Epsilon Archive for Student Projects

Abstract

In this project, regression models based on data from field measurements and spectral information extracted from satellite imagery were used to estimate traits of forage grasslands; dry matter yield, canopy average height and total leaf chlorophyll. Four fields at SLUs Röbäcksdalen field station were sampled on 22 occasions and a total of 198 samples, including measurement of the highest plant, canopy height, leaf chlorophyll content, canopy spectral reflectance and biomass were collected. Two regression methods, partial least squares (PLS) and support vector machines (SVM), were used to build regression models using different subsets of the available spectral information. Model calibration was performed with 2/3 of the dataset and model validation was performed with the remaining 1/3 of the dataset. It was shown that the models built with SVM outperformed the models built with PLS, during both calibration and validation as well as for all different traits and subsets of spectral information. Field measurement and regression model results were discussed and limitations, their significance and possible improvements were considered. It was concluded that using spectral information from satellite images is a promising approach for estimation of traits in the field and could be used to build tools as a tool to support farmers’ decision making.

Vall är en viktig del av svenskt lantbruk och produceras på ungefär 45% av den tillgängliga åkermarken. Vall används främst för produktion av djurfoder men även som en del av växtföljder för att minska trycket från skadegörare eller ogräs och för att främja den biologiska mångfalden. På grund av förhållandevis låga vinstmarginaler vid försäljning av djurfoder investerar lantbruksföretag inte mycket i optimering av vallproduktion. En mindre kostsam investering kan vara precisionsodling, som är ett sätt att optimera växtodling genom att övervaka jordbruksgrödor automatiskt och genomföra insatser såsom applicering av gödsel och växtskyddsmedel eller själva skörden vid rätt tidpunkt och på rätt plats. Inom lantbruk tillämpas övervakningen, också kallad fjärranalys, ofta med sensorer som mäter hur synligt och osynligt ljus av olika våglängder reflekteras av en yta. I det här fallet har denna information använts i form av satellitbilder från Sentinel-2 satelliterna som är tillgängliga varannan dag. Satellitbilderna kan sedan användas för att bygga modeller genom att koppla ihop resultat av mätningar i fält med informationen från satellitbilden.

Syftet med detta projekt var att utföra mätningar i fält och bygga modeller baserat på dessa mätningar samt informationen från satellitbilderna. Hypotesen var att bilderna från Sentinel-2 satelliterna gör det möjligt att med hjälp av modellerna uppskatta mätvärden i fält.

Inom projektet genomfördes mätningar av biomassa, planthöjd, klorofyllinnehåll och reflektans på 4 olika fält med vall vid SLUs Röbäcksdalen forskningsstation i Umeå. Två regressionsmetoder, partial least squares (PLS) och support vector machines (SVM), användes för att bygga modellerna. Kalibrering och anpassning av modellerna utfördes med 2/3 av satellitbilderna och fältmätningarna, kontroll och validering av modellerna utfördes med resterande 1/3 av satellitbilderna och fältmätningarna.

Resultaten visade att SVM modellerna fungerade bättre än PLS modellerna vid uppskattning av mätvärden i fält. En utvärdering av modellerna på andra fält på annan ort har inte genomförts och det är okänt hur modellerna fungerar under olika förhållanden. En intressant aspekt som upptäcktes var att modeller byggda med satellitbilderna som motsvarar synligt ljus gav förhållandevis bra resultat. Det innebär att kamerabilder, till exempel från en drönare, skulle kunna användas för att bygga modeller vilket öppnar för mätningar vid behov. Metoden är lovande och skulle som ett verktyg kunna användas av lantbrukare för övervakning av jordbruksgrödor och hjälpa dem att fatta beslut kring insatser.