Advertisement

Gesunde Pflanzen

, Volume 70, Issue 2, pp 57–64 | Cite as

Identifizierung von Feldmausnestern (Microtus spp.) aus UAV-Luftbildern in einem Winterweizenfeld

  • Karl-Heinz Dammer
  • Joachim Intreß
  • Małgorzata Bzowska-Bakalarz
  • Michael Schirrmann
Originalbeitrag
  • 116 Downloads

Zusammenfassung

In der Praxis erfolgen chemische Regulierungsmaßnahmen der Feldmaus meist zu spät, wenn der Höhepunkt der Mäuseplage schon erreicht ist. Hohe Umweltbelastungen, sowie hohe Kosten für den Landwirt sind die Folgen. Hochaufgelöste Luftbilder von Drohnen (UAV) bieten eine Möglichkeit, Feldmauskolonien in einem Feld zu erkennen und deren Position über GPS zu bestimmen. Eine Bekämpfung von Feldmäusen könnte dann rechtzeitig und zielgenau noch vor Beginn einer Massenvermehrung auf Feldebene erfolgen.

Im Jahr 2015 wurden im Mai und Juni mit einer Drohne in einem heterogenen Winterweizenfeld mit Feldmausvorkommen Luftbildaufnahmen erstellt. An 20 Messpunkten mit unterschiedlicher Bestandsdichte erfolgten Handbonituren verschiedener Pflanzenparameter. Bereits zum ersten Termin waren die Auswirkungen des Trockenstresses zu beobachten.

Mäusenester ähneln aufgrund der abgefressenen Vegetation hinsichtlich der Färbung und der Helligkeit den Fahrspuren. Daher wurden die spektralen Signaturen der Fahrspuren für deren Klassifizierung genutzt. Es ergaben sich Unterschiede im Lab-Farbraum zwischen den vegetationsfreien Fahrgassen und dem Pflanzenbestand, wobei sich diese auch innerhalb der zwei Klassen von Luftbild zu Luftbild änderten. Im ersten Luftbild konnten die fünf vorhandenen Mäusenester durch die angewendeten Bildverarbeitungsschritte richtig erkannt werden. In den darauffolgenden Bildern wurden durch die Trockenschäden nur noch vier Nester klassifiziert, wobei im letzten Bild eine große Anzahl falsch positiv klassifizierter Nester auftrat.

Schlüsselwörter

Feldmaus Microtus spp. Monitoring UAV Luftbilder Bildverarbeitung 

Identification of field mouse (Microtus spp.) infestation from UAV areal images in a winter wheat field

Abstract

In practice, chemical regulation measures against field mouse are often accomplished too late, which results in high environmental impacts and costs for the farmer. Small unmanned aerial vehicles (drones) have the potential to scan fields in low altitude and produce images in high spatial resolution, from which the feeding spots and their positions can be determined.

In May and June 2015 aerial imaging was carried out with a drone within a winter wheat field with high growth heterogeneity. Manual measurements of crop parameters were done at 20 sampling points. Due to the missing vegetation, feeding spots of field mouse were similar to the tramlines of the cultivation measures in regards to color and brightness. Therefore, the spectral characteristics of the tramlines could be used for the classification of the feeding spots. There were clear differences in the Lab color space between the tramlines and the crop vegetation in all three aerial images. These differences also occurred within the both classes itself. In the first aerial image all five feeding spots were correctly classified. Because of the drought stress in the following images only four spots could be classified, whereby in the last image the amount of false positives was highest.

Keywords

Field mouse Microtus spp. Monitoring UAV Aerial images Image processing 

Notes

Danksagung

Der Mitarbeiterin der Abteilung Technik im Pflanzenbau des ATB, Frau Dipl. agr. ing. Antje Giebel sei für die praktische Unterstützung bei der Durchführung der Versuche und bei der Auswertung der Daten gedankt. Dank gebührt ebenfalls Herrn Dipl. agr. ing. Roland Rosenau von der Landwirtschaftlichen Produktivgenossenschaft Dabrun e. G. für die Überlassung des Feldes für die Untersuchungen.

Interessenkonflikt

K.-H. Dammer, J. Intreß, M. Bzowska-Bakalarz und M. Schirrmann geben an, dass kein Interessenkonflikt besteht.

Literatur

  1. Dammer K‑H (2005) Demonstration der Langzeitwirkung bedarfsorientierter Fungizid-behandlung mit dem CROP-Meter. Bornim Agrartech Berichte, Heft 41, 38Google Scholar
  2. Dammer K‑H (2010) Variable rate application of fungicides. In: Oerke E‑C, Gerhards R, Menz G, Sikora R (Hrsg) Precision crop protection – the challenge and use of heterogeneity. Springer, Dordrecht, S 403–415Google Scholar
  3. Delta-T Devices (Hrsg) (1999) SunScan user manual. Delta-T Devices, CambridgeGoogle Scholar
  4. Heberaecker P (1989) Digitale Bildverarbeitung, 3. Aufl. Hanser, MünchenGoogle Scholar
  5. Jacob J (2014) Massenvermehrungen bei Kleinnagern: ökologische Muster und Auswirkungen in der landwirtschaftlichen Praxis. In: JKI (Hrsg) 59. Deutsche Pflanzenschutztagung: 23.–26. September 2014, Albert-Ludwigs-Universität Freiburg. Julius-Kühn-Archiv 447, Bd. 192. JKI, QuedlinburgGoogle Scholar
  6. Jacob J, Wolff C (2014) Bund-Länder Arbeitsgruppe Feldmaus-Management. In: JKI (Hrsg) 59. Deutsche Pflanzenschutztagung: 23.–26. September 2014, Albert-Ludwigs-Universität Freiburg. Julius-Kühn-Archiv 447. JKI, Quedlinburg, S 544–545Google Scholar
  7. Joblove GH, Greenberg D (1978) Color spaces for computer graphics. Comput Graph (ACM) 12:20–25CrossRefGoogle Scholar
  8. Lancashire PD, Bleiholder H, van den Boom T, Langelüddeke P, Stauss R, Weber E, Witzenberger A (1991) A uniform decimal code for growth stages of crops and weeds. Ann Appl Biol 119:561–601CrossRefGoogle Scholar
  9. Lelong CCD, Burger P, Jubelin G, Roux B, Labbé S, Baret F (1991) Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots. Sensors 8:3557–3585CrossRefGoogle Scholar
  10. Ren S, He K, Girshick R, Sun J (2015) Faster R‑CNN: towards real-time object detection with region proposal networks. Adv Neural Inf Process Syst 28:91–99Google Scholar
  11. Robertson AR (1977) The CIE 1976 color-difference formulae. Color Res Appl 2:7–11CrossRefGoogle Scholar
  12. Rudolph W (2013) Der Mäusekrieg. Agrarmanager 9:68–71Google Scholar
  13. Schirrmann M, Giebe A, Gleiniger F, Pflanz M, Lentschke J, Dammer K‑H (2016) Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery. Remote Sens (Basel) 8(9):1–19Google Scholar
  14. Schirrmann M, Hamdorf A, Giebel A, Gleiniger F, Pflanz M, Dammer K‑H (2017) Regression Kriging for improving crop height models fusing ultra-sonic sensing with UAV imagery. Remote Sens (Basel) 9(7):665CrossRefGoogle Scholar
  15. Zheng Y, Yu J, Kang SB, Lin S, Kambhamettu C (2008) Single-image vignetting correction using radial gradient symmetry. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, 24.–26.06.2008, S 1–8Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  • Karl-Heinz Dammer
    • 1
  • Joachim Intreß
    • 1
  • Małgorzata Bzowska-Bakalarz
    • 2
  • Michael Schirrmann
    • 1
  1. 1.Abteilung Technik im PflanzenbauLeibniz-Institut für Agrartechnik und BioökonomiePotsdamDeutschland
  2. 2.Department of Agricultural Machines TheoryUniversity of Life SciencesLublinPolen

Personalised recommendations