Early detection and recommendation of higher precision in treatment of late blight in potato crops by using drone photos
(2018) VRSM01 20172Risk Management and Safety Engineering (M.Sc.Eng.)
Division of Risk Management and Societal Safety
- Abstract
- In this thesis an evaluation was performed for the potential use of drone photos in Decision Support System (DSS) to detect outbreak of late blight and provide recommend treatment with fungicides. Late blight is a common crop infection on potato in Sweden. A DSS with and without information from drones were developed in three steps. Firstly, risk classification model for late blight was specified based on weather data, output from a blight forecasting models (SIMCAST) and drone photos. Secondly, this risk model was calibrated and evaluated with data from a late blight field trial and drone images taken during the time of the trial. Thirdly, a decision model specified as a probabilistic (Bayesian) network was built integrating the risk... (More)
- In this thesis an evaluation was performed for the potential use of drone photos in Decision Support System (DSS) to detect outbreak of late blight and provide recommend treatment with fungicides. Late blight is a common crop infection on potato in Sweden. A DSS with and without information from drones were developed in three steps. Firstly, risk classification model for late blight was specified based on weather data, output from a blight forecasting models (SIMCAST) and drone photos. Secondly, this risk model was calibrated and evaluated with data from a late blight field trial and drone images taken during the time of the trial. Thirdly, a decision model specified as a probabilistic (Bayesian) network was built integrating the risk model with management costs and the decisions to spray with fungicides and/or to collect more information by drones to improve the accuracy of the risk classification. The decision model was used to evaluate the cost-benefit of using drone photos in potato late blight management under scenarios of blight incidence and management costs. The findings showed that drone photos may reduce the expected cost under certain conditions such as low blight incidence and low costs. If costs for drones can be held back, there are several opportunities to combine the technology of unmanned vehicles with DSS in order to manage late blight in potato crops. However, a number of limitations exist and further research is needed to achieve a more accurate model and a decision analysis considering multiple decisions before the method can be applied in practice. (Less)
- Popular Abstract (Swedish)
- Bladmögel är en förödande sjukdom hos potatisplantor. Den orsakas av en särskild algsvamp, Phytophthora infestans. Förekomsten av bladmögel hos potatis har varit och är ett globalt problem. Bladmögel orsakade till exempel den förödande hungersnöden på Irland i mitten av 1800-talet. I dag besprutas potatisodlingar med stora mängder bekämpningsmedel, i form av fungicider, i förebyggande syfte för att motverka bladmögel. Detta skapar onödiga kostnader samt konsekvenser för miljön. De ekonomiska förluster som följer vid den här typen av mögelangrepp är större än kostnaden för att bespruta.
Forskning pågår inom området för att försöka optimera riskhanteringen för bladmögel. Det finns flera redan exsisterande beslutstödssystem som försöker... (More) - Bladmögel är en förödande sjukdom hos potatisplantor. Den orsakas av en särskild algsvamp, Phytophthora infestans. Förekomsten av bladmögel hos potatis har varit och är ett globalt problem. Bladmögel orsakade till exempel den förödande hungersnöden på Irland i mitten av 1800-talet. I dag besprutas potatisodlingar med stora mängder bekämpningsmedel, i form av fungicider, i förebyggande syfte för att motverka bladmögel. Detta skapar onödiga kostnader samt konsekvenser för miljön. De ekonomiska förluster som följer vid den här typen av mögelangrepp är större än kostnaden för att bespruta.
Forskning pågår inom området för att försöka optimera riskhanteringen för bladmögel. Det finns flera redan exsisterande beslutstödssystem som försöker vägleda brukaren till en mer optimerad applicering av fungicider. Dessa beslutstödssystem använder sig framför allt av väderdata för att kunna uppskatta trolig tidpunkt för mögelangrepp.
Drönarfotos potential att upptäcka bladmögel i ett tidigt skede har tidigare undersökts. Tekniken för drönare och fjärranalys är under ständig utveckling. Detta innebär successivt förbättrade möjligheter att upptäcka och hantera risken för bladmögel hos potatis.
Denna masteruppsats utfördes med syftet att utvärdera drönarfotos möjlighet att förbättra ett redan existerande beslutsstödssystem. För att uppnå detta mål genomfördes tre steg. Inledningsvis skapades en modell som analyserade risken för uppkomsten för bladmögel. Den här riskmodellen byggde på väderdata och information från drönarfoton. Vidare i steg två användes fältdata, i form av observationer av förekomsten av bladmögel, för att justera och utvärdera riskmodellen. Slutligen, i det sista steget, gjordes en utvärdering angående hur kostnadseffektivt det är att använda drönarfoto jämfört med utan drönarfoto. Denna utvärdering av kostnad genomfördes med hjälp av att integrera riskmodellen i en beslutsmodell, det vill säga ett beslutsstödsystem.
Resultatet visar att användandet av drönarfoto var kostnadseffektivt för att bekämpa, men endast under vissa förutsättningar. Därmed verkar det finnas en potentiell framtid för att kombinera denna typ av teknik med beslutsödssystem för en mer effektiv hantering av bladmögel.
Det här arbetet innehåller ett flertal begränsningar och ytterligare forskning behövs för att uppnå ett bättre resultat vars beslutsmodell kan tillämpas i praktiken. Resultatet av denna mastersuppsats kan därför med fördel byggas vidare och följaktligen sättas in i ett mer realistiskt sammanhang. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/8937158
- author
- Lindéus, Anna LU
- supervisor
- organization
- course
- VRSM01 20172
- year
- 2018
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Bayesian network, Decision Support systems, Drone photo, Late blight, Potato, Precision Agriculture, Remote sensing, Risk classification model, Risk prediction
- language
- English
- id
- 8937158
- date added to LUP
- 2018-03-13 14:07:34
- date last changed
- 2020-12-03 14:26:12
@misc{8937158,
abstract = {{In this thesis an evaluation was performed for the potential use of drone photos in Decision Support System (DSS) to detect outbreak of late blight and provide recommend treatment with fungicides. Late blight is a common crop infection on potato in Sweden. A DSS with and without information from drones were developed in three steps. Firstly, risk classification model for late blight was specified based on weather data, output from a blight forecasting models (SIMCAST) and drone photos. Secondly, this risk model was calibrated and evaluated with data from a late blight field trial and drone images taken during the time of the trial. Thirdly, a decision model specified as a probabilistic (Bayesian) network was built integrating the risk model with management costs and the decisions to spray with fungicides and/or to collect more information by drones to improve the accuracy of the risk classification. The decision model was used to evaluate the cost-benefit of using drone photos in potato late blight management under scenarios of blight incidence and management costs. The findings showed that drone photos may reduce the expected cost under certain conditions such as low blight incidence and low costs. If costs for drones can be held back, there are several opportunities to combine the technology of unmanned vehicles with DSS in order to manage late blight in potato crops. However, a number of limitations exist and further research is needed to achieve a more accurate model and a decision analysis considering multiple decisions before the method can be applied in practice.}},
author = {{Lindéus, Anna}},
language = {{eng}},
note = {{Student Paper}},
title = {{Early detection and recommendation of higher precision in treatment of late blight in potato crops by using drone photos}},
year = {{2018}},
}