Obrazowanie multispektralne w rolnictwie z UAV — Drony

Kamera multispektralna rejestruje tę samą scenę w kilku zdefiniowanych pasmach, zwykle obejmujących część zakresu widzialnego, red edge i bliską podczerwień. Jej surowe liczby cyfrowe nie są jeszcze miarą „zdrowia roślin”. Żeby porównywać pola, terminy i sensory, trzeba przekształcić sygnał w produkt radiometryczny, skorygować geometrię, kontrolować oświetlenie i powiązać obraz z obserwacją agronomiczną na ziemi.

UAV daje bardzo mały GSD i możliwość lotu w wybranym terminie, lecz ta zaleta zwiększa udział cieni, rzędów, międzyrzędzi, pojedynczych liści i gleby w danych. Piksel satelitarny może uśredniać łan, podczas gdy piksel UAV rozdziela elementy baldachimu. Wskaźnik obliczony w obu skalach nie musi być porównywalny. Metodykę projektuje się więc od pytania i skali decyzji, a nie od wyboru najładniejszej palety NDVI.

Spis treści#

Od decyzji agronomicznej do produktu
Co mierzy kamera
Pasmo nie jest jedną długością fali
DN, radiancja i reflektancja
Łańcuch korekcji radiometrycznej
Panel reflektancji
Empirical Line Method
Sensor irradiancji DLS
Zmienne oświetlenie
Ekspozycja i saturacja
GSD, wysokość i wielkość obiektu
Overlap i geometria nalotu
Motion blur i wiatr
Rejestracja pasm
Paralaksa i poruszający się łan
Ortomozaika reflektancji
NDVI
Red edge i NDRE
SAVI i inne indeksy
Dlaczego indeks nie jest diagnozą
Gleba, cień i BRDF
Fenologia i termin nalotu
Ground truth
Projekt próbkowania
Łączenie próbki z obrazem
Statystyka na poletkach
Walidacja modelu
Porównania wieloterminowe
Od mapy do stref zarządzania
Kontrola jakości
Archiwizacja i provenance
Minimalna procedura terenowa
Typowe błędy

Od decyzji agronomicznej do produktu#

„Ocena kondycji uprawy” jest zbyt szerokim wymaganiem. Należy wskazać zmienną, horyzont i jednostkę decyzji. Przykłady:

wykrycie obszarów o opóźnionych wschodach;
oszacowanie pokrycia roślinnego na poletku;
wydzielenie stref wymagających oględzin;
porównanie odpowiedzi odmian w doświadczeniu;
obserwacja zmiany przed i po zabiegu;
modelowanie biomasy, LAI lub zawartości chlorofilu po lokalnej kalibracji;
wykrycie luk, wylegania albo uszkodzeń po zjawisku pogodowym.

Pytanie powinno wskazywać truth source. Jeżeli celem jest niedobór azotu, etykietą nie może być samo niskie NDVI, ponieważ susza, choroba, zagęszczenie gleby, cień, słabe wschody i różnica fenologii mogą dać podobny sygnał. Potrzebna jest obserwacja naziemna, analiza rośliny lub gleby i wiedza o zabiegach.

Specyfikacja produktu może mieć postać:

crop + growth_stage + target_variable + decision_unit
+ required uncertainty + spectral bands + GSD
+ reflectance method + ground truth design
+ spatial/temporal validation + delivery format

Mapa indeksu jest produktem pośrednim. Produktem decyzyjnym może być lista poletek do oględzin, mapa stref o znanym poziomie pewności albo porównanie wariantów doświadczenia z przedziałami niepewności.

Co mierzy kamera#

Każdy kanał ma filtr, optykę i detektor o określonej odpowiedzi spektralnej. Sensor zamienia fotony na ładunek, a tor analogowy i przetwornik A/C — na DN. Na wynik wpływają:

irradiancja padająca na roślinę;
kierunek słońca i udział światła rozproszonego;
geometria liści oraz cieni;
odbicie powierzchni i transmisja w baldachimie;
odpowiedź spektralna pasma;
czas ekspozycji i gain;
black level, dark current i non-uniformity;
winietowanie i stray light;
temperatura sensora;
quantization i kompresja.

Pojedynczy DN jest więc wynikiem całego łańcucha. USGS podkreśla, że bez kalibracji do właściwości fizycznych, takich jak radiancja lub reflektancja, DN nie stanowią reprodukowalnej podstawy analizy naukowej.[1]

Pasmo nie jest jedną długością fali#

Kanał opisuje funkcja względnej odpowiedzi spektralnej S(λ), nie tylko wartość central wavelength. Sygnał pasma jest ważoną całką widma:

band_response ∝ ∫ L(λ) · S(λ) dλ

Dwa sensory z etykietą „NIR 840 nm” mogą mieć inne szerokości FWHM, kształty filtrów, przecieki i czułość. Wtedy ten sam cel daje inne wartości pasma i indeksu. Porównanie kamer wymaga ich RSR oraz, najlepiej, cross-calibration na wspólnych celach.

Red edge jest obszarem szybkiej zmiany reflektancji roślinności między absorpcją czerwieni przez chlorofil a wysoką reflektancją NIR związaną ze strukturą liścia i baldachimu. Położenie pasma względem tej krzywej silnie wpływa na wynik. Nie wystarczy nazwa kanału.

DN, radiancja i reflektancja#

Trzy poziomy trzeba rozdzielić:

DN — surowa lub przetworzona liczba cyfrowa zależna od sensora i ekspozycji;
radiancja L — promieniowanie dochodzące do sensora w zadanym kierunku i paśmie;
reflektancja ρ — bezwymiarowa relacja odbicia celu do padającego promieniowania, zdefiniowana dla przyjętej geometrii/modelu.

Uproszczona relacja dla idealizowanej powierzchni Lamberta:

ρ ≈ π · L / E

gdzie E jest irradiancją padającą. Rzeczywisty baldachim nie jest lambertowski. Kierunek obserwacji, kierunek słońca, struktura liści i cień zmieniają sygnał. Dlatego nawet dobrze skalibrowana reflektancja zachowuje efekt BRDF.

W pipeline trzeba jawnie podać, na którym poziomie jest raster. Plik TIFF z wartościami 0–65535 może zawierać DN, radiancję przeskalowaną lub reflektancję 0–1 pomnożoną przez 10000. Bez metadanych liczby są niejednoznaczne.

Łańcuch korekcji radiometrycznej#

Typowy łańcuch dla obsługiwanego sensora obejmuje:

raw DN
→ black-level / dark-signal correction
→ bad-pixel and row/column corrections
→ linearization
→ exposure and gain normalization
→ vignetting correction
→ sensor radiance
→ irradiance/panel normalization
→ reflectance estimate

Kolejność i współczynniki są zależne od modelu kamery. Nie należy kopiować współczynników z innego egzemplarza ani usuwać EXIF/XMP przed kalibracją. Automatyczna konwersja JPEG może wprowadzić gamma, balans bieli, odszumianie i clipping niezgodne z analizą ilościową.

Dark current zależy od temperatury i czasu ekspozycji. Vignetting zmienia odpowiedź od środka do brzegów. Jeżeli ortomozaika miesza fragmenty zdjęć o różnych gain i pozycjach w kadrze bez korekcji, może powstać wzór pasów udający zróżnicowanie pola.

Panel reflektancji#

Panel jest celem o scharakteryzowanej reflektancji spektralnej. Obraz panelu łączy wskazania kamery z wartością odniesienia. Dobry panel:

ma znane widmo dla zakresu pasm;
jest wystarczająco duży, by wybrać wiele czystych pikseli bez krawędzi;
jest matowy i możliwie bliski założonemu modelowi kierunkowemu;
pozostaje czysty, suchy, płaski i nieuszkodzony;
ma identyfikator oraz datę charakterystyki;
jest fotografowany bez cienia operatora/UAV i silnych odbić otoczenia.

USGS wskazuje, że piksele przy krawędziach panelu są podatne na adjacency effects, a rozmiar celu trzeba odnieść do GSD. Wytyczne przywołują praktykę, w której bok panelu jest wielokrotnie większy od piksela — w jednym z badań co najmniej dziesięciokrotnie.[1] Nie jest to jednak zamiennik kontroli rzeczywistej liczby czystych pikseli.

Panel starzeje się. Słońce, pył, piasek, dotyk i czyszczenie mogą zmieniać reflektancję. USGS opublikował pomiary paneli z różnych lat właśnie w celu oceny takich zmian.[2] Wzorzec powinien mieć rejestr użytkowania i okresową kontrolę spektrometrem lub procedurę producenta.

Empirical Line Method#

Empirical Line Method dopasowuje relację między sygnałem obrazu a znaną reflektancją celów. W najprostszym modelu dla każdego pasma:

ρ = a · DN_corrected + b

albo analogicznie dla radiancji. Jeden panel daje w praktyce skalowanie one-point i wymaga założeń co do offsetu. Co najmniej dwa poziomy reflektancji pozwalają estymować slope i intercept, a większa liczba celów umożliwia sprawdzenie liniowości oraz residuals.

Cele powinny obejmować zakres sceny bez saturacji. Jasny panel nie może być prześwietlony, a ciemny musi mieć sygnał wyraźnie ponad noise floor. Fit należy ocenić po residuals, a nie tylko R² przy małej liczbie punktów. Współczynniki dopasowane w jednym oświetleniu nie muszą poprawnie opisywać części lotu wykonanej po zmianie chmur.

Badanie terenowe USGS/ECCOE porównywało procedury producentów z ELM, różne materiały, rozmiary i poziomy reflektancji. Część kampanii została wyłączona z publikowanego zestawu przez dym, chmury, aerozol lub problemy gimbala, co pokazuje, że sama obecność panelu nie usuwa wpływu warunków.[3]

Sensor irradiancji DLS#

Downwelling Light Sensor mierzy irradiancję padającą z górnej półsfery w pasmach związanych z kamerą i zapisuje wynik w metadanych zdjęć. Może pomagać kompensować globalne zmiany oświetlenia w czasie lotu. Nie mierzy jednak dokładnie tego, co pada na każdy fragment pochylonego, częściowo zacienionego baldachimu.

Orientacja DLS względem słońca jest krytyczna. Przechył w zakręcie zmienia jego cosinusową odpowiedź. Cień anteny, przewodu albo części płatowca tworzy gwałtowny błąd. Dokumentacja MicaSense podkreśla zależność od orientacji i największą przydatność przy globalnych zmianach irradiancji, a jednocześnie nadal zaleca panel kalibracyjny.[4]

DLS wymaga:

montażu z czystym widokiem nieba;
znanej orientacji względem body;
synchronizacji z każdą ekspozycją;
sprawdzenia zasłonięcia dla wszystkich attitude;
kontroli poprawności metadanych;
panelu przed i po locie zgodnie z procedurą sensora.

MicaSense zaleca, aby podczas ujęcia panelu zarówno panel, jak i DLS miały bezpośrednie, niezasłonięte oświetlenie nieba, a kamera była możliwie nad panelem; rekomendowane są ujęcia przed i po locie.[5]

Zmienne oświetlenie#

Najłatwiejsze do kalibracji jest stabilne, równomierne oświetlenie. Pełne, jednolite zachmurzenie może dawać światło rozproszone, ale jego jasność również się zmienia. Chmury kłębiaste tworzą mozaikę słońce–cień i zmieniają zarówno natężenie, jak i udział światła bezpośredniego oraz rozproszonego. DLS na UAV może być w słońcu, gdy cel jest w cieniu chmury, albo odwrotnie.

Należy rejestrować:

czas każdego zdjęcia;
dane DLS i jego attitude;
warunki nieba i epizody przejścia chmur;
zdjęcia panelu przed/po oraz po istotnej zmianie;
ekspozycję i gain każdego pasma;
ewentualny czujnik naziemny irradiancji.

Jeśli światło zmienia się szybciej niż można wiarygodnie skorygować, lepiej przerwać lot. Wygładzenie różnic między zdjęciami może usunąć seams, ale również rzeczywistą zmienność przestrzenną. Kosmetycznie jednolita ortomozaika nie musi być radiometrycznie poprawna.

Ekspozycja i saturacja#

Pasma mają różną jasność. NIR nad roślinnością może osiągać wysoki sygnał, a red — niski. Kamera może używać osobnych ekspozycji, ale pipeline musi je normalizować. Kryteria terenowe:

brak saturacji na panelu, glebie i jasnych obiektach;
sygnał ciemnych obszarów ponad black level/noise;
stabilny gain bez niekontrolowanych skoków;
czas ekspozycji krótki względem ruchu;
zapis surowych metadanych.

Histogram ogląda się osobno dla każdego kanału. Wspólny preview RGB nie ujawnia clippingu NIR. Automatyczna ekspozycja może reagować na zmieniający się udział pola i drogi w kadrze, tworząc przestrzenny bias. Jeżeli sensor wspiera stały profil ekspozycji zwalidowany dla warunków, ułatwia on porównanie; przy dużej zmienności konieczna jest poprawna normalizacja.

GSD, wysokość i wielkość obiektu#

W przybliżeniu:

GSD = H · p / f

gdzie H jest odległością od powierzchni, p wielkością piksela, a f ogniskową. GSD należy liczyć dla każdego kanału, ponieważ sensory i optyka mogą się różnić. Najniższa rozdzielczość pasma ogranicza rozdzielczość indeksu po rejestracji.

Wymagany GSD wynika z obiektu:

pojedyncza roślina lub luka w rzędzie;
rząd i międzyrzędzie;
poletko doświadczenia;
strefa zarządzania maszyny rolniczej.

Zbyt mały piksel może zwiększyć szum interpretacyjny: każdy liść, cień i skrawek gleby staje się osobną wartością. Często lepiej agregować dobrze skalibrowane dane do jednostki biologicznej niż interpretować każdy centymetr jako niezależną obserwację.

Overlap i geometria nalotu#

Multispectral mapping wymaga pokrycia odpowiedniego dla najsłabszego kanału i terenu. Zakładany overlap spada na stokach, przy wietrze, błędach wysokości i na zakrętach. Roślinność ma powtarzalną teksturę, więc matching może być trudniejszy niż nad zabudową.

Plan uwzględnia:

footprint wszystkich kanałów;
trigger interval i prędkość;
wysokość nad rośliną, nie tylko nad punktem startu;
cross-track drift;
sidelap na brzegach pola;
linie poprzeczne wzmacniające geometrię;
obszar buforowy poza granicą produktu;
punkty kontrolne i niezależne checkpoints.

Geometryczne GCP nie kalibrują radiometrii, a panel radiometryczny nie zastępuje kontroli geometrii. To dwa odrębne rodzaje odniesienia.

Motion blur i wiatr#

Przy ruchu obrazu:

blur_px ≈ v · t_exp / GSD

Dla v=8 m/s, t=1/1000 s i GSD=4 cm idealne rozmycie translacyjne wynosi około 0,2 px. Do tego dochodzą obroty, drgania i ruch liści. Kanały z dłuższą ekspozycją mogą być bardziej rozmyte niż pozostałe, co pogarsza rejestrację i zmienia wartości na krawędziach.

Wiatr porusza roślinami między ekspozycjami pasm i kolejnymi zdjęciami. Nawet idealnie zsynchronizowany rig wielokamerowy widzi liście pod nieco innym kątem z różnych obiektywów. W doświadczeniach wymagających małych różnic lepiej stosować konserwatywną granicę wiatru, krótki czas lotu oraz serię walidacyjną.

Rejestracja pasm#

Indeks pikselowy zakłada, że wartości red i NIR dotyczą tego samego fragmentu powierzchni. Wielokamerowy sensor ma osobne osie optyczne i dystorsje. Rejestracja wymaga:

kalibracji intrinsics każdego kanału;
transformacji extrinsics między kamerami;
synchronizacji ekspozycji;
uwzględnienia wysokości i geometrii 3D;
wspólnej ortorektyfikacji lub lokalnego warp.

Stała translacja obrazu jest niewystarczająca, gdy scena ma wysokość. Wierzchołek rośliny i gleba mają inną paralaksę. Na granicach liść–gleba niedopasowanie tworzy ekstremalne wartości indeksu: NIR może pochodzić z liścia, a red z gleby.

QA rejestracji należy wykonywać na krawędziach w całym obrazie i dla różnych wysokości. Pseudokolorowa kompozycja pasm ujawnia kolorowe obwódki. W raporcie warto podać residual misalignment w pikselach oraz maskę obszarów o niskiej pewności.

Paralaksa i poruszający się łan#

Wysoki, nieregularny łan jest sceną 3D. Jeśli kanały są rozmieszczone na bazie kilku centymetrów, promienie przecinają liście w innych miejscach. Ten efekt maleje wraz z wysokością lotu, ale wtedy rośnie GSD. Nie da się usunąć go wyłącznie homografią dla płaskiej sceny.

Ruch między kanałami dodaje błąd czasowy. Przy sekwencyjnym kole filtrów lub niesynchronizowanych kamerach liść może zmienić położenie. Dlatego należy znać architekturę sensora: jednoczesne kamery, opóźnienia triggerów i czas odczytu. Piksele na cienkich liściach i brzegach można maskować lub agregować zamiast bezwarunkowo liczyć indeks.

Ortomozaika reflektancji#

Pipeline fotogrametryczny tworzy orientacje zdjęć, model powierzchni i ortomozaikę. Dla danych ilościowych dodatkowo zachowuje skalę radiometryczną. OpenDroneMap obsługuje wielopasmowe zestawy i radiometric normalization dla wspieranych kamer; dokumentacja zaznacza, że tryb z sensorem słonecznym ma własne ograniczenia i powinien być zweryfikowany dla datasetu.[6]

Ważne decyzje:

czy najpierw kalibrować pojedyncze zdjęcia, czy mozaikę;
jak wybierać seamline w zmiennym świetle;
czy blending zmienia wartości;
jak traktować nodata, cienie i krawędzie;
które pasmo jest geometrycznym master;
jak resamplować pasma bez tworzenia pozornej informacji.

Najbliższy sąsiad zachowuje oryginalne wartości, ale daje schodki; interpolacja bilinear/cubic wygładza i miesza piksele. Wybór zależy od analizy. Wszystkie pasma muszą mieć tę samą siatkę, CRS, extent i nodata przed obliczeniem indeksu.

NDVI#

Normalized Difference Vegetation Index:

NDVI = (ρ_NIR - ρ_Red) / (ρ_NIR + ρ_Red)

Normalizacja redukuje część wspólnych zmian jasności, ale nie zastępuje kalibracji. Jeżeli oba kanały mają offsets albo nieliniową odpowiedź, iloraz jest zniekształcony. Gdy mianownik jest mały, szum daje duże wartości; takie piksele trzeba maskować.

NDVI reaguje na kontrast między absorpcją czerwieni i odbiciem NIR. Bywa powiązany z pokryciem, biomasą, LAI lub kondycją, ale relacja zależy od uprawy, fazy, gleby, struktury i skali. Przy gęstym baldachimie indeks może się nasycać: dalszy przyrost biomasy słabo zmienia wartość.

NASA opisuje wpływ tła, saturację i strukturę baldachimu jako istotne ograniczenia indeksów roślinności.[7] Wartości progowe z innej kamery, kraju lub fazy rozwojowej nie powinny być przenoszone bez walidacji.

Red edge i NDRE#

Popularny znormalizowany indeks red-edge:

NDRE = (ρ_NIR - ρ_RE) / (ρ_NIR + ρ_RE)

Pasmo red edge bywa mniej szybko nasycające się niż red w gęstym łanie i może korelować z chlorofilem lub azotem w określonych warunkach. To nie oznacza, że NDRE mierzy zawartość azotu bezpośrednio. Relację trzeba zbudować dla konkretnej uprawy, odmiany, fazy, sensora i metody laboratoryjnej.

Wynik jest szczególnie wrażliwy na dokładne RSR pasma, ponieważ spektrum w red edge ma duży gradient. Dwie kamery o innych centrach/FWHM mogą dawać systematycznie różne NDRE. Cross-sensor comparison wymaga spectral response convolution lub empirycznej harmonizacji.

SAVI i inne indeksy#

Soil Adjusted Vegetation Index:

SAVI = (1 + L) · (ρ_NIR - ρ_Red) / (ρ_NIR + ρ_Red + L)

Parametr L zmniejsza wpływ jasności gleby w rzadkiej roślinności, ale jego wybór jest założeniem. Inne indeksy wykorzystują green, red edge albo dodatkowe pasma. Nie należy przeszukiwać dziesiątek indeksów i publikować najlepszego wyniku na tym samym zbiorze bez korekty selekcji i niezależnego testu.

Dobór indeksu powinien wynikać z mechanizmu, dostępnych pasm i walidacji. Czasami cechy bezpośrednie — pokrycie, tekstura, wysokość z DSM, liczba rzędów — są bardziej stabilne niż iloraz dwóch pasm. Model wielocechowy może łączyć reflektancje, indeksy, geometrię i pogodę, lecz wymaga jeszcze staranniejszej walidacji.

Dlaczego indeks nie jest diagnozą#

Niska wartość indeksu może wynikać z:

braku roślin lub luki;
wcześniejszej fazy rozwojowej;
niedoboru wody lub składnika;
choroby albo szkodnika;
uszkodzenia mechanicznego;
wylegania zmieniającego geometrię;
cienia;
jasnej lub mokrej gleby;
błędu rejestracji pasm;
nieprawidłowej kalibracji lub ekspozycji.

Mapa jest detektorem anomalii spektralnej, dopóki nie zostanie połączona z modelem przyczynowym i ground truth. W praktyce jest znakomitym narzędziem do kierowania lustracją: zamiast chodzić losowo, agronom ogląda strefy odstające oraz dobraną próbę stref normalnych.

Klasa „zdrowa/chora” jest często zbyt uproszczona. Lepszy rekord zawiera obserwację, potencjalne wyjaśnienia, confidence i zalecaną weryfikację. Decyzja o zabiegu powinna uwzględniać ekonomię, pogodę, historię pola i ograniczenia prawne, nie tylko kolor mapy.

Gleba, cień i BRDF#

Przy niepełnym pokryciu piksel jest mieszaniną rośliny, gleby, resztek i cienia:

ρ_pixel ≈ f_veg ρ_veg + f_soil ρ_soil + f_shadow ρ_shadow + ...

Indeks tej mieszaniny nie jest prostą średnią indeksów składników, bo NDVI jest nieliniowym ilorazem. Wilgotna gleba ma inne widmo niż sucha. Cień zmienia nie tylko intensywność, lecz także widmo przez większy udział światła rozproszonego.

BRDF oznacza zależność reflektancji od geometrii oświetlenia i obserwacji. Rzędy oglądane wzdłuż i w poprzek mają inny udział cieni. Hotspot w kierunku przeciwnym do słońca może rozjaśniać baldachim. Stała godzina zegarowa nie gwarantuje stałego kąta słońca między sezonami.

Środki ograniczające:

podobna geometria słońce–sensor;
lot w odpowiednim oknie dnia;
kierunek linii dobrany do rzędów i celu;
maskowanie głębokich cieni;
segmentacja canopy/soil;
agregacja do poletka;
model BRDF lub wielokątowe obserwacje w badaniach wymagających wysokiej dokładności.

Fenologia i termin nalotu#

Reflektancja zmienia się naturalnie wraz z fazą rozwoju. Porównanie dwóch pól o różnych datach siewu lub odmianach może odzwierciedlać fenologię, nie stres. Termin zapisuje się jako data oraz growth stage. W doświadczeniach wieloterminowych warto rejestrować sumę temperatur, opad, zabiegi i nawadnianie.

Lot należy zsynchronizować z ground truth. Pomiar chlorofilu wykonany tydzień później może już opisywać inny stan. Po deszczu powierzchnie są mokre, a ślady kół i stojąca woda wpływają na obraz. Po zabiegu czas reakcji biologicznej może być dłuższy niż oczekiwany sygnał.

Serie czasowe są często bardziej użyteczne niż pojedyncza mapa. Anomalia trwała, narastająca i przestrzennie spójna ma inne znaczenie niż jednorazowy artefakt. Jednak serie wymagają lepszej harmonizacji radiometrycznej i geometrycznej.

Ground truth#

Ground truth powinien mierzyć zmienną docelową niezależnie od obrazu. Przykłady:

liczba roślin i pokrycie z transektu/quadratu;
SPAD/chlorofil z protokołem liczby liści i pozycji;
LAI metodą bezpośrednią lub zwalidowanym przyrządem;
biomasa świeża i sucha z powierzchni próbnej;
analiza laboratoryjna tkanki lub gleby;
wilgotność gleby na określonej głębokości;
etykieta choroby potwierdzona przez specjalistę lub test;
plon z ważonego odcinka albo skalibrowanego monitora.

Każdy pomiar ma niepewność i skalę wsparcia. Punkt GNSS reprezentujący próbkę z kwadratu 1×1 m nie jest bezwymiarowym punktem. Trzeba zapisać footprint, czas, metodę, urządzenie, operatora, powtórzenia i jakość.

Etykiet nie należy wybierać po obejrzeniu mapy, jeśli celem jest niezależna walidacja. Można użyć mapy do celowanego poboru prób, ale wówczas projekt musi zawierać również losowe lub systematyczne próbki i odpowiednie wagi.

Projekt próbkowania#

Losowanie proste bywa nieefektywne przy silnej autokorelacji przestrzennej. Możliwe strategie:

grid/systematic sampling;
stratification po glebie, odmianie, zabiegu i spodziewanym zakresie;
transekty przecinające gradient;
random sample wewnątrz bloków;
paired plots dla porównań zabiegów;
celowe skrajności plus niezależna próba reprezentatywna.

Próbki muszą obejmować pełny zakres zmiennej, nie tylko zdrowe centrum pola. Jednocześnie nie można traktować stu sąsiednich pikseli wokół jednej próbki jako stu niezależnych obserwacji. Replikacją biologiczną jest zwykle poletko lub lokalizacja, nie piksel.

Liczebność wynika z oczekiwanej zmienności, efektu, struktury blokowej i celu modelu. Wstępna kampania pilotażowa pomaga oszacować wariancję i błędy geolokalizacji.

Łączenie próbki z obrazem#

Źródła niedopasowania:

błąd GNSS próbki i ortomozaiki;
różny datum lub CRS;
footprint próby większy niż piksel;
przesunięcie rzędów i canopy;
czas między lotem a poborem;
niepewna granica poletka;
efekt brzegowy.

Zamiast pobierać jeden piksel, często używa się bufora odpowiadającego powierzchni próby i odpornej statystyki. Bufor nie powinien obejmować sąsiedniego poletka. Dla rzędów można użyć segmentacji roślin i raportować medianę canopy pixels oraz fraction cover osobno.

Przesunięcie ortomozaiki o 10 cm przy GSD 2 cm oznacza pięć pikseli i może przenieść próbkę z liścia na glebę. Checkpoints i wizualna kontrola granic są więc potrzebne nawet wtedy, gdy celem nie jest geodezja.

Statystyka na poletkach#

Średnia pikseli jest wrażliwa na glebę, outliers i krawędzie. Dla każdego poletka warto przechowywać:

liczbę ważnych i odrzuconych pikseli;
medianę i percentyle;
średnią oraz odchylenie;
fraction canopy/shadow/nodata;
spatial heterogeneity;
odległość od brzegu;
flagi jakości kalibracji i geometrii.

Maska wewnętrzna ogranicza mieszanie sąsiednich zabiegów. Jeżeli poletka są małe, footprint PSF i błąd rejestracji mogą zajmować znaczną część ich szerokości. Rozdzielczość nominalna nie oznacza niezależnych pomiarów: sąsiednie piksele dzielą optykę, interpolację i środowisko.

Przy porównaniu zabiegów jednostką analizy powinny być repliki blokowe, a nie wszystkie piksele. Pseudoreplikacja prowadzi do sztucznie małych wartości p i zbyt wąskich przedziałów.

Walidacja modelu#

Model regresyjny lub klasyfikacyjny należy rozdzielić na calibration/training i niezależny test. Losowy podział pikseli jest niewystarczający, ponieważ sąsiednie piksele są podobne. Stosuje się podział po:

poletkach;
blokach przestrzennych;
polach;
terminach;
sezonach lub lokalizacjach, zależnie od claimu.

Jeśli model ma działać na nowych gospodarstwach, test z tego samego pola nie potwierdza generalizacji. Jeśli ma śledzić tylko jedno doświadczenie, lokalny model może być wystarczający, lecz claim powinien być węższy.

Raport regresji obejmuje bias, MAE/RMSE, residuals względem zakresu, przedziały predykcji i błędy osobno dla grup. Dla klasyfikacji: confusion matrix, sensitivity/recall, specificity, precision, calibration probability i koszt błędów. Należy porównać model z prostym baseline, np. średnią poletka lub samym RGB.

Porównania wieloterminowe#

Zmiana reflektancji między terminami jest wiarygodna dopiero po kontroli:

tej samej lub zharmonizowanej kamery;
aktualnej charakterystyki panelu;
podobnej geometrii słońca i obserwacji;
wersji firmware i pipeline;
ekspozycji bez saturacji;
wspólnej rejestracji przestrzennej;
stadium fenologicznego;
stanu gleby i pogody;
ground truth.

Najpierw rejestruje się obrazy na stabilnych obiektach lub GCP, następnie porównuje te same jednostki analizy. Odejmowanie dwóch ortomozaik bez coregistration tworzy artefakty na każdej krawędzi rzędu.

Warto utrzymywać invariant targets w scenie, jeśli projekt na to pozwala. Ich dryf pomaga wykryć problem radiometryczny. Zmiana panelu lub sensora wymaga okresu overlap/cross-calibration.

Od mapy do stref zarządzania#

Mapa indeksu o centymetrowym GSD nie powinna automatycznie sterować maszyną z kilkumetrową szerokością roboczą. Strefy tworzy się z uwzględnieniem:

minimalnej wielkości obszaru możliwego do obsłużenia;
kierunku przejazdu i ścieżek;
niepewności modelu;
ciągłości przestrzennej;
granic pola i stref wyłączonych;
kosztu zabiegu oraz szkody błędnej decyzji;
weryfikacji agronomicznej.

Proces:

reflectance QA → index/features → agronomic model
→ uncertainty mask → spatial aggregation
→ candidate zones → field review
→ approved prescription or monitoring plan

Granice stref nie powinny śledzić każdego szumu piksela. Hysteresis, minimal mapping unit i regularizacja pomagają, ale parametry trzeba uzasadnić. Eksport musi mieć poprawny CRS, jednostki, atrybuty i wersję reguły.

Kontrola jakości#

W terenie#

panel czysty, suchy, niezasłonięty i niesaturowany;
ujęcia przed i po locie;
DLS bez cienia i z prawidłową orientacją;
histogram każdego pasma;
poprawna liczba plików na capture;
brak zgubionych triggerów;
overlap i ostrość;
zapis zmian chmur i przerw;
ground truth z czasem, footprint i identyfikatorem.

Po przetworzeniu#

współczynniki korekcji oraz zakres reflektancji;
residuals paneli/ELM;
seamlines i pasy radiometryczne;
misalignment pasm;
GCP/checkpoint residuals;
kompletność i nodata;
maski saturacji, cienia i słabej geometrii;
histogramy po pasmach i poletkach;
zgodność wyników z celami kontrolnymi.

Reflektancja może lokalnie wyjść poza 0–1 przez szum, błędy, BRDF albo niedopasowanie modelu. Bezmyślne obcięcie ukrywa problem. Najpierw zachowuje się wartość i flagę, analizuje przyczynę, a clipping stosuje tylko w produkcie wizualnym, jeśli jest jawnie opisany.

Archiwizacja i provenance#

Do odtworzenia wyniku potrzebne są:

surowe obrazy wszystkich pasm z metadanymi;
pliki trajektorii i korekt GNSS;
zdjęcia i widma paneli;
dane DLS;
ground truth i słownik metod;
kalibracje intrinsics/extrinsics oraz numery seryjne;
firmware, ustawienia i logi lotu;
konfiguracja przetwarzania i wersja software;
GCP/checkpoints, CRS i vertical datum;
kod indeksów/modelu oraz seed podziału danych;
raport QA i ograniczeń.

COG/GeoTIFF powinien mieć opis pasm, units, scale/offset i nodata. Nazwa NDVI_final_v2.tif nie wystarcza. Stosuje się identyfikator kampanii, produkt, wersję i hash. Model uczenia maszynowego musi wskazywać training dataset oraz feature pipeline.

Minimalna procedura terenowa#

Przed sezonem#

Zdefiniuj pytanie, zmienną referencyjną i jednostkę decyzji.
Sprawdź RSR, kalibrację i synchronizację sensora.
Scharakteryzuj panel oraz jego stan.
Zaprojektuj ground truth i blokową walidację.
Wykonaj pilotaż GSD, ekspozycji, overlapu i wiatru.

Przed lotem#

Zapisz uprawę, fazę, pogodę, zabiegi i stan gleby.
Sprawdź panel, DLS, czas i wolne miejsce.
Zrób ujęcie panelu bez cienia i saturacji.
Sprawdź histogram każdego pasma.
Potwierdź markery/GCP oraz próbki naziemne.

Podczas lotu#

Monitoruj wiatr, chmury, ekspozycję i trigger count.
Zapisuj przerwy oraz zmiany oświetlenia.
Nie zmieniaj wysokości/ustawień bez udokumentowania.
Przerwij, jeśli warunki przekraczają zwalidowany zakres.

Po locie#

Zrób końcowe ujęcie panelu.
Skopiuj dane z zachowaniem metadanych i hashy.
Zweryfikuj kompletność captures/pasm.
Powiąż ground truth po czasie i footprint.
Przeprowadź radiometryczne i geometryczne QA przed indeksami.

Typowe błędy#

„NDVI to procent zdrowia.” NDVI jest bezwymiarowym ilorazem dwóch pasm, nie uniwersalną skalą diagnozy.

„Panel przed lotem kalibruje wszystko.” Nie usuwa chmur, BRDF, cieni, saturacji, błędów pasm ani zmian panelu.

„DLS zastępuje panel.” Sensor irradiancji pomaga śledzić światło, ale zależy od orientacji i nie mierzy oświetlenia każdego liścia; dokumentacja producenta nadal zaleca panel.

„Te same nazwy pasm oznaczają porównywalne kamery.” RSR i FWHM mogą się różnić, szczególnie krytycznie w red edge.

„Wysoka rozdzielczość zawsze pomaga.” Może zwiększyć udział cieni i gleby oraz pseudoreplikację; produkt należy agregować do właściwej skali.

„Ortomozaika bez seams jest poprawna.” Blending może ukryć różnice irradiancji, a ładna wizualizacja nie dowodzi radiometrycznej spójności.

„Losowy podział pikseli waliduje model.” Prowadzi do leakage przestrzennego; test dzieli się po poletkach, blokach, polach lub terminach.

„Mapa anomalii wskazuje przyczynę.” Podobny sygnał spektralny może mieć wiele przyczyn; potrzebna jest lustracja i ground truth.

Powiązane tematy#

Przypisy#

U.S. Geological Survey, Guidelines for Calibration of Uncrewed Aircraft Systems Imagery, OFR 2023-1033, kalibracja radiometryczna, panele, ELM i jakość geometryczna.
U.S. Geological Survey, Spectral reflectance measurements of radiometric calibration panels for UAS image calibration, widma paneli i ocena zmian w czasie.
U.S. Geological Survey ECCOE/NUSO, UAS Multispectral and Hyperspectral Imagery Radiometric Calibration Evaluation Field Data, dane terenowe i informacja o porównaniu procedur oraz ELM, publikacja 2025.
MicaSense, Downwelling Light Sensor Basics, wpływ orientacji, zmiennego światła i rola panelu.
MicaSense, DLS Integration Guide — Operation, ujęcia panelu przed/po locie i warunki ekspozycji panelu/DLS.
OpenDroneMap, Multispectral and Thermal, wielopasmowe przetwarzanie i radiometric normalization dla wspieranych sensorów.
NASA MODIS, Vegetation Index Algorithm Theoretical Basis Document, wpływ tła, saturacja, struktura baldachimu i założenia indeksów roślinności.

Źródła z centralnego rejestru

USGS OFR 2023-1033: Guidelines for Calibration of Uncrewed Aircraft Systems Imagery [wytyczne radiometrycznej i geometrycznej kalibracji UAS]
USGS: 2023 ECCOE UAS Multispectral and Hyperspectral Imagery Radiometric Calibration Evaluation Field Data [dane i publikacja badawcza o walidacji kalibracji radiometrycznej, opublikowane 2025]
USGS: Spectral reflectance measurements of radiometric calibration panels for UAS image calibration [zbiór pomiarów wzorców reflektancji i ich starzenia]
MicaSense: Downwelling Light Sensor basics [dokumentacja techniczna producenta sensora irradiancji]
MicaSense: DLS Integration Guide — Operation [dokumentacja techniczna producenta]
OpenDroneMap: Multispectral and Thermal processing [oficjalna dokumentacja projektu open source]
NASA MODIS: Vegetation Index Algorithm Theoretical Basis Document [dokumentacja naukowa algorytmów indeksów roślinności]
USGS OFR 2023-1033: Guidelines for Calibration of Uncrewed Aircraft Systems Imagery [wytyczne techniczne instytucji państwowej]
Eric Cheng, „Drony. Tajniki zdjęć i filmów lotniczych” [książka]