Monitoring von Winden (Convolvulus sp.) mit Drohnen

Abstract

Wurzelunkräuter vermehren sich weitgehend vegetativ über ihr Wurzelsystem und treten inhomogen in Nestern auf. Diese sind auf Feldebene visuell schwer zu erfassen. Drohnenflüge in Verbindung mit einer Segmentierung des Beikrauts eröffnen die Möglichkeit zur Langzeitkartierung und Erfolgskontrolle von Regulierungsmaßnahmen. Für Winden (Convolvulus sp.) wurde in einem ersten Ansatz eine spektrale Segmentierung vor dem Hintergrund von abreifendem Getreide (grün versus gelb) auf Basis eines random forest Algorithmus erarbeitet. Trainings- und Testdaten wurden über georeferenzierte und visuell kartierte 1x1 m Subplots in einem Bodenbearbeitungsexaktversuch mit Orthofotos verknüpft. Diese wurden mit einer RBG Kamera der Drohne DJI Phantom 4Pro in 40 m Flughöhe erfasst. Der Algorithmus erzielte eine Präzision von 91% mit einer Falschklassifikation von 12-14%. Angewendet auf neuen Testdaten des gleichen Aufnahmezeitpunktes und –feldes, erzielte eine mit R2 = 0.7 signifikante Korrelation. Der Bodenbearbeitungsexaktversuch konnte damit erfolgreich ausgewertet werden. Die Evaluierung an zusätzlichen Orthofotos von Praxisschlägen zeigte jedoch, dass eine allgemeine Verunkrautung und Lagerstellen im Getreide stören. Ein Deep Learning Algorithmus, der neben spektralen Informationen auch Muster erkennen kann, wird zur Weiterentwicklung vorgeschlagen.

Keywords

• convolvulus sp.
• drone monitoring
• perennial weeds
• segmentation