Untersuchung zur Verwendbarkeit des TETRACAM MiniMCA ... · Untersuchung zur Verwendbarkeit des TETRACAM MiniMCA-Kamerasystems für Analysen zur Vitalität landwirtschaftlicher Kulturen

Untersuchung zur Verwendbarkeit des

TETRACAM MiniMCA-Kamerasystems für

Analysen zur Vitalität landwirtschaftlicher

Kulturen

Marcus-Andreas Hölzemann - 1574865

Masterthesis im Studiengang Geodäsie und Geoinformation

Fachgebiet Fernerkundung und Bildanalyse, Institut für Geodäsie

II

Marcus-Andreas Hölzemann

Matrikelnummer: 1574865

Studiengang: M.Sc. Geodäsie und Geoinformation

Master Thesis:

Untersuchung zur Verwendbarkeit des TETRACAM MiniMCA-Kamerasystems für Analysen zur Vitalität

landwirtschaftlicher Kulturen.

Evaluation of the suitability of the TETRACAM MiniMCA camera system for analyzing the vitality of

crops.

Eingereicht am: 10.02.2016

Betreuer: Prof. Dr.-Ing. Uwe Sörgel, Dr.-Ing. Damian Bargiel

Fachgebiet Fernerkundung und Bildanalyse Institut für Geodäsie

Fachbereich Bau- und Umweltingenieurwissenschaften

Technische Universität Darmstadt, Franziska-Braun-Straße 7, 64287 Darmstadt

III

Inhaltsverzeichnis

1. ... Einleitung 6

1.1. Motivation 6

1.2. Aufgabenstellung 7

2. ... Grundlagen 9

2.1. Bildanalyse speziell an landwirtschaftlichen Flächen 9

2.1.1. Reflexionseigenschaften und Charakteristiken von Pflanzen 9

2.2. Kamerasystem 12

2.2.1. Multispektralkamera TETRACAM µ-MCA 12

2.2.2. Incident Light Sensor (ILS) 19

2.2.3. Probleme in der Praxis 21

2.3. Kameraträger (Unmanned aerial vehicle UAV) 21

2.4. Pixel Wrench 2 24

2.5. Bildaufnahme 25

3. ... Vorstellung ausgewählter Flächen 32

3.1. a) Energiemais bei Geinsheim am Rhein, Aufnahmedatum: 01.10.2015 33

3.2. b) Körnermais bei Semd, Aufnahmedatum: 28.10.2015 34

3.3. c) Zuckerrüben bei Geinsheim am Rhein, Aufnahmedatum: 01.10.2015 (c1) und 12.10.2015 (c2) 35

3.4. d) Zuckerrüben bei Dornheim, Aufnahmedatum: 12.10.2015 41

3.5. e) Zuckerrüben bei Semd, Aufnahmedatum: 28.10.2015 43

4. ... Analyse der Aufnahmen 45

4.1. Histogramme 46

4.2. Mittelwert / Standardabweichung 46

4.3. Hauptkomponentenanalyse (Principal Components Analysis, PCA) 46

4.4. Weitere Vegetationsindexe 51

5. ... Ergebnisse und Diskussion 53

5.1. Histogramme 53

5.2. Mittelwert / Standardabweichung 62

5.3. Hauptkomponentenanalyse 72

IV

6. .... Fazit und Ausblick 77

6.1. Zusammenfassung der Ergebnisse 77

6.2. Diskussion und Fazit 79

6.3. Ausblick 81

7. .... Anhang i

Anhang A1 i

Anhang A2 iii

Abbildungsverzeichnis v

Literaturverzeichnis ix

5

6

1. Einleitung

1.1. Motivation

Durch den technologischen Fortschritt, insbesondere in den letzten zwei Jahrzehnten, hat die

wirtschaftliche Effizienz der Landwirtschaft ungemein zugenommen. Neue Innovationen in

nahezu allen Bereichen der Vieh- und Pflanzenzucht führten zu einer unverkennbaren

Produktivitätssteigerung. Allein in Deutschland, dessen Landwirtschaft bereits heute als eine

der ertragsreichsten gilt, stieg die Arbeitsproduktivität zwischen den Jahren 1991 und 2011 um

123 % an. Dabei wurden bei größer werdenden Erträgen allerdings auch die ökonomischen

Gesichtspunkte, z. B. der Einsatz von Düngemitteln und Pestiziden, nicht vernachlässigt.1

Laut Landwirtschaftlicher Rentenbank bleibt auch in naher Zukunft der Trend des

technologischen Fortschritts im Agrarsektor bestehen, was im Hinblick auf den Hunger in der

Welt als besonders wichtig erscheint. Die Ernährungs- und Landwirtschaftsorganisation der

Vereinten Nationen (engl.: Food and Agriculture Organization of the United Nations, FAO) stellt

in ihrem Welternährungsbericht 2015 zwar fest, dass die Zahl der Hungernden insgesamt leicht

zurückgeht, aber weiterhin weltweit etwa 805 Millionen Menschen (Stand: 2012) unterernährt

sind. Mit weiterhin steigender Tendenz leiden besonders auf dem afrikanischen Kontinent noch

viele Menschen an mangelnder Ernährung.2 Steigende Geburtenraten, politische Krisen, sowie

aufkommende Naturkatastrophen erschweren eine Prognose für die nahe Zukunft.

Laut FAO sind das steigende Wirtschaftswachstum in Schwellenländern wie China und Indien,

aber auch eine produktivere Landwirtschaft der Grund für den Rückgang der Hungerszahlen.

Gleichzeitig werden die aktuellen Maßnahmen gegen den Hunger allerdings als nicht

ausreichend angesehen. Gefordert wird eine Aufstockung staatlicher Mittel von

Industrienationen, um die Nahrungsmittelproduktion zu erhöhen und effizienter zu gestalten.3

Die Umwandlung der bestehenden Landwirtschaft in eine nachhaltige und höchst effiziente Art

dieser ist daher von besonderer weltweiter Bedeutung. Die Begriffe „Farming 4.0“ und

„Precision Farming“ stehen dabei stellvertretend für den neuesten technologischen Fortschritt

im Bereich der Landwirtschaft.4 Die Erfassung von Informationen über den aktuellen Zustand

landwirtschaftlicher Flächen wird als einer der zentralen Punkte angesehen. Im Gegensatz zu

der kostspieligen Möglichkeit Daten aus Satellitenaufnahmen oder bemannten Flügen zu

verwenden, stellt sich der Einsatz von niedrig fliegenden unbemannten Flugdrohnen zur

Aufnahme hochauflösender Bilder als sinnvolle Alternative heraus.5

1 Landwirtschaftliche Rentenbank: Geschäftsbericht 2013, Seite 2, , siehe Literaturverzeichnis [27] 2 Food and Agriculture Organization of the United Nations: The State of Food Insecurity in the World 2015, siehe Literaturverzeichnis

[17] 3 Welthungerhilfe: Welthunger-Index 2015: Hunger und bewaffnete Konflikte, siehe Literaturverzeichnis [19] 4 Multirotor: http://www.service-drone.com/de/production/agriculture 5 Mortimer, Gary: GFIA Africa 2015 Session on Drones for agriculture: stepping into the future, siehe Literaturverzeichnis [18]

7

Aktuell beschäftigen sich weltweit viele Forschungsarbeiten mit dem Einsatz und Nutzen von

Flugdrohnen in der Landwirtschaft. Klar ist, dass der Hunger in der Welt nur durch den Einsatz

moderner Technik zu begegnen ist. Flugdrohen haben sich bereits jetzt als kostengünstige und

robuste Möglichkeit herausgestellt, die Effizienz in der Landwirtschaft enorm zu steigern. Der

neueste technologische Fortschritt zeigt, welch großes Potential im Bereich der unbemannten

Flugdrohnen, nicht nur in der Landwirtschaft, liegt.

In den letzten Jahren entwickelte sich ein regelrechter Boom an unbemannten Flugdrohnen für

den wirtschaftlichen aber auch privaten Gebrauch. Dies hängt mit dem steigenden Fortschritt

der Fertigungstechnik, die den Bau kleinster elektronischer Teile ermöglicht, und den dadurch

stark sinkenden Kosten in der Fertigung zusammen.6 Als große Vorteile werden die relativ

geringen Betriebskosten, Flexibilität, Schnelligkeit und die unzähligen Einsatzmöglichkeiten der

Flugdrohnen gesehen. Im Bereich der Landwirtschaft gelten die möglichst automatische

Klassifizierung der gesammelten Daten und die Bestimmung der Vitalität der Pflanzen als

wichtige Ziele der Forschung.

Die angesprochene Vielzahl an Einsatzmöglichkeiten von Flugdrohnen wird durch das im

Rahmen dieser Arbeit verwendete Kamerasystem weiter verstärkt. Durch die große Auswahl an

speziellen Filtern ist das System sehr stark personalisierbar und kann für verschiedenste

Anwendungsgebiete einfach und kostengünstig modifiziert werden.7 Eine detailliertere

Beschreibung über die Vorteile dieses Systems findet sich in Kapitel 2.2.1.

Diese Arbeit knüpft an den aktuellen Stand der Forschung an und soll die Eignung des zur

Verfügung gestellten Kamerasystems in Verbindung mit einer Flugdrohne, hinsichtlich der

heute erreichbaren Möglichkeiten, feststellen. Die aktuellen Trends in der Landwirtschaft und

Ziele hinsichtlich der Bekämpfung des weltweiten Hungers zeugen von dem großen Potential

in der Verwendung moderner Techniken.

1.2. Aufgabenstellung

Die originale Aufgabenstellung dieser Masterarbeit kann dem ersten Blatt nach dem Umschlag

entnommen werden. Der Arbeitstitel lautet „Untersuchung zur Verwendbarkeit des TETRACAM

MiniMCA-Kamerasystems für Analysen zur Vitalität landwirtschaftlicher Kulturen (engl.:

Evaluation of the suitability of the TETRACAM MiniMCA camera system for analyzing the

vitality of crops).

An dieser Stelle bleibt klarzustellen, dass im Rahmen der vorliegenden Studie die Micro-MCA

verwendet wurde, welche ein Nachfolgermodell der in der Aufgabenstellung zu dieser Master

Thesis betitelten MiniMCA darstellt. Diese Vorgehensweise ist daher als konform mit der

6 Mortimer, Gary: GFIA Africa 2015 Session on Drones for agriculture: stepping into the future, siehe Literaturverzeichnis [18] 7 Quelle: Micro-MCA, Tetracam’s Micro-Miniature Multiple Camera Array System (Produktbeschreibung auf der TETRACAM-Website) , siehe

Literaturverzeichnis [24]

8

Aufgabenstellung anzusehen und von den Betreuern genehmigt. Im Nachfolgenden wird stets

die Bezeichnung Micro-MCA oder kurz µ-MCA verwendet.

Von besonderem Interesse sind zum einen die Eignung der µ-MCA zur Erkennung der Vitalität

von aufgenommenen Kulturen und zum anderen eine mögliche automatische Trennung der

Kulturen anhand der gesammelten Daten. Dabei soll die Eignung des Kamerasystems selbst,

sowie die Eignung ausgewählter Verfahren zur Erfüllung der genannten Interessen untersucht

werden. Das Kamerasystem wird bei der Befliegung von einer unbemannten Kameraplattform

getragen. Eine solche Flugdrohne befindet sich bereits im Besitz des Geodätischen Institutes der

Technischen Universität Darmstadt und wird in Kapitel 2.3 näher vorgestellt.

Zum praktischen Teil der Aufgabenstellung gehören im ersten Schritt die Inbetriebnahme des

Kamerasystems und die Einarbeitung in die korrekte Handhabung aller nötigen Komponenten

und der Software. Diese werden in Kapitel 2 ausführlich vorgestellt. Nach der Auswahl

geeigneter landwirtschaftlicher Flächen sollen diese mit dem Kamerasystem beflogen werden.

Im Anschluss erfolgt die Bildbearbeitung und Bildanalyse mittels geeigneter Software.

Im theoretischen Teil dieser Arbeit werden die Grundlagen dieser recht modernen Technik,

sowie deren Vorteile dargestellt und diskutiert. Wichtig sind dabei auch die

Reflexionseigenschaften von Pflanzen, auf denen diese Arbeit basiert (siehe Kapitel 2.1). Der

Hauptteil besteht darin, die Aufnahmen anhand verschiedener Verfahren wissenschaftlich zu

analysieren und die Ergebnisse zu richtig interpretieren. In Kapitel 5 werden die Ergebnisse

grafisch und tabellarisch mit geeigneten Mitteln dargestellt und diskutiert. Abschließend

werden die gewonnenen Ergebnisse in Zusammenhang mit den aktuellen

Forschungsergebnissen gestellt. Dabei ist besonders auf die Eignung des verwendeten

Kamerasystems zur Effizienzsteigerung der Landwirtschaft einzugehen. Zum Schluss sind ein

Fazit und ein Ausblick auf den kommenden Technologiefortschritt, sowie besondere

Einsatzszenarien zu geben.

9

2. Grundlagen

In diesem Kapitel werden die wichtigsten theoretischen Aspekte der Arbeit genauer vorgestellt.

Dazu wird auf das verwendete Kamerasystem, bestehend aus Kamera und Kameraträger

eingegangen. Es werden die Eigenschaften, der Zusammenbau und die Handhabung dieses

Systems erläutert. Auch die in der Praxis aufgetretenen Probleme mit dem Kamerasystem und

Fehlfunktionen finden hier Erwähnung.

Zuvor werden zentrale Begriffe der Bildanalyse hinsichtlich landwirtschaftlicher Flächen

erwähnt. Von besonderer Wichtigkeit sind die Reflexionseigenschaften und Charakteristiken

von Pflanzen, welche die Grundlage für die in dieser Arbeit getätigten Untersuchungen bieten.

Grundlegende wichtige Begriffe aus den Bereichen der Fernerkundung und der Bildanalyse

werden als vorausgesetzt angesehen und nicht weiter erläutert.

2.1. Bildanalyse speziell an landwirtschaftlichen Flächen

Der Hauptteil dieser Arbeit liegt in der Analyse der gewonnenen Aufnahmen. Die sogenannte

Bildanalyse ist ein sehr bedeutender Teil der Photogrammetrie und Fernerkundung. In diesem

Unterkapitel werden die Grundlagen der Theorie in Bezug auf der Bildanalyse landwirt-

schaftlicher Flächen erläutert.

2.1.1. Reflexionseigenschaften und Charakteristiken von Pflanzen

Jede natürliche oder künstlich geschaffene Oberfläche reflektiert einfallende elektro-

magnetische Wellen unterschiedlich stark. Je nach Objekt werden Teile des

elektromagnetischen Spektrums entweder absorbiert oder reflektiert. Für den menschlichen

Betrachter äußert sich dies in der unterschiedlichen Farbe von Oberflächen und Gegenständen,

die das sichtbare Licht (z.B. Sonnenlicht) verschieden stark reflektieren oder absorbieren.

„Ähnlich wie jeder Mensch einen eigenen Fingerabdruck hat, haben Objekte ein

ganz spezielles spektrales Verhalten. Man spricht daher auch vom spektralen

Fingerabdruck.“ 8

Dieser spektrale Fingerabdruck gilt somit auch für Pflanzen. Jede verschiedene Pflanzenart

verfügt über einen eigenen spektralen Fingerabdruck, der die Pflanzenart charakterisiert. Dieser

Fingerabdruck verändert sich leicht je nach Wachstumsstadium und Vitalitätszustand der

Pflanzen.8

Ursachen dafür sind die besonderen Eigenschaften von Blättern und des darin enthaltenen

Chlorophylls. Grünes, sichtbares Licht wird von den Farbpigmenten des Chlorophylls besonders

stark reflektiert. Andere Farben, wie die Hauptfarben rot und blau, hingegen werden nahezu

8 Infrarote Pflanzen, Geographisches Institut der Universität Bonn, siehe Literaturverzeichnis [28]

10

komplett absorbiert. Für das menschliche Auge erscheinen also gesunde Blätter von Pflanzen in

grün.

Ein einfaches Laubblatt besteht aus mehreren Ebenen, die von der oberen und der unteren

Epidermis eingeschlossen sind. Abbildung 2.1 zeigt den beispielhaften Aufbau der Anatomie

eines Laubblattes. Jede Pflanzenart verfügt über eine andere Anatomie ihres Blattaufbaus.

Abbildung 2.1: Schematischer Querschnitt durch ein Laubblatt

Quelle: http://www3.hhu.de/biodidaktik/Atmung/start/struktur/ov/bsp/pflrei/ebene2b/blattbau.html

Jede der gezeigten Ebenen reflektiert oder absorbiert die einfallende Strahlung auf

unterschiedliche Weise. Der spektrale Fingerabdruck einer Pflanze kommt also aus der

Anatomie und der damit einhergehenden Reflexion und Absorption je Ebene zustande.9

Die für den Menschen nicht sichtbare Infrarote Strahlung wird besonders stark an den

Zellwänden reflektiert. Durch die mehrfache Reflexion steigen die Reflexionswerte im

Infraroten Bereich verstärkt an. Dies zeigt sich auch bei Betrachtung der grünen Kurve

(Vegetation (vital)) in Abbildung 2.2. Ab einer Wellenlänge von etwa 670 Nanometern steigt

der Grad der Reflexion sprunghaft an. Gleichzeitig zeigt sich, dass der Informationsgehalt einer

Pflanze in diesem Spektralbereich am größten ist.

Der Bereich des elektromagnetischen Spektrums mit dem größten Anstieg des Reflexionsgrades

wird als „Red-Edge“-Bereich bezeichnet. Es handelt sich hier um den Übergang zwischen dem

sichtbaren roten Licht hin zum Infrarot, bzw. nahen Infrarot. Aktuell widmen sich viele

Forschungen genau diesem Bereich, da erkannt wurde, dass eben jener viele wertvolle

Informationen zur Beschreibung des Vitalitätszustandes liefern kann. Betrachtet man die braune

Kurve (Vegetation (dry)) in Abbildung 2.2, so sieht man, dass bei verdorrten Pflanzen kein solch

sprunghafter Anstieg zu erkennen ist. Die Kurve verläuft deutlich gleichmäßiger und flacher im

Anstieg.

Die gesammelten Erkenntnisse über den Red-Edge-Bereich sind noch weitestgehend neu und

noch nicht vollständig untersucht. Neueste Forschungen zeigen jedoch, dass dieser Bereich bei

9 Infrarote Pflanzen, Geographisches Institut der Universität Bonn, siehe Literaturverzeichnis [28]

11

der Erkennung der Vegetation und der spezifischen Eigenschaften von Pflanzen eine sehr große

Rolle spielt.

Abbildung 2.2: Grad der Reflexion von Wellen in Abhängigkeit der Wellenlänge ("Wavelength [nm]").

Gesunde Vegetation im Vergleich zu trockener Vegetation und Boden

Quelle: [7] (siehe Literaturverzeichnis)

Hilfreich sind die aus diesem Bereich des elektromagnetischen Spektrums gewonnenen

Informationen bei der Identifizierung von Pflanzenarten, sowie dem Vitalitäts- und

Stresszustandes einer Pflanze. Eine geringe Bandbreite, die keine unnötigen Daten aus

benachbarten Bändern mit aufnimmt, ist dabei besonders hilfreich.

Die elektromagnetischen Wellen im Red-Edge-Bereich sind besonders sensitiv gegenüber dem

Chlorophyll / Stickstoff-Verhältnis einer Pflanze. 10 Dies kann die Trennung von Pflanzenarten

möglich machen. Wie sich in den späteren Analysen zeigt, spielt der Red-Edge-Kanal des

Kamerasystems, besonders bei der Identifizierung des Vitalitätszustandes der Pflanzen eine

wichtige Rolle.

Die aktuelle Forschung mit hyper- und multispektralen Daten umfasst die hochgenaue

Erfassung einer Vielzahl von Pflanzencharakteristiken. Besonders aus der großen Datenmenge

hyperspektraler Aufnahmen lassen sich landwirtschaftliche Flächen genau identifizieren. Die

folgende Aufzählung zeigt nur einen Teil der heute bereits möglichen Analysen11:

10 Blackbridge: The RapidEye Red-Edge Band, BlackBridge – Delivering the World, siehe Literaturverzeichnis [7]

11 S. 4, Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of Vegetation, siehe Literaturverzeichnis [1]

12

Detektion des Stressfaktors einer Pflanze

Messung des Chlorophyllgehalts einer Pflanze

Messung geringer Unterschiede in der Pflanzenbedeckung

Messung biochemischer Parameter einer Pflanze (z.B. Stickstoff)

Klassifikation der aufgenommenen Kulturen

Detektion des Feuchtigkeitsgehaltes einer Pflanze

Im Rahmen dieser Arbeit wird eine Multispektralkamera verwendet. Dadurch können die oben

beschriebenen Faktoren nicht alle aufgedeckt werden. Sie sollen nur den aktuellen Stand der

Technik aufzeigen. Generell gilt, dass hyperspektrale Daten eine signifikant bessere

Charakterisierung, Klassifizierung, Modellierung und Kartierung der Pflanzen ermöglichen.12

Grund dafür ist unter anderem die geringere Bandbreite hyperspektraler Kanäle, die eine

genauere Identifizierung der Daten zulässt.

2.2. Kamerasystem

Zur Untersuchung der landwirtschaftlichen Flächen wurde eine speziell hierfür vorgesehene

Multispektralkamera verwendet. Diese wurde an eine unbemannte Flugdrohne montiert, die im

Anschluss ebenfalls kurz vorgestellt wird.

2.2.1. Multispektralkamera TETRACAM µ-MCA

Bei dem in dieser Arbeit verwendeten Kameramodell handelt es sich um eine Micro-MCA Snap

4 der Firma TETRACAM aus Chatsworth, Kalifornien (USA). Im Folgenden wird das Gerät der

Einfachheit halber als µ-MCA bezeichnet. Die µ-MCA ist der direkte Nachfolger der Mini-MCA,

eine der bekanntesten Multispektralkameras der Firma TETRACAM. Besondere Beliebtheit

erfährt diese Modellreihe aufgrund ihrer Kompaktheit und dadurch, dass die einzelnen

Spektralkanäle, innerhalb eines bestimmten Spektrums, frei auswählbar sind. Dies macht die µ-

MCA zu einem vielseitig einsetzbaren Gerät, welches einfach für unterschiedliche

Anwendungsbereiche in der multispektralen Bildanalyse umgerüstet werden kann.


13

Abbildung 2.3: Frontansicht TETRACAM µ-MCA Snap 4

Die Bezeichnung MCA steht im Englischen für „Multiple Camera Array“ und beschreibt damit

die grundlegende Eigenschaft der µ-MCA. Sie besteht aus einem Feld („Array“) aus 4, 6 oder 12

Kameras mit CMOS-Sensoren auf der Unterseite (siehe Abbildung 2.5). Im Rahmen dieser

Arbeit wurde die Ausführung mit 4 Kameras verwendet, wie es bereits aus der

Kamerabezeichnung „Snap 4“ ersichtlich ist. Die einzelnen Sensoren besitzen eine Auflösung

von jeweils 1,3 Megapixel.

In der Standardvariante der µ-MCA sind die Kameras mit Rolling-Shutter-Sensoren ausgestattet.

Dabei werden die Bilddaten der Sensoren bei Auslösung Zeile für Zeile, von oben nach unten

ausgelesen. Dies hat den großen Nachteil, dass besonders bei sich bewegenden Objekten oder

bei einer geringen Distanz zwischen Kamera und Objekt, eine entsprechend hohe Verzeichnung

auftreten kann. Dieser Effekt wird allgemein als der Rolling-Shutter-Effekt bezeichnet. Bei den

Sensoren der µ-MCA Snap handelt es sich um sogenannte Snap-Sensoren. Der Sensor wird dabei

komplett in einem Durchgang ausgelesen. Diese Variante ist kostenintensiver, aber bietet

hingegen den großen Vorteil von Bildern, die frei von Verzeichnung und Bewegungsunschärfe

sind. Dies ermöglicht auch die Aufnahme bei höheren Geschwindigkeiten oder auch bei

geringeren Abständen zum Objekt.

14

Im Gegensatz zur Standardvariante ist somit eine Distanz zum Objekt, trotz Bewegungen des

Kamerasystems, von weniger als 2.500 Fuß (ca. 760 Meter) möglich13. Für die Verwendung mit

einem unbemannten und daher weniger stabil fliegenden Flugobjekt, wie es in dieser Arbeit der

Fall ist, ist der Einsatz der Snap-Version der µ-MCA unerlässlich. Grundsätzlich ist sie auch für

die meisten anderen Anwendungen empfehlenswert.

Die Dimensionen der einzelnen eingebauten Sensoren betragen jeweils 6,66 x 5,32 Millimeter.

Die Brennweite liegt bei 9,6 Millimeter.

Eine besonders wichtige Eigenschaft der µ-MCA-Modelle ist, dass zwischen Sensor und Linse

jeder Kamera jeweils ein einzelner unterschiedlicher Bandpass-Filter angebracht ist, was das

Gerät zu einer Multispektralkamera macht. Somit sind je nach Ausführung Bilder in 4, 6 oder

12 unterschiedlichen Kanälen pro Auslösezeitpunkt aufnehmbar. TETRACAM bietet (hergestellt

durch die Firma Andover Corporation, USA) Filter zwischen 400 und 1150 Nanometer an, die

bei Bestellung der Kamera frei gewählt werden können. Die Bandpassfilter können, falls

gewollt, später durch andere Filter ausgetauscht werden. Die µ-MCA ist daher für eine Vielzahl

von unterschiedlichen Einsatzgebieten verwendbar. Die im Rahmen dieser Arbeit verwendete

µ-MCA Snap 4 verfügt über folgende Bandpass-Filter mit zentraler Wellenlänge und ihrer

jeweiligen Bandbreite14:

Master: 700 +10/-0 nm Bandbreite: 40 ±8 nm

Slave 1: 550 ±2 nm 20 ±4 nm

Slave 2: 650 ±2 nm 20 ±4 nm

Slave 3: 850 ±2 nm 20 ±4 nm

Eine der eingebauten Kameras wird bei der Auslieferung durch TETRACAM als „Master“-

Kamera bezeichnet. Die Master-Kamera gibt das Signal zur Auslösung an die restlichen „Slave“-

Kameras weiter. Für die praktische Verwendung der µ-MCA hat diese Bezeichnung, bis auf die

Dateibenennung der Bilder anschließend, keine Bedeutung. Die Anordnung der Master- und

Slave-Kameras ist in Abbildung 2.5 ersichtlich.

Alle Kameras sind zeitlich exakt synchronisiert, um zum gleichen Zeitpunkt auszulösen.

TETRACAM stellt dem Nutzer ein sogenanntes „MCA alignement file“ zur Verfügung, welches

das Subpixel-genaue Alignieren der einzelnen Kameras mit der beigefügten Software Pixel

Wrench 2 (siehe Kapitel 2.4) ermöglicht15. Dadurch erhält man den exakt selben Bildausschnitt

von jeder Kamera zu jedem Auslösezeitpunkt. Die Linsen der Kameras sind auf einen Bereich

von 3 Meter Objektentfernung bis unendlich fokussiert.

13 Quelle: Micro-MCA, Tetracam’s Micro-Miniature Multiple Camera Array System (Produktbeschreibung auf der TETRACAM-Website), siehe

Literaturverzeichnis [24] 14 Andover Corporation Katalog: https://www.andovercorp.com/static/pdf/catalog.pdf 15 Quelle: Micro-MCA, Tetracam’s Micro-Miniature Multiple Camera Array System (Produktbeschreibung auf der TETRACAM-Website) , siehe


15

Abbildung 2.4 zeigt die Verteilung der gewählten Kanäle auf dem Farbspektrum mit deren

Bandbreiten. Die Farben in der Abbildung sind nicht zwingend exakt, sondern dienen nur der

ungefähren Anschauung und Abschätzung. Die oben angegebenen Fehler der Wellenlängen

wurden in der nachfolgenden Abbildung nicht berücksichtigt.

Abbildung 2.4: Darstellung der gewählten Kanäle und deren Bandbreiten (gestrichelt) auf einer Farbskala

Quelle: Selbst angefertigte Zeichnung

Im Folgenden werden die Kanäle auch anhand ihrer Wellenlänge, bzw. ihrer Position im

farblichen Spektrum (siehe Abbildung 2.4) bezeichnet. Diese Bezeichnung wird im weiteren

Verlauf dieser Arbeit beibehalten.

Master: Red-Edge-Kanal (Red-Edge beschreibt den Übergangsbereich zwischen Rot

und nahem Infrarot)

Slave 1: Grüner Kanal

Slave 2: Roter Kanal

Slave 3: NIR-Kanal (nahes Infrarot)

Da in dieser Arbeit sehr oft die oben aufgeführten Bezeichnungen für die Kanäle verwendet

werden, ist es sehr wichtig anzumerken, dass stets das jeweils gesamte Spektralband, sprich die

jeweilige Hauptfrequenz und dazugehörige Bandbreite, gemeint ist.

Die Auswahl speziell dieser Filter basierte einerseits auf Erkenntnissen der Wissenschaft

hinsichtlich der Reflexionseigenschaften von Pflanzen (siehe Kapitel 2.1.1) und andererseits auf

Erfahrungen der Firma TETRACAM, die bei der Auswahl geeigneter Filter behilflich war. Als

eine weiterführende Untersuchung wäre der Vergleich mit unterschiedlichen Kanälen und

Bandbreiten denkbar, um das möglichst optimale Kanal-set für das jeweilige Einsatzgebiet zu

bestimmen.

16

Abbildung 2.5: Unteransicht der µ-MCA mit den 4 Kameras und deren Bezeichnung

Die Bedienung der Kamera erfolgt entweder per Hand über die Bedienknöpfe an der Kamera

oder über den multifunktionalen Input-/Output-Stecker (I/O-Stecker) mit 16 Pins, die wichtige

Funktionen belegen, wie zum Beispiel das Bedienen oder Auslösen der µ-MCA16.

Die Bedienelemente und Anschlüsse sind hauptsächlich an der Frontseite der µ-MCA

angebracht. In Abbildung 2.6 sind von links nach rechts zu sehen:

(1) Stromanschluss

(2) serielle Schnittstelle (RS232, z.B. zum Anschluss eines GPS-Receivers)

(3) Video-Ausgang

(4) Multifunktionaler I/O-Stecker

(5) Status LED

(6) Bedienknöpfe (Aufnahme, Menüeinträge durchblättern unten/oben, Menüeintrag

bestätigen)

16 Belegung der Pins ist der µ-MCA beigefügten Dokumentation zu entnehmen, siehe Literaturverzeichnis [26]

17

Abbildung 2.6: Voderansicht der µ-MCA mit Kennzeichnung der Bedienelemente.

Da die in Kapitel 2.3 vorgestellte Flugdrohne über einen eigenen GPS-Receiver verfügt, der den

Flugweg aufzeichnet, blieb die RS232-Schnittstelle (2) ungenutzt. Eine angeschlossene GPS-

Antenne dient bei der Georeferenzierung der Aufnahmen, was im Rahmen der Aufgabenstellung

allerdings nicht gefordert ist.

Über den Video-Ausgang (3) kann das Live-Bild der Master-Kamera (siehe Abbildung 2.7),

sowie das Einstellungsmenü auf einen separaten Bildschirm übertragen werden. Auf dem Live-

Bild werden zusätzlich nützliche Informationen, wie Uhrzeit, Anzahl der aufgenommenen

Bilder und, falls vorhanden, GPS-Koordinaten der Kamera angezeigt. Mit Hilfe der

Bedienknöpfe (6) an der Kamera lässt sich das Menü öffnen, um diverse Einstellung

vorzunehmen (Datum und Uhrzeit einstellen, Dateiformat, Auflösung und Aufnahmeintervall

auswählen oder Bilder löschen) oder aufgenommene Bilder zu betrachten. Letzteres dient nur

der schnellen Übersicht darüber, ob beispielsweise das gesamte Feld aufgenommen wurde.

Weitere Auswertungen und Betrachtungen sollten ausschließlich am Computer mit der

dazugehörigen Software erfolgen, um auch wichtige Details in den Aufnahmen zu erkennen.

Während der Befliegung ist die µ-MCA mittels der Befestigungsschrauben (siehe Abbildung 2.6)

an der Drohne angebracht. Die Bedienung erfolgt dann per Fernsteuerung, wie bereits erwähnt,

über den multifunktionalen I/O-Stecker (4). Bevor die µ-MCA an der Drohne montiert wird,

18

sollten deren Einstellungen per externem Monitor nochmals überprüft werden. Dies ist wichtig,

um zu gewährleisten, dass sämtliche getätigte Aufnahmen in der gleichen Auflösung und im

gleichen Dateiformat erstellt werden. Über den I/O-Stecker werden die Aufnahmen zu vorher

eingestellten Zeitintervallen ausgelöst (siehe Kapitel 2.3).

Abbildung 2.7: Live Viewfinder der µ-MCA mit eingeblendeten Informationen

Quelle: Selbst erstellte Bildschirmabbildung

Abbildung 2.8: Einstellungsmenü der µ-MCA

Quelle: Selbst erstellte Bildschirmabbildung

Die Status-Led (5) zeigt durch grünes Licht an, ob die µ-MCA in Betrieb ist. Beim Auslösen

leuchtet sie kurz rot, bis das Bild gespeichert und die Kameras bereit für die nächste Aufnahme

sind. Ein ständiges rotes Licht, deutet auf eine Fehlfunktion hin (siehe Kapitel 2.2.3).

Als Speichermedium dienen Micro-SD-Karten mit einer Speicherkapazität von jeweils 16

Gigabyte. Sie befinden sich zu beiden Seiten der µ-MCA (siehe Abbildung 2.6). Jede der 4

Kameras speichert die Bilder auf einer eigenen Micro-SD-Karte ab. Wird die µ-MCA zur

Datenübertragung an einen Computer angeschlossen, so öffnen sich also 4 einzelne Laufwerke,

die jeweils alle Aufnahmen eines Kanals beinhalten. In der Praxis stellten sich die Micro-SD-

19

Karten als besonders fehleranfällig heraus. Eine nähere Beschreibung zu den aufgetretenen

Problemen findet sich in Kapitel 2.2.3.

Im Aufnahmemenü kann zwischen diversen Bildformaten gewählt werden. Zur Verfügung

stehen zwei RAW-Formate (8bit und 10bit), ein komprimiertes DCM-Format und ein spezielles

RWS-Format. Für sämtliche Aufnahmen wurde das 10bit RAW-Format gewählt, das die höchste

Qualität und schnellste Aufnahmerate (abgesehen von dem RWS-Format) bietet17.

Eine komplette, detaillierte Beschreibung der Bedienung der µ-MCA würde an dieser Stelle den

Rahmen sprengen und ist somit nicht Teil dieser Arbeit. Die unkomplizierte Handhabung der

Kamera ist dem englischsprachigen Handbuch zu entnehmen, welches die einzelnen Funktionen

gut und präzise beschreibt.

2.2.2. Incident Light Sensor (ILS)

Optional zur µ-MCA ist zusätzlich ein Incident Light Sensor (ILS) erhältlich. Dieser Sensor wird

grob in Richtung der Lichtquelle, bzw. der Sonne gerichtet und per Serial Port auf der Unterseite

der µ-MCA mit dieser verbunden. Zu jedem Aufnahmezeitpunkt der Master-Kamera nimmt der

ILS-Sensor die Intensität der Sonnenstrahlung auf, damit diese später mit Hilfe der Software

Pixel Wrench 2 aus den Bilder wieder herausgerechnet werden kann. Dies kann aufgrund der

unterschiedlichen Strahlungsintensitäten der Sonne, je nach Sonnenstand, Wolkenstand,

Luftfeuchtigkeit und Luftverschmutzung, nötig sein. Man erhält also im Anschluss Aufnahmen

ohne Sonnenreflexionen, die dadurch besser mit anderen Daten vergleichbar sind18. Abbildung

2.10 zeigt den beispielhaften Vergleich einer Aufnahme, bei der im rechten Teil möglicherweise

störende Reflexionen eliminiert wurden.

17 Quelle: TETRACAM µ-MCA User’s Guide, TETRACAM Inc. , siehe Literaturverzeichnis [26] 18 Quelle: Incident Light Sensor (Produktbeschreibung auf der TETRACAM-Website), siehe Literaturverzeichnis [25]

20

Abbildung 2.9: Optional wird der Incident Light Sensor per Plastikklemmen an die Flugdrohne montiert und per Kabel mit der

µ-MCA verbunden

Aufgrund technischer Probleme, vermutlich mit der eingebauten SD-Karte, konnte der ILS-

Sensor allerdings nicht verwendet werden.

Je nach Anwendungsgebiet kann ein ILS-Sensor wertvolle Daten liefern, was die Erwähnung

des Sensors in dieser Arbeit rechtfertigen soll. Da im Rahmen dieser Arbeit nur Felder senkrecht

von oben aufgenommen wurden, sind keine größeren störenden Reflexionen von

Sonnenstrahlen zu erwarten. Auch Schattenwürfe von Pflanzen innerhalb einer Feldes, die bei

einem Einsatz des ILS herausgerechnet worden wären, fielen aufgrund des dichten Bewuches

(Mais) oder der geringen Höhe der Pflanzen (Zuckerrüben) wenig ins Gewicht. Dies hat sich

auch im Anschluss bei der Auswertung gezeigt. Der Ausfall des ILS ist also in diesem Fall

verschmerzbar.

Abbildung 2.10: Beispiel einer Aufnahme ohne ILS (links) und mit ILS (rechts)

Quelle: Incident Light Sensor (Produktbeschreibung auf der TETRACAM-Website):

http://www.tetracam.com/Products_Incident%20Light%20Sensor.htm

21

2.2.3. Probleme in der Praxis

In der Praxis wiesen die Micro-SD-Karten öfter eine erhebliche Fehlfunktion auf. Bei jedem Start

der µ-MCA durch Herstellen der Stromzufuhr werden alle Kamerakomponenten und die Micro-

SD-Karten auf Fehler geprüft. Einige Male wurden dabei unterschiedliche Fehlfunktionen der

Speicherkarten festgestellt. Einzelne Micro-SD-Karten konnten stellenweise entweder von der

µ-MCA nicht als funktionierende Karte erkannt werden oder die Nummerierung der Bilder auf

einer der Karten war nicht identisch mit der der anderen. Bei einer aufgetretenen Fehlfunktion

bleibt die Status-LED rot leuchtend. In diesem Fall wird eine knappe Fehlerbeschreibung auf

dem externen Monitor ausgegeben.

Es ist zwar möglich diese Fehlermeldung, durch Betätigen der Bedientasten zu umgehen und

die Befliegung durchzuführen. Es werden dann allerdings keine Aufnahmen auf der als Defekt

gemeldeten Micro-SD-Karte gespeichert und es fehlen Daten in einem Spektralband. Es ist

ratsam daher direkt nach auftretender Fehlermeldung die Flugvorbereitungen abzubrechen und

die µ-MCA per USB-Kabel mit einem Computer zu verbinden.

Glücklicherweise konnte eine als Defekt gemeldete Speicherkarte in jedem aufgetretenen Fall

am Computer „repariert“ werden. Dazu wird die Speicherkarte per Windows-Reparaturfunktion

(ähnliche Funktionen stellen auch andere Betriebssysteme bereit) repariert. Daten gingen dabei

zu keinem Zeitpunkt verloren. Dennoch ist es ratsam die Daten möglichst nach jedem

erfolgreichen Flug extern zu sichern. Aufgrund der aufgetretenen Fehler ist es nicht

auszuschließen, dass weitere schwerwiegendere Fehler mit einhergehendem Datenverlust

auftreten können.

Eine genaue, erklärende Ursache für diese zeitweise recht häufig auftretende Fehlfunktion

konnte nicht festgestellt werden. Eine mögliche Begründung könnten Fehler bei der jeweils

vorherigen Übertragung der Daten zwischen µ-MCA und Computer sein.

2.3. Kameraträger (Unmanned aerial vehicle UAV)

Wie bereits mehrfach erwähnt, wurde die µ-MCA im Rahmen dieser Arbeit von einer

unbemannten Drohne (engl.: Unmanned aerial vehicle, UAV) getragen. Bei dem vom Institut

für Geodäsie zur Verfügung gestelltem UAV handelt es sich um eine 8-rotorige Drohne, einem

Oktocopter. Die µ-MCA wird während des gesamten Fluges, durch die frei schwenkbare

Kameraplattform der UAV, stabil gehalten. Während des Fluges sind die Kameras stets senkrecht

nach unten in Richtung Boden gerichtet. Eine eingebaute elektronische Inertiale Messeinheit

(engl.: Inertial Measurement Unit, IMU) misst kontinuierlich die Verkippungen der UAV

während des Fluges und betätigt die Servomotoren der Kameraplattform, um diese in der

richtigen Position zu halten.

Start und Landung der UAV werden mittels Funkfernbedienung manuell gesteuert. Da die UAV

über eine eingebaute GPS-Antenne und eine entsprechend ausgestattete Steuereinheit verfügt,

ist es möglich per Software eine Flugbahn zu erstellen, welche die UAV eigenständig abfliegen

22

Abbildung 2.11: UAV mit montierter µ-MCA. Die pinke Markierung bestimmt die Flugrichtung.

kann. Die Flugplanung muss vor dem Flug am Computer mit dem Programm „Mikrokopter-

Tool“ berechnet werden.

Abbildung 2.12: Manuelles starten und landen der Flugdrohne per Funkfernsteuerung. Bedient wurde sie von Dipl.-Ing. Dieter

Steineck, Wissenschaftlicher Mitarbeiter am Fachgebiet Fernerkundung und Bildanalyse der TU Darmstadt.

23

Von dem zu befliegenden Gebiet wird dazu eine Satellitenkarte von Google-Maps verwendet,

auf dem der eingegebene Flugweg zu erkennen ist. Dabei werden auch Parameter, wie Flughöhe

(hier: 50 Meter) und Auslösezeitpunkt (hier: alle 5 Meter) eingegeben. Die GPS-Eckkoordinaten

der Flugbahnen und sonstige eingegebene Parameter werden dann im Anschluss per Funk an

den Steuerungscomputer der UAV übermittelt. Kurz nach dem manuellen Start fliegt die UAV

die berechnete Flugbahn automatisch und eigenständig ab.

Die Stromversorgung der µ-MCA während des Fluges wird durch die Batterien der UAV

sichergestellt. Bei vollständig aufgeladenen Batterien, beträgt die maximal mögliche Flugzeit

der UAV mit angebrachter µ-MCA etwa 20 Minuten. Dabei sollte zur Sicherheit etwas

zusätzliche Zeit für die Landung eingeplant werden. Bei stärkerem Wind und größerer Last

durch eventuell zusätzlich angebrachte Sensoren, reduziert sich die Flugzeit dementsprechend.

Das Gewicht der µ-MCA beträgt laut Herstellerangaben 497 Gramm19.

Abbildung 2.13: UAV mit montierter µ-MCA über einem Zuckerrübenfeld

19 Quelle: Micro-MCA, Tetracam’s Micro-Miniature Multiple Camera Array System (Produktbeschreibung auf der TETRACAM-Website) , siehe


24

Das automatische Auslösen der Kameras alle 5 Meter wird durch den Steuerungs-computer der

UAV gesteuert. Über Funk wird das Videosignal an einen kleinen externen Monitor an der

Funkfernbedienung gesendet. Während des Fluges können Position und Verhalten der µ-MCA

und der UAV stets überwacht werden. In der Praxis wurden, aufgrund der schwachen

Sendeleistung, oft Funkausfälle festgestellt. Die Durchführung des Fluges ist dabei allerdings

nicht beeinträchtigt, da die gesamten Fluginformationen zuvor an die UAV intern übertragen

wurden.

Abbildung 2.14: Schwenkbare Kameraplattform mit montierter µ-MCA. Kabel für die Stromzufuhr, das Auslösen und die Live-

Bild-Übertragung wurden zur Übersicht entfernt.

Im Folgenden ist zu sehen, dass die beflogenen Felder nicht komplett zu 100 % durch

Aufnahmen abgedeckt wurden. Auf eine komplette Abdeckung wurde im Rahmen dieser Arbeit

kein besonderer Wert gelegt. Für eine erfolgreiche Auswertung der Aufnahmen ist dies auch

nicht zwingend notwendig gewesen, da nicht nach einer bestimmten Auflösung, o.ä. gefragt ist.

Die Flughöhe beträgt bei allen Aufnahmen 50 Meter. Streifenabstand und Streifenlänge wurden

so gewählt, dass ein Großteil des Feldes, während der zur Verfügung stehenden Flugzeit,

abgedeckt werden konnte.

2.4. Pixel Wrench 2

Im Lieferumfang der µ-MCA von TETRACAM ist ebenfalls das Programm „Pixel Wrench 2“

(PW2) von derselben Firma enthalten. Es stellt diverse Funktionen zur Bildübertragung (von

der µ-MCA zum Computer) und zur Bildverarbeitung und-analyse bereit. Auf den ersten Blick

25

wirkt das Programm sehr einfach und schlicht. Allerdings stellt sich Pixel Wrench 2 als sehr

mächtiges Bearbeitungs- und Analyseprogramm dar.

Nach Anschluss der µ-MCA an den Computer kann das Einlesen der Aufnahmen händisch durch

den Datei-Explorer durchgeführt werden. Einfacher ist das Einlesen mittels der Funktion „GPS

Log Distiller“. Diese Funktion liest auch Aufnahmen ohne GPS-Stempel ein und speichert diese

in einem Wunschordner unter einer bestimmten Ordnerstruktur ab, die die Weiterverarbeitung

mit PW2 erleichtert.

Wie oben bereits erwähnt, wurden sämtliche Aufnahmen im 10bit RAW-Format erstellt. Dieses

Format lässt sich nur mit PW2 korrekt interpretieren. Zur weiteren Verarbeitung der Aufnahmen

durch andere Programme (z.B. Matlab, siehe Kapitel 4) müssen die Aufnahmen in

herkömmliche Bildformate (BMP, JPG, TIFF, PNG, etc.) umgewandelt werden. Dazu stellt PW2

diverse Batch-Funktionen zur Verfügung, die eine automatische Datenumwandlung großer

Datenmengen ermöglicht.

Ebenfalls ermöglicht PW2 die Berechnung diverser Vegetations-Indexe und Bildbearbeitung.

Um die Ergebnisse für diese Arbeit in geeigneter Weise darzustellen, wurden einige der

Berechnungen hingegen mit Matlab erstellt. Dadurch ist es möglich sich nur auf gewünschte

Bereiche zu konzentrieren und die Ergebnisse besser zu fokussieren und darzustellen.

2.5. Bildaufnahme

Die einzelnen Aufnahmen haben eine Auflösung von 1280 x 1024 Pixeln und eine Dateigröße

von jeweils etwa 1,25 Megabyte pro Aufnahme und Kanal (im 10bit RAW-Format).

Dementsprechend werden pro Aufnahmezeitpunkt insgesamt etwa 6 Megabyte an Daten

erstellt20.

Bei oben genannter Sensordimension (6,66 x 5,32 Millimeter) und Brennweite (9,6 Millimeter)

ergibt sich bei einer Flughöhe von 50 Metern über Grund eine Bildgröße am Boden von 34,7 x

27,7 Metern. Die Objektpixelgröße (engl.: Ground sampling distance, GSD) beträgt 27,08

Millimeter. Diese Werte wurden mit Hilfe des „Field-Of-View Calculators“, einer in Pixel Wrench

2 eingebauten Funktion zur Bestimmung von Bildüberlappung, Auflösung und anderen

Parametern, berechnet.

Dadurch, dass die Kameras der µ-MCA monochromatische Bilder aufnehmen, erscheinen die

Bilder für den Betrachter in Grau. Eine nachträgliche Einfärbung der Bilder, um diese der

Originalfarbe näher zu bringen, dient nur der Darstellung der Daten und wurde deshalb nicht

angewendet. Die Bearbeitung und Analyse erfolgt ausschließlich mit den unbearbeiteten,

monochromatischen Bildern. Die Abbildungen 2.15 bis 2.18 zeigen als Beispiel RAW-

Aufnahmen eines Energiemaisfeldes, angezeigt mit der Software in Pixel Wrench 2.

20 Quelle: Micro-MCA, Tetracam’s Micro-Miniature Multiple Camera Array System (Produktbeschreibung auf der TETRACAM-Website) , siehe


26

Abbildung 2.15: 10bit RAW-Aufnahme eines Energiemaisfeldes (Red-Edge-Kanal, 700nm)

Quelle: Bildschirmabbildung aus Pixel Wrench 2

Abbildung 2.16: 10bit RAW-Aufnahme eines Energiemaisfeldes (Grüner Kanal, 550nm)


27

Abbildung 2.17: 10bit RAW-Aufnahme eines Energiemaisfeldes (Roter Kanal, 650nm)


Abbildung 2.18: 10bit RAW-Aufnahme eines Energiemaisfeldes (NIR-Kanal, 850nm)


28

Gut zu erkennen sind die zum Teil sehr großen Unterschiede in den Grauwerten, besonders im

nahen Infrarotbereich. An dieser Stelle gibt es eine für gesunde Pflanzen zu erwartende starke

Rückstrahlung (siehe Abbildung 2.18). Die unbefruchtete Ackerfläche links der Maispflanzen

weist in allen Bildern eine etwa gleich starke Intensität aus und ist somit leicht als Boden zu

erkennen. Im grünen und roten Kanal (Abbildungen 2.16 und 2.17) erscheinen die

Maispflanzen sehr dunkel. Die Rückstrahlung ist in diesen Bereichen schwach ausgeprägt. Die

Wichtigkeit der beiden Infrarot-Kanäle ist also bereits bei Betrachtung der Rohaufnahmen zu

erkennen. Ziel dieser Arbeit ist unter anderem die Brauchbarkeit der Kanäle das in dieser Arbeit

genannte Einsatzziel zu ermitteln und faktisch darzulegen.

Besonders deutlich wird der Vorteil des Red-Edge Kanales bei der Erkennung von Unkraut in

Feldern (z.B. Schilfgewächse und andere Sträucher), welches zwischen den eigentlich

vorgesehenen Pflanzen durchwächst. Um dies zu verdeutlichen, wurde hier als Beispiel

(Abbildungen 2.19 bis 2.22) eine Aufnahme eines Zuckerrübenfeldes gewählt. Große Flächen

sind durch ein Schilfgewächs durchwachsen, welches besonders gut in der Red-Edge-Aufnahme

zurückstrahlt. Eine Nahaufnahme dieses Schilfgewächses vom Boden aus, ist in Abbildung 3.9

zu sehen.

Wiederum sind in den NIR-Aufnahmen (Abbildung 2.22) besonders gut Bereiche ohne Bewuchs

zu erkennen. Dies kann bei der Detektion von feuchten Stellen im Acker, die zu feucht für einen

ausreichenden Bewuchs sind, behilflich sein. Die Wichtigkeit der Erkennung solcher Flächen

wird in Kapitel 5.3 näher erläutert. Auch Fahrspuren eines Traktors sind in diesen Aufnahmen

besonders gut zu erkennen.

29

Abbildung 2.19: 10bit RAW-Aufnahme eines Zuckerrübenfeldes. Helle Flächen als Schilfgewächse (Red-Edge-Kanal, 700nm)


Abbildung 2.20: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Grüner Kanal, 550nm)


30

Abbildung 2.21: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Roter Kanal, 650nm)


Abbildung 2.22: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (NIR-Kanal, 850nm)


31

Auch im grünen und roten Kanal sind die störenden Gewächse noch erkennbar. Der Kontrast ist

aber im Gegensatz zum Red-Edge-Kanal weitaus abgeschwächter. Im NIR-Kanal verschwinden

sie aufgrund der ebenfalls starken Rückstrahlung nahezu komplett.

Aus grober Betrachtung der Daten können bereits einige Schlüsse über die Vitalität der Pflanzen

und andere Faktoren gezogen werden. Besonders lassen sich aus den Daten des NIR-Kanals

bereits viele wichtige Rückschlüsse über die Pflanzen ziehen. Das Ziel dieser Arbeit hingegen ist

es, zunächst versteckte Strukturen in den Daten zu entdecken und richtig zu interpretieren, um

weitere Informationen aus den Daten zu ziehen.

32

3. Vorstellung ausgewählter Flächen

In diesem Kapitel sollen die aufgenommenen Felder mit ihren Besonderheiten vorgestellt

werden. Die Befliegung fand im Oktober 2015 statt. Aufgrund des bereits herannahenden

Winters, ergab sich keine große Auswahl an Feldern, die zur Befliegung geeignet war. Der

Großteil der Felder wurde bereits abgeerntet oder lag zu diesem Zeitpunkt brach. Im

Befliegungsgebiet rund um Darmstadt, fanden sich nach gründlicher Suche noch einige wenige

Zuckerrüben- und Maisfelder (Energiemais und Körnermais). Als Energiemais bezeichnet man

spät ausgesäten Mais, der zur Verbrennung in Biogasanlagen genutzt wird21.

Energiemaispflanzen entwickeln keine oder erst sehr spät im Wachstumsstadium Maiskolben,

da als Biomasse nur große und viele starke Blätter an der Maispflanze von Interesse sind.

Energiemaispflanzen wachsen also in der Regel höher und dichter, als normaler Körnermais,

dessen Maiskolben früher geerntet werden.

Im Oktober 2015 fanden Befliegungen an 3 Tagen statt. Abbildung 3.1 zeigt den Standort der

zur weiteren Analyse ausgewählten Felder in der Umgebung von Darmstadt.

Abbildung 3.1: Umgebungskarte Darmstadt mit ungefährem Standort der Felder (nicht maßstabsgetreu, genordet)

Quelle: Eigens erstellte Google Maps Karte

Die nachfolgend eingeführten Bezeichnungen a) bis e) der Felder sind später in den anderen

Kapiteln wiederzufinden. Sie dienen der einfachen Unterscheidung der Felder in Graphen und

Tabellen.

21 Quelle: Website Komm ins Beet: Nutzpflanzen: Herkunft, Züchtung und Forschung: Biogas, http://www.komm-ins-

beet.mpg.de/wissenswertes/nachwachsende-rohstoffe/biogas-ii

33

3.1. a) Energiemais bei Geinsheim am Rhein, Aufnahmedatum: 01.10.2015

Abbildung 3.2: Dicht bewachsener Energiemais ohne Maiskolben bei Geinsheim am Rhein (01.10.2015)

Abbildung 3.3: Beispielaufnahme mit der µ-MCA aus dem Energiemaisfeld (Oben links im

Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal)

Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen

34

Das Energiemaisfeld war zu dieser Jahreszeit noch sehr grün und dicht bewachsen. Vom Boden

aus konnten, aufgrund der Größe der Maispflanzen, keine Besonderheiten im Feld erkannt

werden. Auch die Auswertung der Daten im Anschluss zeigte, dass das Feld sehr gleichmäßig

bewachsen war. Damit dient dieses Feld besonders gut als Beispiel für gesunde Maispflanzen.

Durch den starken Bewuchs treten keine kahlen Stellen im Feld auf, an denen der Ackerboden

zu sehen sein könnte.

3.2. b) Körnermais bei Semd, Aufnahmedatum: 28.10.2015

Abbildung 3.4: Stark gebräuntes Körnermaisfeld bei Semd (28.10.2015)

35

Abbildung 3.5: Beispielaufnahme mit der µ-MCA aus dem Körnermaisfeld (Oben links im



Das aufgenommene Körnermaisfeld steht ganz im Gegensatz zum Energiemais. Die Früchte sind

bereits lange überreif und die Pflanzen abgestorben. Wie in Abbildung 3.5 zu erkennen, zeigen

die Aufnahmen keine große Variation. Die Rückstrahlung im Infrarot-Bereich fällt unverkennbar

geringer aus, als bei den anderen Feldern. Dies erlaubt weitere Untersuchungen hinsichtlich der

Vitalität von Maispflanzen. Aus der Betrachtung der Daten ergab sich dabei die Frage, ob mit

den gewählten Kanälen, trotz der starken Verfärbung der Pflanzen, im Vergleich zum

Energiemais, ähnliche Strukturen in den Daten auftreten.

Ebenfalls gut zu erkennen ist die geradlinige Anordnung der maschinell gesetzten Pflanzen.

3.3. c) Zuckerrüben bei Geinsheim am Rhein, Aufnahmedatum: 01.10.2015 (c1) und 12.10.2015 (c2)

Bei den nachfolgenden Analysen hat sich dieses Feld, aufgrund der vielen auftretenden

Besonderheiten, als besonders interessant erwiesen. Daher werden nachfolgende Analysen

vorwiegend an diesem Feld beschrieben. Wie in den Abbildungen 2.19 bis 2.22 zu erkennen, ist

es durch Schilfgewächse und andere Sträucher zu einem Großteil durchwachsen. Auch sind auf

dem Feld kleine Brachflächen und feuchte Stellen zu erkennen. Die Blätter der

Zuckerrübenpflanzen sind grün und sehen gesund aus, stehen aber zeitlich gesehen bald vor

der Ernte.

36

Abbildung 3.6: Zuckerrübenfeld c2) bei Geinsheim am Rhein (12.10.2015, 2. Befliegung)

Abbildung 3.7:Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im



37

Da dieses Feld an zwei Tagen beflogen worden ist, werden die Daten später durch die

Bezeichnung mit c1 (Aufnahmedatum: 01.10.2015) und c2 (12.10.2015) getrennt.

Abbildung 3.8: Mosaik aus RGB-Luftbildern nach Befliegung des Zuckerrübenfeldes c2) bei Geinsheim am Rhein mit einer

digitalen Spiegelreflexkamera (2. Befliegung)

38

Einige der in diesem Kapitel vorgestellten Felder wurden zusätzlich mit einer digitalen

Spiegelreflexkamera beflogen, um ein Mosaik aus den Luftbildern erstellen zu können.

Abbildung 3.8 zeigt ein solches zusammengesetztes Luftbild des Zuckerrübenfeldes c2) bei

Geinsheim am Rhein bei der 2. Befliegung. Dieses Mosaik wurde mit Hilfe der Programme

Agisoft PhotoScan der Firma Agisoft und GPXporter der Firma ComEuro Concept aus Frankreich

erstellt.

Dieses RGB-Luftbild soll bei der Referenzierung möglicher besonderer Vorkommnisse helfen.

Nachfolgend werden Ausschnitte dieser Abbildung näher betrachtet.

Abbildung 3.9 zeigt eine Nahaufnahme der erwähnten Schilfgewächse. Stellenweise ist der

Bewuchs auf dem Feld sehr dicht. Ringsum sind in diesen Bereichen ebenfalls Stellen zu finden,

wie in Abbildung 3.11 zu sehen. Es handelt sich mit hoher Wahrscheinlichkeit um erhöhte

Feuchtigkeitsansammlungen im Boden, die schädlich für Zuckerrüben, aber ideal für das

Wachstum von Schilf sind. Die zusätzlichen Aufnahmen der Bodenbegebenheiten dienen der

Validierung möglicher Ergebnisse im Anschluss.

Abbildung 3.9: Links: Schilfgewächse wachsen zwischen den Zuckerrüben. Rechts: Nachaufnahme

Im großen Luftbildmosaik sind die Schilfflächen sehr gut zu erkennen (siehe Abbildung 3.8). In

mehreren Bereichen des Feldes sind die hellgrünen Flächen zu sehen, die von Schilf dominiert

sind. Abbildung 3.10 zeigt einen Ausschnitt aus dem großen Mosaik, wobei der Ausschnitt stark

vergrößert wurde. Bei einer weiteren Vergrößerung sind die dünnen Blätter des Schilfes sehr

gut erkennbar.

39

Abbildung 3.10: Vergrößerung des Luftbildmosaiks (Abbildung3.8). Das Schilf hebt sich sehr deutlich von den Zuckerrüben ab.

Die oben kurz erwähnten Brachflächen im Feld sind auch in den Luftbildern klar erkennbar.

Abbildung 3.12 zeigt eine ähnliche Fläche wie in Abbildung 3.11, die vermutlich durch eine

hohe Feuchtigkeitsansammlung zustande gekommen sind.

Abbildung 3.11: Vermutlich durch hohe Feuchtigkeitsansammlungen unbewachsener Bereich

40

Abbildung 3.12: Vergrößerung des Luftbildmosaiks (Abbildung 3.8). Bewässerungsanlage, die vermutlich, aufgrund der hohen

Feuchtigkeitsansammlung, für die kahle Fläche zuständig ist.

Wichtig und für die spätere Analyse hilfreich, ist ein Vergleich der Pflanzen zu beiden

Aufnahmezeitpunkten. Während die Zuckerrübenpflanzen am 01.10.2015 noch sehr grün

erscheinen und die beschriebenen Unkrautgewächse relativ gering gewachsen sind, zeigen sich

bei der zweiten Befliegung am 12.10.2015 bereits Alterserscheinungen an den Pflanzen.

Abbildung 3.13 zeigt links eine Nahaufnahme einer Zuckerrübenpflanze am 01.10.2015. Eine

Nahaufnahme einer Pflanze zum 12.10.2015 liegt leider nicht vor. Bei näherer Betrachtung des

rechten Teils zeigt sich allerdings eine gelb-, bzw. bräunliche Verfärbung an den Blattspitzen.

Die Pflanzen sind also merklich gealtert. Ebenso sind innerhalb der 11 Tage zwischen den

beiden Befliegungen die Unkrautgewächse deutlich ausgeprägter und dichter gewachsen. Die

hier gezeigten Bilder können möglicherweise die Realität nicht eindeutig wiederspiegeln und

sollen nur als Zusatz zur textlichen Beschreibung dienen. In Kapitel 5 wird der untersuchte

Alterungsprozess der Pflanzen in den Ergebnissen dargestellt.

41

Abbildung 3.13: Vergleich der Wachstumsstadien der Pflanzen zu beiden Aufnahmezeitpunkten (links: 01.10., rechts:

12.10.2015)

3.4. d) Zuckerrüben bei Dornheim, Aufnahmedatum: 12.10.2015

Abbildung 3.14: Zuckerrübenfeld bei Dornheim (12.10.2015)

42

Abbildung 3.15: Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im



Das Wachstum der Zuckerrübenpflanzen war sehr vergleichbar mit dem vom Zuckerrübenfeld

c2) bei Geinsheim am Rhein. Die Blätter der Zuckerrübenpflanzen zeigten eine bemerkbare

gelbliche Verfärbung, was auf ein fortgeschrittenes Alter schließen lässt. Allerdings zeigten sich

in diesem Feld keine großflächigen Unkrautgewächse. Lediglich am Rand sind einige solche

kleinen Flächen zu erkennen (siehe Abbildung 3.14). Die Pflanzen sind zu großen Teilen an den

Spitzen bereits gelblich verfärbt. Besonders gut sind Fahrspuren landwirtschaftlicher Geräte und

Maschinen zu erkennen, deren automatische Detektion ein mögliches weiteres Aufgabenfeld

bietet. Diese Detektion ist allerdings nicht Teil dieser Arbeit.

43

3.5. e) Zuckerrüben bei Semd, Aufnahmedatum: 28.10.2015

Abbildung 3.16: RGB-Luftbild des Zuckerrübenfeldes bei Semd (28.10.2015). Leider liegt in

diesem Fall keine Bodenaufnahme vor.




44

Bodenaufnahmen liegen zu diesem Feld leider nicht vor. Abbildung 3.16 zeigt daher eine

Aufnahme des Feldes aus Sicht der Drohne in 50 Metern Höhe, aufgenommen mit einer

handelsüblichen digitalen Spiegelreflexkamera. Das Wachstum der Pflanzen war hingegen

unverkennbar weiter vorangeschritten im Vergleich zu dem der Pflanzen aus den

Zuckerrübenfeldern c) bei Geinsheim am Rhein und d) bei Dornheim. Dies ist auch in den

Aufnahmen des Red-Edge Kanales zu erkennen gewesen, bei dem einige hellere Bereiche im

Feld auftraten. Die Pflanzen erschienen an den gesamten Blättern in ihrer Farbe deutlich gelb-

und bräunlicher und wirkten trockener. Dies war über das gesamte Feld zu beobachten und

nicht nur an vereinzelten Stellen. Eine solche Verfärbung der Pflanzen ist aufgrund des

vorangeschrittenen Datums zu erwarten.

45

4. Analyse der Aufnahmen

Nach Bearbeitung der Aufnahmen und deren Umwandlung in gängige Dateiformate, steht im

nächsten Schritt die Analyse der Bilder an. Ausgewählt wurden nur Aufnahmen, die keine

Störungen in den Feldern, wie z. B. Sträucher oder Schilfgewächse oder freiliegende Bereiche,

aufweisen. Feldränder, Straßen und andere störende Objekte in den Feldern (wie z.B.

Bewässerungsanlagen oder Hütten) bleiben unberücksichtigt. Um möglichst viele Bilddaten zu

erhalten wurden teilweise aus Aufnahmen auch nur Teilbereiche, die gleichmäßigen Bewuchs

zeigten, ausgeschnitten und zur Weiterverarbeitung verwendet. Somit wird gewährleistet, dass

die Daten je Feld möglichst homogen sind.

Die Datenmenge hängt dabei besonders von der Größe des Feldes und der Größe der Fläche

des reinen Bewuchses der jeweiligen Kultur ab. Tabelle 4.1 zeigt die Menge der zur Analyse

selektierten Daten pro Feld. Dies soll einen Überblick darüber geben, wie viele Daten pro Feld

tatsächlich aufgenommen wurden. Felder mit wenigen Daten liefern möglicherweise ein

schlechteres Ergebnis. Als Daten werden die aufgenommenen Pixel mit deren jeweiligen

Grauwerten bezeichnet. Lediglich das Zuckerrübenfeld d) weist eine etwas geringere Anzahl an

Daten auf. Die nachfolgende Analyse der Felder wird zeigen, ob dies weiter auffällt oder ob

bestimmte Besonderheiten dadurch möglicherweise zu erklären sind.

# Kultur Ort Gesamtpixelanzahl pro

Kanal (!)

a) Energiemais Geinsheim a. R. ~ 61,7 Mio.

b) Körnermais Semd ~ 56,5 Mio.

c1) Zuckerrüben Geinsheim a. R. ~ 43,1 Mio.

c2) ‘‘ Geinsheim a. R. ~ 46,1 Mio.

d) ‘‘ Dornheim ~ 30,7 Mio.

e) ‘‘ Semd ~ 46,1 Mio.

Tabelle 4.1: Aufgenommene Pixel je Feld in Abhängigkeit der Größe, etc.

Laut Aufgabenstellung dient die Analyse der Aufnahmen der Klärung zweier wichtiger Punkte.

Zum einen soll untersucht werden, ob Kulturen untereinander trennbar sind und zum anderen,

ob die allgemeine Vitalität einer Pflanzenart auf einem Feld bestimmt werden kann. Dazu

werden die Daten auf verschiedene Arten analysiert.

Zunächst findet eine einfache Betrachtung der Grauwert-Histogramme statt. Zusätzlich dazu

werden die Mittelwerte und Standardabweichungen der Daten berechnet. Schließlich führt die

Berechnung einer Hauptkomponentenanalyse zum gewünschten Ergebnis, wie es in Kapitel 5.3

näher erläutert wird.

46

In diesem Kapitel werden die durchgeführten Analysen detailliert beschrieben. Dabei wird

besonders auf den mathematischen Vorgang der Hauptkomponentenanalyse eingegangen, da

es sich um ein wichtiges Werkzeug der Bildanalyse handelt.

4.1. Histogramme

Zu Beginn der Analyse findet eine einfache Betrachtung der Grauwert-Histogramme statt. Die

Grauwerte in jedem Kanal liegen zwischen 0 und 255. Die Histogramme können automatisch

mit Pixel Wrench 2 erstellt werden und zeigen die Häufigkeitsverteilung der Grauwerte in den

Aufnahmen. Zum Zweck der geeigneten Darstellung und Verwendung von aussagekräftigeren

Legenden, werden die hier gezeigten Histogramme hingegen mit dem Mathematikprogramm

Matlab selbst erstellt.

In Kapitel 5.1 werden die Ergebnisse präsentiert und diskutiert. Jede einzelne dargestellte

Grafik zeigt die Histogramme der 4 Kanäle für je eines der beflogenen Felder.

4.2. Mittelwert / Standardabweichung

Als weitere Analyse werden ebenfalls die Mittelwerte �̅� und die Standardabweichungen 𝜎 der

Grauwerte der einzelnen Aufnahmen in jedem Kanal ermittelt. Die Berechnung geschieht nach

den Formeln (1) und (2). Die Zahl 𝑛 steht hierbei für die Gesamtanzahl der Grauwerte in einer

Aufnahme.

�̅� = 1

𝑛 ∑ 𝑥𝑖

𝑛

𝑖=1 (1)

𝜎 = √∑ (𝑥𝑖 − �̅�)2𝑛

𝑖=1

𝑛 (2)

Ziel dieser Analyse ist es, ob Aussagen über die Charakteristik einer Kultur bereits durch die

Berechnung von Mittelwert und Standardabweichung der Grauwerte getroffen werden können.

4.3. Hauptkomponentenanalyse (Principal Components Analysis, PCA)

In der Auswertung von hyper- und multispektralen Daten von landwirtschaftlichen Flächen (wie

es in dieser Arbeit der Fall ist), spielt die Hauptkomponentenanalyse eine wichtige Rolle.

Bekannt ist diese Analyse auch unter folgenden Begriffen: Hauptachsentransformation,

Karhunen-Loève-Transformation oder im englischen als Principal Components Analysis. Im

Folgenden wird die Abkürzung des englischen Begriffes, PCA, verwendet.

47

Die PCA ermöglicht zum einen das Detektieren von wichtigen und dominanten Kanälen, auch

Bänder genannt, in einem hyper- oder multispektralen Bild. Diese dominanten Kanäle tragen

einen Großteil der gesamten Informationen einer Aufnahme in sich.22

Zum anderen dient die PCA der Datenreduzierung, was besonders bei hyperspektralen Bildern

von großer Wichtigkeit ist. Im Umkehrschluss zur Auswahl der dominantesten Bänder werden

die unwichtigsten Bänder eliminiert. Die Datenmenge reduziert sich erheblich, was sich

besonders bei der weiteren Verarbeitung der Aufnahmen bemerkbar macht.

Benachbarte Bänder einer Aufnahme sind mitunter stark korreliert. Der Grad der Korrelation

hängt dabei mit dem Abstand der Bänder zusammen. Da in dieser Arbeit nur mit

Multispektralen Bildern gearbeitet wird, ist die zu erwartende Korrelation nicht sehr groß.

Allerdings wurden genauere Untersuchungen hierzu unterlassen. Große Korrelationen sind

besonders bei Hyperspektralen Aufnahmen, deren Bänder nahe beieinanderliegen, zu erwarten.

Durch die hohe Korrelation, kommt es zu einer großen Redundanz der Daten. Ziel der PCA ist

es, diese ungewollte Redundanz (sprich redundante Dimensionen) zu eliminieren und die

Bänder mit den wichtigsten Informationen hervorzuheben. 23Man erhält unkorrelierte und

nicht-redundante Hauptkomponenten, die Linearkombinationen der Eingangsbänder sind.

Weiter wird davon ausgegangen, dass die PCA Rauschen in den Daten minimiert, indem es nur

wichtige Bänder ausgibt und somit versteckte Strukturen in den Daten preisgibt.

Das mathematische Konzept der PCA basiert auf einer Transformation der multidimensionalen

Daten in einen niederdimensionalen Raum. Es wird davon ausgegangen, dass die Menge der

Hauptinformationen eines Datensatzes von wenigen, aber dafür aussagekräftigeren

Dimensionen, bzw. Variablen beschrieben werden kann. Der Rest der Daten wird dabei als

Rauschen interpretiert. Aussagekräftig bedeutet hier, dass diese Variablen eine vergleichsweise

hohe Varianz aufweisen und damit einen großen Teil des Datensatzes abdecken. Die

Hauptkomponenten, bzw. im englischen principal components, beschreiben also die Richtungen

der größten Streuungen in den Daten. Die größte und dominanteste dieser Richtungen wird als

1. Hauptkomponente (kurz: PC1 für Principal Component 1) beschrieben. Die Richtung mit der

zweitgrößten Streuung dementsprechend 2. Hauptkomponente (bzw. PC2) und so weiter. Die

einzelnen Hauptkomponenten müssen dabei orthogonal zueinanderstehen.24 Die

Hauptkomponenten legen sodann die neuen Achsen des Koordinatensystems fest. Das

ursprüngliche Koordinatensystem wird dahingehend rotiert, dass die neuen Achsen ein

Maximum an Streuung aufweisen.

22 S. 18, Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of Vegetation, siehe Literaturverzeichnis [1] 23 S. 100, Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of Vegetation, siehe Literaturverzeichnis [1] 24 S. 160, Mather, Paul M. / Koch, Magaly: Computer Processing of Remotely-Sensed Images, An Introduction, , siehe Literaturverzeichnis [2]

48

Abbildung 4.1: Beispiel für stark korrelierte Daten (Korrelationskoeffizient c = 0,9625)

Quelle: Selbst erstellte Grafik mit Matlab

Abbildung 4.1 zeigt beispielhaft stark korrelierte 2-dimensionale Daten, an denen die

Funktionsweise der Hauptkomponentenanalyse vereinfacht dargestellt werden soll. Der

Korrelationskoeffizient beträgt 0,9625. In dieser grafischen Darstellung ist bereits eine

Hauptkomponente, bzw. Hauptrichtung eindeutig zu erkennen. Diese Richtung entlang der

größten Streuung der Datenpunkte ist die dominanteste Richtung mit der größten Varianz und

enthält so die meisten Informationen über den gesamten Datensatz. Abbildung 4.2 zeigt diese

1. Hauptkomponente (-richtung) an (roter Pfeil, PC1). Orthogonal zur 1. Hauptkomponente

steht die 2. Hauptkomponente mit der zweitgrößten Streuung der Daten (grüner Pfeil, PC2).

Bereits aus der Betrachtung der Darstellung ist ersichtlich, dass die Varianz der PC1 wesentlich

größer ausfällt, als die der PC2. Bei diesem 2-dimensionalen Datensatz gestaltet sich die

Auswahl nach den Hauptkomponenten noch einfach. Bei hyper- oder multispektralen

Aufnahmen muss entschieden werden, welche Bänder, bzw. Hauptkomponenten nun eine

vernachlässigbar kleine Streuung und Varianz aufweisen und damit bei nachfolgender Analyse

eliminiert werden und welche Bänder als wichtig eingestuft werden und den neuen Datensatz

bilden.

Mathematisch werden die Hauptkomponenten durch eine Eigenwertzerlegung ermittelt. Die

Hauptkomponenten, bzw. Hauptrichtungen werden durch die Eigenvektoren bestimmt. Die

Dominanz der Eigenvektoren kann dabei anhand des dazugehörigen Eigenwertes erkannt

werden. Es gilt: Je größer der Eigenwert, desto dominanter und wichtiger ist die jeweilige

Komponente.

49

Abbildung 4.2: Beispieldaten mit beiden Hauptrichtungen PC1 und PC2


Im Folgenden wird die Berechnung der PCA detailliert beschrieben. Grundlegende Kenntnisse

über statistische Mathematik werden vorausgesetzt. Sämtliche Berechnungen wurden mit dem

Programm „Matlab“ gemacht, einer mächtigen Mathematik-Software. Da verstärkt auf bereits

von Matlab zur Verfügung gestellte Programmskripts und Funktionen zugegriffen wurde, ist der

geschriebene Programmcode nicht Teil dieser Arbeit. Lediglich die zur Berechnung der PCA

benötigten Formeln werden unten angegeben und erläutert.

Im Gegensatz zu obigem Beispiel mit 2-dimensionalen Daten, liegen die Aufnahmen in dieser

Arbeit in 4 Dimensionen, bzw. Kanälen (siehe Kapitel 2.2.1) vor. Da die Darstellung und

Berechnung von höherdimensionalen Daten (mehr als 3 Dimensionen) in unserer 3-

dimensionalen Welt nur schwerlich zu beschreiben ist und um den Rahmen dieser Arbeit nicht

zu sprengen, wird hier die Berechnung der PCA ebenfalls nur an 2-dimensionalen Daten (X, Y)

beispielhaft gezeigt. Die eigentliche Berechnung der PCA in Matlab erfolgt analog dazu. Die

PCA werden für jede Aufnahme einzeln berechnet. Im Anschluss werden die Ergebnisse jedes

einzelnen Kanales gemittelt und in Kapitel 5.3 vorgestellt.

Im ersten Schritt der Berechnung der PCA erfolgt eine Mittelwertbefreiung der Daten, bzw. der

Grauwerte. Dabei wird von allen Daten der Mittelwert des jeweiligen Kanals abgezogen. Die

korrigierten, vom Mittelwert befreiten Daten Xcorr, Ycorr berechnen sich nun wie folgt (n ist dabei

die Anzahl der Daten innerhalb einer Dimension)25:

25 Formeln nach: König, Reinhard / Brosch, Michael: Hauptkomponentenanalyse – Principal Components Analysis, siehe Literaturverzeichnis

[29]

50

𝑋𝑐𝑜𝑟𝑟,𝑖 = 𝑋𝑖 − 1

𝑛∑ 𝑋𝑖

𝑛

𝑖=1 (3)

𝑌𝑐𝑜𝑟𝑟,𝑖 = 𝑌𝑖 − 1

𝑛∑ 𝑌𝑖

𝑛

𝑖=1 (4)

Dadurch wird ein neuer Datensatz erzeugt, der den Mittelwert Null hat.

∑(𝑋𝑖 − 𝑋µ) =1

𝑛∑ 𝑋𝑖,𝑐𝑜𝑟𝑟 = 0

𝑛

𝑖=1

𝑛

𝑖=1

(5)

1

𝑛∑(𝑌𝑖 − 𝑌µ) =

1

𝑛∑ 𝑌𝑖,𝑐𝑜𝑟𝑟 = 0

𝑛

𝑖=1

𝑛

𝑖=1

(6)

Aus den mittelwertbefreiten Daten folgt nun die Berechnung der Kovarianzmatrix nach

folgender Formel:

𝐶 = 𝑐𝑜𝑣 (𝑋𝑐𝑜𝑟𝑟, 𝑌𝑐𝑜𝑟𝑟) = ∑ (𝑋𝑐𝑜𝑟𝑟 − 𝑋µ)( 𝑌𝑐𝑜𝑟𝑟 − 𝑌µ)𝑛

𝑖=1

𝑛 − 1 (7)

Da die berechnete Kovarianzmatrix quadratisch ist, können nun die Eigenwerte und -vektoren

dieser bestimmt werden. Da in diesem Beispiel 2-dimensionale Daten vorliegen, erhält man eine

2×2-Matrix. Daraus resultieren je 2 Eigenwerte und 2 Eigenvektoren, die orthogonal

zueinander stehen und normiert sind. Bei großen Matrizen werden die Eigenwerte und -

vektoren nach komplexen iterativen Prozessen bestimmt.

Die Eigenwerte 𝜆 der Kovarianzmatrix C werden durch die Lösung folgender Determinante

bestimmt. E stellt dabei den Einheitsvektor dar.

det (𝐶 − 𝜆 𝐸 ) = 0 (8)

Ein Vektor x ist genau dann ein Eigenvektor der zuvor berechneten Kovarianzmatrix C, wenn er

folgendes homogenes lineares Gleichungssystem erfüllt und ungleich Null ist.

𝐶 𝑥 = 𝜆 𝑥 (9)

51

Das Gleichungssystem kann nun umgeformt werden zu:

( 𝐶 − 𝜆 𝐸 ) 𝑥 = 0 (10)

Die Lösung des Gleichungssystems mit Hilfe der Eigenwerte führt auf die gesuchten

Eigenvektoren. Zu jedem Eigenwert lässt sich ein eindeutiger Eigenvektor bestimmen.

Wie bereits oben beschrieben, sollten die Eigenvektoren anhand der Größe ihrer jeweiligen

Eigenwerte sortiert werden. Ein wichtiges Kriterium ist nun das Verhältnis zwischen den

Eigenwerten. An dieser Stelle muss darüber entschieden werden, welche Eigenwerte groß und

dominant genug ausfallen, um sie für die weiteren Analysen zu verwenden. Durch die

Berechnung der Eigenvektoren der Kovarianzmatrix erhält man Aussagen über die

Charakteristik und Struktur der Eingangsdaten. Die ausgewählten Eigenvektoren bilden dann

den neuen reduzierten Datensatz, der die wichtigsten Hauptkomponenten enthält und für eine

weitere Bearbeitung verwendet werden kann. Sobald Komponenten eliminiert werden, gehen

Daten verloren. Ist dagegen der Eigenwert dieser Komponente klein, so handelt es sich mit

großer Sicherheit nur um Rauschen. Der weitaus größte Teil der Informationen steckt weiterhin

in den Hauptkomponenten mit großem Eigenwert.

Im Rahmen dieser Arbeit werden nur die zur Verfügung stehenden Kanäle der µ-MCA auf deren

Wichtigkeit hin überprüft, eine weitere Auswertung und Analyse ist nicht weiterer Bestandteil

dieser Arbeit. Daher folgt in Kapitel 5.3 nur eine Betrachtung und Diskussion über die größten

und dominantesten Eigenwerte der 4 Spektralkanäle in Abhängigkeit der aufgenommenen

Kultur.

4.4. Weitere Vegetationsindexe

Für die Erfassung spezieller Vegetationseigenschaften eignen sich diverse Indexe, die eine

Vielzahl von Eigenschaften beschreiben können. Zur Berechnung eignen sich besonders

Spektralkanäle mit sehr niedriger Bandbreite26, wie es bei Hyperspektralkameras der Fall ist.

Da die in dieser Arbeit verwendeten Kanäle über eine vergleichsweise große Bandbreite

verfügen, bleiben die Vegetationsindexe bei der Bildanalyse unberücksichtigt. Aufgrund ihrer

speziellen Aussagekraft werden sie hier dennoch erwähnt.

Vegetationseigenschaften werden meist durch einen einzelnen Wert, einem sogenannten

Vegetationsindex beschrieben. Dieser Vegetationsindex lässt sich aus den Grauwerten

ausgewählter Spektralkanäle umrechnen. Unterschieden wird zwischen 3 Arten von

Vegetationsindexen:


52

(1) Pflanzenstruktur (bspw. Blattbedeckung, Biomasse, Ausbreitung)

(2) Biochemische Zusammensetzung der Blätter (bspw. Feuchtigkeit, Chlorophyll,

Proteinzusammensetzung)

(3) Pflanzenphysiologie und –stress (bspw. Änderungen im Chlorophyllgehalt aufgrund

ausgeübten Stresses auf die Pflanze)

Der Großteil der Vegetationsindexe beruht auf einer Kombination aus dem Roten und dem

nahen Infrarot-Kanal. Der bekannteste Vegetationsindex ist hierbei der Normalisierte

Differenzierte Vegetationsindex (engl.: Normalized Differenced Vegetation Index, NDVI). Der

NDVI basiert auf dem Verhältnis des Roten und des NIR-Kanals und gilt als der wichtigste

Vegetationsindex zur Bestimmung der Gesamtvitalität einer Pflanze. Wie bereits beschrieben

gilt dies im Besonderen für hyperspektrale Daten und findet dementsprechend in dieser Arbeit

keine Anwendung.

53

5. Ergebnisse und Diskussion

In diesem Kapitel werden die Ergebnisse aus den oben beschriebenen Analysen vorgestellt und

diskutiert. Beginnend mit den erstellten Grauwerthistogrammen, finden sich im Anschluss die

Mittelwerte und Standardabweichungen. Die Resultate der PCA werden besonders detailliert

betrachtet. Dieses Kapitel dient insbesondere der ausführlichen Präsentation der Ergebnisse

unter Berücksichtigung aller auftretenden Besonderheiten und Probleme. Nach der Darstellung

erfolgt jeweils eine Diskussion und Interpretation dieser. In Kapitel 6.1 werden sämtliche

nachfolgend gezeigten Ergebnisse nochmals in Kürze zusammengefasst.

5.1. Histogramme

Ein erster Versuch der Analyse der Daten erfolgt durch die Betrachtung der Grauwert-

Histogramme. Die Abbildungen 5.1 und 5.3 bis 5.7 zeigen diese Häufigkeitsverteilungen. Dabei

werden die einzelnen Felder jeweils getrennt betrachtet. Die gezeigten Kurven stellen ein Mittel

über alle gesammelten Daten je Kanal dar. Große Variationen sind nicht zu erwarten, da wie zu

Beginn von Kapitel 4 erwähnt wird, nur gleichmäßig wachsende Feldbereiche ausgewählt und

störende Bereiche nicht berücksichtigt wurden.

Um einen direkten Vergleich der gezeigten Ergebnisse zu vereinfachen, sind die Achsen in allen

Abbildungen dieses Unterkapitels gleich skaliert. Auf der X-Achse sind alle möglichen Grauwerte

von 0 bis 255 aufgetragen. Ein niedriger Grauwert steht für ein dunkles Pixel (0 = Schwarz)

und ein hoher Grauwert steht dementsprechend für ein helles Pixel (255 = Weiß). An der Y-

Achse wird die Häufigkeit jedes einzelnen Grauwertes in allen Daten eines Kanals dargestellt.

Als Häufigkeit wird hier die tatsächliche Anzahl an auftretenden Grauwerten verstanden.

Abbildung 5.1: Häufigkeitsverteilung der Grauwerte aller Aufnahmen des Energiemaisfeldes a) bei Geinsheim am Rhein

(gemittelt)


54

Beginnend mit Abbildung 5.1 werden die Ergebnisse aus der Berechnung der

Häufigkeitsverteilung des Energiemaisfeldes bei Geinsheim am Rhein gezeigt. Die einzelnen

Kurven des Histogramms zeigen mitunter einen sehr unterschiedlichen aber zu erwartenden

Verlauf. Die Kurven spiegeln die aus der reinen Betrachtung der Aufnahmen (siehe Abbildungen

2.15 bis 2.18) gewonnenen Erkenntnisse wieder. Die Aufnahmen im roten Kanal (650

Nanometer (nm)) erscheinen sehr dunkel. Dies lässt sich mit dem Histogramm belegen, das den

Großteil der Grauwertverteilung im linken Bereich zeigt. Das Maximum der Kurve liegt bei etwa

X = 8 und sinkt im weiteren Verlauf schnell ab, was das Bild als sehr dunkel erscheinen lässt.

Details sind kaum zu erkennen.

Der grüne Kanal (550 nm) zeigt ein ähnliches Verhalten. Das Maximum findet sich an etwa

gleicher Stelle, wobei die Kurve deutlich langsamer abflacht. Es liegen also mehr hellere

Grauwerte vor, welche die Aufnahmen in diesem Spektralbereich insgesamt geringfügig heller

erscheinen lassen.

Die Kurve des nahen Infrarot-Kanals (NIR, 850 nm) verläuft grundlegend unterschiedlich zu

den anderen. Hier sind die mit Abstand größten Grauwerte zu finden. Die Pixel sind relativ

gleichmäßig schwach über den gesamten rechten Teil der X-Achse verteilt, bis am äußersten

rechten Rand bei etwa X = 254 ein großes und prägnantes Maximum erscheint. Die größte

spektrale Rückstrahlung liegt in diesem Spektralbereich vor und lässt dadurch die Aufnahmen

besonders hell erscheinen.

Im Gegensatz zu den gleichmäßig flach verlaufenden Kurven der anderen Kanäle, erscheinen

beim Red-Edge-Kanal (700 nm) kleine lokale Minima über den gesamten Verlauf. Dieses

Verhalten zeigt sich auch in den anderen Abbildungen 5.3 bis 5.7. Als eine mögliche Erklärung

für dieses Verhalten kann die Wichtigkeit dieses Kanals bei der Aufdeckung von unregelmäßig

wachsenden Bereichen dienen. Abbildung 5.2 zeigt nochmals einen Ausschnitt eines

ungleichmäßig bewachsenen Feldes. Im Red-Edge-Kanal kommen die gezeigten Schilfgewächse

und Bodenrillen besonders gut zum Vorschein. Größere Bereiche solcher Unkrautgewächse

können einfach detektiert werden. Wachsen die Pflanzen dagegen nur sehr vereinzelt aus den

Zuckerrüben heraus, sind sie schwerer zu entdecken und gelangen möglicherweise in die zu

analysierenden Daten. Die Sprünge im Verlauf der zum Red-Edge-Kanal gehörenden Kurve

können möglicherweise durch Übergänge zu solch vereinzelt auftretenden Unkrautgewächsen

oder Spurrillen im Feld erklärt werden.

Eine nähere Untersuchung nach der Ursache für dieses Verhalten findet im Rahmen dieser

Arbeit nicht statt. In weiteren Betrachtungen werden die Sprünge also nicht gesondert

berücksichtigt.

55

Abbildung 5.2: 10bit RAW-Aufnahme eines Zuckerrübenfeldes. Weiße Bereiche

stellen Schilfgewächse dar (Red-Edge-Kanal, 700nm)


Bei Betrachtung des Grauwert-Histogramms des Körnermaisfeldes b) bei Semd fällt ein

beachtenswert anderes Verhalten auf, das auf die geringe Vitalität der Pflanzen zurückzuführen

ist. Die Kurven und deren Höchstwerte liegen sehr nahe beieinander und fallen gleichmäßig

flach ab. Der Großteil der Pixel besitzt einen Grauwert zwischen 0 und 50. Damit erscheinen

die Aufnahmen dieses Feldes in allen Spektralkanälen insgesamt sehr dunkel und wenig

unterschiedlich (siehe Abbildung 3.5). Besonders auffällig ist dies beim NIR-Kanal, dessen

Grauwerte ebenfalls sehr niedrig bleiben und nicht wie bei den anderen Feldern eine starke

Rückstrahlung aufweisen.

56

Abbildung 5.3: Häufigkeitsverteilung der Grauwerte aller Aufnahmen des Körnermais b) bei Semd (gemittelt)


Das Verhalten der Kurve im NIR-Kanal macht eine Identifikation der Kultur nur anhand der

Kurven im Histogramm auf den ersten Blick unmöglich. Die Grauwertverteilung im Vergleich

zum Energiemais ist grundlegend unterschiedlich. Dies liegt zum einen an der unterschiedlichen

Beschaffenheit der Pflanzen (siehe Kapitel 3), aber zum anderen selbstverständlich an dem

extrem unterschiedlichen Wachstumsstadium. Im Gegensatz zu den komplett verdorrten und

braunen Körnermaispflanzen waren die Energiemaispflanzen zum Aufnahmezeitpunkt noch

sehr grün und dicht bewachsen.

An dieser Stelle fehlt es an wichtigen Daten weiterer vergleichbarer Felder, um weitergehende

Untersuchungen anstellen zu können. Wie bereits erwähnt, war die Auswahl geeigneter Felder

im Oktober jedoch sehr gering, sodass eine genaue Aussage über die Verwendung der Grauwert-

Histogramme nicht getroffen werden kann. Die nachfolgende Betrachtung der

Zuckerrübenfelder lässt allerdings die Mutmaßung zu, dass auch bei einer größeren

Datenmenge keine Trennung von Kulturen anhand der Histogramme möglich ist.

An Zuckerrüben stehen insgesamt wesentlich mehr Daten zur Verfügung (siehe Tabelle 4.1).

Beflogen wurden 3 unterschiedliche Felder zu insgesamt 4 Befliegungen. Das Zuckerrübenfeld

c) bei Geinsheim am Rhein, dessen Resultate zuerst betrachtet werden, wurde mit einem

Abstand von 11 Tagen zweifach beflogen.

Abbildung 5.4 zeigt die Häufigkeitsverteilung der Grauwerte des Zuckerrübenfeldes c1) bei

Geinsheim am Rhein (1. Befliegung). Die Kurven sehen, im Vergleich zu denen der

Energiemaispflanzen, sehr ähnlich aus. Der Grüne und der rote Kanal besitzen ein nah

zusammenliegendes Maximum. Die Kurve des grünen Kanals nimmt weniger flach ab und weist

daher vermehrt hellere Grauwerte auf. Die Kanäle untereinander sind anhand des Verlaufs

deutlich zu unterscheiden.

Auch die Kurve des Red-Edge-Kanals verläuft flacher mit einem niedrigeren Maximum über den

Bereich zwischen X = 0 und etwa X = 100 und weist wiederum die bereits bekannten Sprünge

auf. Die Grauwerte des NIR-Kanals sind, bis auf das starke Maximum am rechten Rand, sehr

57

gleichmäßig verteilt. Im Vergleich mit den Ergebnissen zum Energiemaisfeld a) aus Abbildung

5.1 zeigen sich sehr ähnliche Resultate. Der Verlauf der Kurven ist nahezu identisch, lediglich

die Größenordnung ist leicht unterschiedlich. Dieses Ergebnis trägt zur ersten Annahme bei,

dass die vorliegenden Kulturtypen nicht anhand ihrer Grauwert-Histogramme zu unterscheiden

sind.

Abbildung 5.4: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der

Zuckerrüben c1) bei Geinsheim am Rhein (gemittelt, 1. Befliegung)


Die nochmalige Befliegung des Feldes nach 11 Tagen zeigt eine merkliche Veränderung in den

Werten (siehe Abbildung 5.5). Die bei der Ortsbegehung gut sichtbare Alterung der Pflanzen ist

somit ebenfalls in den Daten erkennbar. Durch die leicht gelbliche Verfärbung der Blätter

ändern die Kurven ihren Verlauf. Die Verteilung der Grauwerte im Red-Edge, roten und grünen

Kanal fällt in diesem Fall geringer aus. Die Maxima steigen entlang der Y-Achse und die Kurven

fallen um das Maximum steiler ab. Die Höchstwerte sind also deutlich dominanter als im

Vergleich zu den jüngeren Pflanzen des Zuckerrübenfeldes c1) aus der 1. Befliegung. Lediglich

die Häufigkeitsverteilung im NIR-Kanal bleibt vergleichbar ähnlich.

58

Abbildung 5.5: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der

Zuckerrüben c2) bei Geinsheim am Rhein (gemittelt, 2. Befliegung)


In Kapitel 3 werden die einzelnen Felder detailliert vorgestellt. Wie dort bereits beschrieben,

waren die Zuckerrübenpflanzen des Feldes c) bei Geinsheim am Rhein sehr ähnlich mit denen

des Zuckerrübenfeldes d) bei Dornheim, was die Vitalität aus der reinen Betrachtung der

Pflanzen betrifft.

Abbildung 5.6: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben d) bei Dornheim (gemittelt)


Die Verteilung der Grauwerte in Abbildung 5.6 weist große Ähnlichkeiten mit der Verteilung

der Zuckerrüben von c2) auf. Allerdings fallen die Höchstwerte deutlich geringer aus. Eine

genaue Ursache hierfür konnte nicht gefunden werden. Es wird davon ausgegangen, dass die

in dieser Befliegung aufgenommenen Zuckerrübenpflanzen vitaler sind, als auf den ersten Blick

angenommen.

59

Auffallend ist hingegen das Fehlen des Maximums im NIR-Kanal. Dies liegt lediglich an der

Darstellung der Daten in diesem Plot. Da sich der Höchstwert bei X = 255 befindet, wird es von

Matlab nicht korrekt angezeigt. Durch diese Darstellungsweise wird der Höchstwert am Rand

abgeschnitten. Eine andere Darstellungsart wurde in diesem Fall nicht gewählt, da dies zum

Verschwinden anderer interessanter Merkmale führte. Bei einer nummerischen Betrachtung der

Häufigkeitsverteilung in diesem Kanal konnte ein Maximum bei X = 255 festgestellt werden.

Die Größenordnung der Y-Koordinate lag an dieser Stelle bei etwa 24.000 Grauwerten.

Abbildung 5.7 zeigt schließlich das Ergebnis der Berechnung des Histogramms des

Zuckerrübenfeldes e) bei Semd. Die Maxima des Red-Edge, des roten und des grünen Kanals

fallen deutlich höher aus. Dies kann als weiterer Hinweis bei der Bestimmung der Vitalität

gedeutet werden. Die sehr gelb- / bräunlich erscheinenden Pflanzen führen zu einem Grauwert-

Diagramm, welches eine große Anzahl an Pixeln mit geringerem Grauwert aufweist, bei dem

die Maxima der einzelnen Kurven näher zusammenrücken. Wichtig anzumerken ist, dass kein

Maximum des NIR-Kanals am rechten Rand vorliegt. Stattdessen weisen die Grauwerte entlang

der X-Achse eine breitere Streuung mit einem schwach ausgeprägten Maximum auf. Das

Maximum wandert, im Vergleich zu den gesünder wirkenden Pflanzen des Energiemais a) und

Zuckerrüben c) bis d), deutlich weiter in den dunkleren Bereich, wie es besonders extrem beim

Körnermais b), (siehe Abbildung 5.3) zu erkennen ist.

Abbildung 5.7: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben e) bei Semd (gemittelt)


Für einen direkten Vergleich der Ergebnisse werden diese nochmals zusammengefasst und

getrennt nach Kanal dargestellt. Abbildungen 5.8 bis 5.11 zeigen die neu zusammengefassten

Ergebnisse. Dabei werden die Kurven je nach Kultur farblich dargestellt. Die einzelnen

auftretenden Zuckerrübenfelder sind in den Abbildungen nicht weiter getrennt, sondern werden

in der gleichen Farbe dargestellt, da die Abbildungen nur das Verhalten der Histogramme bei

unterschiedlichen Kulturen nochmals verdeutlichen soll.

60

Abbildung 5.8: Darstellung aller Grauwert-Histogramme des Red-Edge-Kanals zum Vergleich


Es fallen in Abbildung 5.8 die deutlichen Sprünge in den Kurven auf, die in vorigen Abbildungen

bereits zu erkennen waren. Ebenfalls ist ein größeres Maximum bei den Feldern mit Pflanzen

geringer Vitalität (Körnermais, b) und Zuckerrüben, e)) zu sehen. Andere Kurven bleiben

gleichmäßig flach und lassen eine rein grafische Trennung unterschiedlicher Kulturen, aufgrund

ihrer Ähnlichkeit, nicht zu. Wie in Kapitel 2.1.1 beschrieben, dient der Red-Edge-

Spektralbereich eher als weitere verlässliche Quelle zur Erkennung der Vitalität und diverser

anderer Charakteristiken von Pflanzen. Die gezeigten Histogramme geben einen ersten Hinweis

auf die Richtigkeit dieser Aussage.

Ein ähnliches Verhalten zeigt sich in folgender Abbildung 5.9. Eine gründliche Trennung der

Kulturen ist nicht zu erkennen. Die beiden Kurven mit dem größten Maximum besitzen auch in

diesem Fall das Körnermais- und das Zuckerrübenfeld e). Der grüne Kanal liefert somit auch

wichtige Informationen über die Vitalität von Pflanzen.

61

Abbildung 5.9: Darstellung aller Grauwert-Histogramme des grünen Kanals zum Vergleich


Im roten Kanal (Abbildung 5.10) zeigt sich, dass sich die Höchstwerte der Kurven alle in einem

kleinen Intervall befinden (ca. X = 15 bis 25). Sie unterscheiden sich lediglich in der Größe der

Y-Koordinate und einem steilen oder flachen Abfallen rechts des Maximums. Aufgrund der

großen Ähnlichkeiten der Kurven untereinander, lassen sich nur wenige bis keine Rückschlüsse

über die Charakteristik der Felder anhand der Häufigkeitsverteilung der Grauwerte des roten

Kanals ziehen. Weitergehende Untersuchungen hinsichtlich dieses Kanals sind nötig.

Abbildung 5.10: Darstellung aller Grauwert-Histogramme des roten Kanals zum Vergleich


Zum Abschluss folgt die Zusammenfassung der Grauwert-Histogramme im nahen Infrarotkanal

(siehe Abbildung 5.11). Es tritt wieder das oben beschriebene Phänomen zum Vorschein, bei

dem zum Teil der rechte Rand abgeschnitten wird. Durch die unten gewählte Darstellung zeigt

sich allerdings besonders die Wichtigkeit dieses Kanals bei der Entdeckung von weniger vitalen

Pflanzen. Der Körnermais als Extremfall (verdorrte, braune Pflanzen) und die Zuckerrüben des

62

Feldes e), welche leicht gelblich gefärbt und ausgetrocknet sind, besitzen ein Maximum der

Kurven im dunkleren Bereich und nicht am absolut rechten Rand mit einem Grauwert von 254

oder 255.

Abbildung 5.11: Darstellung aller Grauwert-Histogramme des nahen Infrarot-Kanals zum Vergleich


Abschließend nach der Betrachtung aller Resultate ist festzustellen, dass eine Trennung der

Kulturen rein anhand ihrer Grauwert-Histogramme nicht möglich ist. Große Ähnlichkeiten

unter den Ergebnissen lassen hierüber keine eindeutigen Festlegungen zu. Es müssen

weiterführende Untersuchungen erfolgen.

Auffällig hingegen sind Besonderheiten in den Daten, die eine grobe Erkennung der Vitalität

der Daten erlauben. Bereits jetzt lassen sich die einzelnen Felder hinsichtlich ihrer Vitalität grob

in gesunde, leicht gealterte und tote / verdorrte Pflanzen einordnen. Diese Einordnung stimmt

in etwa mit der Einordnung der Felder durch die Ortsbegehung überein (siehe Kapitel 3). Klar

erkennbar ist das Körnermaisfeld b) bei Semd, welches als Extrembeispiel aus den Resultaten

herausragt.

Aus den Ergebnissen ist weiter zu erkennen, dass bei weniger vital wirkenden Pflanzen die

Maxima im Red-Edge-, grünen und roten Kanal deutlich dominanter ausgeprägt sind. Die

Verteilung der Grauwerte über den Grauwertbereich fällt in diesen Fällen geringer aus, die

Maxima werden gestaucht, was eine größere Steigung der Kurven zur Folge hat. Zu einer

detaillierteren Aussage über die Vitalitätseigenschaften der Pflanzen reicht eine Betrachtung der

Histogramme dagegen nicht aus, dafür sind die ermittelten Ergebnisse nicht eindeutig genug.

5.2. Mittelwert / Standardabweichung

Im zweiten Schritt der Analyse der Daten werden, wie in Kapitel 4.2 erläutert, Mittelwerte und

Standardabweichungen der Grauwerte je Feld ermittelt. Es wird nur eine Auswahl der

63

interessantesten Ergebnisse präsentiert und diskutiert. Ausgewählt wurden beide Maisfelder

und das Zuckerrübenfeld c2) bei Geinsheim am Rhein, welches stellvertretend für die anderen

Zuckerrübenfelder beschrieben wird. In diesem Kapitel nicht näher beschriebene Resultate

gleicher Art finden sich in den Anhängen A1 (Mittelwerte der Zuckerrübenfelder c1), d) und

e)) und A2 (Standardabweichungen der Zuckerrübenfelder c1), d) und e)).

Zunächst werden die Ergebnisse grafisch und anschließend zusammenfassend tabellarisch

dargestellt. In den nachfolgenden Abbildungen ist zu erkennen, dass bei den Feldern eine

unterschiedlich hohe Anzahl an selektierten Bildern vorliegt. Der Grund hierfür wurde zu

Beginn von Kapitel 4 erläutert. Die Anzahl der selektierten Bilder ist mitunter abhängig von der

Größe der Felder und eventuell auftretenden Störungen und sagt aus, aus wie vielen

Aufnahmen die Informationen gewonnen wurden. Wie beschrieben, lässt sich aus jeder

Aufnahme eine unterschiedlich große Menge an Daten extrahieren. Die tatsächliche

Gesamtmenge der Daten, die zur Analyse verwendet wurde, lässt sich daher nur aus Tabelle 4.1

bestimmen. Die folgenden Abbildungen 5.12 bis 5.17 dienen also einer groben Abschätzung des

Verhaltens über Mittelwert und Standardabweichung der Daten. Die Tabellen 5.1 bis 5.3 zeigen

schließlich zusammenfassend das Ergebnis der Daten unter Berücksichtigung der Anzahl der

Gesamtpixel aus Tabelle 4.1. An der Y-Achse wird das Mittel jedes Kanals aus allen selektierten

Aufnahmen abgebildet. Die Achsen sind in allen Abbildungen gleich skaliert.

Abbildung 5.12 zeigt grafisch die Mittelwerte der Grauwerte jeder selektierter Aufnahme des

Energiemaisfeldes a) je Kanal. Wie zu erwarten weist der nahe Infrarotkanal durchgängig die

mit Abstand größten Mittelwerte auf. Dies hängt mit der hohen Rückstrahlung in diesem

Spektralband und der damit verbundenen hellen Darstellung der Grauwerte zusammen (siehe

Abbildung 2.18). Gleichzeitig ist an dieser Stelle die größte Streuung der Daten zu sehen. Dies

wird nachfolgend nochmals näher erläutert (siehe Tabelle 5.2).

Die Mittelwerte je Aufnahme im grünen und roten Kanal unterliegen keiner großen

Abweichung. Da bei der Berechnung des Mittelwertes geringfügige Ausreißer nur eine

untergeordnete Rolle spielen, kommt es nicht zu den aus obigen Abbildungen bekannten

Sprüngen im Verlauf der Kurve des Red-Edge-Kanals. Die hier sichtbaren geringen

Abweichungen werden zum Großteil als Rauschen betrachtet. Allerdings sind auch einige

Muster in allen Daten erkennbar, wie zum Beispiel an den Stellen X = 27, 58 und 74. Alle Daten

weisen an dieser Stelle schwach ausgeprägte lokale Minima auf. Diese fallen jedoch zu gering

aus, um eventuelle Nachuntersuchungen dazu anzustellen. Insgesamt ist also anzumerken, dass

bei Auswertung der Mittelwerte dieses Feldes, bis auf die unerklärlich größere Streuung im NIR-

Bereich, keine Besonderheiten erkennbar sind.

Ausgewertet wurden 104 Aufnahmen mit einer Gesamtzahl von ca. 61,7 Millionen Pixeln pro

Kanal.

64

Abbildung 5.12: Mittelwerte der einzelnen Aufnahmen des Energiemais a) bei Geinsheim am Rhein in allen Kanälen


Als Extrembeispiel für ein Feld mit stark verdorrten Pflanzen dient der Körnermais b) bei Semd.

Die sehr dunklen und in der Helligkeit sehr ähnlichen Aufnahmen spiegeln sich in Abbildung

5.13 wieder. Aufgrund der sehr nahe zueinander liegenden Kurven, wurden die an der Y-Achse

abgebildeten Werte zur Übersicht nochmals oben rechts in der Abbildung dargestellt.

Anzumerken ist, dass in diesem Fall weitaus weniger Aufnahmen zur Verfügung standen. Die

Gesamtanzahl an Pixeln beträgt pro Kanal ca. 56,5 Millionen Pixel. Die Gesamtmenge an

ausgewerteten Daten ist damit nur geringfügig kleiner im Vergleich zum Energiemais und

größer als bei den nachfolgenden Zuckerrübenfeldern.

Abbildung 5.13: Mittelwerte der einzelnen Aufnahmen des Körnermais b) bei Semd in allen Kanälen


Bei der Betrachtung der Mittelwerte der Grauwerte ist eine auffällige Struktur zu erkennen.

Zum einen liegen die Kurven jeweils des roten und grünen Kanals und die des Red-Edge- und

nahen Infrarot-Kanals sehr dicht zusammen Dies ist durch den schlechten Vitalitätszustand der

Pflanzen zu erklären und bei Betrachtung von Abbildung 3.4 gut zu erkennen. Die Aufnahmen

im roten und grünen, sowie im Red-Edge- und NIR-Kanal besitzen jeweils sehr ähnliche

65

Grauwerte. Zum anderen zeigen alle Kurven insgesamt ein sehr ähnliches Verhalten im Verlauf.

An den Stellen X = 18 und 37 besitzen alle Daten lokale Minima. Ursache für dieses Verhalten

ist eine unterschiedliche Belichtung in den Aufnahmen. Die Abbildungen 5.14 und 5.15 sollen

dieses Phänomen verdeutlichen, welches nur bei einem verdorrten Feld, wie in diesem Falle,

auftritt. Dieser Effekt zeigte sich nicht bei vitalen Pflanzen.

Die erste Abbildung zeigt den Überflug der UAV mit der µ-MCA über das Körnermaisfeld b) bei

Semd. Zu sehen ist ein Rand des Feldes, welches soeben überflogen wird. Bei der Verarbeitung

der Aufnahmen wird nur der obige Teil mit dem Mais ausgeschnitten. Der freie Ackerboden

links unten wird nicht berücksichtigt. Der eingezeichnete rote Kasten symbolisiert hier

beispielhaft den Bereich der für die weitere Datenverarbeitung verwendet wird. Abbildung 5.15

zeigt die unmittelbar darauffolgende Aufnahme. Die UAV befindet sich noch immer im Überflug

und hat nach weiteren 5 Metern eine neue Aufnahme erstellt. Dadurch, dass auf dieser

Aufnahme der Anteil des als hell erscheinenden Ackerbodens größer wird, verdunkelt sich der

Bereich des Körnermais (roter Kasten) automatisch. Die leichte Überbelichtung des Bildes im

Bereich des Ackerbodens führt also zu einer geringen Unterbelichtung der Maispflanzen. Dies

ist der automatischen Belichtung der µ-MCA zu schulden. Dieser Effekt tritt in allen Kanälen auf

und führt damit zu oben genanntem Verhalten. Daten am Feldrand zeigen je nach Aufnahme

einen unterschiedlichen Grauwert. Je näher die Aufnahme zum Feldrand hin wandert, desto

dunkler erscheinen die aufgenommenen Pflanzen. Dieser Effekt zeigte sich besonders deutlich

bei Betrachtung der Aufnahmen am Computer. Die geringen Grauwertunterschiede im

Vergleich beider Abbildungen sind möglicherweise schwer erkennbar.

Abbildung 5.14: Beispielaufnahme des Körnermaisfeldes. Der rote Kasten

symbolisiert den Bereich der ausgeschnittenen Daten

Quelle: Bildmontage aus selbst erstellter µ-MCA-Aufnahme

66

Abbildung 5.15: Zu Abbildung 5.14 nachfolgende Aufnahme. Aufgrund der leichten

Überbelichtung erscheinen die Maispflanzen im gleichen Bereich nun dunkler

Quelle: Bildmontage aus selbst erstellter µ-MCA-Aufnahme

Da die Befliegung am Feldrand startet und an einem solchen wieder abschließt, ist es nur

folgerichtig, dass die Grauwerte der ersten und letzten Aufnahmen niedriger sind. Dies bestätigt

die Erklärung der Ursache. Bei weiteren Analysen sollte darauf geachtet werden, dass dieser

Effekt nicht mehr auftritt. Dabei ist jedoch ebenfalls darauf zu achten, dass stets eine genügend

große Menge an Daten bleibt, um eine sinnvolle Auswertung durchführen zu können.

Als Erklärung für das sehr ähnliche Verhalten der Daten in allen Kanälen kann möglicherweise

auch in der sehr gleichmäßigen und symmetrischen Struktur der Pflanzen gefunden werden.

Die Ergebnisse weisen insgesamt betrachtet eine geringe Streuung entlang der Y-Achse auf. Dies

zeigt sich auch bei Betrachtung von Tabelle 5.2 im Anschluss.

Als stellvertretendes Beispiel für alle Zuckerrübenfelder werden die Resultate des

Zuckerrübenfeldes c2) bei Geinsheim am Rhein (2. Befliegung, Aufnahmedatum: 12.10.2015)

vorgestellt. Die Streuung der Mittelwerte in Abbildung 5.16 im NIR-Kanal fällt auch in diesem

Fall wieder deutlich größer, als bei den anderen Kanälen aus. Dies ist bei nahezu allen Feldern,

bis auf das Körnermaisfeld (vermutlich aufgrund der schwachen Vitalität) zu betrachten. Die

Mittelwerte bewegen sich alle im erwarteten Rahmen und zeigen keine nennenswerten

Besonderheiten auf. Die Streuung im grünen und besonders im roten Kanal ist sehr gering. Die

Grauwerte besitzen ein sehr stabiles Mittel.

67

Abbildung 5.16: Mittelwerte der einzelnen Aufnahmen des Zuckerrübenfeldes c2)

bei Geinsheim am Rhein in allen Kanälen (2. Befliegung)


Sehr ähnlich zum gezeigten Beispiel in Abbildung 5.16 fallen die Ergebnisse der

Zuckerrübenfelder c1), d) und e) aus. Grafische Darstellungen der Ergebnisse dieser Felder sind

dem Anhang A1 zu entnehmen.

Nachfolgend werden die Ergebnisse aus der Berechnung der Standardabweichung der

Grauwerte vorgestellt. Ausgewählt wurden auch in diesem Fall das Energiemaisfeld a), das

Körnermaisfeld b) und das Zuckerrübenfeld c2). Die Ergebnisse werden in der gleichen

Darstellungsart präsentiert. Auf der X-Achse werden die selektierten Bilder aufgetragen und die

Y-Achse repräsentiert die berechnete Standardabweichung jedes Kanals. Die Achsen sind in

allen Abbildungen gleich skaliert und erlauben somit den direkten Vergleich der Ergebnisse.

Zu Beginn folgt die Betrachtung der Standardabweichungen der Grauwerte des

Energiemaisfeldes a) bei Geinsheim am Rhein. Abbildung 5.17 zeigt, dass das Rauschen im NIR-

Kanal, wenn auch nur gering, größer ist, als in den anderen Kanälen. Die Sortierung der Kanäle

nach der Größe ihrer Standardabweichung (NIR-Kanal mit großer Standardabweichung bis zum

roten Kanal mit niedriger Standardabweichung) ist gleich der Sortierung in den

vorangegangenen Abbildungen. Der NIR-Kanal hebt sich allerdings hier, im Vergleich zu den

Zuckerrübenfeldern, weniger dominant von den übrigen Kanälen ab.

68

Abbildung 5.17: Standardabweichungen der einzelnen Aufnahmen des

Energiemais a) bei Geinsheim am Rhein in allen Kanälen


Interessant ist das nahezu identische Verhalten der Ergebnisse des Körnermais in Abbildung

5.18 im Hinblick auf die Mittelwerte desselben Feldes. Die Erklärung für dieses Phänomen wird

oben geliefert. Die Standardabweichungen des roten und grünen, sowie Red-Edge- und NIR-

Kanals liegen jeweils sehr eng beieinander. Große Abweichungen liegen nicht vor. Insgesamt

gesehen sind die Standardabweichungen sehr gering.

Das besondere Verhalten der Kurven mit den zwei deutlichen Minima im Verlauf wird erst durch

die Einteilung der X-Achse, in einzelne Aufnahmen, sichtbar. Eine reine Betrachtung der

Standardabweichungen nur anhand der Pixel würde dieses Verhalten nicht aufzeigen, da

Randbedingungen des Feldes so unberücksichtigt blieben.

Abbildung 5.18: Standardabweichungen der einzelnen Aufnahmen des Körnermais b) bei Semd in allen Kanälen


69

Im Anschluss folgt die repräsentative Darstellung der zweiten Befliegung des Zuckerrübenfeldes

c2) bei Geinsheim am Rhein. In Abbildung 5.19 ist zu sehen, dass sich die Standardabweichung

des NIR-Kanals sich deutlich von der der anderen Kanäle abhebt. Ebenso ist auch in diesem Fall

eine größere Streuung der Werte je Aufnahme zu erkennen. Die Standardabweichungen

besonders im roten und grünen Kanal sind in allen Aufnahmen sehr homogen und gering.

Ein Vergleich mit den weiteren Zuckerrübenfeldern c1), d) und e) zeigt, dass sich diese sehr

ähnlich verhalten. Es ist also eine gewisse Trennung der Kulturen aus den vorliegenden Daten

möglich. Wie aus Abbildung 5.17 ersichtlich ist, liegen die Standardabweichungen bei

Energiemais näher zusammen, als bei den betrachteten Zuckerrüben. Diese Annahme ist

allerdings zunächst mit äußerster Vorsicht zu betrachten, da als Vergleich nur eine Befliegung

eines Energiemaisfeldes vorliegt. Um weitere Sicherheit darüber zu erlangen und die Aussage

womöglich zu stärken sollten zunächst weitere Befliegungen von ähnlichen Energiemaisfeldern

stattfinden.

Die aufgedeckte Tendenz in den Daten wird daher, aufgrund fehlender Daten, zunächst nicht

weiter betrachtet.

Abbildung 5.19: Standardabweichungen der einzelnen Aufnahmen des Zuckerrübenfeldes c2)

bei Geinsheim am Rhein in allen Kanälen (2. Befliegung)


Zum besseren Vergleich der Ergebnisse werden diese zum Abschluss dieses Unterkapitels

nochmals tabellarisch dargestellt. Aufgelistet werden jeweils die Durchschnittswerte der

Mittelwerte und Standardabweichungen über alle Aufnahmen, die in den obigen Abbildungen

entlang der Y-Achse zu sehen sind.

Tabelle 5.1 zeigt zusammenfassend die zu Beginn dieses Unterkapitels vorgestellten Mittelwerte

aller Felder. Gleich ersichtlich ist der vergleichsweiße sehr geringe Mittelwert im NIR-Kanal des

Körnermaisfeldes b). Die Mittelwerte des grünen und roten Kanals des Energiemaisfelds sind

geringfügig größer als die der Zuckerrübenfelder. Die kann als ein erster Hinweis zur möglichen

Kulturentrennung anhand des Grauwert-Mittelwertes herangezogen werden. Aufgrund dieser

70

nur geringen Abweichung und der wenigen zur Verfügung stehenden Daten an Maisfeldern,

stellt sich eine genaue Beurteilung dieser Annahme jedoch als schwierig heraus.

# Kultur Ort Red-Edge Grün Rot NIR

a) Energiemais Geinsheim a. R. 53,7766 32,1348 16,6466 188,6689

b) Körnermais Semd 29,2558 14,9031 17,2595 31,4603

c1) Zuckerrüben Geinsheim a. R. 51,0015 21,3605 10,1572 178,9947

c2) “ Geinsheim a. R. 42,3538 18,5475 8,0824 181,4960

d) “ Dornheim 43,4519 19,6645 11,4741 155,4102

e) “ Semd 36,5611 18,3678 12,3090 150,0657

Tabelle 5.1: Tabellarische Zusammenfassung über die Grauwert-Mittelwerte je Kanal und Feld (dimensionslos)

Auch fällt es schwierig aus den gegebenen Ergebnissen eine grobe Einschätzung über die

Vitalität der Pflanzen zu treffen. Das Körnermaisfeld b) bei Semd als Extrembeispiel für ein

verdorrtes Feld ist allerdings dabei ausgenommen, da dessen Ergebnisse stark von den anderen

abweichen und die Daten nicht direkt mit denen eines relativ gesund aussehenden Feldes

verglichen werden können. Betrachtet man hingegen die Zuckerrübenfelder, so fallen keine

besonderen Merkmale auf, die eine Aussage über die Vitalität des Feldes zulassen können. Die

Ergebnisse sind untereinander zu identisch.

Tabelle 5.2 dient nur als zahlenmäßiger Beleg über die Beobachtungen aus den Abbildungen

5.12, 5.13 und 5.16. Es hat sich gezeigt, dass die Mittelwerte im NIR-Kanal deutlichen

Abweichungen unterlegen sind. Die Standardabweichungen dieser Streuungen sind in der

folgenden Tabelle eingetragen. Die letzte Spalte weist, entsprechend der Beobachtungen höhere

Werte auf. Lediglich das Körnermaisfeld, welches sehr ähnliche Werte im Red-Edge und NIR-

Kanal, sowie im roten und grünen Kanal zeigte (siehe Abbildung 5.13), sticht an dieser Stelle

ebenfalls aus der Reihe, bestätigt aber die obigen Beobachtungen. Die Abweichungen im grünen

und roten Kanal fallen erwartet klein aus und liegen etwas unter denen des Red-Edge-Kanals.

Es lassen sich keine eindeutigen Rückschlüsse über die Kulturart oder Vitalität der Pflanzen

schließen.

71





c2) “ Geinsheim a. R. 4,1759 1,8508 0,7845 17,8166

d) “ Dornheim 3,1999 1,7324 1,1893 13,4180

e) “ Semd 3,7902 2,5399 2,0771 18,4493

Tabelle 5.2: 1-Sigma Standardabweichung der Streuung der Mittelwerte je Kanal und Feld (dimensionslos)

Auch die ermittelten Standardabweichungen sind nochmals zusammenfassend tabellarisch

dargestellt und in Tabelle 5.3 aufgelistet. Im direkten Vergleich der Werte kann man die

mitunter große Abweichung aller Werte untereinander erkennen. Auch bei der Betrachtung der

Zuckerrübenfelder zeigt sich kein Muster, welches eine Vorhersage über Werte eines weiteren

Zuckerrübenfeldes zulassen würde. Als wahrscheinlichste Ursache für die entdeckten

Abweichungen in den Ergebnissen können nicht erfasste Umwelteinflüsse wie Wetter und Wind

sein, die die Aufnahmeverhältnisse und die Stabilität der Flugdrohne beeinträchtigen. Ein

Incident Light Sensor (ILS), wie in Kapitel 2.2.2 vorgestellt, würde vermutlich zu einer gesamten

Reduzierung der Standardabweichungen und eine Anpassung der Werte untereinander führen.





c2) “ Geinsheim a. R. 11,7539 5,3135 2,6258 49,0841

d) “ Dornheim 14,2603 6,9160 4,6405 37,4772

e) “ Semd 12,4644 7,0081 5,3021 34,8016

Tabelle 5.3: Tabellarische Zusammenfassung über die Grauwert-Standardabweichungen je Kanal und Feld (dimensionslos)

Die Berechnung der Mittelwerte und Standardabweichungen der Grauwerte in Abhängigkeit

des Spektralkanals geben nach Betrachtung der Ergebnisse wenige bis keine Kenntnisse über

die Strukturen oder Vitalität der aufgenommenen Pflanzen. Die ermittelten Resultate weisen

zum Teil eine große Ähnlichkeit zwischen den Kulturen und zum anderen eine zu große

Streuung untereinander auf, als dass daraus stichfeste Rückschlüsse gezogen werden können.

Eine einfache Betrachtung der Mittelwerte und Standardabweichungen reicht für eine genaue

Analyse also nicht aus.

72

5.3. Hauptkomponentenanalyse

Das Hauptaugenmerk der Datenanalyse liegt, wie oben beschrieben, auf der

Hauptkomponentenanalyse (engl.: Principal Components Analysis, PCA). Im Besonderen dient

die PCA zur Selektion der wichtigsten Spektralbänder in den Aufnahmen. Als wichtigste Bänder

gelten diejenigen, die nach der Hauptkomponententransformation den größten Eigenwert

besitzen und somit die meisten Daten in sich tragen. Zusätzlich sollen die Ergebnisse darauf hin

untersucht werden, ob sich anhand dieser eine Aussage über die Vitalität der Pflanzen oder eine

Unterscheidung der Kulturen treffen lässt. Daher werden die Felder auch in dieser Auswertung

wieder getrennt betrachtet.

Das Ergebnis der PCA sind Eigenwerte zu jedem Kanal und jedem Feld. In Tabelle 5.4 werden

diese dargestellt. Die Ergebnisse des Körnermaisfeldes b) bei Semd werden im Anschluss

gesondert behandelt.


a) Energiemais Geinsheim a. R. 30311 12797 3400 125340

b) Körnermais Semd 47948 11821 16287 59449

c1) Zuckerrüben Geinsheim a. R. 20113 3331 975 208191

c2) “ Geinsheim a. R. 5992 1446 416 161158

d) “ Dornheim 7153 2308 1684 79126

e) “ Semd 10159 3506 3219 172767

Tabelle 5.4: Ergebnis der PCA. Gerundete Eigenwerte pro Kanal und Feld

Anhand der Ergebnisse aus der PCA ist eindeutig zu erkennen, welche Spektralbänder, bzw.

Kanäle die größte Wichtigkeit besitzen. Der weitaus größte Teil der Informationen befindet sich

im nahen Infrarot-Kanal. In diesem ist die größte Streuung der Daten zu erkennen. Die

Eigenwerte in der letzten Spalte der Tabelle sind besonders groß und unterliegen mitunter

starken Schwankungen. Die Ergebnisse aus der Berechnung der Standardabweichung (siehe

Tabelle 5.3) lieferten bereits, aufgrund der hohen Standardabweichung im NIR-Kanal, einen

ersten Hinweis über die Wichtigkeit dieses Kanals. Die PCA liefert dazu nun den endgültigen

mathematischen Beweis für die aus den vorherigen Beobachtungen getroffene Annahme.

Allerdings konnte keine Begründung für die zum Teil großen Abweichungen der Eigenwerte

innerhalb des NIR-Kanals gefunden werden. Als wahrscheinlichste Ursache hierfür könnten die

verschiedenen Wachstumsstadien, bzw. die Vitalität der Pflanzen gelten. Dabei konnte

allerdings kein direkter Zusammenhang zwischen der Vitalität und den Eigenwerten hergestellt

werden. Auch Wetter- und Lichteffekte bei der Befliegung können eine Rolle spielen.

Mit großem Abstand zum NIR-Kanal, folgt nach Ordnung der Eigenwerte von groß nach klein

der Red-Edge-Kanal. Auch dieser enthält noch einen erheblichen Teil der Informationen aus den

73

Aufnahmen. Wie es der Literatur entnommen werden kann, stellt der Red-Edge-Kanal ein

wichtiges Hilfsmittel bei der Charakterisierung von Pflanzen und der Erkennung der

allgemeinen Vitalität dar (siehe Kapitel 2.1.1). Die Wichtigkeit dieses Kanals konnte bereits bei

vorherigen Untersuchungen (siehe oben) zum Teil gezeigt werden. Durch die PCA zeigt sich,

dass sich in diesem Kanal noch wertvolle Daten für die Bildanalyse finden lassen.

Die Eigenwerte des grünen und roten Kanals liegen meist dicht beieinander und sind

vergleichsweise niedrig. Zunächst erscheinen diese Kanäle, aufgrund der geringen Eigenwerte,

als unwichtig. Vergleicht man hingegen die Werte der Zuckerrüben und die des Energiemais, so

fällt auf, dass der Eigenwert des grünen Kanals des Energiemaisfeldes etwas größer ist, als die

Eigenwerte der Zuckerrüben im selben Kanal. Dieses Verhalten zeigte sich auch bei der

Auswertung nur vereinzelter Teilstücke des Energiemaisfeldes. Es ist also davon auszugehen,

dass an dieser Stelle durch die PCA eine Systematik aufgedeckt worden ist, die eine Trennung

von Zuckerrüben und Mais, bzw. Energiemais erlaubt. Trotzdem ist das Sammeln weiterer

Daten unerlässlich, um diese Aussage weiter zu stärken.

Da die µ-MCA eine Multispektralkamera ist, verfügt sie im Gegensatz zu einer

Hyperspektralkamera, nur über wenige Kanäle. Daher sollten bei Analysen mit der µ-MCA stets

alle Daten aller Kanäle mit einbezogen werden. Eine Datenreduktion durch das Eliminieren

unwichtiger Kanäle ist hier nicht empfehlenswert. Es zeigt sich, dass auch der grüne und der

rote Kanal durchaus eine Rolle bei der Trennung von Pflanzentypen und, wie in Kapitel 4.4 zu

sehen, auch bei der Berechnung wichtiger Vegetationsindexe spielen könnte.

In der obigen Diskussion wurde das Körnermaisfeld b) bei Semd zunächst nicht erwähnt. Auch

in diesem Fall stellt es sich wieder als Extrembeispiel heraus und muss gesondert betrachtet

werden. Ein Feld in diesem Vitalitätszustand kann auch von der PCA einfach detektiert werden.

Die Eigenwerte des Red-Edge- und nahen Infrarot-Kanals rücken vergleichsweise sehr nah

zusammen. Das Verhältnis zwischen diesen Eigenwerten wird klein (1:1,24 für NIR). Man kann

argumentieren, dass sich ein solcher Vitalitätszustand bereits aus der reinen Betrachtung der

Aufnahmen erschließt, was, wie sich gezeigt hat, auch der Fall ist. Allerdings ist mit der PCA

nun ein Automatismus gefunden, der eine computergestützte Klassifikation nach der Vitalität

in einem solchen Extremfall einfach und sicher durchführt.

Als eine weitere Teilaufgabe der PCA, wird die Detektion von Störflächen innerhalb eines Feldes

angesehen. Störflächen können unter anderem Unkrautgewächse (z.B. Schilf, siehe Kapitel 3.3)

oder kahle Stellen im Feld sein. Um diese Flächen als solche zu erkennen wurden aus den

vorliegenden Aufnahmen die kahlen Flächen und Schilfflächen gesondert extrahiert und für

diese Daten jeweils eine eigene PCA durchgeführt. Die PCA für die aufgenommenen

Schilfflächen lieferten folgende Ergebnisse/Eigenwerte:

74

Red-Edge Kanal: 13.400

Grüner Kanal: 3.300

Roter Kanal: 1.800

NIR-Kanal: 35.000

Die Tendenz in der Reihenfolge nach der Wichtigkeit der Kanäle bleibt identisch zu den

Beobachtungen oben. Auch an dieser Stelle weist der NIR-Kanal den höchsten Eigenwert,

gefolgt vom Red-Edge-Kanal und dem grünen Kanal. Nur dicht dahinter mit dem geringsten

Eigenwert der rote Kanal.

Besonders aufschlussreich ist dagegen das Verhältnis zwischen dem Eigenwert des NIR-Kanals

und dem des Red-Edge Kanals. Die Eigenwerte sind zwar alle relativ niedrig, allerdings ist das

Verhältnis größer (1:2,61 für NIR) als das bei der Aufnahme des Körnermaisfeldes b) bei Semd.

Dieses Verhältnis dient als Grundlage für die Entscheidung zwischen toten, verdorrten Pflanzen

und einem unkrautartigen, jedoch vitalem Schilfgewächs. Die Unterscheidung zu den gesund

wirkenden Zuckerrüben, deren Eigenwert im NIR-Kanal deutlich größer ausfällt, ist hier

wiederum umso klarer.

Von großem Interesse sind ebenfalls, je nach Ausmaß, kahle Stellen in den Feldern (siehe

Abbildung 5.20), die keinen oder nur sehr schwachen Bewuchs aufweisen. Die können zum

einen Reifenspuren von Traktoren oder anderen Maschinen sein oder zum anderen feuchte

Stellen im Feld, die ein geregeltes Wachstum verhindern. Große Ansammlungen an Wasser

können ebenfalls ein Befahren des Feldes in diesem Bereich erschweren oder gar verhindern

und damit das versprühen von Pestiziden beeinträchtigen. Unkraut kann sich auf diese Weise

ungewollt ausbreiten. Die Detektion dieser Stellen ist für das effiziente Bewirtschaften eines

Feldes von großer Bedeutung.

75

Abbildung 5.20: Beispielaufnahme im NIR-Kanal aus dem Zuckerrübenfeld c2) bei Geinsheim am Rhein.

Es sind Fahrspuren, sowie größere und kleinere kahle Stellen zu erkennen (2. Befliegung)


In der unteren rechten Ecke von Abbildung 5.20 ist eine solche kahle Stelle zu erkennen. In den

NIR-Aufnahmen erscheinen diese Stellen als sehr dunkel im Gegensatz zu den Pflanzen. Dieser

hohe Kontrast erleichtert die Erkennung dieser Flächen sehr. Die Ursache für diese sehr

geradlinige, fast rechteckige Fläche, ist nicht bekannt. In diesem Fall ist aber weniger von einer

feuchten Stelle auszugehen, da diese sich unregelmäßiger ausbreiten und keine solch klaren

Kanten aufweisen.

Aus sämtlichen Aufnahmen wurden kahle Flächen wie obige extrahiert und in einen Datensatz

zusammengeführt. Die Berechnung einer PCA für diesen Datensatz erbrachte folgende

Eigenwerte je Kanal:

Red-Edge Kanal: 500

Grüner Kanal: 100

Roter Kanal: 100

NIR-Kanal: 3.800

Alle Eigenwerte sind in diesem Fall sehr schwach ausgeprägt. Da kahle Bereiche

selbstverständlich nahezu keine Vegetation aufweisen, ist ein solches Ergebnis zu erwarten

76

gewesen. Die Eigenwerte sind klar von den anderen Ergebnissen oben unterscheidbar. Dies

zeigt, dass mittels der PCA solche kahlen Stellen ohne Bewuchs einfach und klar in den

Aufnahmen detektiert werden können.

Mittels der Hauptkomponentenanalyse (PCA) ist nun die Wichtigkeit der verwendeten

Spektralkanäle mathematisch dargelegt. Besonders die Kanäle im Infraroten Spektrum (nahes

Infrarot und Red-Edge) enthalten viele Informationen über die Charakteristik und den

Vitalitätszustand von Pflanzen.

Auch zeigten sich bei der Betrachtung der Resultate vielversprechende Ansätze, die eine

Mustererkennung, bzw. Klassifikation der Felder aus den Aufnahmen möglich machen können.

Jedoch sind weitere Befliegungen unbedingt nötig, um das oben gezeigte Verhalten und die

daraus gewonnene Erkenntnis zu bestätigen oder möglicherweise zu verwerfen.

Pflanzen mit schlechter Vitalität, sowie Unkrautgewächse und kahle, feuchte Stellen im Acker

können mit der PCA eindeutig aufgedeckt werden, wie es die obigen Ergebnisse gezeigt haben.

Wichtig ist hierbei die Betrachtung der Verhältnisse zwischen den Eigenwerten der Kanäle aus

der PCA. Je nach Vitalität oder Störung im Feld unterscheiden sich die Verhältnisse

grundlegend.

Schwierigkeiten bereiten dagegen noch geringe Vitalitätsunterschiede in den Pflanzen

verschiedener Felder. In Kapitel 3 werden die beflogenen Felder ausführlich vorgestellt.

Außerdem wird die Vitalität der Pflanzen, rein aus dem Eindruck der Ortsbegehung und aus

Bildern, beschrieben. Große Abweichungen in den Eigenwerten aus Tabelle 5.4 haben gezeigt,

dass feine Unterschiede in der Vitalität der Pflanzen (z.B. gelbliche Färbungen der Blätter bei

Zuckerrüben) durch die PCA nicht aufgedeckt werden.

77

6. Fazit und Ausblick

Zum Abschluss folgt eine Zusammenfassung der in Kapitel 5 gewonnenen Erkenntnisse. Es

werden die wichtigsten Ergebnisse zusammengefasst und nochmals kurz diskutiert. Das Fazit

schließt alle Aspekte dieser Arbeit ein und stellt die Ergebnisse in Bezug zur Ausgangssituation

der Aufgabenstellung dar. Abschließend erfolgt ein Ausblick über mögliche Einsatzszenarien

mit dem Kamerasystem oder weitere Forschungsmöglichkeiten.

6.1. Zusammenfassung der Ergebnisse

Grundsätzlich ist zu sagen, dass die Analysen der Aufnahmen nach deren Grauwert-

histogrammen, den Mittelwerten und Standardabweichungen der Grauwerte und der

Berechnung einer Hauptkomponentenanalyse die Erwartungen an die TETRACAM µ-MCA nur

zum Teil erfüllt haben. Das Körnermaisfeld wird in der folgenden Zusammenfassung nicht

berücksichtigt. Der völlig verdorrte Körnermais führte zu stark unterschiedlichen Ergebnissen,

die nicht mit denen der anderen beflogenen Felder zu vergleichen sind.

Beginnend mit den Grauwerthistogrammen (siehe Erklärung in Kapitel 4.1 und Ergebnisse in

Kapitel 5.1) stellt sich heraus, dass die Histogramme die anfänglichen Erwartungen erfüllen.

Während sich die Maxima der Kurven des Red-Edge-, des grünen und des roten Kanals im

niedrigen Grauwertbereich verteilen, liegen die Grauwerte des NIR-Kanals im hohen Bereich,

bis 255.

Zuckerrübenfelder mit schwacher Vitalität zeigen einen geänderten Verlauf der

Histogrammkurven. Die Maxima in den Verläufen des Red-Edge-, grünen und roten Kanals sind

bei weniger vitalen Pflanzen stärker ausgeprägt. Im Vergleich zu vitalen Flächen erscheinen die

Kurven gestaucht. Im Verlauf sind die Kurven deutlich steiler und das Maximum entlang der Y-

Achse ist in diesen Fällen größer.

Einer großen Streuung unterliegen die Mittelwerte der Grauwerte je Aufnahme im NIR-Kanal.

Dieses Verhalten ist bei allen Feldern, mit Ausnahme des Körnermaisfeldes, zu beobachten. Sehr

gering hingegen fällt diese Streuung in den grünen und roten Kanälen aus. Tabelle 6.1 zeigt

nochmals die Ergebnisse aus der Mittelwertbetrachtung aus Kapitel 5.2.

Die Mittelwerte der Grauwerte im NIR-Kanal (ca. 150-188) der gesunden Felder heben sich

stark von den anderen Kanälen ab. Aufgrund der hohen Rückstrahlung der Pflanzen in diesem

Spektralbereich ist dieses Verhalten zu erwarten gewesen. Ebenso verhalten sich die Werte der

restlichen Kanäle so wie erwartet. Die zweithöchsten Werte liegen im Red-Edge-Kanal (ca. 36-

53) und die niedrigsten in den sehr dunkel erscheinenden grünen und roten Kanälen (ca. 8-36).

78





c2) “ Geinsheim a. R. 42,3538 18,5475 8,0824 181,4960

d) “ Dornheim 43,4519 19,6645 11,4741 155,4102

e) “ Semd 36,5611 18,3678 12,3090 150,0657

Tabelle 6.1: Tabellarische Zusammenfassung über die Grauwert-Mittelwerte je Kanal und Feld (dimensionslos)

Bei Betrachtung der Standardabweichungen der Grauwerte je Kanal (siehe Tabelle 6.2) zeigt

sich ein sehr ähnliches Verhalten. Auch in diesem Fall ist anzumerken, dass das Körnermaisfeld

aufgrund des Vitalitätszustandes nicht vergleichbare Ergebnisse liefert und daher gesondert

betrachtet wird. Auffallend ist, dass lediglich bei den Zuckerrüben die Standardabweichung der

Grauwerte im NIR-Kanal (ca. 34-57) sich abhebt von den übrigen Kanälen (Red-Edge ca. 12-

22). Dies entspricht dem gleichen Verhalten im Vergleich zu den oben gezeigten Mittelwerten.

Die Differenz der Standardabweichungen des Energiemais fällt in diesem Fall geringer aus.

Zudem sind die Standardabweichungen im Red-Edge-, grünen und roten Kanal größer als im

Vergleich zu den Zuckerrüben.





c2) “ Geinsheim a. R. 11,7539 5,3135 2,6258 49,0841

d) “ Dornheim 14,2603 6,9160 4,6405 37,4772

e) “ Semd 12,4644 7,0081 5,3021 34,8016

Tabelle 6.2: Tabellarische Zusammenfassung über die Grauwert-Standardabweichungen je Kanal und Feld (dimensionslos)

Letztlich folgen die Ergebnisse aus der Berechnung der Hauptkomponentenanalyse (PCA).

Grundsätzlich ist anzumerken, dass die PCA ihre Aufgabe erfüllt hat. Die Wichtigkeit der zur

Verfügung stehenden Kanäle wurde aufgedeckt. Die, mit Abstand, meisten Informationen einer

Aufnahme enthält der NIR-Kanal. Die Reihenfolge der Kanäle nach ihrer Wichtigkeit, bzw.

ihrem Informationsgehalt von groß nach klein wurde durch die PCA wie folgt ermittelt:

79

Nahes Infrarot (850 nm)

Red-Edge (700 nm)

Grün (550 nm)

Rot (650 nm)

Tabelle 6.3 zeigt nochmals die Ergebnisse der PCA. Die zum Teil großen Abweichungen in den

Eigenwerten können nicht vollständig geklärt werden. Allerdings ist ein Trend, bzw. eine

Struktur in den Daten zu erkennen. Die Eigenwerte im Red-Edge- und grünen Kanal der

Aufnahmen des Energiemais sind größer als die Eigenwerte derselben Kanäle der Aufnahmen

von Zuckerrüben.


a) Energiemais Geinsheim a. R. 30311 12797 3400 125340

b) Körnermais Semd 47948 11821 16287 59449

c1) Zuckerrüben Geinsheim a. R. 20113 3331 975 208191

c2) “ Geinsheim a. R. 5992 1446 416 161158

d) “ Dornheim 7153 2308 1684 79126

e) “ Semd 10159 3506 3219 172767

Tabelle 6.3: Ergebnis der PCA. Gerundete Eigenwerte pro Kanal und Feld

Die Ergebnisse der Hauptkomponentenanalysen für Schilfgewächse als Unkraut und kahle

Flächen zeigen, dass die PCA auch solche Flächen eindeutig detektieren kann. Die Eigenwerte

unterscheiden sich deutlich von den oben gezeigten. Wichtig ist dabei ebenfalls das Verhältnis

zwischen den Eigenwerten der Kanäle.

6.2. Diskussion und Fazit

Die oben zusammengefassten Ergebnisse zeigen, dass die gemachten Aufnahmen auf viele

verschiedene Wege analysiert und interpretiert werden können. Versteckte Strukturen in den

Daten müssen durch das richtige Verfahren aufgedeckt werden. Dabei ist darauf zu achten, dass

je nach Ziel unterschiedliche Verfahren gewählt werden müssen.

Hinsichtlich der Aufgabenstellung (siehe Kapitel 1.2) ist das Ziel dieser Arbeit die Untersuchung

der Möglichkeiten im Einsatz mit der TETRACAM µ-MCA. Zu untersuchen sind die

Luftaufnahmen nach ihrer Aussagekraft in Bezug auf die Vitalität landwirtschaftlicher Pflanzen.

Weiterhin sollen Verfahren analysiert werden, die eine Mustererkennung möglich machen

können.

80

Die zu Beginn verwendeten sehr einfachen Verfahren der Grauwerthistogramme, sowie die

Berechnung der Mittelwerte und Standardabweichungen einzelner Aufnahmen, erbringen kein

eindeutiges und aussagekräftiges Ergebnis. Die ermittelten Ergebnisse weisen entweder eine zu

große Ähnlichkeit untereinander auf oder zeigen in anderen Bereichen zu große Abweichungen,

als daraus ein Trend, hinsichtlich der gewünschten Ziele, zu entdecken ist. Lediglich bei

Betrachtung der Histogramme zeigt sich, dass sich der Verlauf der Kurven des Red-Edge-, des

grünen und des roten Kanals bei geringerer Vitalität der Zuckerrüben leicht ändert. Eine sehr

grobe Einordnung der Felder hinsichtlich ihrer Vitalität scheint somit möglich.

Ein Hinweis auf eine mögliche Mustertrennung, bzw. Trennung der aufgenommenen Kulturen

liefern die Standardabweichungen. Die Ergebnisse zeigen, dass die Standardabweichungen der

Grauwerte im Red-Edge-, grünen und roten Kanal merklich größer sind, als bei den gleichen

Kanälen der Aufnahmen von Zuckerrüben.

Getrübt werden diese Erkenntnisse von der Tatsache, dass aufgrund der Jahreszeit nur wenige

Felder beflogen werden konnten. Besonders fehlt es an Daten weiterer Maisfelder, die die

Annahmen durch die aufgedeckten Trends weiter bestätigen oder möglicherweise entkräften

können. Die Erkenntnisse bleiben also mit gewisser Vorsicht zu genießen.

Die Hauptkomponentenanalyse (PCA) liefert eindeutigere Ergebnisse. Betrachtet man die

Eigenwerte aus Tabelle 6.3, so ist zu erkennen, dass die Eigenwerte des Red-Edge-Kanals und

besonders des grünen Kanals der Energiemaispflanzen größer als die Eigenwerte in denselben

Kanälen der Zuckerrübenpflanzen sind. Im Gegensatz zu den großen Schwankungen der

Eigenwerte allgemein, zeigte sich dieser Trend über alle Aufnahmen gleichbleibend stabil.

Somit ist davon auszugehen, dass auch weitere Aufnahmen von Energiemaispflanzen diesen

Trend bestätigen. Zusätzlich zu ihrer eigentlichen Aufgabe, der Bestimmung wichtiger Kanäle,

zeigt sich die PCA somit als taugliches Verfahren zur Mustererkennung, in diesem Fall der

Unterscheidung zwischen Zuckerrüben und Energiemais.

Besonders eindeutig lassen sich störende Faktoren in einem Feld detektieren. Unkrautgewächse

(hier: Schilfgewächse) und kahle Flächen werden durch die PCA aufgedeckt und lassen sich

anhand ihrer Eigenwerte klar trennen. Weitere mögliche Störfaktoren innerhalb eines Feldes

wurden nicht untersucht.

Die Wichtigkeit des NIR-Kanals wurde durch die PCA aufgedeckt. Der Red-Edge-Kanal stellte

sich dabei ebenfalls als wichtig heraus, da er, wie in Kapitel 2.1.1 beschrieben, wichtige

Informationen über die Vitalität der Pflanzen enthält. Der grüne und der rote Kanal erhielten

durch die PCA eine geringe Priorität. Allerdings bleiben sie bei dieser kleinen Auswahl an

Kanälen ebenfalls ein wichtiger Faktor bei der Mustererkennung.

Insgesamt ist festzustellen, dass mit Hilfe der PCA ein geeignetes Verfahren zur

Mustererkennung von Zuckerrüben, Energiemais und Störflächen gefunden wurde. Eine

Mustererkennung verschiedener Kulturen bedarf weiteren Befliegungen. Die ausgewählten

Verfahren zeigen dagegen keine aussagekräftigen Ergebnisse hinsichtlich der Erkennung der

Vitalität der aufgenommenen Pflanzen. Die aufgedeckten Trends bedürfen, wie bereits

beschrieben, weitere Untersuchungen.

81

Der herannahende Winter und die daraus resultierende Knappheit an Feldern, ließen eine

tiefergehende Untersuchung für Verfahren hinsichtlich der Bestimmung der Vitalität nicht zu.

Das die ersten Befliegungen frühestens im Oktober stattfinden konnten, ist zudem der

zeitintensiven Vorbereitung und der Erstmontage der µ-MCA an die Drohne, sowie der

Erstinbetriebnahme des Kamerasystems geschuldet.

Die TETRECAM µ-MCA stellt sich als eine robuste und hochgradig personalisierbare

Multispektralkamera heraus, die trotz kleiner Fehlfunktionen einfach und verlässlich

Aufnahmen erstellt. Die Bedienung des Kamerasystems gestaltet sich, durch die detaillierte

Bedienungsanweisung, als einfach. Lediglich die Bedienung der Flugdrohne erfordert einiges

an Übung und sollte stets durch häufige Befliegungen aufgefrischt werden.

Aufgrund der vielen Einsatzbereiche und Möglichkeiten der µ-MCA stellt sich die Auswahl nach

dem geeignetsten Verfahren zur Bildanalyse anfänglich als schwierig dar. Die in dieser Arbeit

gezeigten Verfahren mögen nicht für jeden Aufgabenbereich die geeignetste Lösung sein. Um

jedoch auf die Einleitung zurückzukommen, bietet die PCA eine gute Grundlage, ein solches

Kamerasystem mit dem richtigen Bildanalyseverfahren in die Landwirtschaft zu integrieren, um

sie effizienter zu gestalten. Weitere Forschungsbereiche mit der µ-MCA werden im Ausblick

(siehe Kapitel 6.3) kurz vorgestellt.

6.3. Ausblick

Ein Blick auf den aktuellen Stand der Hungersnot in der Welt zeigt, dass in naher und auch

ferner Zukunft ein enormes Potential in der Effizienzsteigerung der Landwirtschaft vorliegt. In

nahezu allen Bereichen sind weitere Entwicklungen gefordert, um der Nahrungsmittel-

knappheit entgegenzuwirken. Wie bereits in der Einleitung erwähnt, dient die neueste

Drohnentechnik als wichtiges Standbein der modernen Landwirtschaft, dessen Potential bei

weitem noch nicht vollständig ausgeschöpft ist.

Diese Arbeit bietet einen Anreiz für weitere Nachforschungen in Verbindung mit der µ-MCA.

Besonders interessant ist dabei die Entwicklung neuer oder die Suche nach möglicherweise

intelligenteren Verfahren zur Muster- und Vitalitätserkennung. Hierin sollte die Forschung

bedeutend intensiviert werden, um die Hauptziele des Drohneneinsatzes, die flächenhafte

Datenerfassung der Felder mit allen Besonderheiten, zu perfektionieren.

Die Frage nach der korrekten Wahl der Bandpassfilter bleibt in dieser Arbeit unberücksichtigt

und basiert nur auf Erfahrungswerten. Hilfreich können beispielsweise Untersuchungen im

Vergleich mit anderen Filtern sein. Der sogenannte Red-Edge-Spektralbereich bietet viele

Möglichkeiten die Vorteile des Red-Edge-Kanales zu untersuchen und dabei den Bandpassfilter

leicht zu variieren, um so möglichst alle Vorteile ausschöpfen zu können.

Der in dieser Arbeit aufgrund technischer Probleme nicht eingesetzte ILS-Sensor kann

möglicherweise bei richtigem Einsatz die Resultate verdeutlichen. Weitere Forschungen

82

könnten sich dem Nutzen dieses Sensors widmen, damit Daten durch die Kalibration von

Reflexionen von Lichtquellen befreit werden. Dadurch können aussagekräftigere Vergleiche

zwischen den Daten gezogen werden.

Generell ergeben sich direkt aus dieser Arbeit, aber auch durch Betrachtung anderer Bereiche

zahlreiche Entwicklungsmöglichkeiten, die als gemeinsames Ziel haben, die Reduzierung des

Hungers in der Welt voranzutreiben und eine nachhaltige Landwirtschaft für kommende

Generationen zu fördern.

i

7. Anhang

Anhang A1

Abbildung 7.1: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes c1) bei Geinsheim am Rhein in allen

Kanälen (1. Befliegung), Quelle: Selbst erstellte Grafik mit Matlab

Abbildung 7.2: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes d) bei Dornheim in allen Kanälen,


ii

Abbildung 7.3: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes e) bei Semd in allen Kanälen,


iii

Anhang A2

Abbildung 7.4: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes c1) bei Geinsheim am

Rhein in allen Kanälen (1. Befliegung), Quelle: Selbst erstellte Grafik mit Matlab

Abbildung 7.5: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes d) bei Dornheim in

allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab

iv

Abbildung 7.6: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes e) bei Semd in allen

Kanälen, Quelle: Selbst erstellte Grafik mit Matlab

v

Abbildungsverzeichnis

Abbildung 2.1: Schematischer Querschnitt durch ein Laubblatt Quelle:

http://www3.hhu.de/biodidaktik/Atmung/start/struktur/ov/bsp/pflrei/ebene2b/blattbau.html 10

Abbildung 2.2: Grad der Reflexion von Wellen in Abhängigkeit der Wellenlänge ("Wavelength [nm]").

Gesunde Vegetation im Vergleich zu trockener Vegetation und Boden Quelle: [7] (siehe

Literaturverzeichnis) ................................................................................................................... 11

Abbildung 2.3: Frontansicht TETRACAM µ-MCA Snap 4 ..................................................................... 13

Abbildung 2.4: Darstellung der gewählten Kanäle und deren Bandbreiten (gestrichelt) auf einer

Farbskala Quelle: Selbst angefertigte Zeichnung .......................................................................... 15

Abbildung 2.5: Unteransicht der µ-MCA mit den 4 Kameras und deren Bezeichnung .......................... 16

Abbildung 2.6: Voderansicht der µ-MCA mit Kennzeichnung der Bedienelemente. ............................. 17

Abbildung 2.7: Live Viewfinder der µ-MCA mit eingeblendeten Informationen Quelle: Selbst erstellte

Bildschirmabbildung.................................................................................................................... 18

Abbildung 2.8: Einstellungsmenü der µ-MCA Quelle: Selbst erstellte Bildschirmabbildung ................. 18

Abbildung 2.9: Optional wird der Incident Light Sensor per Plastikklemmen an die Flugdrohne

montiert und per Kabel mit der µ-MCA verbunden ...................................................................... 20

Abbildung 2.10: Beispiel einer Aufnahme ohne ILS (links) und mit ILS (rechts) Quelle: Incident Light

Sensor (Produktbeschreibung auf der TETRACAM-Website):

http://www.tetracam.com/Products_Incident%20Light%20Sensor.htm ...................................... 20

Abbildung 2.11: UAV mit montierter µ-MCA. Die pinke Markierung bestimmt die Flugrichtung.......... 22

Abbildung 2.12: Manuelles starten und landen der Flugdrohne per Funkfernsteuerung. Bedient wurde sie von Dipl.-Ing. Dieter Steineck, Wissenschaftlicher Mitarbeiter am Fachgebiet Fernerkundung

und Bildanalyse der TU Darmstadt. ............................................................................................. 22

Abbildung 2.13: UAV mit montierter µ-MCA über einem Zuckerrübenfeld .......................................... 23

Abbildung 2.14: Schwenkbare Kameraplattform mit montierter µ-MCA. Kabel für die Stromzufuhr, das

Auslösen und die Live-Bild-Übertragung wurden zur Übersicht entfernt. ..................................... 24

Abbildung 2.15: 10bit RAW-Aufnahme eines Energiemaisfeldes (Red-Edge-Kanal, 700nm) Quelle:

Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 26

Abbildung 2.16: 10bit RAW-Aufnahme eines Energiemaisfeldes (Grüner Kanal, 550nm) Quelle:


Abbildung 2.17: 10bit RAW-Aufnahme eines Energiemaisfeldes (Roter Kanal, 650nm) Quelle:


Abbildung 2.18: 10bit RAW-Aufnahme eines Energiemaisfeldes (NIR-Kanal, 850nm) Quelle:


vi

Abbildung 2.19: 10bit RAW-Aufnahme eines Zuckerrübenfeldes. Helle Flächen als Schilfgewächse

(Red-Edge-Kanal, 700nm) Quelle: Bildschirmabbildung aus Pixel Wrench 2 ............................... 29

Abbildung 2.20: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Grüner Kanal, 550nm) Quelle: Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 29

Abbildung 2.21: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Roter Kanal, 650nm) Quelle:


Abbildung 2.22: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (NIR-Kanal, 850nm) Quelle:


Abbildung 3.1: Umgebungskarte Darmstadt mit ungefährem Standort der Felder (nicht

maßstabsgetreu, genordet) Quelle: Eigens erstellte Google Maps Karte ....................................... 32

Abbildung 3.2: Dicht bewachsener Energiemais ohne Maiskolben bei Geinsheim am Rhein

(01.10.2015) .............................................................................................................................. 33

Abbildung 3.3: Beispielaufnahme mit der µ-MCA aus dem Energiemaisfeld (Oben links im

Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal) Quelle:

Bildmontage aus selbst erstellten µ-MCA-Aufnahmen .................................................................. 33

Abbildung 3.4: Stark gebräuntes Körnermaisfeld bei Semd (28.10.2015) ........................................... 34

Abbildung 3.5: Beispielaufnahme mit der µ-MCA aus dem Körnermaisfeld (Oben links im

Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal) Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen .................................................................. 35

Abbildung 3.6: Zuckerrübenfeld c2) bei Geinsheim am Rhein (12.10.2015, 2. Befliegung) ................ 36

Abbildung 3.7:Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im



Abbildung 3.8: Mosaik aus RGB-Luftbildern nach Befliegung des Zuckerrübenfeldes c2) bei Geinsheim

am Rhein mit einer digitalen Spiegelreflexkamera (2. Befliegung) .............................................. 37

Abbildung 3.9: Links: Schilfgewächse wachsen zwischen den Zuckerrüben. Rechts: Nachaufnahme .. 38

Abbildung 3.10: Vergrößerung des Luftbildmosaiks (Abbildung3.8). Das Schilf hebt sich sehr deutlich

von den Zuckerrüben ab. ............................................................................................................ 39

Abbildung 3.11: Vermutlich durch hohe Feuchtigkeitsansammlungen unbewachsener Bereich .......... 39

Abbildung 3.12: Vergrößerung des Luftbildmosaiks (Abbildung 3.8). Bewässerungsanlage, die

vermutlich, aufgrund der hohen Feuchtigkeitsansammlung, für die kahle Fläche zuständig ist. ... 40

Abbildung 3.13: Vergleich der Wachstumsstadien der Pflanzen zu beiden Aufnahmezeitpunkten (links: 01.10., rechts: 12.10.2015) ......................................................................................................... 41

Abbildung 3.14: Zuckerrübenfeld bei Dornheim (12.10.2015) ........................................................... 41

vii




Abbildung 3.16: RGB-Luftbild des Zuckerrübenfeldes bei Semd (28.10.2015). Leider liegt in diesem

Fall keine Bodenaufnahme vor. ................................................................................................... 43




Abbildung 4.1: Beispiel für stark korrelierte Daten (Korrelationskoeffizient c = 0,9625) Quelle: Selbst

erstellte Grafik mit Matlab ........................................................................................................... 48

Abbildung 4.2: Beispieldaten mit beiden Hauptrichtungen PC1 und PC2 Quelle: Selbst erstellte Grafik mit Matlab................................................................................................................................... 49

Abbildung 5.1: Häufigkeitsverteilung der Grauwerte aller Aufnahmen des Energiemaisfeldes a) bei

Geinsheim am Rhein (gemittelt) Quelle: Selbst erstellte Grafik mit Matlab .................................. 53

Abbildung 5.2: 10bit RAW-Aufnahme eines Zuckerrübenfeldes. Weiße Bereiche stellen Schilfgewächse

dar (Red-Edge-Kanal, 700nm) Quelle: Bildschirmabbildung aus Pixel Wrench 2.......................... 55

Abbildung 5.3: Häufigkeitsverteilung der Grauwerte aller Aufnahmen des Körnermais b) bei Semd

(gemittelt) Quelle: Selbst erstellte Grafik mit Matlab ................................................................... 56

Abbildung 5.4: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben c1) bei

Geinsheim am Rhein (gemittelt, 1. Befliegung) Quelle: Selbst erstellte Grafik mit Matlab ........... 57

Abbildung 5.5: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben c2) bei

Geinsheim am Rhein (gemittelt, 2. Befliegung) Quelle: Selbst erstellte Grafik mit Matlab ........... 58

Abbildung 5.6: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben d) bei

Dornheim (gemittelt) Quelle: Selbst erstellte Grafik mit Matlab ................................................. 58

Abbildung 5.7: Häufigkeitsverteilung der Grauwerte aller Aufnahmen der Zuckerrüben e) bei Semd

(gemittelt) Quelle: Selbst erstellte Grafik mit Matlab ................................................................... 59

Abbildung 5.8: Darstellung aller Grauwert-Histogramme des Red-Edge-Kanals zum Vergleich Quelle:

Selbst erstellte Grafik mit Matlab ................................................................................................. 60

Abbildung 5.9: Darstellung aller Grauwert-Histogramme des grünen Kanals zum Vergleich Quelle:


Abbildung 5.10: Darstellung aller Grauwert-Histogramme des roten Kanals zum Vergleich Quelle:


Abbildung 5.11: Darstellung aller Grauwert-Histogramme des nahen Infrarot-Kanals zum Vergleich Quelle: Selbst erstellte Grafik mit Matlab .................................................................................... 62

Abbildung 5.12: Mittelwerte der einzelnen Aufnahmen des Energiemais a) bei Geinsheim am Rhein in

allen Kanälen Quelle: Selbst erstellte Grafik mit Matlab .............................................................. 64

viii

Abbildung 5.13: Mittelwerte der einzelnen Aufnahmen des Körnermais b) bei Semd in allen Kanälen

Quelle: Selbst erstellte Grafik mit Matlab .................................................................................... 64

Abbildung 5.14: Beispielaufnahme des Körnermaisfeldes. Der rote Kasten symbolisiert den Bereich der ausgeschnittenen Daten Quelle: Bildmontage aus selbst erstellter µ-MCA-Aufnahme ................... 65

Abbildung 5.15: Zu Abbildung 5.14 nachfolgende Aufnahme. Aufgrund der leichten Überbelichtung

erscheinen die Maispflanzen im gleichen Bereich nun dunkler Quelle: Bildmontage aus selbst

erstellter µ-MCA-Aufnahme ......................................................................................................... 66

Abbildung 5.16: Mittelwerte der einzelnen Aufnahmen des Zuckerrübenfeldes c2) bei Geinsheim am

Rhein in allen Kanälen (2. Befliegung) Quelle: Selbst erstellte Grafik mit Matlab ........................ 67

Abbildung 5.17: Standardabweichungen der einzelnen Aufnahmen des Energiemais a) bei Geinsheim

am Rhein in allen Kanälen Quelle: Selbst erstellte Grafik mit Matlab .......................................... 68

Abbildung 5.18: Standardabweichungen der einzelnen Aufnahmen des Körnermais b) bei Semd in

allen Kanälen Quelle: Selbst erstellte Grafik mit Matlab .............................................................. 68

Abbildung 5.19: Standardabweichungen der einzelnen Aufnahmen des Zuckerrübenfeldes c2) bei

Geinsheim am Rhein in allen Kanälen (2. Befliegung) Quelle: Selbst erstellte Grafik mit Matlab . 69

Abbildung 5.20: Beispielaufnahme im NIR-Kanal aus dem Zuckerrübenfeld c2) bei Geinsheim am

Rhein. Es sind Fahrspuren, sowie größere und kleinere kahle Stellen zu erkennen (2. Befliegung)

Quelle: Bildschirmabbildung aus Pixel Wrench 2 ........................................................................ 75

Abbildung 7.1: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes c1) bei

Geinsheim am Rhein in allen Kanälen (1. Befliegung), Quelle: Selbst erstellte Grafik mit Matlab ... i

Abbildung 7.2: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes d) bei

Dornheim in allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab ............................................ i

Abbildung 7.3: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes e) bei Semd

in allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab ........................................................... ii

Abbildung 7.4: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes

c1) bei Geinsheim am Rhein in allen Kanälen (1. Befliegung), Quelle: Selbst erstellte Grafik mit Matlab ......................................................................................................................................... iii


d) bei Dornheim in allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab ................................ iii


e) bei Semd in allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab ....................................... iv

ix

Literaturverzeichnis

[1] Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of

Vegetation, CRC Press Taylor & Francis Group, 2012, Version Date: 2011908

[2] Mather, Paul M. / Koch, Magaly: Computer Processing of Remotely-Sensed Images, An

Introduction, Fourth Edition, Wiley-Blackwell, 2011

[3] Tso, Brandt / Mather, Paul M.: Classification Methods for Remotely Sensed Data, Second

Edition, CRC Press Taylor & Francis Group, 2009

[4] Richards, John A. / Jia, Xiuping: Remote Sensing Digital Image Analysis: An Introduction, 4th

Edition, Springer Verlag, 2006

[5] Smith, Lindsay I.: A tutorial on Principal Components Analysis, 2002,

http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf

(Abrufdatum: 27.11.2015)

[6] Shlens, Jonathon: A Tutorial on Principal Component Analysis, Google Research, Mountain

View, Kalifornien, 2014, http://arxiv.org/pdf/1404.1100v1.pdf (Abrufdatum: 27.11.2015)

[7] Weichelt, Dr. Horst / Rosso, Dr. Pablo / Marx, Alexander / Reigber, Sandra / Douglass,

Kim / Heynen, Markus: The RapidEye Red-Edge Band, BlackBridge – Delivering the World,

Jahr unbekannt, http://www.blackbridge.com/rapideye/upload/Red_Edge_White_Paper.pdf


[8] Schuster, Christian / Förster, Michael / Kleinschmitt, Birgit: Testing the Red-Edge channel

for improving land-use classifications based on high-resolution multi-spectral satellite data,

International Journal of Remote Sensing, Berlin Institute of Technology, Departement of

Geoinformation for Environmental Planning, Berlin, 2012, https://www.geographie.hu-

berlin.de/de/Members/schuster_christian/publications/ijrs-manuscript_schuster-et-al_rapideye-

rededge (Abrufdatum: 24.11.2015)

[9] Zhang, Chunhua / Kovacs, John M.: The application of small unmanned aerial systems for

precision agriculture: a review, Springer Verlag, 2012,

http://link.springer.com/article/10.1007/s11119-012-9274-5 (Abrufdatum: 01.12.2015)

[10] Sörgel, Prof. Dr.-Ing. Uwe: Bildanalyse I, Skript zur Vorlesung, basierend auf Material von

Prof. Dr. Franz Rottensteiner, Technische Universität Darmstadt, Jahr unbekannt

[11] Sörgel, Prof. Dr.-Ing. Uwe: Fernerkundung II, Skript zur Vorlesung, Technische Universität

Darmstadt, 2014

[12] Baranoski, G. V. G. / Rokne, J. G.: A practical approach for estimating the Red-Edge position

of plant leaf reflectance, International Journal of Remote Sensing, Vol. 26, No. 3, 2005,

http://www.npsg.uwaterloo.ca/resources/docs/IJRS2005.pdf (Abrufdatum: 18.12.2015)

x

[13] Chitroub, Salim / Houacine, Amrane / Sansal, Boualem: Principal Component Analysis of

Multispectral Images Using Neural Network, University of Science and Technology Houari

Boumediene, Electrical Engineering Faculty, Algiers, Algerien, 2001

[14] Laliberte, Andrea S. / Gofort, Mark A. / Steele, Caitriana M. / Rango, Albert: Multispectral

Remote Sensing from Unmanned Aircraft: Image Processing Workflows and Applications for

Rangeland Environments, Remote Sensing, 2011

[15] Weekley, Jonathan Gardner: Multispectral Imaging Techniques for Monitoring Vegetative

Growth and Health, Master Thesis, Blacksburg, Virginia, 2007,

http://scholar.lib.vt.edu/theses/available/etd-11172008-

144208/unrestricted/JGWeekleyETD.pdf (Abrufdatum 16.09.2015)

[16] Leibniz-Institut für Agrartechnik Potsdam-Bornim e.V., ATB: 19. Workshop Computer-

Bildanalyse in der Landwirtschaft, 2. Workshop Unbemannte autonom fliegende Systeme

(UAS) in der Landwirtschaft, 6.-7. Mai 2013, Berlin, Bornimer Agrartechnische Berichte, Heft

81,

https://opus4.kobv.de/opus4-slbp/frontdoor/index/index/docId/3617


[17] Food and Agriculture Organization of the United Nations: The State of Food Insecurity in

the World 2015 – Meeting the 2015 international hunger targets: taking stock of uneven

progress, http://www.fao.org/3/a-i4646e/index.html (Abrufdatum: 02.02.2016)

[18] Mortimer, Gary: GFIA Africa 2015 Session on Drones for agriculture: stepping into the future,

http://www.suasnews.com/2015/12/gfia-africa-2015-session-on-drones-for-agriculture-stepping-

into-the-future/ (Abrufdatum: 02.02.2016)

[19] Welthungerhilfe: Welthunger-Index 2015: Hunger und bewaffnete Konflikte,

http://www.welthungerhilfe.de/welthungerindex2015.html (Abrufdatum: 02.02.2016)

[20] Kim, M. S. / Lefcourt, A. M. / Chao, K. / Chen, Y. R. / Kim, I. / Chan, D.E.: Multispectral

Detection of Fecal Contamination on Apples Based on Hyperspectral Imagery: Part 1.

Application of Visible and Near-Infrared Reflectance Imaging, American Society of Agricultural

Engineers ISSN 0001-2351, 2002,

http://www.ars.usda.gov/SP2UserFiles/person/3290/2002Kim45-6TransASAE2027-2037.pdf

(Abrufdatum 27.11.2015)

[21] Rey-Caramés, Clara / Diago, María P. / Martín, M. Pilar / Lobo, Agustín / Tardaguila,

Javier: Using RPAS Multi-Spectral Imagery to Characterise Vigour, Leaf Development, Yield

Components and Berry Composition Variability within a Vineyard, Remote Sensing in Precision

Agriculture, 2015, http://www.mdpi.com/2072-4292/7/11/14458 (Abrufdatum: 05.01.2016)

xi

[22] Shaw, Gary A. / Burke, Hsiao-hua K.: Spectral Imaging for Remote Sensing, Lincoln

Laboratory Journal, Volume 14, 2003,

https://www.ll.mit.edu/publications/journal/pdf/vol14_no1/14_1remotesensing.pdf

(Abrufdatum 01.10.2015)

[23] Dvorak, David R. / Semke, William H. / Rundquist, Bradley C.: Using an Unmanned Aircraft

to Collect Multispectral Imagery during a Landsat 5 Pass and Comparing the Results to a

Ground-Based Multispectral Radiometer, University of North Dakota, North Dakota GIS Users

Conference, Grand Forks, North Dakota, 2011

[24] TETRACAM: Micro-MCA - Tetracam’s Micro-Miniature Multiple Camera Array System,

http://www.tetracam.com/Products-Micro_MCA.htm (Abrufdatum: 20.08.2015)

[25] TETRACAM: Incident Light Sensor – Enabling Representation of Precise Reflectance Values for

Mini-MCA 4, 6 or 12 systems,

http://www.tetracam.com/Products_Incident%20Light%20Sensor.htm


[26] TETRACAM: Tetracam µ-MCA User‘s Guide, 2015

[27] Landwirtschaftliche Rentenbank: Aus dem Geschäftsbericht 2013, Hochproduktiv und

gleichzeitig nachhaltig: Die Landwirtschaft heute und morgen, Frankfurt am Main, 2014,

https://www.rentenbank.de/dokumente/Sonderthema-GB-2013.pdf (Abrufdatum: 11.01.2016)

[28] Geographisches Institut der Universität Bonn: Infrarote Pflanzen, http://www.fis.uni-

bonn.de/recherchetools/infobox/profis/faszination-fernerkundung/infrarote-pflanzen


[29] König, Reinhard / Brosch, Michael: Hauptkomponentenanalyse – Principal Components

Analysis, Signalverarbeitung für Neurowissenschaftler, Leibniz-Institut für Neurobiologie,

Magdeburg, ftp://ftp.ifn-magdeburg.de/pub/MBLehre/sv06_130509-ftp.pdf (Abrufdatum:

28.11.2015)

[30] Max-Planck-Institut für Molekulare Pflanzenphysiologie: Komm ins Beet – Nutzpflanzen:

Herkunkt, Züchtung und Forschung: Biogas,

http://www.komm-ins-beet.mpg.de/wissenswertes/nachwachsende-rohstoffe/biogas-ii


i

Eidesstattliche Erklärung

Abschlussarbeit von: Marcus Andreas Hölzemann

Erklärung zur Abschlussarbeit gemäß §23, Abs. 7 APB

Hiermit versichere ich, die vorliegende Abschlussarbeit ohne Hilfe Dritter nur mit den

angegebenen Quellen und Hilfsmitteln angefertigt zu haben. Alle Stellen, die aus den Quellen

entnommen wurden, sind als solche kenntlich gemacht worden. Diese Arbeit hat in gleicher

oder ähnlicher Form noch keiner Prüfungsbehörde vorgelegen.

___________________________ ___________________________

Ort, Datum Unterschrift

Documents

Untersuchung zur Verwendbarkeit des TETRACAM MiniMCA ... · Untersuchung zur Verwendbarkeit des TETRACAM MiniMCA-Kamerasystems für Analysen zur Vitalität landwirtschaftlicher Kulturen