Monitoring of Rice Growth with UAV-derived aerial imagery

Abstract

This study aims to monitor rice growth by using the reflectance relation of (R-B)/(R+B) and R/(R+G+B) to predict rice biomass before and after the heading stage. UAV-derived aerial imagery was obtained from an RGB camera attached on the UAV, which flew to take pictures at the altitude of 90 meters, with the front-overlap of 90% and side-overlap of 60%, to be used for calculating Green-Red Vegetation Index (GRVI) and Red Green Blue Index (RGBI). In addition, the field data were divided into two parts data for calibration and data for evaluation of three models through Rapid minder Studio 9.1, namely Generalized Linear Model, Deep Learning, and Random Forest. 120 sets of field biomass data were collected, 80 of which were for calibrating the models, and 40 for evaluating the models. After the evaluation of Coefficient of Determination (R2) and Root Mean Square Error (RMSE), for the biomass of rice before the heading stage, it was found that for GRVI, R2 and RMSE were 0.920 and 0961, respectively, and for RGBI, R2 and RMSE were 0.918 and 0.697, respectively. Meanwhile, for the biomass of rice after the heading stage, it was found that for GRVI, R2 and RMSE were 0.854 and 1.648, respectively, and for RGBI, R2 and RMSE were 0.810 and 1.530, respectively. For both periods, the most suitable prediction model was Random Forest. This shows that the reflectance relation of both equations based on GRVI and RGBI could be used to monitor rice growth, in step Biomass Rice Before producing grains and Biomass Rice After producing grains.

การศึกษานี้มีวัตถุประสงค์เพื่อติดตามการเจริญเติบโตของนาข้าวโดยใช้ความสัมพันธ์ของค่าการสะท้อนแสง (R-B)/(R+B) และ R/(R+G+B) ประมาณค่าชีวมวลข้าว(Biomass) ช่วงก่อนออกรวง- หลังออกรวงและผลผลิตของข้าว(Yield) โดยใช้ภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ จากกล้อง RGB Camera ที่ติดตั้งบน UAV บินถ่ายภาพ สูง 90 เมตร ระยะซ้อนด้านหน้า 90% และระยะซ้อนด้านข้าง 60% เพื่อนำมาคำนวณค่าดัชนีพืช Green-Red vegetation index (GRVI)และดัชนีพืช Red Green Blue Index (RGBI) และนำข้อมูลภาคสนามมาแบ่งออกเป็น 2 ส่วน คือข้อมูลสร้างโมเดลและทดสอบโมเดลในโปรแกรม Rapid miner จำนวน 3 โมเดล คือ Generalized Linear Model, Deep Learning และ Random Forest จากข้อมูลค่าชีวมวลภาคสนาม 120 ชุด แบ่งข้อมูลสร้างแบบจำลอง 80 ชุดข้อมูลทดสอบแบบจำลอง 40 ชุด ประเมินค่าสัมประสิทธิ์การตัดสินใจ (R2) และค่า RMSE พบว่า ค่าชีวมวล(Biomass) ช่วงต้นข้าวก่อนออกรวง โมเดลที่ทำนายได้เหมาะสมคือ Random Forest ดัชนีพืช GRVI ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.920 และค่า RMSE เท่ากับ 0.961 และดัชนีพืช RGBI ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.918 และค่า RMSE เท่ากับ 0.697 ส่วนค่าชีวมวลต้นข้าวหลังออกรวง โมเดลที่ทำนายได้เหมาะสมคือ Random Forest ดัชนีพืช GRVI ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.854 และค่า RMSE เท่ากับ 1.648 และดัชนีพืช RGBI ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.810 และค่า RMSE เท่ากับ 1.530 และค่าผลผลิตของข้าว(Yield) พบว่าค่า GRVI สูงสุด และRGBI สูงสุด อยู่ในช่วงข้าวตั้งท้องแก่ก่อนออกรวง ในข้อมูลค่าผลผลิตข้าวภาคสนาม 100 ชุด แบ่งข้อมูลสร้างแบบจำลอง 60 ชุดข้อมูลทดสอบแบบจำลอง 40 ชุด โมเดลที่ทำนายได้เหมาะสมคือ Random Forest ดัชนีพืช GRVI สูงสุด ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.964 และค่า RMSE เท่ากับ 0.090 และRGBI สูงสุด ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.869 และค่า RMSE เท่ากับ 0.087 แสดงว่าความสัมพันธ์ของค่าการสะท้อนแสงทั้งสองสมการตามค่าดัชนีพืช GRVI และRGBI สามารถติดตามการเจริญเติบโตของข้าวได้ในช่วงที่ข้าวก่อนออกรวงและหลังออกรวง