Farming in the Dutch lowlands is challenging due to ground elevation below the sea level, high flood risks and shallow water tables in heavy clay soils. Precision Agriculture approaches, in conjunction with Remote Sensing technologies, can help farmers to understand crop spatial variability and guide the application of site-specific management. The objectives of this study were to investigate potential causes of yield spatial variability in a 4-years-old Dutch pear orchard in the municipality of West Betuwe (Gelderland, The Netherlands) using Uncrewed Aerial Vehicles while searching for potential predictors of the yield among spectral and topographic variables. The aim was to demonstrate that quick drone surveys can gather reflectance and topographic data significantly associated with crop characteristics and yield spatial variability. Remote sensing data were collected flying two UAV platforms equipped with RGB and multispectral cameras and a sampling strategy was developed to adapt the yield measurements to the commercial harvest operations. Imagery data were processed using the photogrammetric Structure from Motion – Multi-View Stereo (SfM-MVS) workflow. Correlation analysis was implemented to select the best raster dataset resolution. The ability to explain yield variability of 34 predictors (5 separate spectral bands, 24 Vegetation Indices, 4 topographic attributes and the estimation of plant size) have been tested using Multiple Linear Regression (MLR). To select most significant explanatory variables, first, four different subset selection algorithms, Exhaustive Search (ES), stepwise Forward Selection (FS), stepwise Backward Selection (BS) and Sequential Replacement (SR), have been compared running 4000 Bootstrap iterations. The best algorithm was chosen based on highest model R^2, lowest Residual Standard Error (RSE) and lowest Bootstrap Standard Deviation (BSD). Second, progressive subset regression and the Bayesian Information Criterion (BIC) have been used to select the optimal number of predictors. Ultimately, the relative frequencies of occurrence of the 34 original predictors within the evaluated subsets has been computed and a parsimonious balanced model where spectral data, topographic information and biophysical characteristics of vegetation are equally represented was built removing collinearity by crossing the results with the Variance Inflation Factor (VIF). The highest spatial resolution tested at 10 cm cell size showed best correlation with yield data. ES was the subset selection algorithm extracting models with highest mean R^2 0.484 and lowest BSD 0.092. Results of MLR show that the full set of 34 predictors is able to explain 64% of the observed yield variability. By applying the integrated statistical approach, 5 predictors, i.e., estimation of plant size, ground elevation, Red Edge, the slope and Topographic Wetness Index were found to be mostly associated with the measured yield variability. The number of explanatory variables was further reduced by 88%, while maintaining 86% of the explainable variance and a regression model including just four predictors and with R^2 0.555 was built. Hence, biomass, ground elevation at the field scale, the Red Edge band and NDVI were proposed as best candidates to develop further predictive models in the context of pear cultivation in The Netherlands. This research showed that UAV-based data acquired through quick surveys are able to explain a good proportion of in-field yield variability within a small orchard. Results of this work based on UAV-data processing, suggest that soil-topography and simple hydrological processes of water flow and accumulation at the field scale may be the underlying cause of yield variability, possibly in relation with soi-textural characteristics, underground moisture patterns and nitrogen biogeochemical cycles. [...]

Coltivare nelle piane olandesi è un'attività difficoltosa, complicata da una topografia per gran parte al di sotto del livello del mare, dall'alto rischio di inondazioni e da livelli di falda poco profondi in terreni argillosi. L’Agricoltura di Precisione, combinata a tecnologie di Remote Sensing, può essere d’aiuto agli agricoltori per meglio comprendere la variabilità spaziale dei raccolti e per guidare l’applicazione sito-specifica dei fattori di produzione. L’obiettivo di questo studio è quello di investigare potenziali cause di variabilità spaziale della resa in un frutteto di pere localizzato in West Betuwe (Gelderland, Paesi Bassi), utilizzando Veicoli a Pilotaggio Automatico e, parallelamente, di proporre previsori del raccolto tra una serie di variabili multispettrali e topografiche. L’obiettivo è quello di mostrare come rapide campagne di acquisizione tramite droni possono raccogliere importanti informazioni topografiche e di riflettanza che possono essere associate significativamente alla variabilità del raccolto e alle caratteristiche delle colture. Dati rilevati a distanza sono stati raccolti usando due droni equipaggiati con sensori RGB e camere multispettrali e un campagna di campionamento è stata adattata alle operazioni commerciali di raccolto. Le immagini acquisite sono state processate usando algoritmi fotogrammetrici come Structure from Motion – Multi Stereo View (Sfm-MSV). L’abilità di spiegare la variabilità della resa di 34 variabili esplicative (5 singole bande spettrali, 24 Indici Vegetativi, 4 attributi topografici e una stima della biomassa) sono state testate utilizzando Regressione Lineare Multipla (RLM). Al fine di selezionare le variabili esplicative maggiormente significative, in primo luogo sono stati comparati quattro algoritmi per la selezione di gruppi ottimali di previsori del tipo Exhaustive Search (ES), stepwise Forward Selection (FS), stepwise Backward Selection (BS) e Sequential Replacement (SR) utilizzando Bootstrap con 4000 iterazioni. Il miglior algoritmo è stato poi selezionato sulla base del massimo R^2, del minimo Errore Standard Residuo (RSE) e della più piccola Deviazione Standard delle 4000 iterazioni di tipo Bootstrap (BSD). In secondo luogo, una regressione progressiva dei sottogruppi e il calcolo del Bayesian Information Criterion (BIC) sono stati utilizzati per selezionare il numero ottimale di previsori da includere nel modello finale. Infine, le frequenze relative di presenza di tutti i 34 previsori iniziali all'interno dei sottogruppi ottimali sono state calcolate ed è stato così possibile costruire un modello bilanciato e parsimonioso in cui i dati multispettrali, le informazioni topografiche e le caratteristiche biofisiche della vegetazione sono rappresentate in egual misura, eliminando prima la collinearità delle variabili incrociando i risultati del calcolo delle frequenze con i risultati del Fattore di Inflazione della Varianza (VIF). I risultati di RLM mostrano che l'insieme completo di 34 variabili esplicative è in grado di spiegare il 64% della variabilità della resa osservata. Applicando l'approccio statistico integrato, 5 previsori, ossia la stima della biomassa, l'elevazione topografica del terreno, la banda spettrale Red Edge, la pendenza e l'Indice di Umidità Topografica (TWI), sono risultati maggiormente associati alla variabilità della resa misurata. Il numero di variabili esplicative è stato ulteriormente ridotto dell'88%, pur mantenendo l'86% della varianza che era possibile spiegare [...]

Evaluating the yield predictive potential of drone-based data in a pear orchard

PAVANELLO, GIACOMO
2021/2022

Abstract

Farming in the Dutch lowlands is challenging due to ground elevation below the sea level, high flood risks and shallow water tables in heavy clay soils. Precision Agriculture approaches, in conjunction with Remote Sensing technologies, can help farmers to understand crop spatial variability and guide the application of site-specific management. The objectives of this study were to investigate potential causes of yield spatial variability in a 4-years-old Dutch pear orchard in the municipality of West Betuwe (Gelderland, The Netherlands) using Uncrewed Aerial Vehicles while searching for potential predictors of the yield among spectral and topographic variables. The aim was to demonstrate that quick drone surveys can gather reflectance and topographic data significantly associated with crop characteristics and yield spatial variability. Remote sensing data were collected flying two UAV platforms equipped with RGB and multispectral cameras and a sampling strategy was developed to adapt the yield measurements to the commercial harvest operations. Imagery data were processed using the photogrammetric Structure from Motion – Multi-View Stereo (SfM-MVS) workflow. Correlation analysis was implemented to select the best raster dataset resolution. The ability to explain yield variability of 34 predictors (5 separate spectral bands, 24 Vegetation Indices, 4 topographic attributes and the estimation of plant size) have been tested using Multiple Linear Regression (MLR). To select most significant explanatory variables, first, four different subset selection algorithms, Exhaustive Search (ES), stepwise Forward Selection (FS), stepwise Backward Selection (BS) and Sequential Replacement (SR), have been compared running 4000 Bootstrap iterations. The best algorithm was chosen based on highest model R^2, lowest Residual Standard Error (RSE) and lowest Bootstrap Standard Deviation (BSD). Second, progressive subset regression and the Bayesian Information Criterion (BIC) have been used to select the optimal number of predictors. Ultimately, the relative frequencies of occurrence of the 34 original predictors within the evaluated subsets has been computed and a parsimonious balanced model where spectral data, topographic information and biophysical characteristics of vegetation are equally represented was built removing collinearity by crossing the results with the Variance Inflation Factor (VIF). The highest spatial resolution tested at 10 cm cell size showed best correlation with yield data. ES was the subset selection algorithm extracting models with highest mean R^2 0.484 and lowest BSD 0.092. Results of MLR show that the full set of 34 predictors is able to explain 64% of the observed yield variability. By applying the integrated statistical approach, 5 predictors, i.e., estimation of plant size, ground elevation, Red Edge, the slope and Topographic Wetness Index were found to be mostly associated with the measured yield variability. The number of explanatory variables was further reduced by 88%, while maintaining 86% of the explainable variance and a regression model including just four predictors and with R^2 0.555 was built. Hence, biomass, ground elevation at the field scale, the Red Edge band and NDVI were proposed as best candidates to develop further predictive models in the context of pear cultivation in The Netherlands. This research showed that UAV-based data acquired through quick surveys are able to explain a good proportion of in-field yield variability within a small orchard. Results of this work based on UAV-data processing, suggest that soil-topography and simple hydrological processes of water flow and accumulation at the field scale may be the underlying cause of yield variability, possibly in relation with soi-textural characteristics, underground moisture patterns and nitrogen biogeochemical cycles. [...]
2021
Evaluating the yield predictive potential of drone-based data in a pear orchard
Coltivare nelle piane olandesi è un'attività difficoltosa, complicata da una topografia per gran parte al di sotto del livello del mare, dall'alto rischio di inondazioni e da livelli di falda poco profondi in terreni argillosi. L’Agricoltura di Precisione, combinata a tecnologie di Remote Sensing, può essere d’aiuto agli agricoltori per meglio comprendere la variabilità spaziale dei raccolti e per guidare l’applicazione sito-specifica dei fattori di produzione. L’obiettivo di questo studio è quello di investigare potenziali cause di variabilità spaziale della resa in un frutteto di pere localizzato in West Betuwe (Gelderland, Paesi Bassi), utilizzando Veicoli a Pilotaggio Automatico e, parallelamente, di proporre previsori del raccolto tra una serie di variabili multispettrali e topografiche. L’obiettivo è quello di mostrare come rapide campagne di acquisizione tramite droni possono raccogliere importanti informazioni topografiche e di riflettanza che possono essere associate significativamente alla variabilità del raccolto e alle caratteristiche delle colture. Dati rilevati a distanza sono stati raccolti usando due droni equipaggiati con sensori RGB e camere multispettrali e un campagna di campionamento è stata adattata alle operazioni commerciali di raccolto. Le immagini acquisite sono state processate usando algoritmi fotogrammetrici come Structure from Motion – Multi Stereo View (Sfm-MSV). L’abilità di spiegare la variabilità della resa di 34 variabili esplicative (5 singole bande spettrali, 24 Indici Vegetativi, 4 attributi topografici e una stima della biomassa) sono state testate utilizzando Regressione Lineare Multipla (RLM). Al fine di selezionare le variabili esplicative maggiormente significative, in primo luogo sono stati comparati quattro algoritmi per la selezione di gruppi ottimali di previsori del tipo Exhaustive Search (ES), stepwise Forward Selection (FS), stepwise Backward Selection (BS) e Sequential Replacement (SR) utilizzando Bootstrap con 4000 iterazioni. Il miglior algoritmo è stato poi selezionato sulla base del massimo R^2, del minimo Errore Standard Residuo (RSE) e della più piccola Deviazione Standard delle 4000 iterazioni di tipo Bootstrap (BSD). In secondo luogo, una regressione progressiva dei sottogruppi e il calcolo del Bayesian Information Criterion (BIC) sono stati utilizzati per selezionare il numero ottimale di previsori da includere nel modello finale. Infine, le frequenze relative di presenza di tutti i 34 previsori iniziali all'interno dei sottogruppi ottimali sono state calcolate ed è stato così possibile costruire un modello bilanciato e parsimonioso in cui i dati multispettrali, le informazioni topografiche e le caratteristiche biofisiche della vegetazione sono rappresentate in egual misura, eliminando prima la collinearità delle variabili incrociando i risultati del calcolo delle frequenze con i risultati del Fattore di Inflazione della Varianza (VIF). I risultati di RLM mostrano che l'insieme completo di 34 variabili esplicative è in grado di spiegare il 64% della variabilità della resa osservata. Applicando l'approccio statistico integrato, 5 previsori, ossia la stima della biomassa, l'elevazione topografica del terreno, la banda spettrale Red Edge, la pendenza e l'Indice di Umidità Topografica (TWI), sono risultati maggiormente associati alla variabilità della resa misurata. Il numero di variabili esplicative è stato ulteriormente ridotto dell'88%, pur mantenendo l'86% della varianza che era possibile spiegare [...]
Remote sensing
Yield Prediction
Photogrammetry
Drone
Multiple Regression
TAROLLI, PAOLO
Lauree magistrali
File in questo prodotto:
File Dimensione Formato  
Pavanello_Giacomo.pdf

accesso riservato

Dimensione 11.08 MB
Formato Adobe PDF
11.08 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/32825