La construction de nuages ​​de points tridimensionnels à partir de photos haute résolution prises à partir de véhicules aériens sans pilote ou de drones pourrait bientôt aider les phytogénéticiens et les agronomes à gagner du temps et de l'argent par rapport à la mesure manuelle des cultures.

Dr Lonesome Malambo, associé de recherche postdoctoral au département des sciences et de la gestion des écosystèmes de la Texas A&M University à College Station, récemment publié à ce sujet dans l'International Journal of Applied Earth Observation and Geoinformation .

Il a été rejoint dans l'étude par les scientifiques de Texas A&M AgriLife Research, le Dr Sorin Popescu, Dr Seth Murray et Dr Bill Rooney, leurs étudiants diplômés et d'autres au sein du Texas A&M University System. Le financement a été fourni par AgriLife Research, l'Institut national de l'alimentation et de l'agriculture du département de l'Agriculture des États-Unis, Texas Corn Producers Board et United Sorghum Checkoff Program.

« Ce que ce partenariat multidisciplinaire a développé est transformateur pour la recherche sur le maïs et le sorgho, non seulement pour remplacer nos mesures de hauteur standard à forte intensité de main-d'œuvre, mais pour trouver de nouvelles façons de mesurer comment différentes variétés réagissent au stress à différents moments de la saison de croissance, " Murray a déclaré. "Cela aidera les sélectionneurs de plantes à identifier un rendement plus élevé, plantes plus résistantes au stress plus rapidement que jamais auparavant."

Les chercheurs en cultures et les sélectionneurs ont besoin de deux types de données pour déterminer les sélections d'amélioration des cultures à effectuer :génétiques et phénotypiques, quelles sont les caractéristiques physiques de la plante, dit Malambo.

De grands progrès ont été réalisés en génétique, il a dit, mais il reste encore beaucoup de travail à faire pour mesurer les caractéristiques physiques de toute culture de manière opportune et efficace. Actuellement, la plupart des mesures sont prises depuis le sol en marchant dans les champs et en mesurant.

Au cours des dernières années, Les photos d'UAV ont été testées pour voir quel rôle elles peuvent jouer pour aider à déterminer des caractéristiques telles que la hauteur de la plante, lequel, mesuré dans le temps, peut aider à évaluer l'influence des conditions environnementales sur les performances des plantes.

Malambo a déclaré que cette étude pourrait être la première à utiliser le concept de génération de nuages ​​de points 3D en utilisant « la structure à partir du mouvement, " ou SfM, techniques sur le maïs et le sorgho tout au long d'une saison de croissance. Ces deux cultures ont été sélectionnées car elles présentent une grande variation de hauteur et de canopée au cours de la saison.

Bien que SfM ne soit pas nouveau, la technologie a été historiquement sous-évaluée pour l'estimation répétée de la hauteur des plantes dans des études limitées à une seule date ou de courtes campagnes de drones, il a dit.

Dans les environnements agricoles où les conditions changent en raison de la maturité des cultures, Malambo a déclaré que la prochaine étape logique était de déterminer si les méthodes étaient cohérentes, reproductibles et précis tout au long du cycle de croissance des cultures.

Il a déclaré que la technologie SfM utilise des images superposées pour reconstruire la vue 3D d'une scène, aller au-delà des photos à plat typiques en permettant un calibrage automatisé de l'orientation intérieure et extérieure. De petites cibles de référence ont été placées dans les champs avant chaque vol.

Lorsqu'une photo est prise depuis le drone, il s'agit essentiellement de transférer une scène 3D en 2D, expliqua Malambo. SfM essaie d'inverser ce processus en utilisant des propriétés telles que la géométrie, propriétés de la lumière et du modelage.

"Une fois que nous avons recréé la scène, il ressemble à ce qu'il était lorsque nous l'avons capturé, multidimensionnel, " il a dit.

"Dans cette étude, nous étions intéressés à observer l'ensemble du cycle de croissance de ces cultures. Nous avons survolé les récoltes à 12 dates différentes et en même temps, des gens ont mesuré la croissance au sol à six des dates."

Popescu a déclaré à deux des dates, pour les mesures sur le terrain, un capteur terrestre à balayage laser, également connu sous le nom de lidar, a été utilisé pour collecter des données de référence pour la hauteur du couvert végétal.

"C'est un autre aspect unique de notre étude, " dit-il. " A ma connaissance, aucune autre étude publiée n'a comparé les mesures de nuages ​​de points SfM au balayage lidar, mais uniquement aux mesures manuelles sur le terrain de la hauteur des plantes.

"Le lidar terrestre fournit les mesures les plus précises de la canopée, résultant en un nuage de points de mesures 3D directes, " a déclaré Popescu.

Il a déclaré que SfM fournit des nuages ​​de points 3D reconstruits grâce à des méthodes photogrammétriques, tandis que lidar fournit des mesures directes par balayage laser. Le capteur lidar terrestre, ou TLS, a une couverture limitée et doit être placé sur des véhicules de grande taille pour voir la canopée d'en haut.

"Il n'est vraiment pas pratique d'utiliser le TLS pour mesurer la hauteur des plantes, principalement uniquement pour des études de validation comme la nôtre, " a déclaré Popescu. " Le lidar peut être placé sur un drone, mais ces capteurs sont très chers. Nous assemblons actuellement un capteur lidar UAV et le rendrons opérationnel d'ici la fin de cette année."

Malambo a déclaré que les mesures physiques ont été prises de mai à juillet, tandis que les photos de vol ont été prises d'avril à août.

« Nous avons obtenu une très bonne corrélation entre les mesures sur le terrain et les images que nous avons pu produire, " Il a dit. " Il existe un grand potentiel pour réduire le temps et le coût de la collecte de données avec une technologie abordable qui peut être utilisée par les agriculteurs et les chercheurs. "

Cette amélioration des analyses d'images a ouvert la voie à l'utilisation de caméras non métriques plus abordables sur les plates-formes UAV pour une cartographie et une modélisation 3D fiables que par le biais d'un balayage laser aéroporté et terrestre coûteux, dit Malambo. Le logiciel SfM est facile à apprendre, automatisé et facilement disponible.

Le système n'est pas sans défis, bien que, il a dit. Dans l'effort de voir s'il est exact au fil du temps, Malambo a déclaré que la technologie dépend de la qualité des images. Avec le sorgho, qui est principalement du feuillage, ça a bien marché. Maïs, qui se dessèche et perd du contraste en mûrissant, a tendance à se fondre dans le sol.

"Notre conclusion générale est que la structure du mouvement offre un grand potentiel pour mesurer la hauteur des plantes, mais nous devons le rendre plus robuste tout au long de la saison de croissance, ", a-t-il déclaré. "Les changements de vitesse du vent peuvent affecter les caméras du drone lors de la capture d'images. Et cela, à son tour, affecte les résultats des capacités 3-D."

Malambo a déclaré qu'il cherchait des moyens d'améliorer le programme global, y compris la réduction du temps de traitement. Les données capturées au cours de la dernière saison de croissance sont massives et leur traitement prend plusieurs jours.

Une idée dont il a discuté est de travailler avec d'autres départements sur le campus pour pouvoir avoir une analyse en ligne en temps réel du domaine. L'image capturée par drone serait envoyée directement à un ordinateur portable où des méthodes avancées d'analyse de données telles que l'apprentissage automatique ou l'apprentissage en profondeur pourraient être utilisées pour permettre aux données de hauteur d'être disponibles immédiatement.