Sugarcane Growth Monitoring Using UAV Remote Sensing

Abstract

This survey aimed to monitoring of sugarcane by utilizing remote sensing technology with perception from unmanned aircraft, which equipped with a RGB and MAPIR Survey 3 camera that using reflectance spectrum of Reg, Green, Blue, NIR and height (DEM) for study estimating the height, biomass, yield and chlorophyll (SPAD unit) at ground sampling distance (GSD) 5, 10, 25, 50 and 100 centimeters. Then evaluate the effective of Mathematical models: Generalized Linear Model, Deep Learning and Support Vector Machine. The estimation of height by using Support Vector Machine at GSD 50 cm , which is the best estimation of height. The decision coefficient (R2) of 0.89 and RMSE of 0.22. The estimation of biomass when using only RGB images data case and using RGB and RGN combined case by using Support Vector Machine at GSD 25 cm , which is the best estimation of biomass. The decision coefficient (R2) of 0.84 and RMSE of 1.96. The estimation of yield when using only RGB images data case and using RGB and RGN combined case by using Deep Learning at GSD 5 cm , which is the best estimation of yield. The decision coefficient (R2) of 0.81 and RMSE of 1.54. The estimation of chlorophyll by using Support Vector Machine at GSD 100 cm , which is the best estimation of chlorophyll. The decision coefficient (R2) of 0.42 and RMSE of 3.56.

The result of the research showed the images for high ground sampling distance (GSD) aerial images of unmanned aircraft give good effected of height, biomass, yield and chlorophyll (SPAD unit) that it was possible to monitoring of sugarcane by remote sensing from aerial images of unmanned aircraft.

วัตถุประสงค์ของการศึกษานี้เพื่อติดตามการเจริญเติบโตของอ้อย โดยใช้เทคโนโลยีการรับรู้จากระยะไกลด้วยภาพถ่ายจากอากาศยานไร้คนขับ ที่ติดตั้งกล้อง RGB และติดตั้งกล้อง MAPIR Survey 3 โดยใช้ค่าการสะท้อนแสงของช่วงคลื่น Red, Green, Blue , NIR และความสูง (DEM) เพื่อศึกษาการประมาณค่าความสูง ชีวมวล ผลผลิต และค่าคลอโรฟิลล์ (SPAD unit) โดยใช้ระยะพื้นต่อพิกเซลขนาด 5, 10, 25, 50 และ 100 เซนติเมตร นำมาประเมินประสิทธิภาพแบบจำลองทางคณิตศาสตร์ด้วยวิธี แบบจำลองโมเดลเชิงเส้นโดยนัยทั่วไป วิเคราะห์โครงข่ายประสาทเทียมเชิงลึก และแบบจำลอง Support Vector Machine ผลการศึกษาพบว่า การประมาณค่าความสูงโดยใช้แบบจำลองวิธี Support Vector Machines ระยะพื้นต่อพิกเซล 50 เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.89 และ RMSE เท่ากับ 0.22 การประมาณค่าชีวมวลในกรณีใช้ข้อมูลภาพ RGB เพียงอย่างเดียว และกรณีการใช้ข้อมูลภาพ RGB และ RGN ร่วมกัน โดยใช้แบบจำลองวิธี Support Vector Machines ระยะพื้นต่อพิกเซล 25 เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.84 และ RMSE เท่ากับ 1.96 การประมาณค่าผลผลิตในกรณีใช้ข้อมูลภาพ RGB เพียงอย่างเดียว และกรณีการใช้ข้อมูลภาพ RGB และ RGN ร่วมกัน โดยใช้แบบจำลองวิธี Deep Learning ระยะพื้นต่อพิกเซล 5 เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.81 และ RMSE เท่ากับ 1.54 การประมาณค่าคลอโรฟิลล์โดยใช้แบบจำลองวิธี Support Vector Machines ระยะพื้นต่อพิกเซล 100เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.42 และ RMSE เท่ากับ 3.56

ผลการวิจัยแสดงให้เห็นว่าการใช้ภาพถ่ายจากอากาศยานไร้คนขับที่มีระยะพื้นต่อพิกเซลสูง ส่งผลให้การประมาณค่าความสูง ชีวมวล ผลผลิต และค่าคลอโรฟิลล์ (SPAD unit) ได้ดียิ่งขึ้น และมีความเป็นไปได้ที่จะติดตามการเจริญเติบโตของอ้อยด้วยการสำรวจระยะไกลจากภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ