Droner lager digital revolusjon i landbruket

20 meter over forsøksfeltet på NMBU henger dronen i lufta, mens den kontinuerlig fotograferer hver minste flekk i feltet.

Det som tidligere ble registrert gjennom tidkrevende manuelle målinger på bakken, sveiper dronen over på noen minutter.

På bakken står forsker Sahameh Shafiee og stipendiat Tomasz Mroz ved Norges miljø- og biovitenskapelige universitet (NMBU) og følger med på informasjonen fra dronen som tikker inn på ipad’en.

– Vi ønsker å bruke droneteknologi til å kunne studere mer detaljert vekst og utvikling ute i felt. Med dronen kan vi samle mye mer informasjon enn det vi kan gjøre manuelt, sier Shafiee.

Nye verktøy for planteforedling

Målet er å utvikle nye verktøy for planteforedling og å gjøre planteforedlerne i stand til å gjøre bedre utvalg av planter til bruk i foredlingen av nye sorter. Gevinsten er å automatisere den manuelle innhentingen av data og øke informasjonsmengden.

– For å kunne sammenligne forskjellige hvetesorter må vi se dem under samme lysforhold, som i klart solskinn eller helt overskyet. Å ha like lysforhold er utfordrende med hundrevis av målinger, også fordi solvinkelen endres over tid, sier Shafiee.

Hun forteller at vi dessuten må forvente at skyer plutselig dukker opp på en solrik dag under norske værforhold. Så varigheten av flytiden har stor innvirkning på kvaliteten på dataene og hvor mye arbeid som må til, for å behandle dem etterpå.

Flyhøyde og hastighet er viktige faktorer i dronebilder. Alt etter hvilke egenskaper på planten som skal måles, blir flyhøyde og hastighet beregnet ved å vurdere blant annet kameraets egenskaper, behovet for dekning av forsøksfelt og kameraets bildeoppløsning.

Ser det øyet ikke kan se

Sahameh Shafiee jobber med teknologiutvikling, spesielt maskinlæring og det å identifisere forskjellige egenskaper hos plantene og å utvikle gode modeller for beregning av avling.

Forskerne bruker multispektrale kamera som kan fange opp informasjon om planten som ikke er synlig for det blotte øyet. Det er hovedsakelig samspillet mellom lys og planter som kan fanges opp i bølgelengder som vi ikke kan se.

Det er spesielt to områder som ligger mellom rødt lys og nærinfrarødt lys som er viktige, og som fanger opp informasjon om plantenes helsetilstand og produksjonskapasitet.

For å beregne indekser for vegetasjonen samler forskerne informasjon fra multispektrale kameraer med utvalgte bånd som RGB, som står for fargene rødt, grønt og blått, for å registrere biomasse og plantedekke.

De bruker det termiske kameraet RedEgde til å måle informasjon fra planter under fotosyntese. De bruker også NIR-spektroskopi (Near Infrared) for å registrere klorofyllkonsentrasjon.

Måler avlingsframgang de siste 50 årene

Ved forsøksfeltene finnes det 24 historiske vårhvetesorter helt fra sorten Runar, som kom i 1972, frem til siste sort som ble godkjent i 2020.

I forskningsprosjektet ser Tomasz Mroz etter det genetiske og plantefysiologiske grunnlaget for avlingsfremgang og avlingsmønstre i vårhvete.

Han bruker dronebildene for å se på hva som ligger til grunn for avlingsøkningen som har skjedd over alle disse årene.

– I forskningen min på historisk avlingsøkning i norsk vårhvete, gir dronebilder sammen med tradisjonelle registreringer på bakken interessant kunnskap. Vi kan for eksempel bruke informasjonen til å beregne plantenes mengde av biomasse, og vi kan lage ganske gode estimat på plantenes avlingspotensial allerede på et tidlig stadium i sesongen, sier Mroz.

Følger med åkeren fra datamaskin

Tidspunkt for når aksskyting og gulmodning inntrer, er viktige egenskaper som beskriver en kornsort. Disse målingene gjøres vanligvis ved visuell bedømming av plantene. Da er det vanlig å gå fysisk gjennom forsøksfeltet annenhver dag i cirka to uker for å gjøre manuelle registreringer.

Et av målene er å kunne ganske korrekt estimere tidspunkt for både aksskyting og gulmodning basert på bildeanalyse. Det er bare behov for en gjennomsnittsverdi per forsøksrute for å registrere disse egenskapene, og det er nok overlappende bilder og nok oppløsning i bildene til det.

Strålengde målt med dronebilder

Vanligvis registreres også strålengde manuelt med en stav og en meterstokk. Men ved hjelp av dronebildene er det mulig å rekonstruere en tredimensjonal modell av hver forsøksrute og få et presist estimat for den faktiske plantehøyden.

Når dronen tar et bilde hvert sekund, så blir hvert punkt i feltet dekket av flere bilder, tatt fra forskjellig vinkel. Metoden er langt fra ny, men fortsatt god, og det er den samme metoden som er blitt brukt i flyfoto siden 1950-tallet.

Forskeren bruker fotogrammetri for å få frem tredimensjonalitet. Ved å sette informasjon fra flere bilder tatt fra forskjellige vinkler sammen, får de frem tredimensjonal informasjon som gir plantehøyden.

Bruker robot til nærbilder

For å kunne telle antall blad og aks og andre deler på hver enkelt plante er det behov for nærbilder med en mye større oppløsning enn dronebildene. Derfor bruker forskerne en robot med kamera som triller over forsøksfeltet.

– Vi har også som mål å kunne identifisere sykdomsangrep, så vi må kunne identifisere et område på et blad og kvantifisere det. Roboten kjører da inn i feltet, stopper opp ved en forsøksrute og tar et nærbilde med et kamera med høy oppløsning. Men også det er en veldig tidkrevende prosess, sier Mroz.

Referanse:

Sahameh Shafiee mfl.: Computers and Electronics in Agriculture Original papers Sequential forward selection and support vector regression in comparison to LASSO regression for spring wheat yield prediction based on UAV imagery. Computers and Electronics in Agriculture, 2021. Doi.org/10.1016/j.compag.2021.106036