Wolken- und Schattenerkennung in der Landwirtschaft

Die Erkennung von Wolken und Schatten ist eine der wichtigsten Aufgaben bei analytischen Fernerkundungslösungen.

Selbst wenn das gesamte Satellitenbild 90%-frei ist, besteht eine Wahrscheinlichkeit von 10%, dass Ihr Feld von Wolken oder Schatten bedeckt ist. Umgekehrt gilt: Viele Systeme verarbeiten keine Bilder mit Wolken oberhalb von 70% – die verbleibenden 30% können dem Agronomen oder Landwirt jedoch helfen, während der Saison die richtige Entscheidung zu treffen.

Bei GeoPard lösen wir dieses Problem mithilfe mehrerer Machine-Learning-Algorithmen, die mit sehr hoher Genauigkeit arbeiten.

Wir definieren eine Wolkenmaske und eine Schattenmaske auf Ebene des gesamten Bildes und betrachten für jedes Feld-Bild-Paar, welcher Prozentsatz des Feldes von Wolken oder Schatten der Wolken bedeckt ist.

Bei der automatischen Analyse werden für ein bestimmtes Feld ausschließlich vollständig wolkenfreie Bilder verwendet, sodass der Benutzer auf der Grundlage mehrjähriger Analysen fundierte Entscheidungen treffen kann.

Der GeoPard-Nutzer hat die Möglichkeit, die Analysen selbst einzusehen und sogar selbst auszuführen, auch bei teilweise bewölkten Bildern.

Dies kann beispielsweise während der Vegetationsperiode sehr nützlich sein, um die variable Ausbringung von Pflanzenschutzmitteln auf Basis des aktuellsten Satellitenbildes durchzuführen, auf dem 101 TP3T der Feldfläche unter Wolken liegen. Das bedeutet, dass die Entscheidung für 901 TP3T der Feldfläche auf verifizierten Daten beruht.

Verwandt:  Wie Satellitenbilder bei der Überwachung von Nutzpflanzen helfen

Darüber hinaus können GeoPard-Nutzer Quellbilder auf regionaler Ebene in der Nahinfrarotansicht überprüfen, was hilft, klares Land von Wolken und Schatten zu unterscheiden (siehe beigefügtes Bild).

Der Cloud-Filter befindet sich in der Benutzeroberfläche im oberen Menü des Moduls “Satellitenüberwachung” (siehe beigefügte Screenshots).

Bedenken Sie, dass Unternehmen im Bereich der digitalen Landwirtschaft immer noch Schwierigkeiten mit der korrekten Erkennung von Wolken und Schatten haben können. Im beigefügten Screenshot erstellt ein solches Unternehmen eine VR-Düngerkarte auf Basis von Wolken- und Schattendaten. Eine fehlerhafte Karte führt also letztendlich zu falschen agronomischen Entscheidungen und unerwünschten Ergebnissen.

GeoPard erkennt Wolken und Schatten mit hoher Genauigkeit und schlägt nicht vor, Ihre Entscheidung für die variable Tarifrate auf der Grundlage von Wolken zu treffen. Sie können die Quellbilder jederzeit in verschiedenen Ansichten und Indizes betrachten und herauszoomen, um sich einen umfassenden Überblick zu verschaffen.

Nicht jede Lösung ist gleich gut, wählen Sie die beste Option, die auf dem Markt verfügbar ist!

Was ist Wolkenerkennung in der Präzisionslandwirtschaft?

Die Wolkenerkennung in der Präzisionslandwirtschaft bezeichnet den Prozess der Identifizierung und Überwachung der Wolkenbedeckung in landwirtschaftlichen Gebieten mithilfe von Fernerkundungstechnologien. Wolken können landwirtschaftliche Praktiken und die Ernteerträge erheblich beeinflussen, weshalb ihre Erkennung und Analyse für ein effektives Betriebsmanagement unerlässlich sind.

Dabei werden verschiedene Sensoren wie Satelliten, Drohnen oder bodengestützte Instrumente eingesetzt, um Bilder von landwirtschaftlichen Flächen aufzunehmen. Diese Sensoren erfassen Daten in Form von sichtbarem und infrarotem Licht, die analysiert werden können, um das Vorhandensein und die Eigenschaften von Wolken zu bestimmen.

Sein Hauptzweck in der Präzisionslandwirtschaft besteht darin, die räumliche und zeitliche Verteilung von Wolken über landwirtschaftlichen Flächen zu beurteilen.

Diese Informationen helfen Landwirten und Agronomen, fundierte Entscheidungen hinsichtlich Bewässerung, Düngung, Schädlingsbekämpfung und anderer Anbaumethoden zu treffen. Durch das Verständnis von Wolkenmustern können Landwirte die Ressourcennutzung optimieren und das Risiko von Ernteschäden oder Ertragseinbußen minimieren.

Wolkenerkennungsalgorithmen analysieren die aufgenommenen Bilder, um zwischen Wolkenpixeln und Nicht-Wolkenpixeln zu unterscheiden.

Diese Algorithmen nutzen verschiedene Techniken, wie z. B. Schwellenwertverfahren, Spektralanalyse und maschinelles Lernen, um Wolkenformationen genau zu identifizieren und zu klassifizieren.

Die Ausgabe der Algorithmen umfasst typischerweise den Prozentsatz der Wolkenbedeckung, die Klassifizierung der Wolkentypen und die Bewegungsmuster der Wolken.

Sobald Wolken erkannt und ihre Eigenschaften bestimmt sind, können Landwirte diese Informationen nutzen, um Präzisionslandwirtschaftstechniken anzuwenden.

Wird beispielsweise eine Wolke über einem bestimmten Bereich eines Feldes festgestellt, können Landwirte die Bewässerung oder den Einsatz von Pflanzenschutzmitteln in diesem Bereich verzögern, bis die Wolke vorübergezogen ist. Durch die Abstimmung der landwirtschaftlichen Tätigkeiten auf die Wolkenbewegungen können Landwirte die Ressourcennutzung optimieren und unnötige Betriebsmittel minimieren.

Dies ist besonders vorteilhaft in Regionen mit hoher Wolkenbedeckung oder schnell wechselnden Wetterverhältnissen. Durch die kontinuierliche Überwachung der Wolkenbedeckung können Landwirte ihre Anbaumethoden in Echtzeit an die aktuellen Wetterbedingungen anpassen.

Zusammenfassend lässt sich sagen, dass die Wolkenerkennung in der Präzisionslandwirtschaft eine entscheidende Rolle bei der Optimierung von Anbaumethoden und Ressourcenmanagement spielt. Durch die genaue Identifizierung und Überwachung der Wolkenbedeckung können Landwirte fundierte Entscheidungen treffen, um die Ernteerträge zu steigern, den Ressourcenverbrauch zu reduzieren und die Risiken wechselnder Wetterbedingungen zu minimieren.