Fazit und Ausblick

Abbildung 9: NDVI des mit Krautfäule befallenen Kartoffelfeldes vom 17. Juli (links) und 31.

Juli 2014 (rechts). Grün = vitale Pflanze, rot = kranke/geschädigte Pflanze (Canon S110 NIR, GSD 5 cm).

6 Fazit und Ausblick

In den Untersuchungen überzeugte der Multikopfsensor multiSPEC 4C durch die ge-naue Bestimmung des NDVI im Vergleich zur Referenz aus der Feldspektrometer-messung. Zudem bietet der Multikopfsensor eine für agronomische Fragestellungen wertvolle Kanalkombination, da die relevantesten multispektralen Vegetationsindizes damit berechnet werden können (N^EBIKER 2015). Für qualitative Untersuchungen wie zum Beispiel die Detektion von Pflanzenstress und deren Veränderung über die Zeit erwiesen sich die Canon S110 Multispektralsensoren als nützlich.

Mit den erfassten Daten konnten agrarische Fragestellungen zu Ertragsschätzung bei Raps und Weizen, Stressdetektion mit zeitlichem Krankheitsverlauf bei Zuckerrüben, Kartoffeln und Zwiebeln, sowie eine Sortenklassifikation bei Weizen untersucht werden.

Erste Untersuchungen zur Ertragsschätzung mittels Multispektraldaten zeigen beim Raps eine hohe Korrelation zwischen den NDVI- und GNDVI-Werten und den Referenz-Ertragsmessungen trotz des späten Befliegungszeitpunkts unmittelbar vor der Ernte.

Beim Weizen hingegen kann unmittelbar vor der Ernte keine signifikante Korrelation zwischen spektralen Eigenschaften und den Erträgen mehr festgestellt werden. Dies gilt sowohl für die Feldspektrometermessungen als auch für die Multispektraldaten aus den Befliegungen. Die teilweise geringen Korrelationen zwischen Rohertrag und Index könn-ten durch frühere Befliegungszeitpunkte verbessert werden.

Bei Fragestellungen im Gemüsebau zeigen die sehr hohen geometrischen Auflösungen von bis zu 2.5 cm pro Pixel grosses Potential bei der Beurteilung von Kulturen mit ge-ringer Blattoberfläche. So konnte aus den Multispektraldaten neben Krautfäule bei

Kar-Bornimer Agrartechnische Berichte • Heft 88 ISSN 0947-7314

Leibniz-Institut für Agrartechnik Potsdam-Bornim e.V. (ATB)

Läderach, Lack, Nebiker 38

toffeln auch der Thripsbefall bei Zwiebeln frühzeitig detektiert und die weitere Ausbrei-tung erfasst werden. Mit Kenntnis kleiner Brandherde in großen Feldern könnten früh-zeitig und gezielt Maßnahmen gegen die weitere Ausbreitung des Befalls ergriffen wer-den. Es konnte bestätigt werden, dass bei der Bestimmung der Pflanzenfitness dem NDVI eine zentrale Bedeutung zukommt.

Für die untersuchten Anwendungsfälle konnten Empfehlungen bezüglich eines optimier-ten Vorgehens, zu verwendendem Instrumentarium und idealen Befliegungszeitpunkoptimier-ten für weiterführende Untersuchungen abgegeben werden. Fundierte feldbezogene Kennt-nisse und Referenzdaten sind dabei zentrale Faktoren für eine anschließende zuverläs-sige Interpretation der Bilddaten.

Auf Grund der Ergebnisse aus dem vorliegenden Projekt und basierend auf weiteren Studien zur luft- und satellitengestützten Fernerkundung in der Agronomie konnten wertvolle Erkenntnisse für zukünftige Untersuchungen gewonnen werden, insbesondere mit Blick auf ideale Reifestadien und Befliegungszeitpunkte für Analysen der Pflanzen-düngung, für zuverlässige zukünftige Ertragsabschätzungen und für die frühzeitige Er-kennung von Pflanzenstress. Das vorgestellte High-End-System mit seinen vier Spekt-ralkanälen und einer höheren geometrischen Auflösung in der definitiven Fassung bietet dazu ein geeignetes Instrumentarium.

Literaturverzeichnis

ANNEN A., NEBIKER S., OESCH D. (2007): Einsatz von Mikro- und Minidrohnen für Fernerkun-dungsaufgaben in der agrochemischen Forschung und Entwicklung. Dreiländertagung der SGPBF, DGPF und OVG: Von der Medizintechnik bis zur Planetenforschung – Photogram-metrie und Fernerkundung für das 21. Jahrhundert. FHNW, Muttenz: DGPF Tagungsband Nr. 16: 399–406.

BARMETTLER A.,NEBIKER S.,KOCH CH.et al. (2010): airAGro – Fernerkundungslösung für die Agronomie auf der Basis von Leichtflugzeugen und Minidrohnen. DGPF Tagungsband 19/2010 – Dreiländertagung OVG, DGPF und SGPF. Wien: 156–164.

BARNES E.M., CLARKE T.R., RICHARDS S.E. et al. (2000): Coincident detection of crop water stress, nitrogen status and canopy density using ground-based multispectral data. Bloom-ington, MN, USA.

COLOMINA I., MOLINA P. (2014): Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing. 92: 79–97, DOI: 10.1016/j.isprsjprs.2014.02.013.

DASH J.,CURRAN P.J.(2007): Evaluation of the MERIS terrestrial chlorophyll index (MTCI). Ad-vances in Space Research 39 (1): 100–104.

EITEL J.U.H., VIERLING L.A.,LITVAK M.E.,LONG D.S.,SCHULTHESS U.,AGER A.A.,KROFCHECK

D.J.,STOSCHECK L.(2011): Broadband, red-edge information from satellites improves early stress detection in a New Mexico conifer woodland. Remote Sensing of Environment 115 (2): 3640–3646.

GITELSON A.A.,KAUFMAN Y.J.,MERZLYAK M.N.(1996): Use of a green channel in remote sens-ing of global vegetation from EOS-MODIS. Remote Senssens-ing of Environment 58 (3): 289–

298.

Bornimer Agrartechnische Berichte • Heft 88 ISSN 0947-7314

Leibniz-Institut für Agrartechnik Potsdam-Bornim e.V. (ATB)

21. Workshop Computer-Bildanalyse in der Landwirtschaft und

3. Workshop Unbemannte autonom fliegende Systeme in der Landwirtschaft 39

LÄDERACH S. (2015): Fernerkundung in der Agronomie mit Micro-UAV und neuen leichtge-wichtigen Multispektralsensoren. Masterthesis. FHNW Fachhochschule Nordwestschweiz.

MÄKYNEN J., SAARI H., HOLMLUND CH. et al. (2012): Multi- and hyperspectral UAV imaging system for forest and agriculture applications. Druy, Mark A.; Crocombe, Richard A. (eds.) SPIE 8374, Next-Generation Spectroscopic Technologies V, 837409 (May 1, 2012):

837409–837409–9, DOI: 10.1117/12.918571.

MAHLEIN A.-K.,RUMPF T.,WELKE P.,DEHNE H.-W.,PLÜMER L.,STEINER U.,OERKE E.-C.(2013):

Development of spectral indices for detecting and identifying plant diseases. Remote Sens.

Environ. 128: 21–30.

NEBIKER S., LÄDERACH S., MATTI E. (2015): Neue leichtgewichtige Multispektralsensoren für Micro-UAVs – Sensorvergleiche und Leistungsuntersuchungen in der Agronomie. DGPF Tagungsband 24/2015, Köln: 35-44.

NEBIKER S.,ANNEN A.,SCHERRER M.,OESCH D.(2008): A Light-weight Multispectral Sensor for Micro UAV – Opportunities for Very High Resolution Airborne Remote Sensing. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

Beijing, China: ISPRS: 1193–1200.

REN X., XU W., SMITH A. (2012): Remote sensing, crop yield estimation and agricultural vulnerability assessment: A case of Southern Alberta. The Open Hydrology journal 6: 68–

77.

ROUSE J.W.,HAAS R.H.,SCHELL J.A.,DEERING D.W.(1974): Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS-1 Symposium. Washington, DC: NASA: 309–317.

SALAMÍ E., BARRADO C., PASTOR E. (2014): UAV Flight Experiments Applied to the Remote Sensing of Vegetated Areas. Remote Sensing. 6 (11):. 11051–11081, DOI:

10.3390/rs61111051.

SHANAHAN J.F., SCHEPERS J.S., FRANCIS D.D., VARVEL G.E., WILHELM W.W., TRINGE J.M., SCHLEMMER M.R., MAJOR D.J. (2001): Use of remote-sensing imagery to estimate corn grain yield. Agronomy Journal 93 (3): 583–589.

SENSEFLY (2014a): eBee - The Professional Mapping Drone (Technical Specifications.

SENSEFLY (2014b): eBee Ag Camera Comparison.

https://www.sensefly.com/fileadmin/user_upload/images/eBee-Ag-Cameracomparision.jpg.

SUOMALAINEN J., ANDERS N., IQBAL S. et al. (2014): A Lightweight Hyperspectral Mapping System and Photogrammetric Processing Chain for Unmanned Aerial Vehicles. In: Remote Sensing. 6 (11): 11013–11030, DOI: 10.3390/rs61111013.

TETRACAM (2011): Tetracam Mini-MCA. http://www.tetracam.com/Products-Mini_MCA.htm.

TROUT T.J.,JOHNSON L.F., GARTUNG J. (2008): Remote sensing of canopy cover in horticultural crops. HortScience. 43 (2): 333–337.

WANG L.et al.(2014): Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images. Field Crops Research, 164:.178–188.

YANG C., EVERITT J.(2002):Relationships Between Yield Monitor Data and Airborne Multidate Multispectral Digital Imagery for Grain Sorghum. Precision Agriculture 3 (4): 373–388.

ZECHA C., LINK J., CLAUPEIN W. (2013): Mobile sensor platforms: categorisation and research applications in precision farming. Journal of Sensors and Sensor Systems. 2: 51–72, DOI:

10.5194/jsss-2-51-2013.

Bornimer Agrartechnische Berichte • Heft 88 ISSN 0947-7314

Leibniz-Institut für Agrartechnik Potsdam-Bornim e.V. (ATB)

Klatt, Klein, Kleinhenz, Bauckhage,

Neumann Kersting, Oerke, Hallau, Mahlein, Steiner, Röhrig 40

Automatische Erkennung von Pflanzenkrankheiten mit dem