Un article scientifique rédigé par une équipe japonaise de l’université d’Hokkaido rend compte d’un travail original de suivi du blé par drone avec des séries temporelles d’images dans le visible. Les auteurs mettent naturellement en évidence la difficulté d’utiliser cette source d’images qui exige un étalonnage assez précis pour être en mesure de comparer les valeurs mesurées d’une date à une autre. Ils proposent pour cela d’utiliser des invariants du paysage (toit de bâtiments, goudron de routes, etc.). Les auteurs proposent également de tester des indices calculés avec les bandes visibles des images (Combinaison des voies R, V et B) pour estimer la biomasse et le rendement en fin de saison. Les résultats sont assez prometteurs (même si le modèle semble sur-paramétré) puisqu’ils mettent en évidence l’intérêt potentiel d’indices définis à partir d’images dans le visible pour estimer le rendement potentiel au niveau intra-parcellaire (sur la base de quelques points d’échantillonnage). Au-delà de l’intérêt scientifique, cet article présente un intérêt pratique évident car il met en évidence l’intérêt d’un capteur assez simple (même si le traitement des information reste assez sophistiqué) et bas-coût pour suivre le développement des cultures. Il ouvre ainsi une voie possible vers l’utilisation de drones muni de caméra visible à faible coût pour des applications métiers en agriculture.

Résumé : Applications of remote sensing using unmanned aerial vehicle (UAV) in agriculture has proved to be an effective and efficient way of obtaining field information. In this study, we validated the feasibility of utilizing multi-temporal color images acquired from a low altitude UAV-camera system to monitor real-time wheat growth status and to map within-field spatial variations of wheat yield for smallholder wheat growers, which could serve as references for site-specific operations. Firstly, eight orthomosaic images covering a small winter wheat field were generated to monitor wheat growth status from heading stage to ripening stage in Hokkaido, Japan. Multi-temporal orthomosaic images indicated straightforward sense of canopy color changes and spatial variations of tiller densities. Besides, the last two orthomosaic images taken from about two weeks prior to harvesting also notified the occurrence of lodging by visual inspection, which could be used to generate navigation maps guiding drivers or autonomous harvesting vehicles to adjust operation speed according to specific lodging situations for less harvesting loss. Subsequently orthomosaic images were geo-referenced so that further study on stepwise regression analysis among nine wheat yield samples and five color vegetation indices (CVI) could be conducted, which showed that wheat yield correlated with four accumulative CVIs of visible-band difference vegetation index (VDVI), normalized green-blue difference index (NGBDI), green-red ratio index (GRRI), and excess green vegetation index (ExG), with the coefficient of determination and RMSE as 0.94 and 0.02, respectively. The average value of sampled wheat yield was 8.6 t/ha. The regression model was also validated by using leave-one-out cross validation (LOOCV) method, of which root-mean-square error of predication (RMSEP) was 0.06. Finally, based on the stepwise regression model, a map of estimated wheat yield was generated, so that within-field spatial variations of wheat yield, which was usually seen as general information on soil fertility, water potential, tiller density, etc., could be better understood for applications of site-specific or variable-rate operations. Average yield of the studied field was also calculated according to the map of wheat yield as 7.2 t/ha.

Références : Du, M., & Noguchi, N. (2017). Monitoring of Wheat Growth Status and Mapping of Wheat Yield’s within-Field Spatial Variations Using Color Images Acquired from UAV-camera System. Remote Sensing, 9(3), 289.