Exploring methods for detecting maize plant density using Structure-from-Motion point clouds

Abstract (Swedish)

Sammanfattning

Jordens befolkning förväntas öka de kommande årtiondena. Detta kan skapa osäkerhet kring livsmedelsförsörjning och kräver en mer produktiv livsmedelssektor samt metoder för att bedöma tillgång på livsmedel i förhållande till efterfrågan. Utvecklandet av lågkostnadsmetoder för övervakning av grödor kan stödja en hållbar intensifiering av jordbruket och tillhandahålla användbar information kring skörd i förväg. En relativt ny utveckling inom fjärranalystekniken är möjligheten att modellera en grödas krontak i 3D genom Structure-from-Motion (SfM) teknologi. Denna teknik använder överlappande bilder för att skapa ett tredimensionellt punktmoln genom fotogrammetriska principer. Denna studie syftade därför till att undersöka användningen av SfM-teknik för att bestämma majsens planttäthet, en skörd-relaterad plantparameter. Studien undersökte två metoder baserade på punktmoln som genererades från drönarbilder för att bestämma tätheten av majsplantor. I den första metoden användes en enkel linjär regression för att utforska en potentiell relation mellan ett mått på variationer i höjd på punkter i punkmolnet och majsens planttäthet. Ett svagt samband hittades, men metoden visade sig vara sårbar för heterogena plantfördelningar inom provområdena. Detta påvisade vikten av provområdets storlek i förhållande till den spatiala fördelningen av de modellerade plantorna. En risk för felidentifiering av större områden utan plantor som områden med hög växtdensitet upptäcktes också, vilket tyder på att stora ytor utan plantor bör uteslutas innan man tillämpar metoden. Den andra metoden syftade till att avgränsa enskilda majsplantor genom att generera höjdkonturer på kontinuerliga ytmodeller baserade på punktmoln. Genom att sortera ut konturerna på höjd och längd, skulle konturerna placeras på majsplantornas position. Resultaten hade låg exakthet i förhållande till valideringsdata, potentiellt på grund av svårigheten att applicera metoden på objekt med så komplex geometri som majsplantor. Oskarpa drönarbilder och suboptimal UAV-flygplanering för 3D-modelleringsändamål kan också ha påverkat resultaten från båda metoder.

Nyckelord: Geografi, Ekosystemvetenskap, Planttäthet, Majs, Structure-from-Motion, Unmanned Aerial Vehicles (UAV)

Abstract

Abstract

The population of earth is projected to increase the coming decades. This can pose problems of food security and demands a more productive food sector as well as methods of assessing food productivity in relation to demand. Crop monitoring with remote sensing can guide precision farming used for sustainable intensification of agriculture, as well as contribute to yield forecasting models useful for food security assessments. Developing low cost methods for crop monitoring can support sustainable intensification of agriculture and provide useful yield information in advance. A relatively recent development in remote sensing technology is the possibility of modelling crops in 3D through Structure-from-Motion (SfM) technology using imagery gathered from Unmanned Aerial Vehicles (UAVs). This study therefore aimed to explore the use of SfM technology to determine maize plant density, a parameter related to plant yield. The study explored two methods based on point clouds generated from UAV imagery to determine the density of maize plants. The first method employed a simple linear regression to explore a potential relation between a metric of variations in maize canopy elevation and maize plant density. A relation between the variables was indicated, motivating further testing of this method. However, the method proved to be vulnerable to heterogeneous plant distributions within the sample areas. This outlined the importance of the sample area size in relation to the spatial distribution of the plants modelled. A danger of misidentifying bare areas as areas of high plant density was also discovered, indicating that large areas without plants should be excluded before applying the method. The second method aimed at delineating individual maize plants through generating elevation contours on a triangulation of a point cloud. By querying the contours on height and length, contours would ideally be placed at the location of maize plants. The results showed low accuracy in relation to available validation data, possibly due to the complex geometry of the plants. Furthermore, the presence of blur in the imagery as well as the use of suboptimal UAV flight planning for 3D modelling purposes might have influenced results of both methods.

Keywords: Geography, Ecosystem Analysis, Maize plant density, Structure-from-Motion, Unmanned Aerial Vehicles (UAV)

Popular Abstract (Swedish)

Tom Albin Tveitan Käppi

Utforskande av metoder för att mäta planttäthet med hjälp av 3D modeller framtagna från drönarbilder

Jordens befolkning förväntas öka de kommande årtiondena. Detta kan skapa osäkerhet kring livsmedelsförsörjning och kräver en mer produktiv livsmedelssektor samt metoder för att bedöma tillgång på livsmedel i förhållande till efterfrågan. Övervakning av grödor med hjälp av bilder tagna av små obemannade drönare kan bidra med information till modeller som används för att förutsäga en kommande skörd. Sådana estimat är viktiga för att försöka förutsäga framtida tillgång på mat, särskilt i regioner där befolkningen är beroende av varje säsongs lokala skördar.

På senare år har metoder för att skapa tredimensionella modeller av objekt på marken med hjälp av drönarbilder utvecklats. En liten, obemannad drönare blir programmerad att flyga över exempelvis ett majsfält och tar många bilder med kort mellanrum. Med hjälp utav algoritmer baserade på fotogrammetriska principer kan dessa bilder göras om till ett ”moln” av punkter (punktmoln) som representerar en tredimensionell bild av grödornas krontak. Tredimensionella modeller av grödor kan användas för att estimera framtida skörd genom att tillhandahålla mått på höjd, volym eller hur tätt plantor växer.

Denna studie syftade till att undersöka användningen av ovannämnda teknik för att bestämma hur tätt majsplantor växer i ett majsfält, en användbar parameter för att estimera storleken på den kommande skörden. Studien utforskade därför två nya metoder baserade på tredimensionella punktmoln framtagna från drönarbilder.

I den första metoden användes en linjär regression för att utforska en potentiell relation mellan variationer i höjden på punkter i punkmolnet och majsens planttäthet. Ett antagande gjordes där majsens planttäthet minskade med en högre variation av dessa punkter, eftersom att punkterna skulle positioneras längre ner mellan plantorna om de växte relativt glest. Ett samband hittades mellan de två variablerna, men metoden visade sig sårbar för stora lokala skillnader i planttäthet. En framtida studie bör beakta dessa utmaningar samt använda sig av en större mängd provdata för att ytterligare testa metodens användbarhet.

Metod nummer två syftade till att avgränsa enskilda majsplantor genom att skapa höjdkonturer på kontinuerliga ytor baserade på punktmoln. Konturerna filtrerades på höjd och längd för att isolera enstaka höjdkurvor positionerade på varje majsplantas position. Resultaten hade låg exakthet och positioner kunde inte bestämmas med säkerhet, potentiellt på grund av svårigheten att applicera metoden på objekt med så komplex geometri som majsplantor.

Nyckelord: Institutionen för naturgeografi och ekosystemvetenskap, majs, planttäthet, punktmoln, fotogrammetri

• author: Tveitan Käppi, Albin
• supervisor: Per-Ola Olsson; Ola Hall
• organization: Dept of Physical Geography and Ecosystem Science
• course: NGEM01 20191
• year: 2020
• type: H2 - Master's Degree (Two Years)
• subject: Earth and Environmental Sciences
• keywords: Physical Geography and Ecosystem analysis, Maize plant density, Structure from Motion, Unmanned Aerial Vehicles (UAV), Photogrammetry
• publication/series: Student thesis series INES
• report number: 501
• language: English
• id: 9007403
• date added to LUP: 2020-04-03 13:26:40
• date last changed: 2020-04-03 13:26:40