Supper & Supper GmbH - The Data Engineers
Data Science
Use Cases
Feldschaden-Erkennung

Laden Sie hier unseren Anwendungsfall zur Erkennung von Feldschäden herunter.

Projektziel

Traditionelle Methoden zur Auswertung von Feldschäden wurden immer von Bauern eingesetzt, um beispielsweise Schadensausmaße nach extremen Wetterereignissen zu bewerten. Da die Ergebnisse auf Schätzungen beruhen, sind sie jedoch ungenau. Durch Mapping von Drohnenbildern, ArcGIS und Machine Learning kann eine schnellere, und wesentlich genauere Auswertung der Schäden erfolgen.
 
Die Ziele dieses Projektes beinhalten: die Bewertung eines Maisfeldes, durch die Identifizierung beschädigter Maisflächen. Außerdem sollen ungenutzte Feldabschnitte, die durchschnittliche Höhe und die Dichte der Pflanzen ermittelt werden.

Datensätze

Die Geodaten des Maisfeldes von ca. 9,43 Hektar wurden mit einer Drohne erfasst. Die gewonnenen Daten lagen in Form einer Punktwolke und Rohbildern vor. Die Daten werden auf einer Basemap mit dem Projektionsbezugssystem „WGS 1984 Web Mercator“ und vertikalen Einheiten in Metern verarbeitet, wodurch ein georeferenzierter integrierter räumlicher Datensatz entsteht.

Herausforderungen & Lösungen

Die erfassten Geodaten bestehen aus 4-Band-Bildern und LAS-Punktwolken. Die Bilder wurden zu einem Orthomosaik-Rasterbild zusammengefügt. Vor der Datenanalyse wurden radiometrische Korrekturen durchgeführt, um den gemessenen Helligkeitswert von Pixeln, Band-zu-Band-Fehler sowie geometrische und panoramische Verzerrungen, die während des Erfassungsprozesses aufgetreten sind, zu korrigieren.
 
Um eine Auswertung zu ermöglichen, wurde das Orthomosaik weiterverarbeitet. Für die Identifizierung verschiedener Merkmale des digitalen Bildes, wurde ein Klassifizierungs-Algorithmus entwickelt. Sowohl die überwachte als auch die unüberwachte Klassifizierung wurden am Orthomosaik angewandt. Dabei wurden sowohl beschädigte, als auch ungenutzte Flächen auf dem Feld identifiziert. Mit einem fertig trainierten Algorithmus wurden die einzelnen Pixel des Orthomosaiks in Bezug auf ihre spektralen Eigenschaften klassifiziert.
 
Der LAS-Datensatz wurde verwendet, um aus dem Rasterbild raumbezogene Datensätze zu erzeugen, wie beispielsweise das Digital Elevation Model (DEM) und das Digital Surface Model (DSM). Diese sind notwendig für die Ableitung der Pflanzenhöhe Zur Beurteilung des Maiswachstumstadiums, einer präzisen Photointerpretation des Maisfeldes wurde auch eine Schätzung des NDVI (Normalized Difference Vegetation Index) auf den Rasterbildern vorgenommen.

Projektergebnis

Mit der Verwendung des Algorithmus zur Bildklassifizierung stellte sich heraus, dass ca. 5,51 % des 9,43 ha großen Maisfeldes unbenutzt sind. Des Weiteren wurden 0,69 % des Feldes als beschädigt klassifiziert.
Außerdem konnte eine durchschnittliche Pflanzenhöhe von 2,1 m ermittelt werden. Die durchschnittliche Dichte betrug ca. 29.600 Pflanzen pro Hektar. Es konnte ebenso abgeleitet werden, dass sich der Mais zum Zeitpunkt der Aufnahme in der reproduktiven Wachstumsphase befand.