[Teszt] DJI Phantom 4 Multispectral vs. Micasense RedEdge MX

A DJI új multispektrális kamerával szerelt drónjának összehasonlító tesztje az ipari sztenderdnek minősülő Micasense RedEdge MX-el.

A speciálisan mezőgazdasági felhasználásra szánt multispektrális kameráknak számtalan olyan tulajdonságuk van, melyek megkülönböztetik egy hagyományos kamerától. Képesek például a levelekről visszavert fény különféle hullámhosszait rögzíteni annak érdekében, hogy élettani megállapításokat tehessünk egy kultúrára vonatkozóan.

A MEZŐGAZDASÁGBAN JELENLEG NAGYOBB RÉSZBEN HASZNÁLNAK HAGYOMÁNYOS (RGB) KAMERÁKAT, MERT EZEK SEGÍTSÉGÉVEL A NÖVÉNYEK FIZIKÁLIS ÁLLAPOTÁT KÖNNYŰ FELMÉRNI. ARRA A KÉRDÉSRE, HOGY OTT VAN-E A NÖVÉNY, HÁNY DARAB VAN BELŐLE A TERÜLETEN, MEKKORA A VADKÁR MÉRTÉKE LEGINKÁBB EZEK A KAMERÁK ALKALMASAK. AZONBAN SOKKAL ELŐREMUTATÓBB ÉS PRECÍZEBB MEGOLDÁSOK ELÉRÉSÉRE IS LEHETŐSÉG VAN, HOGY EGY KULTÚRÁT ÉLETTANI SZEMPONTBÓL IS VIZSGÁLNI TUDJUNK.

E módszerek elterjedése még jóval korábbi fázisban jár, mint a hagyományos kamerákra épülő vizsgálatoké. Nem nehéz belátni azonban, hogy a jövő minden tekintetben az olyan eszközöké lesz, amelyek képesek egyszerre fizikális és élettani vizsgálatok alapjául szolgáló adatokat gyűjteni (RGB és multispektrális kamera egy időben).

A differenciált kijuttatás és a növényzet időben sűrű monitoringja lehetővé tesz számos olyan beavatkozást, melynek szükségességéről korábban nem is tudtunk. A szakaszolt tápanyag kijuttatás, gyomirtás, permetezés alapjául távérzékeléses adatok szolgálnak nagy megbízhatósággal, ezek az adatok pedig vagy műholdakról, vagy drónokról származnak. Nem nehéz belátni, hogy pontos és megbízható adatforrásokra van szükség és azok szakszerű feldolgozására. Az utóbbi években robbanásszerűen megnőtt a piacon elérhető multispektrális megoldások száma, legyenek azok egy, vagy több lencsés szenzorok, kalibrált, vagy nem kalibrált eszközök.

Az AGRON-nál nagy figyelmet szentelünk ezeknek az eszközöknek annak érdekében, hogy a saját fejlesztésű feldolgozó és vizsgálat végző rendszerünk minél több megbízható drónnal / szenzorral elérhető legyen.

Ennek megfelelően rendszeresen végzünk vizsgálatokat és szakmai összehasonlításokat annak érdekében, hogy kiválasszuk azokat az eszközöket a piacról, melyek megbízható és pontos eredményeket adnak az AGRONmaps-szel karöltve. A legutóbbi tesztünk során a DJI Phantom 4 Multispectral drón kameráját helyeztük a boncasztalra, melyet mélységi tesztelésnek vetettünk alá szakmai vizsgálatokkal és a  távérzékelési adatok statisztikai elemzésével.

Az összehasonlítás alapja

Cégünk több, mint egy éve használja a Micasense RedEdge-MX multispektrális kamerát, melyet ezidő alatt részletes vizsgálatoknak vetettünk alá a martonvásári kutatóintézetben, beállított kísérletek alapján. A kamera által gyűjtött adatok pontosságát több, mint 5000 kézi méréssel ellenőriztük, és kiemelkedő korrelációt állapítottunk meg a klorofilltartalom tekintetében. Az eszköz teljesítette azokat az elvárásokat, melyeket előzetesen megfogalmaztunk vele szemben. A kiemelkedő torzításmentesség, rajzolat, kalibrálhatóság, fényszenzor jelenléte és a sávonként alkalmazott kamerák mind tökéletesen megbízható megoldást hoztak.

A DJI Phantom 4 Multispectral ígéretes szenzor adatokkal és vizsgálati sávokkal rendelkezik és egy sokkal barátságosabb árcédulával, amely mindenki számára közel hozhatja az élettani vizsgálatok jó ár/érték arányú adatgyűjtő eszközét.

A Phantom 4 drón egy kiforrott megbízható eszköz, így cikkünkben ennek ismertetésére nem térünk ki, csupán a kamera tulajdonságait és használhatóságát vizsgáljuk, hiszen a végcél valamilyen vizsgálat elvégzése lesz. Ennek megfelelően az összehasonlítást a már bizonyított RedEdge-MX multispektrális kamerával fogjuk végezni.

A részletesebb vizsgálatok elvégzése előtt érdemes kicsit megismerkedni a szenzorok tulajdonságaival. Mindkét szenzor pixeleinek kiolvasása egy időben történik (global shutter), ami a torzításmentes térképkészítés egyik alapja. A RedEdge-MX egy szűk látószögű (47,2°) kamera, ami torzításmentes és éles felvételeket eredményez, azonban viszonylag sokat kell vele repülni egy tábla feltérképezéséhez. A Phantom 4 Multispectral kamerája széles látószögű (62,7°), ami valamivel nagyobb torzítást és így kevésbé éles felvételeket eredményez. Pozitívum, hogy a széles látószög miatt kevesebbet kell repülni. 

Egy multispektrális szenzor akkor lesz jó szenzor, ha több optikája van és az optikákba épített fényszűrők minél specifikusabbak (1. ábra, 1. táblázat). Ebből a szempontból az etalonnak a RedEdge-MX számít, amit tulajdonképpen kutatási célra fejlesztenek, így kifejezetten érzékeny és pontos. E kamera pont azokat a hullámhossz tartományokat “látja”, ami a pontos növényélettani adatok összegyűjtéséhez szükséges. Ezzel szemben a Phantom 4 Multispectral kamerája is hasonló tartományokat vizsgál, de kevésbé érzékeny, hiszen az optikákba épített fényszűrő tágabb hullámhossz tartományt enged a szenzorba. 

1.ábra A Micasense RedEdge-MX és a DJI Phantom 4 Multispectral szenzorok által lefedett hullámhossz tartományok összehasonlítása. (Értékek az 1. táblázatban.)

1. táblázat A Micasense RedEdge-MX (REMX) és a DJI Phantom 4 Multispectral szenzorok által lefedett hullámhossz tartományok

Milyen pontos adatokat lehet gyűjteni a Phantom 4 Multispectral kamerájával? Az eredmények alapján ez egy jó eszköz, de a felvételek megfelelő kalibrációjának kulcsfontosságú szerepe van.

A vizsgált terület

A vizsgálatra egy teljes napot szántunk, melynek keretein belül egy DJI Matrice 210 V2 platformon működő Micasense RedEdge MX volt az összehasonlítás alapja. A multispektrális Phantom 4-et pedig egyik kiemelt partnerünk a Tokaj Viridis biztosította. A méréseket több repülési magasságon végeztük el mindkét felszereléssel, közel egy időben. Minden repüléshez ugyanazt a repülési tervet használtuk.

2. ábra A kísérleti területre programozott repülési terv A RedEdge-MX (bal) és a Phantom 4 Multispectral (jobb) esetén.

A tesztet egy 5 hektáros őszi búza kultúrán végeztük el, amely elég heterogén volt ahhoz, hogy minden tekintetben megfelelő legyen a vizsgálat lebonyolításához. Hiszen minél nagyobb az adatok szórása, annál könnyebben lehet felmérni egy szenzor képességeit. A táblán jelentősebb túráskárt figyeltünk meg. Emellett az elmúlt időszakban jelentős mértékű aszály okozta szárazságstressz hatása látszott a növényeken, így a kultúra egészségügyi állapota az AGRON osztályozása alapján elég alacsonynak bizonyult (4, az 1-10 skálán).

A tábláról készült térképen összesen 207 (15x15m) mintavételi zónát határoztunk meg, amit ötféleképpen kalibrált felvételen vizsgáltunk. A teljes felépített adatbázis így 1035 adatpontból áll. Az adatpontokhoz a nyers adatokat és a számolt indexeket összesítve 27945 érték tartozik. 

3. ábra Az AGRONmaps szoftverben definiált tábla

4. ábra A vizsgált tábla kompozit RGB (balra) és GNDVI (jobbra) felvételei. A GNDVI felvétel hamiszínezése az AGRON által elfogadott standard színskálával történt.

Fényszenzor és kalibráció fontossága

Növényélettani vizsgálatoknál elsődlegesen nem vizuális, hanem értékszerű információkkal dolgozunk. Nem azt akarjuk megtudni, hogy látunk-e növényt, hanem minél több információt szeretnénk megtudni róla és felmérni például a stresszállapotát. Ezt az értéket pedig nagyban befolyásolja a napból a növények levelére érkező fény. Honnan tudhatnánk, hogy mi verődik vissza egy növényről és mit nyelnek el, vagy engednek át, ha nem tudjuk, hogy milyen intenzitású fény éri? Kulcsfontosságú tehát a fényszenzor megléte, amely minden fotó elkészítésekor rögzíti a beeső fénymennyiséget.

Ez azonban csak az érme egyik oldala. A másik, hogy az adott “mennyiségű” beeső fényt keretek közé szorítsuk annak érdekében, hogy az adatokat normalizálni tudjuk. Az adott globális fényerősség állapotát így rögzíteni tudjuk és későbbi mérések értékszerű eredményeivel összehasonlíthatjuk majd. Nem lesz lényeges tehát, hogy két hét elteltével más fényviszony között vettük fel az adatokat, mert a normalizálás segítségével az adatok összehasonlíthatók maradnak.

Ennek szemléltetéséhez készítettünk egy főkomponens analízist (PCA), ami az adatstruktúra feltárásával láthatóvá teszi az adatokban történt változásokat különböző kalibrációk megléte vagy éppen hiánya esetén (5. ábra). A cikk alapvetően a Phantom 4 Multispectral-ról szól, így a kalibráció fontosságát ennek a szenzornak az adataival szemléltetjük. Az adatokat  RedEdge-MX fényszenzorral és kalibrációs panellel (Micasense Calibration Panel) kalibrált és normalizált felvételéhez hasonlítottuk.

5. ábra A RedEdge-MX (REMX) és a Phantom 4 Multispectral (P4M) által gyűjtött nyers adatok összehasonlítása főkomponens analízis segítségével. A REMX által készített felvételt kalibrációs panellel és fényszenzorral is kalibráltuk. (F – fényszenzorral kalibrált felvétel; K – kalibrációs panellel kalibrált felvétel; KF – kalibrációs panellel és fényszenzorral kalibrált felvétel; nK – kalibrálatlan felvétel)

A 6. ábrán a kék színű ponthalmaz látványosan elkülönül, hiszen azt a felvételt nem kalibráltuk szemben a többivel. Látványos, hogy  fényszenzorral és kalibrációs panellel kalibrált felvétel értékei (zöld pontok) közelítenek a RedEdge-MX értékeihez szemben a csak fényszenzorral kalibrált felvétel adataival (rózsaszín pontok). A csak kalibrációs panellel kalibrált adatok (zöldes-barnás pontok) a kettő között foglalnak helyet.

A statisztikai elemzésben összesen 11-féle indexet vettünk górcső alá. Minden adathalmazra kiszámoltuk és megvizsgáltuk, hogyan hat az értékeikre a kalibráció. Hasonló trendet kaptunk, mint a nyers adatok esetén. Teljes kalibráció hatására a Phantom 4 Multispectral adataiból számított indexek nagyon közel kerültek a Red-Edge-MX adatokból számított indexek értékeihez. A kalibráció hiánya azonban használhatatlan adatokat eredményezett.

6. ábra A RedEdge-MX (REMX) és a Phantom 4 Multispectral (P4M) által gyűjtött adatokból számolt indexek összehasonlítása főkomponens analízis segítségével. A REMX által készített felvételt kalibrációs panellel és fényszenzorral is kalibráltuk. (F – fényszenzorral kalibrált felvétel; K – kalibrációs panellel kalibrált felvétel; KF – kalibrációs panellel és fényszenzorral kalibrált felvétel; nK – kalibrálatlan felvétel)

Az eddigiek alapján rövid összegzésként kijelenthetjük, hogy precíz növényélettani vizsgálatok elvégzéséhez elengedhetetlen a megfelelő kalibráció. Ez kifejezetten fontos, hiszen mezőgazdasági módszerek fejlődésével hangsúlyt kapnak a precíziós módszerek. Ebből az okból például a növényvédelmi kezelések a kamera adatokra lesznek alapozva. Nem megfelelő kalibrációval elkészített felvétel és abból egy kezelési terv később sokba kerülhet! 

Összehasonlítás

Az adatokat egy könnyebben értelmezhető eredményt adó korrelációs elemzésnek is alávetettük, amely során meghatároztuk a Pearson-féle korrelációs együtthatókat (2. táblázat). E vizsgálat megmutatja két adathalmaz közötti kapcsolatot, vagyis konyhanyelven mennyire hasonlítanak egymásra és mennyire lehet kifejezni az egyiket a másikkal. Az értékek -1 és 1 között változhatnak (-1 erős negatív korreláció, 0 nincs korreláció, 1 erős pozitív korreláció).

A Phantom 4 Multispectral különbözőképpen kalibrált értékeit ebben az esetben is a RedEdge-MX teljesen kalibrált adataihoz hasonlítottuk. A leggyengébb korrelációkat a nem kalibrált felvétel (nK) adta, ahol nulla vagy gyenge pozitív korrelációkat kaptunk. A kalibrációval nagyban javítható a helyzet. A kalibrációs panellel és fényszenzorral külön kalibrált felvételek hasonló trend mentén gyenge, közepes és erős pozitív korrelációkat mutatnak. A legerősebb korrelációt a mindkét módszerrel kalibrált felvételen mértünk. Ez az eredmény is jól szemlélteti a megfelelő kalibráció fontosságát.

2. táblázat A RedEdge-MX (REMX) és Phantom 4 Multispectral (P4M) szenzor adatok és az ezekből számolt leggyakoribb indexek korrelációs elemzése. A REMX által készített felvételt kalibrációs panellel és fényszenzorral is kalibráltuk. A színek -1 és 1 között meghatározott szín gradiens mentén változnak. (F – fényszenzorral kalibrált felvétel; K – kalibrációs panellel kalibrált felvétel; KF – kalibrációs panellel és fényszenzorral kalibrált felvétel; nK – kalibrálatlan felvétel; FR – távoli vörös; NIR – közeli infravörös)

A Phantom 4 Multispectral által gyűjtött adatokból számolt indexek megfelelő kalibráció esetén nagyon hasonlítanak egy kutatási munkára tervezett kamera adataihoz. Fontos azonban figyelembe venni, hogy az eltérő érzékenységű fényszűrők miatt pont akkora eltérés mutatkozik, hogy a két kamera adatai teljesen nem összeegyeztethetőek. Jól mutatja ezt, hogy a közeli infravörösben mért adatok korrelációja igen magas, hiszen gyakorlatilag a két kamera ugyanazt “látja” (1. táblázat). A többi szűrő esetén azonban akkora eltérések vannak vagy a reflektancia spektrumnak olyan változó a lefutása, hogy a korrelációs együtthatók is szemmel látható módon lecsökkennek. E jelenség azonban a normalizált értékekkel rendelkező vegetációs indexeket nem befolyásolja drámai mértékben.

ÖSSZESSÉGÉBEN KIJELENTHETŐ, HOGY GYAKORLATI ALKALMAZÁSRA A PHANTOM 4 MULTISPECTRAL TÖKÉLETESEN MEGFELEL ÉS EGY JÓ ÁR/ÉRTÉK ARÁNYÚ ALTERNATÍVÁT JELENTHET. KUTATÁSI MUNKÁK SORÁN AZONBAN NEM AJÁNLOTT A KÉT SZENZOR PÁRHUZAMOS HASZNÁLATA ÉS LEHETŐSÉG SZERINT ÉRDEMES AZ ÉRZÉKENYEBB REDEDGE-MX-ET VÁLASZTANI. AZ ELEMZÉSEK SORÁN LÁTHATTUK, HOGY A PHANTOM 4 MULTISPECTRAL KAMERÁJA MILYEN KÉPESSÉGEKKEL RENDELKEZIK. A SZENZOR ALAPVETŐEN EGY JÓ KONSTRUKCIÓNAK SZÁMÍT. AZ AGRON PROFESSZIONÁLIS VIZSGÁLATAI TELJES MÉRTÉKBEN ELVÉGEZHETŐEK VELE.

Ajánlott azonban egy kalibrációs panel beszerzése a megfelelő eredmények elérése érdekében. A piacon az egyik legjobb ilyen panelt a Micasense gyártja, amely tökéletesen használható bármely más multispektrális kamerához is. Mindössze a kalibrációs értékek meghatározására van szükség, amit az AGRON minden többlencsés multispektrális kamerához el tud végezni. A széles látószögű optika azonban a térképezést nehezebbé teszi. Az ilyen típusú lencséknek van egy úgynevezett széli torzítása. Ez jellemzően a felvételek szélén egy vékony sávban látszódik. Emiatt az elkészült térkép elmosódhat vagy foltos lehet. Extrém esetben a szoftver nem is tud ortomozaikot generálni. Ezen okból kifolyólag nagy figyelmet kell fordítani a repüléstervezésre, mivel a kamera érzékeny az egyes repülési paraméterek változására. Megfelelő tervezés esetén a hibás felvételezések szinte teljes mértékben kiküszöbölhetőek. A drónok optimális programozását az AGRON mezőgazdasági monitoring drónpilóta képzésén sajátíthatják el. 

A DJI Phantom 4 Multispectral a tesztet követően felkerült az AGRON megbízható eszközök listájára, ami az AGRONmaps-en lesz elérhető.