Marco Dubbini, Michaela De Giglio.

Transcript

1 03/06 Febbraio 2016 Verona Precision Farming: sensore multispettrale di ultima generazione per UAV e ROV terrestri per il monitoraggio delle colture e l automatizzazione della macchina agricola Marco Dubbini, Michaela De Giglio [email protected]

2 TELERILEVAMENTO Remote Sensing Disciplina che permette di ricavare informazioni qualitative e quantitative su oggetti posti a distanza e sull ambiente circostante, sulla base di misure di energia elettromagnetica emessa, riflessa o trasmessa che interagisce con le superfici di interesse. C1 C2 CCRS/CCT, 2003 A) Fonte di energia o illuminazione B) Radiazione incidente C) Interazione con l oggetto: energia (radiazione) assorbita C1 e riflessa C2 D) Registrazione energia da parte del sensore E) Trasmissione, ricezione, processamento F) Elaborazione e analisi G) Applicazione

3 SENSORE Dispositivo in grado di rilevare e di registrare l energia elettromagnetica proveniente da una scena (immagine) e capace di convertirla in informazioni utili. Parte ottica Filtri spettrali Rivelatore CCD (Charge Coupled Device) / CMOS (sino a 950nm) Arseniuro di Gallio (sino circa a 2500nm) Microbolometri (sino a 15000nm) Supporto di registrazione

4 SENSORE PIATTAFORME

5 (CCRS/CCT, 2003) SPETTRO ELETTROMAGNETICO ONDA ELETTROMAGNETICA : perturbazione dello spazio generata dalla combinazione simultanea di un campo elettrico e di un campo magnetico Distribuzione monodimensionale continua dell energia elettromagnetica Intervalli o bande spettrali

6 MISURA DELL ENERGIA Δt : tempo necessario per catturare la quantità finita di radiazione (tempo di integrazione del sensore) ΔA : porzione della superficie inquadrata dal sensore Δω : apertura del sensore (angolo solido usato per raccogliere l energia) Δλ : intervallo spettrale di funzionamento del sensore GRANDEZZE RADIOMETRICHE RADIANZA: valore dell energia trasportata dalle onde elettromagnetiche (radiazione elettromagnetica) nell unità di tempo, per unità di superficie interessata da e di angolo solido dω secondo una direzione (W m -2 sr -1 ) (RIFLETTIVITÀ e RIFLETTANZA)

7 (GOMARASCA, 1997) (CCRS/CCT, 2003) IMMAGINE DIGITALE MULTISPETTRALE IMMAGINE DIGITALE: matrice di pixel ad ognuno dei quali è associato un numero intero positivo (Digital Number o DN), che rappresenta la radianza media misurata dal pixel del sensore su un area del terreno che individua la cella elementare di risoluzione al suolo (GSD) DATO MULTISPETTRALE: dato generato da sensori differenti che acquisiscono simultaneamente nelle diverse lunghezze d onda. Nella stessa posizione, in cascata, ogni pixel avrà un diverso valore del DN a seconda della banda di acquisizione del corrispondente sensore

8 RIPRESE MULTISPETTRALI BLU ( nm sens. CMOS): aree costiere e degli ambienti marini; processi di correzione atmosferica; analisi sulla vegetazione VERDE ( nm): stato di salute delle piante; vigore della pianta ROSSO ( nm sens. CMOS): analisi della vegetazione; individuazione strade, terreno nudo e caratteristiche geologiche INFRAROSSO VICINO ( µm sensori CMOS): analisi quantitative di umidità e biomassa vegetale; classificazione vegetazione e tipi di suoli; individuazione di confini tra corpi d acqua e vegetazione INFRAROSSO AD ONDE CORTE ( µm sensori ad Arseniuro di Gallio): analisi della salute della vegetazione (è sensibile al contenuto di acqua nella pianta). INFRAROSSO TERMICO ( µm sensori bolometrici): indagini termografiche, mappatura formazioni geologiche e confini del terreno, processi di dispersione di inquinanti, rilevazione discariche, apporto idrico del suolo

9 VISUALIZZAZIONE DELLE BANDE Blu visibie Colori naturali Green visible Red visible

10 VISUALIZZAZIONE DELLE BANDE Falso colore (USGS, 2005) (R) Rosso = Infrarosso (G) Verde = Rosso (DE GIGLIO, 2004) (B) Blu = Verde (SPACE IMAGING EUROPE, 2005) Il colore rosso indica la presenza di vegetazione!

11 RISOLUZIONI DEL DATO RISOLUZIONE SPETTRALE: numero di bande in cui è suddiviso l intervallo di sensibilità spettrale del sistema Sensori Pancromatici Sensori Multispettrali (sino a 16 bande) Sensori Iperspettrali (da 17 bande e oltre) RISOLUZIONE SPAZIALE: area minima sul terreno vista dallo strumento da una data altezza ad un dato istante.(gsd) RISOLUZIONE RADIOMETRICA: minima differenza di intensità che un sensore può rilevare tra due valori di energia radiante RISOLUZIONE TEMPORALE: tempo che intercorre tra acquisizioni successive della stessa area - MONITORAGGIO

12 FIRMA SPETTRALE FIRMA SPETTRALE: curva caratteristica dell oggetto indagato generata dalla variazione dei valori di riflettanza nelle diverse bande

13 (BONCIARELLI,2001) FIRMA SPETTRALE DELLA VEGETAZIONE FOTOSINTESI L energia accumulata nelle piante è alimentata dall assorbimento della luce da parte delle foglie STATO DI SALUTE ( CICLI FENOLOGICI VARIETA DI SPECIE

14 INDICI DI VEGETAZIONE Gli indici di vegetazione sono delle combinazioni algebriche delle riflettanze spettrali acquisite nelle regioni visibile e nell infrarosso vicino Si possono dividere in tre categorie: INDICI INTRINSECI INDICI LEGATI ALLA LINEA DEI SUOLI, che riducono l effetto del terreno INDICI CORRETTI PER EFFETTI ATMOSFERICI

15 INDICI (CITIMAP, 2006)

16 (DIPSA.UNIBO) INDICI INTRINSECI DI VEGETAZIONE NDVI (Normalized Difference Vegetation Index) ρ NDVI = ρ NIR NIR ρ ρ rosso rosso Varia da +1.0 to -1.0: Valori bassi (< 0.1): aree rocciose, sabbiose Valori medi ( ): vegetazione arbustiva sparsa o colture senescenti Valori alti ( ): vegetazione densa in pieno rigoglio vegetativo LA VEGETAZIONE MALATA riflette maggiormente la luce visibile e meno la radiazione dell IR vicino.

17 NDVI: esempio 26/05/05 11/06/05 29/07/05 30/08/05 (DE GIGLIO, 2008) L NDVI è utile a scala globale per il monitoraggio della vegetazione, fornendo stime in merito al benessere della coltura, alla carenza idrica o agli eccessi idrici, agli attacchi patogeni e alla potenziale produzione ottenibile L NDVI consente un ANALISI SPAZIALE e MULTITEMPORALE per costruire modelli previsionali e prevedere variazioni del raccolto.

18 LINEA DEI SUOLI Se la vegetazione è poco densa, la risposta spettrale viene influenzata dalle caratteristiche dei suoli (colore, contenuto di umidità ) (BRIVIO, 2006) SAVI (Soil Adjusted Vegetation Index) SAVI= ρ ρ NIR ρ + ρ NIR rosso rosso + L ( 1+ L)

19 MAPPE DI VEGETAZIONE E SUOLO Monitoraggio dei cicli fenologici Modelli di crecita e sviluppo della vegetazione Valutazione dello stato di salute Valutazione distribuzione di specie Mappatura della copertura del suolo Variazioni temporali Cambiamenti nella copertura del suolo Studio di fenomeni lenti o rapidi con effetto di alterazione degli equilibri ambientali Mappe di apporto idrico del suolo NB: è fondamentale l integrazione con dati a terra acquisiti mediante le tecniche tradizionali di monitoraggio

20 PRECISION FARMING Mappatura di indici di vegetazione Classificazioni delle colture Valutazione degli stadi fenologici per la messa a punto di modelli agrometeorologici Monitoraggio delle condizioni di salute e diagnosi precoce di malattia Gestione dei trattamenti e fertilizzazioni Stima delle biomasse Stima dei danni causati da calamità naturali o altri eventi distruttivi Supporto e mappatura per l automatizzazione di spargitori a ratio variabile Gestione delle acque di irrigazione Gestione della produttività agricola Salvaguardia dell ambiente e della salute dell uomo

21 TEST SENSORE ECONOMICO UAV hexacopter ESAFLY 2005_WH Tetracam ADC Micro con sensore Aptina CMOS

22 BANDE R, G, NIR

23 MODELLO 3D E ORTOIMMAGINE VITIGNO Ricorstruzione modello 3D in falso colore

24 MODELLO 3D E ORTOIMMAGINE VITIGNO Ortoimmagine a falsi colori

25 MAPPE INDICI

26 Frequenza relativa (%) MAPPE INDICI

27 MAPPE INDICI Estrazione campioni filari

28 Frequenza relativa (%) MAPPE INDICI Risultati: A e D aree con vegetazione più sana C area con vegetazione sofferente Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., & Gattelli, M. (2015). Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images. Remote Sensing, 7(4),

29 SVILUPPO ATTUALE: MAIA Camera multispettrale con 9 sensori: 8 sensori monocromatici + 1 sensore a colori (RGB)

30 BANDE Filter ID Start wl(nm) Stop wl (nm) Cwl (nm) fwhm (nm) BP1 (Violet) BP2 (Blue) BP3 (Green) BP4 (Yellow-Orange) BP5 (Red) BP6 (Red-Edge) BP7 (Nir1) BP8 (Nir2)

31 VIOLET ( nm) : studi di aree costiere e ambienti marini e lacustri (analisi batimetriche); analisi sulla vegetazione (viene assorbita dalla clorofilla nelle piante sane: ricerca mirata allo studio di indici specifici). Molto utile per correzione atmosferica. YELLOW ( nm): resa migliore per i colori naturali delle immagini; processi di classificazione; analisi della vegetazione consentendo di individuare l ingiallimento della vegetazione. RED-EDGE ( nm): analisi approfondita delle condizioni di salute della vegetazione perché maggiormente influenzato dal contenuto di Clorofilla; classificazione della vegetazione (permette di distinguere piante giovani da piante mature e conifere da caducifoglie); si presta ad analisi nel settore dell' Oil and Gas e dell'agricoltura di precisione. NIR2 ( nm): supporto per analisi di vegetazione e di biomasse meno influenze atmosferiche.

32 CARATTERISTICHE MAIA - 100% made in Italy, con garanzia e assistenza diretta - Acquisizione simultanea da 9 sensori (8 monocromatiche + 1 RGB) - Bande personalizzabili a richiesta - Global Shutter (Shutter fino a 1/ di secondo) - Frame Rate fino a 5 Hz (5 acquisizioni al secondo 9 sensori) - Risoluzione geometrica (GSD) : 23mm a terra a 50m di quota - Acquisizioni ad alta velocità di traslazione anche a bassa quota - Stabilizzazione elettro-meccanica della camera non necessaria - Peso 400gr, Dimensioni 128x99x43mm - Software per allineamento immagini

33 FILIERA ANALISI e TRATTAMENTO 1- Acquisizione dati multispettrali e termici georiferiti e normalizzati sulle diverse colture e suoli in termini di monitoraggio temporale sul ciclo produttivo 2- Analisi dei dati acquisiti con la creazione di indici specifici che portino ad una parcellizzazione relativa della coltura andando ad individuare zone con variabile stato di benessere della coltura e stato di apporto idrico del suolo (produzione delle cosiddette Mappe di Vigore e Mappe di Stato del Suolo)

34 FILIERA ANALISI e TRATTAMENTO 3- Analisi mirata di tipo agronomica (o comunque dello specialista) per definire le problematiche, le soluzioni e quindi la creazione delle cosiddette Mappe di Prescrizione 4- Implementazione delle Mappe di Prescrizione in ambienti digitali di gestione dati georiferiti (GIS) 5- Implementazione delle Mappe di Prescrizione all'interno di sistemi automatizzati o semi-automatizzati installati su macchine agricole ad esempio per la spargitura dei prodotti con sistemi a rateo variabile (Fertilizzanti, Fitofarmaci, Diserbanti, ecc).

35 PIANTE INFESTANTI 1 Indice NDVI per il riconoscimento della vegetazione. Risoluzione pixel: 3 cm Accuratezza mappa: 3-5 cm NDVI= (NIR-RED)/(NIR+RED)

36 PIANTE INFESTANTI 2 Mappa binaria con zone vegetate Bianco: Vegetazione Nero: NON Vegetazione Valora di troncamento NDVI: 0.44 Questa mappa georeferenziata verrà usata dalla macchina agricola per spargere il diserbante in modo automatico solo dove c'è vegetazione. La macchina agricola è interfacciata con il sistema di gestione della mappa e un sistema di posizionamento GPS ad accuratezza adeguata

37 PIANTE INFESTANTI 2 Immagine RGB dalla quale individuare la vegetazione

38 PIANTE INFESTANTI 2 Indice NDVI per il riconoscimento della vegetazione. Risoluzione pixel: 3 cm Accuratezza mappa: 3-5 cm

39 PIANTE INFESTANTI 2 Mappa binaria con zone vegetate Bianco: Vegetazione Nero: NON Vegetazione Valora di troncamento NDVI: 0.49 Questa mappa georeferenziata verrà usata dalla macchina agricola per spargere il diserbante in modo automatico solo dove c'è vegetazione. La macchina agricola è interfacciata con il sistema di gestione della mappa e un sistema di posizionamento GPS ad accuratezza adeguata

40 03/06 Febbraio 2016 Verona Precision Farming: sensore multispettrale di ultima generazione per UAV e ROV terrestri per il monitoraggio delle colture e l automatizzazione della macchina agricola Marco Dubbini, Michaela De Giglio [email protected]

41 DATI UNIONE EUROPEA PRECISION AGRICULTURE (PA): AN OPPORTUNITY FOR EU FARMERS - POTENTIAL SUPPORT WITH THE CAP DG IPOL Policy Department B - Structural and Cohesion Policies I potenziali benefici di PA si concentrano principalmente sul miglioramento dei rendimenti delle colture, il miglioramento della gestione e qualità del lavoro. In Europa, i benefici PA sono per lo più studiate nelle zone in cui la gestione delle colture è altamente ottimizzata. Le principali innovazioni della PA sono: Macchinari ottimizzati (regolazione automatica della macchina, guida autonoma), Sovrapposizione minimizzata (sistemi di governo), Macchina per monitoraggio (telemetria e telerilevamento) Informazioni oggettive (mappatura delle rese) ottimizzazione di dati in ingresso (sensori di azoto, il campionamento del suolo, mappe a tasso variabile) Stress ridotto per l operatore (sistemi di auto-sterzo)

42 DATI UNIONE EUROPEA Alcuni risultati delle sperimentazioni: I vantaggi economici forniti dall uso di sistemi guidati su una fattoria di 500 ettari nel Regno Unito, sono stati di almeno 2.24 /ha. Tali vantaggi crescono se si adottano sistemi più complessi, che portano rendimenti aggiuntivi di / ha per il grano invernale. I risparmi economici della concimazione azotata con VRA (Variable Rate Application) in Germania vanno da 10 /ha a 25 /ha, a seconda delle dimensioni del campo, con miglioramenti sull efficienza di N del 10-15%, riducendone l'applicazione senza impatto sulla resa delle colture. Il risparmio idrico, su un agrumeto test di 70ha nel sud della Spagna, è risultato circa del 25%, mantenendo il livello di resa rispetto alle pratiche commerciali. La produttività dell'acqua di irrigazione è stata portata al 20% quando è stata applicata la RDI (Regulated Deficit Irrigation, irrigazione controllata nelle varie fasi di crescita). In accordo con il costo dell'acqua e la potenza necessaria per eseguire l'irrigazione dell'intero campo, risparmi superiori a 44 /ha sono stati ottenuti con l uso di metodi di irrigazione precisa, basata su mappe di variabilità spaziale dello stress idrico (a livello di albero) ottenute da immagini termiche.

43 INNOVAZIONE «Il Massachusetts Institute of Technology (MIT), classificato come la migliore università del mondo 2012/2013 (QS World University Rankings), ha inserito i droni agricoli al primo posto fra le dieci pietre miliari dell innovazione (le altre sono ad esempio la mappatura raffinata del cervello, gli smartphone che prediligono i nuovi concetti di ultraprivacy, i chip neuromorfici, ecc.). Quello che ci aspetta, secondo il MIT, è un futuro in cui queste tecnologie stanno già risolvendo problemi spinosi e daranno il via a nuovi potenti modi di utilizzare la tecnologia» ( Droni e mezzi manned relativamente economici con sensori avanzati e funzionalità di imaging stanno dando agli agricoltori nuovi modi per aumentare le rese e ridurre i danni ai raccolti in ottica di estrema sostenibilità