Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
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.
12 S. 12, Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of Vegetation, siehe Literaturverzeichnis [1]
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
Literaturverzeichnis [24]
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
Literaturverzeichnis [24]
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
Literaturverzeichnis [24]
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)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
27
Abbildung 2.17: 10bit RAW-Aufnahme eines Energiemaisfeldes (Roter Kanal, 650nm)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
Abbildung 2.18: 10bit RAW-Aufnahme eines Energiemaisfeldes (NIR-Kanal, 850nm)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
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)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
Abbildung 2.20: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Grüner Kanal, 550nm)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
30
Abbildung 2.21: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (Roter Kanal, 650nm)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
Abbildung 2.22: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (NIR-Kanal, 850nm)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
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
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal)
Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen
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
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal)
Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen
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
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal)
Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen
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.
Abbildung 3.17: Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal)
Quelle: Bildmontage aus selbst erstellten µ-MCA-Aufnahmen
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
Quelle: Selbst erstellte Grafik mit Matlab
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:
26 S. 309, Thenkabail, Prasad S. / Lyon, John G. / Huete, Alfredo: Hyperspectral Remote Sensing of Vegetation, siehe Literaturverzeichnis [1]
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)
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
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)
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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
Quelle: Selbst erstellte Grafik mit Matlab
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)
Quelle: Selbst erstellte Grafik mit Matlab
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
# Kultur Ort Red-Edge Grün Rot NIR
a) Energiemais Geinsheim a. R. 4,0084 2,6843 1,0757 14,8015
b) Körnermais Semd 9,8046 4,5496 5,4962 9,6178
c1) Zuckerrüben Geinsheim a. R. 4,3093 1,8257 0,8671 14,1998
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.
# Kultur Ort Red-Edge Grün Rot NIR
a) Energiemais Geinsheim a. R. 32,8254 21,1434 11,3503 46,8473
b) Körnermais Semd 17,3796 9,0251 10,1987 17,5773
c1) Zuckerrüben Geinsheim a. R. 22,9800 10,2008 5,3908 57,6072
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.
# Kultur Ort Red-Edge Grün Rot NIR
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)
Quelle: Bildschirmabbildung aus Pixel Wrench 2
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
# 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 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.
# Kultur Ort Red-Edge Grün Rot NIR
a) Energiemais Geinsheim a. R. 32,8254 21,1434 11,3503 46,8473
b) Körnermais Semd 17,3796 9,0251 10,1987 17,5773
c1) Zuckerrüben Geinsheim a. R. 22,9800 10,2008 5,3908 57,6072
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.
# Kultur Ort Red-Edge Grün Rot NIR
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,
Quelle: Selbst erstellte Grafik mit Matlab
ii
Abbildung 7.3: Mittelwerte der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes e) bei Semd in allen Kanälen,
Quelle: Selbst erstellte Grafik mit Matlab
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:
Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 26
Abbildung 2.17: 10bit RAW-Aufnahme eines Energiemaisfeldes (Roter Kanal, 650nm) Quelle:
Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 27
Abbildung 2.18: 10bit RAW-Aufnahme eines Energiemaisfeldes (NIR-Kanal, 850nm) Quelle:
Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 27
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:
Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 30
Abbildung 2.22: 10bit RAW-Aufnahme eines Zuckerrübenfeldes (NIR-Kanal, 850nm) Quelle:
Bildschirmabbildung aus Pixel Wrench 2 ..................................................................................... 30
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
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal) Quelle:
Bildmontage aus selbst erstellten µ-MCA-Aufnahmen .................................................................. 36
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 3.15: Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal) Quelle:
Bildmontage aus selbst erstellten µ-MCA-Aufnahmen .................................................................. 42
Abbildung 3.16: RGB-Luftbild des Zuckerrübenfeldes bei Semd (28.10.2015). Leider liegt in diesem
Fall keine Bodenaufnahme vor. ................................................................................................... 43
Abbildung 3.17: Beispielaufnahme mit der µ-MCA aus dem Zuckerrübenfeld (Oben links im
Uhrzeigersinn beginnend: Red-Edge-Kanal, Grüner Kanal, Roter Kanal, NIR-Kanal) Quelle:
Bildmontage aus selbst erstellten µ-MCA-Aufnahmen .................................................................. 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:
Selbst erstellte Grafik mit Matlab ................................................................................................. 61
Abbildung 5.10: Darstellung aller Grauwert-Histogramme des roten Kanals zum Vergleich Quelle:
Selbst erstellte Grafik mit Matlab ................................................................................................. 61
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
Abbildung 7.5: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes
d) bei Dornheim in allen Kanälen, Quelle: Selbst erstellte Grafik mit Matlab ................................ iii
Abbildung 7.6: Standardabweichungen der einzelnen, selektierten Aufnahmen des Zuckerrübenfeldes
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
(Abrufdatum: 16.12.2015)
[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
(Abrufdatum: 16.09.2015)
[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
(Abrufdatum: 20.08.2015)
[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
(Abrufdatum: 01.02.2016)
[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
(Abrufdatum: 27.11.2016)
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