Getreidebestandesdichte und -höhe aus Drohnendaten (eBee)

Eine einfache und schnelle Variante für Versicherungen, die abgeknickten Halme zu detektieren, soll gesucht werden. Mit Drohnendaten der eBee und den Softwares ERDAS-Imagine 2015, Postflight Terra 3D und QGIS wurden diverse Klassifikations-Verfahren und Indizes ausprobiert, um das optimalste Verfahren zu finden. Gegeben waren die Daten aus drei Befliegungen im Juni, Juli und September 2016 im Gebiet Gränichen AG. Diese Befliegungsdaten mussten vorab auf einander angepasst werden. Dafür wurden in der Befliegung vom Juni Passpunktkoordinaten extrahiert und sämtliche Höhenmodelle nochmals mit den neuen Passpunkten berechnet. Die absolute Genauigkeit ist dadurch schlechter aber relativ passen die Daten nun sehr gut aufeinander.

Abb. 1: Vergleiche der Resultate der einzelnen Klassifikationen

Genauigkeiten
Mit den neuen, optimal verteilten Passpunkten, konnte der RMS der September-Befliegung von 35 cm auf 6 cm reduziert werden. Der RMS im Juni stieg mit der erneuten Berechnung von 5.4 cm auf 6.5 cm. Grund ist die schlechtere Genauigkeit der neuen Passpunkte im Vergleich zu den eingemessenen. Im Juli sank der RMS von 10.5 cm auf 9 cm mit den neuen Passpunkten. Mit denn Korrigierten Höhenmodellen konnten die Getreidehöhe gerechnet werden und anhand dieser eine überwachte Klassifikation durchgeführt werden.

Abb. 2: Vergleich des Ergebnisses der Klassifikation nach Höhe

Klassifizierungsparameter
Es wurden alle überwachten Klassifizierungen mit dem maximum Likelyhood-Schätzer durchgeführt. Für die Zeitstände im Juni und im Juli wurden jeweils immer dieselben Trainingsgebiete benutzt. Die Befliegung im September diente nur zur Messung der Terrainhöhe, da der Weizen schon geerntet wurde. Die objektbasierte Klassifikation hat nicht überzeugt.

Autoren:  Markus Schär
                     Samuel Järmann

Abb. 3: Resultat der Klassifikation mit dem Kanal Grün

Klassifikation
Es wurden überwachte Klassifikationen mit dem Index NDVI ,dem Kanal Grün, mit der Höhendifferenz und den RGB-Kanälen durchgeführt. Grün bietet eine gute Alternative ist aber anfällig auf die Lichtbedingungen während der Befliegung und weist daher ein gewisses Rauschen auf. Die Höhe bietet ebenfalls eine gute Möglichkeit, detektiert  aber Fahrspuren ebenfalls als abgeknickt. Ausserdem ist aufgefallen, dass die GSD bei der Klassifikation mit der Höhe einen sehr grossen Einfluss hat. Bei schlechterer Auflösung können Kanten nicht sehr gut detektiert werden.

Abb. 4: Vergleich der detektierten abgeknickten Fläche

© FHNW Institut Vermessung und Geoinformation 2017