sichern, müssen daher die Flächenerträge gesteigert werden. Diese sind jedoch durch externe Faktoren, wie z.B. ungünstige Umweltbedingungen, begrenzt. Klimaveränderungen, die ansteigende Frequenz von Wetterextremen und der Anstieg von Hitze- und Trockenheitsereignissen beeinflussen die landwirtschaftliche Produktion durch ein häufigeres Auftreten von physiologischem Stress für die Pflanzen. Um Lebensmittelsicherheit zu gewährleisten ist es daher notwendig, Weizensorten zu züchten, die mit extrem heißen und trockenen Bedingungen zurechtkommen. Um passende Sorten zu finden, die für die Selektion und Züchtung für zukünftige Klimaszenarien genutzt werden können, braucht es genaue Informationen über die Veränderungen, die abiotischer Stress in der Pflanzenphysiologie verursacht. Verschiedene Handgeräte wie Spektrometer oder Thermalkameras können genutzt werden, um die benötigten Daten zu erfassen. Je nach Größe der Versuchsfläche kann dies jedoch sehr zeitintensiv sein. In den letzten Jahren hat daher der Einsatz von Drohnen (Unmanned Aerial Vehicle, UAV) zur Hochdurchsatz-Phänotypisierung von Pflanzen zugenommen. UAVs können mit unterschiedlichen RGB- und Thermalkameras, sowie Spektralsensoren ausgestattet werden. Dies ermöglicht nicht nur die Erfassung der aktuellen Pflanzentemperatur, sondern auch der spektralen Reflexion, welche Informationen über den Gesundheitszustand und die Entwicklung der Pflanzen gibt. Vorteile der UAVs sind die flexiblere Anwendung verglichen zu Satelliten und die schnellere Erfassung vieler Daten im Vergleich zu Handgeräten. Information über Wasserstatus, Nährstoffgehalt und -aufnahme der Pflanzen und eine Vorhersage des zu erwartenden Kornertrages können während des Pflanzenwachstums auf nicht-destruktive Weise gesammelt werden. In einem Feldversuch in Moldawien wurden 40 Weizensorten getestet – 20 deutsche und 20 osteuropäische Sorten. Letztere sind besser an die dort herrschenden kontinentalen Bedingungen angepasst, welche durch heiße, trockene Sommer mit geringem Niederschlag gekennzeichnet sind. Während der Saison 2016/2017 wurden regelmäßig Drohnenflüge durchgeführt, um mit RGB- und Thermalbildern den physiologischen Zustand der Pflanzen zu bestimmen. Unterschiede in der Seneszenz zwischen den deutschen und osteuropäischen Sorten konnte mit Hilfe der RGB-Bilder erkannt werden. Die deutschen Sorten wurden für eine längere Vegetationsperiode gezüchtet, bleiben länger grün und neigen zu einer Notreife, wenn der abiotische Stress zu groß wird, um ihre Nachkommenschaft zu sichern. Osteuropäische Sorten beginnen früher mit der Seneszenz, zeigen weniger Anzeichen von Trockenstress und stabilere Erträge. Vorläufige Ergebnisse zeigen, dass der Grad der Bodenbedeckung und die Pflanzentemperatur mit Hilfe von UAVs erfasst werden kann.

Impressum · Kontaktadresse:
Veranstaltung: PFGK18-Tagung
Conference Software - ConfTool Pro 2.6.114
© 2001 - 2018 by H. Weinreich, Hamburg, Germany