Basic terms in photogrammetry with application in precision agriculture

130 ОСНОВНИТЕ ТЕРМИНИ ПРИ ФОТОГРАМЕТРИЯТА С ПРИЛОЖЕНИЕ В ПРЕЦИЗНОТО ЗЕМЕДЕЛИЕ АСПАРУХ АТАНАСОВ, СВЕТЛАНА ПАСКАЛЕВА BASIC TERMS IN PHOTOGRAMMETRY WITH APPLICATION IN PRECISION AGRICULTURE ASPARUH ATANASOV, SVETLANA PASKALEVA Abstract Remote sensing of the physical characteristics of agricultural crops is key to the development of precision agriculture. By measuring the reflectance of agricultural crops in different spectral bands, it is possible to obtain vegetation indices containing information about the stages and processes of vegetation. The process of measuring and obtaining vegetation indices is called photogrammetry. The article discusses the main terms in the process. It presents different stages in obtaining and processing the captured images to generate the vegetation index using drone data. The methodology can be used both in satellite observation and in shooting with a handheld camera. The method is a basic technique in precision agriculture. The resulting vegetation index maps allow for a quick and accurate assessment of the condition of agricultural crops. Keywords: photogrammetry; precision agriculture; photo; radiometry; orthomosaic. 1. ВЪВЕДЕНИЕ През последното десетилетие технологията на безпилотните летателни апарати (БПЛА) напредна значително, правейки БПЛА евтини и все по-често срещани, както в професионална, така и в гражданска среда. Огромното им разнообразие ги направи достъпни и подходящи за всякакви цели. Различните видове БПЛА (наричани Дрон) се използват за различни цели. За прецизното земеделие е много важно правилното определяне на етапите при протичане на вегетационните 131 процеси на различните култури, зрелостта им и здравословното състояние на полето [1÷3]. Основен източник на информация за развитието на земеделските култури е получаването на отражателни вегетационни индекси [4]. Посредством измерването на отразената светлина от растителността в различни спектрални ленти е възможно да се определят физически характеристики, които помагат да се открие наличието на патогени, заплевяване и вредители по растенията [5÷7]. Посредством познанията за отражението от хлорофила е възможно да се определи етапът от развитието на посева и количеството биомаса, на базата на което е възможно да се прогнозира добивът [8]. Получаването на информация за земеделските култури, посредством серия от изображения на полето се нарича фотограметрия [9]. Това е бърз метод, използван при спътниково наблюдение или чрез БПЛА [10]. Този вид изследване представлява наблюдение със специфичен вид сензорна система (камера), която позволява събиране, получаване, натрупване и съхранение във времето на информация по безконтактен начин за: почвата, метеорологичните фактори, плевелите, развитието на растенията, както и болестите и вредителите по тях. Еволюцията на съвременните хиперспектрални сензори увеличи сложността на измерените данни със спектрален обхват до дължини на вълната от 350 до 2500 nm и възможна тясна спектрална разделителна способност под 1 nm, [11]. Статията има за цел да разгледа основните термини, използвани във фотограметрията за оценка на земеделските култури, както и метода за наблюдение на изследваните площи. 2. ИНСТРУМЕНТИ И МЕТОДИ Основни термини Фотограметрията е процес на измерване физическите характеристики на обект посредством серия от изображения. Това могат да бъдат изображения, заснети с 132 широк набор от устройства, включително дронове, самолети, сателити и ръчни камери. Тези изображения се използват за генериране на точни и прецизни 2D и 3D модели на изследвания обект. Наборът от геометрични характеристики, които се използват, дава възможност за определяне на размера, формата, ориентацията и позицията на изследвания обект. Колинеарност на основно ниво означава, че най-малко три точки се появяват на една и съща линия. Радиометрия Радиометрията е метод за анализ на регистрираното електромагнитно излъчване. Това е начин да се измери как светлината взаимодейства с различни обекти в различните спектрални области, включително дължини на вълните, които не са видими за човешкото око. Триангулацията е техниката за създаване на 3D образ при всяка точка от измервания обект. Тя е в основата на фотограметрията, където се използват припокриващи се изображения за пресъздаване на по-голямо изображение, карта или модел на изследвания обект. Вътрешни и външни параметри Параметрите включват: • Вътрешен обектив на камерата; • Позиция на прожекционния център на камерата; • Матрицата на въртене, която определя ориентацията на камерата. За да сме сигурни, че можем да генерираме точни реконструкции, се нуждаем от основна информация за оборудването, използвано за реконструкция на сцената: камерата (и ако е приложимо, дрона). RTK & PPK RTK (кинематика в реално време) и PPK (кинематика с последваща обработка) са методи за измерване и запис на геолокационни данни. И двете са технологии за GPS корекция, които събират данни за местоположението, идентифицират грешки и правят корекции по време или след 133 проучване на скоростта за преместване на камерата и нанасят отместването на всяка следваща снимка. Използваният софтуер за обработка на изображенията получени чрез фотограметрия, трябва да определи каква координатна система да се използва, преди да се обработят данните. В противен случай софтуерът може да интерпретира данните за геолокация неправилно и да направи неточни измервания или дори да изкриви крайните резултати. Свързващи точки Наземните контролни точки или GCP са точки с известни координати. Те се измерват прецизно с RTK или PPK GNSS приемник, както и с подобно оборудване. GCP се използват за точно локализиране на обекта, за да дадат реконструкция, която е идентична с наблюдавания обект (поле). Фигура 1. а) представя план на полета на дрона върху опитното поле с обозначени позиции на направените снимки (сините точки по меандъра). Зададено е презастъпване на изображенията по дължина и ширина за 20 МП камера при полет на дрона от 100 м над полето. Фигура 1. б) показва зоната от полето, заснета с всяка снимка и наслагването им на общия план за получаване на съвпадение от 5+ съвпадение на всяка една точка в отделните снимки. Фигура 2. а) показва изчислено изображение /GCPs/ на позиции на свързващи точки, Елипси на несигурност, увеличени 5 пъти. Отклонението в направлението на камерата е важен параметър за верността на информацията. Фигура 2. б) показва съответстващия цифров повърхностен модел (DSM) преди уплътняване. От него е възможно да се получи и релефът на заснетата площ. 134 а) б) Фигура 1. а) План на полета с обозначени позиции на направените снимки, б) Съвпадение на 2D точки. а) б) Фигура 2. а) Елипси на несигурност, б) цифров повърхностен модел. Фигура 3. а) представя ортомозайка, получена от 46 снимки в RGN камера, където (R - червено, G - зелено и N - близко инфрачервено). Това е обобщена снимка на полето, с отчитане на презастъпващите се зони и коригиране на информацията. Фигура 3. б) показва генерирана NDVI арта на опитното поле от ортомозайката на Фигура 3. а) 135 а) б) Фигура а) Ортомозайка, б) Генериран вегетационен индекс. 3. ИЗВОДИ Фотограметрията е бърз и точен метод за оценка на вегетационните процеси при земеделските култури. Той позволява създаване на пълна карта с висока резолюция на наблюдаваното поле и посредством отражателни вегетационни индекси е възможно да се прецени състоянието на земеделските култури, наличие или липса на микроелементи, патогени и вредители. ЛИТЕРАТУРА: 1. Roscher, R., Herzog, K., Kunkel, A., Kicherer, A., Töpfer, R., and Förstner, W. 2014. Automated image analysis framework for highthroughput determination of grapevine berry sizes using conditional random fields. Comput. Electron. Agric. 100, 148–158. doi: 10.1016/j.compag.2013.11.008. 2. Pothen, Z., and Nuske, S. T. 2016. Automated assessment and mapping of grape quality through image based color analysis. IFAC-PapersOnLine 49, 72–78. doi:10.1016/j.ifacol.2016.10.0111. 3. A Adamchuk, V.I, Hummel, J.W., Morgan, M.T., Upadhyaya, S.K., 2004. On-the-go soil sensors for precision agriculture, Computers and Electronics in Agriculture, Volume 44, Issue 1, Pages 71-91. 4. Asrar, G., Fuchs, M., Kanemasu, E. T., & Hatfield, J. L. 1984. Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal, 76, 300– 306. 5. Scotford I.M., P.C.H. Miller, 2005,Applications of Spectral Reflectance Techniques in Northern European Cereal Production: 136 A Review, Biosystems Engineering, Volume 90, Issue 3, Pages 235-250, ISSN 1537-5110, https://doi.org/10.1016/j.biosystemseng.2004.11.010. 6. Mahlein Anne-Katrin, 2016, Plant Disease Detection by Imaging Sensors – Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping, https://doi.org/10.1094/PDIS-03-15-0340FE. 7. Yang, G., Liu, J., Zhao, C., Li, Z., Huang, Y., Yu, H., et al. 2017. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and Perspectives. Front. Plant Sci. 8:1111. doi: 10.3389/fpls.2017.01111. 8. Atanasov, A. 2024. Possibilities of small robotic UAVS for surveillance of agricultural areas in Southern Dobruja. Bulgarian Journal of Crop Science, 61(3) 100-108. https://doi.org/10.61308/TAGD6115 9. James S. Aber, Irene Marzolff, Johannes B. Ries, 2010, Chapter 3 - Photogrammetry, Editor(s): James S. Aber, Irene Marzolff, Johannes B. Ries, Small-Format Aerial Photography, Elsevier, Pages 23-39, ISBN 9780444532602, https://doi.org/10.1016/B9780-444-53260-2.10003-1. 10. Muhammad Naveed Tahir, Yubin Lan, Yali Zhang, Huang Wenjiang, Yingkuan Wang, Syed Muhammad Zaigham Abbas Naqvi, 2023, Chapter 4 - Application of unmanned aerial vehicles in precision agriculture, Editor(s): Qamar Zaman, Precision Agriculture, Academic Press, Pages 55-70, ISBN 9780443189531, https://doi.org/10.1016/B978-0-443-18953-1.00001-5. 11. Steiner, U., Bürling, K., and Oerke, E.-C. 2008. Sensorik für einen präzisierten Pflanzenschutz. Gesunde Pflanz. 60:131 141. https://doi.org/10.1007/s10343-008-0194-2.