Rice growth monitoring and yield prediction using UAV remote sensing

Abstract

The objective of this study was to study and develop a model of rice growth monitoring and yields prediction by unmanned aerial vehicle (UAV), which equipped with a RGB and RGN sensor cameras that using reflectance spectrum of Red, Green, Blue, NIR and digital elevation model (DEM), were used in conjunction with various properties of rice to develop a model estimation the height, leaf area index (LAI) chlorophyll (SPAD unit), biomass and yield. The consider images at ground sample distance (GSD) sizes of 5, 10, 25, 50, 100 and 200 centimeters, the analyzing model with a mathematical algorithm generalized linear models, random forest, and support vector machine to compare the capabilities of the models. The study found that using only data from RGB images the accuracy was not different from data from RGB and RGN images together for the estimate of height an accuracy of R2 of 0.74 and RMSE of 0.14 meter at GSD 25 cm data analyzed with a generalized linear model. The estimate of Leaf area index (LAI) an accuracy of R2 of 0.81 and RMSE of 1.91 at GSD 25 cm data analyzed with a generalized linear model. The estimate of chlorophyll in SPAD units an accuracy of R2 of 0.50 and RMSE of 3.07 at GSD 50 cm data analyzed with a support vector machine. The estimate of yields an accuracy of R2 of 0.79 and RMSE of 40.42 kilogram per rai at milky and dough stage and at GSD 50 cm data analyzed with a generalized linear model. The estimate of Biomass in Flowering stage, Milky and Dough stage, and Maturity stage an accuracy of R2 of 0.77 and RMSE of 351.79 kilogram per rai at GSD 5 cm data analyzed with a generalized linear model. The estimate of Biomass in initial tillering stage, tillering stage and panicle initation stage, the combination of data from RGB and RGN images is significantly better than using data from RGB images only an accuracy of R2 of 0.85 and RMSE of 217.36 kilogram per rai at GSD 10 cm data analyzed with a support vector machine. It is anticipated that the method and results of this study can be used as a guideline for the growth monitoring and yields prediction of rice with UAV photogrammetry.

วัตถุประสงค์ของการศึกษานี้เพื่อศึกษาและพัฒนาแบบจำลองการติดตามการเจริญเติบโตและการทำนายผลผลิตของข้าวด้วยอากาศยานไร้คนขับ (UAV) ที่ติดตั้งกล้องเซนเซอร์ RGB และ RGN ในการบันทึกภาพ โดยใช้ค่าการสะท้อนแสงของช่วงคลื่น Red, Green, Blue , NIR และแบบจำลองความสูง (DEM) จากภาพ ร่วมกับคุณสมบัติต่าง ๆ ของข้าว เพื่อศึกษาพัฒนาแบบจำลองประมาณค่าความสูง ค่าดัชนีพื้นที่ใบ ค่าคลอโรฟิลล์ ค่าชีวมวล และผลผลิต โดยพิจารณาภาพที่ระยะพื้นต่อพิกเซลขนาด 5, 10, 25, 50, 100 และ 200 เซนติเมตร ทำการวิเคราะห์แบบจำลองด้วยอัลกอริทึมทางคณิตศาสตร์ตัวแบบเชิงเส้นวางนัยทั่วไป แบบป่าสุ่ม และซัพพอร์ตเวกเตอร์แมชชีนเพื่อเปรียบเทียบความสามารถของแบบจำลอง ผลการศึกษาพบว่า การใช้ข้อมูลจากภาพ RGB เพียงอย่างเดียว ให้ความถูกต้องไม่แตกต่างจากการใช้ข้อมูลจากภาพ RGB และ RGN ร่วมกัน สำหรับแบบจำลองประมาณค่าความสูงให้ค่าความถูกต้อง R2 เท่ากับ 0.74 และ RMSE เท่ากับ 0.14 เมตร จากข้อมูลภาพถ่ายระยะพื้นต่อพิกเซลขนาด 25 เซนติเมตร ที่ทำการวิเคราะห์ด้วยอัลกอริทึมตัวแบบเชิงเส้นวางนัยทั่วไป แบบจำลองประมาณค่าดัชนีพื้นที่ใบให้ค่าความถูกต้อง R2 เท่ากับ 0.81 และ RMSE เท่ากับ 1.91 จากข้อมูลภาพถ่ายระยะพื้นต่อพิกเซลขนาด 25 เซนติเมตร ที่ทำการวิเคราะห์ด้วยอัลกอริทึมตัวแบบเชิงเส้นวางนัยทั่วไป แบบจำลองประมาณค่าคลอโรฟิลล์ในหน่วย SPAD ให้ค่าความถูกต้อง R2 เท่ากับ 0.50 และ RMSE เท่ากับ 3.07 จากข้อมูลภาพถ่ายระยะพื้นต่อพิกเซลขนาด 50 เซนติเมตร ที่ทำการวิเคราะห์ด้วยอัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน แบบจำลองทำนายผลผลิตให้ค่าความถูกต้อง R2 เท่ากับ 0.79 และ RMSE เท่ากับ 40.42 กิโลกรัมต่อไร่ จากข้อมูลภาพถ่ายระยะเมล็ดเป็นน้ำนมและแป้ง ที่ระยะพื้นต่อพิกเซลขนาด 50 เซนติเมตร ทำการวิเคราะห์ด้วยอัลกอริทึมตัวแบบเชิงเส้นวางนัยทั่วไป และแบบจำลองประมาณค่าชีวมวล ในระยะออกดอก ระยะเมล็ดเป็นน้ำนมและแป้ง และระยะเมล็ดสุกครบกำหนดเก็บเกี่ยว ให้ค่าความถูกต้อง R2 เท่ากับ 0.77 และ RMSE เท่ากับ 351.79 กิโลกรัมต่อไร่ จากข้อมูลภาพถ่ายระยะพื้นต่อพิกเซลขนาด 5 เซนติเมตร ที่ทำการวิเคราะห์ด้วยอัลกอริทึมตัวแบบเชิงเส้นวางนัยทั่วไป ส่วนแบบจำลองประมาณค่าชีวมวล ในระยะก่อนแตกกอ ระยะแตกกอ และระยะเริ่มสร้างดอกอ่อนนั้น การใช้ข้อมูลจากภาพ RGB และ RGN ร่วมกัน ให้ค่าความถูกต้องที่ดีกว่าการใช้ข้อมูลจากภาพ RGB เพียงอย่างเดียวอย่างเห็นได้ชัด โดยมีค่าความถูกต้อง R2 เท่ากับ 0.85 และ RMSE เท่ากับ 217.36 กิโลกรัมต่อไร่ จากข้อมูลภาพถ่ายระยะพื้นต่อพิกเซลขนาด 10 เซนติเมตร ที่ทำการวิเคราะห์ด้วยอัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน ซึ่งคาดการณ์ว่าวิธีการและผลการศึกษานี้สามารถใช้เป็นแนวทางในการติดตามการเจริญเติบโตและการทำนายผลผลิตของข้าวด้วยอากาศยานไร้คนขับได้