Zurück zur Übersicht

19.07.2021

Datenanalyse - Teil 1

Datenanalyse - Teil 1

Federico Barone

TerraSharp

Themen

Pflanzenschutz Europa Bio Digitalisierung, Arbeitswirtschaft und Prozesstechnik Leguminosen Pflanzen Smart Farming Technik Technik in der Pflanzenproduktion Fahrzeugtechnik und Elektronik

In früheren Artikeln haben wir gesehen, wie Drohnen Bilder sammeln, wie sie zu einem Orthomosaik kombiniert werden und wie man die höchste GPS-Genauigkeit der Analyse erreicht.

Aber wie werden die Analysen durchgeführt?

Es kommt darauf an! Für jede Anwendung gibt es spezifische Analysen, die durchgeführt werden müssen. Heute wollen wir darüber sprechen, wie aus Drohnenbildern Daten werden, die jeder verstehen und nutzen kann.

Zunächst ist es notwendig zu verstehen, was Sie erreichen wollen und wie Sie folglich die nächsten Schritte der Analyse einrichten. In der Regel werden als erstes die Grenzen der Felder angelegt, damit die Bearbeitung nur auf den Feldern und nicht auf den angrenzenden Flächen erfolgt. Auf diese Weise werden genauere und auf das jeweilige Feld bezogene Ergebnisse erzielt.

Wenn dieser erste Schritt getan ist, werden die eigentlichen Analysen durchgeführt. Es gibt grundsätzlich zwei Arten, solche, die auf vegetativen Indizes basieren und solche, die auf Bildeigenschaften basieren. Bei ersterem wird für jedes Pixel im Bild mathematisch ein Index berechnet, der auf dem Reflexionsgrad der einzelnen Spektralbänder basiert. So werden z.B. Vigour-Karten mit dem NDVI-Index erstellt, es können aber auch Indizes zum Chlorophyll-, Wasser- oder verschiedenen Pigmentgehalt von Pflanzen berechnet werden. Es wäre jedoch nutzlos, Millionen oder Milliarden von Pixeln zu haben, von denen jedes seinen eigenen Wert hat; wir müssen von Daten (einzelne Pixel) zu Informationen (homogene Gruppen von Pixeln) übergehen. Die Pixel werden also in Klassen eingeteilt und jeder Klasse wird eine Farbe zugewiesen, so dass sie leicht zu verstehen ist. So können z. B. Bereiche mit hohem Wassergehalt in blau und trockenere Bereiche in rot dargestellt werden.

Das Endergebnis ist eine Karte, die einheitliche Bereiche enthält. Wie wir gesehen haben, können diese Karten auf unzählige Arten verwendet werden. Um bei dem Beispiel des Wassergehalts zu bleiben: feuchtere Gebiete werden wahrscheinlich eine höhere Neigung zu Pathogenbefall haben, aber einen höheren Ertrag als trockenere Gebiete. Da die Felder außerdem gleichmäßig besät werden, muss es eine andere Ursache für diese Ungleichmäßigkeit geben, zum Beispiel den Boden. Warum also nicht den Boden in den Bereichen der Karte beproben und dann im Labor analysieren lassen? Auf diese Weise könnten wir herausfinden, was die Ursache für die unterschiedliche Verteilung des Wassers ist, und dann korrigierende Maßnahmen ergreifen, wie z. B. eine lokalisierte Bewässerung oder den Einsatz von Sämaschinen, die in jedem Gebiet zwei Arten von Saatgut verwenden können, so dass dasjenige, das resistenter gegen Trockenheit ist, dort eingesetzt wird, wo es weniger Wasser gibt, und andersherum.

Dies sind nur Beispiele, aber die Anwendungen dieser Technologien sind riesig und oft extrem billig im Vergleich zu den Erträgen, die sie liefern.

Im nächsten Artikel werden wir erklären, wie die Eigenschaften von Bildern genutzt werden, um andere Precision Farming-Dienste zum Leben zu erwecken.

Das TerraSharp Team