RGB ve Multispektral İHA Görüntülerinin Parsel Tabanlı Analizi için Yerel Web CBS Platformunun Geliştirilmesi ve İşlevsel Doğrulanması
Keywords:
İHA, Multispektral Görüntüleme, Web CBS, Vejetasyon İndeksleri, Parsel Analizi, Domates, Hassas TarımAbstract
İnsansız hava aracı (İHA) ile elde edilen multispektral görüntüler, bitki gelişimi ve stres
değişimlerinin yüksek mekânsal çözünürlükte izlenmesini sağlar; ancak ham görüntülerin kalite kontrolü,
fotogrametrik işlenmesi, harita olarak yayımlanması ve aynı parsellerin farklı tarihlerde karşılaştırılması
çoğunlukla birbirinden kopuk araçlarla yürütülür. Bu çalışmada, HealthyTomato projesinin saha gözlem
gereksinimleri için RGB ve multispektral İHA verilerini uçtan uca işleyen yerel bir web coğrafi bilgi
sistemi geliştirilmiştir. M3M Harita adı verilen sistem, görünür kırmızı-yeşil-mavi (RGB) görüntüler ile
Green, Red, Red Edge ve yakın kızılötesi (NIR) bantlarını doğrulamakta; RGB ve multispektral
ortofotoları ayrı OpenDroneMap işlerinde üretmekte ve çıktıları Cloud-Optimized GeoTIFF biçiminde
sunmaktadır. TiTiler tabanlı bant matematiğiyle NDVI, NDRE, GNDVI, kırmızı kenar klorofil indeksi ve
OSAVI katmanları istek anında hesaplanmaktadır. MapLibre tabanlı arayüz, bant ve renk kompoziti
seçimi, nokta sorgusu ve görüntü ayarlarını desteklemektedir. Çizilen veya kayıtlı parseller için geçerli
piksel kapsamı ile bant ve indeks özetleri hesaplanmakta; aynı geometriyi kapsayan uçuşlar zaman
serisinde birleştirilerek CSV ve PDF biçimlerinde dışa aktarılmaktadır. Belirlenen araştırma alanından
alınan gerçek uçuş verileriyle yapılan işlevsel doğrulama, yüklemeden parsel raporuna kadar bütün
adımların aynı yerel altyapıda çalıştığını göstermiştir. Sistem, hastalık sınıflandırıcısı veya kalibre edilmiş
yaprak alan indeksi modeli olarak sunulmamaktadır; bu amaçlar için saha ölçümü, hastalık etiketi ve
bağımsız doğrulama gereklidir. Sonuç olarak geliştirilen platform, domates gelişimi ve hastalık riskinin
ileride mekânsal-zamansal modellenmesi için tekrarlanabilir bir veri ve analiz temeli sağlamaktadır.
Downloads
References
[1] E. Chakhvashvili et al., “Crop stress detection from UAVs: best practices and lessons learned for exploiting sensor synergies,” Precision Agriculture, vol. 25, pp. 2614–2642, 2024. doi:10.1007/s11119-024-10168-3
[2] T. B. Shahi, C.-Y. Xu, A. Neupane, and W. Guo, “Recent advances in crop disease detection using UAV and deep learning techniques,” Remote Sensing, vol. 15, no. 9, art. 2450, 2023. doi:10.3390/rs15092450
[3] O. Chávez-Martínez et al., “Use of different vegetation indices for the evaluation of the kinetics of the cherry tomato growth based on multispectral images by UAV,” Open Agriculture, vol. 9, no. 1, 2024. doi:10.1515/opag-2022-0357
[4] H. Zhang et al., “Unmanned-aerial-vehicle-based multispectral monitoring of nitrogen content in canopy leaves of processed tomatoes,” Agriculture, vol. 15, no. 3, art. 309, 2025. doi:10.3390/agriculture15030309
[5] Z. Tang et al., “Estimation of tomato water status with photochemical reflectance index and machine learning: Assessment from proximal sensors and UAV imagery,” Frontiers in Plant Science, vol. 14, 2023. doi:10.3389/fpls.2023.1057733
[6] K. Tatsumi et al., “Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery,” Plant Methods, vol. 17, art. 77, 2021. doi:10.1186/s13007-021-00761-2
[7] X. Zhang, B. A. Vinatzer, and S. Li, “Hyperspectral imaging analysis for early detection of tomato bacterial leaf spot disease,” Scientific Reports, vol. 14, art. 27666, 2024. doi:10.1038/s41598-024-78650-6
[8] J. Abdulridha, Y. Ampatzidis, S. C. Kakarla, and P. Roberts, “Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques,” Precision Agriculture, vol. 21, pp. 955–978, 2020. doi:10.1007/s11119-019-09703-4
[9] V. A. G. Cunha, J. Hariharan, Y. Ampatzidis, and P. D. Roberts, “Early detection of tomato bacterial spot disease in transplant tomato seedlings utilising remote sensing and artificial intelligence,” Biosystems Engineering, vol. 234, pp. 172–186, 2023. doi:10.1016/j.biosystemseng.2023.09.002
[10] S. M. Javidan et al., “Early detection and spectral signature identification of tomato fungal diseases by RGB and hyperspectral image analysis and machine learning,” Heliyon, vol. 10, art. e38017, 2024. doi:10.1016/j.heliyon.2024.e38017
[11] L. Radócz et al., “Multispectral UAV-based disease identification using vegetation indices for maize hybrids,” Agriculture, vol. 14, no. 11, art. 2002, 2024. doi:10.3390/agriculture14112002
[12] R. Ma et al., “Cotton Verticillium wilt monitoring based on UAV multispectral-visible multi-source feature fusion,” Computers and Electronics in Agriculture, vol. 217, art. 108628, 2024. doi:10.1016/j.compag.2024.108628
[13] G. Blasch et al., “The potential of UAV and very high-resolution satellite imagery for yellow and stem rust detection and phenotyping in Ethiopia,” Scientific Reports, vol. 13, art. 16768, 2023. doi:10.1038/s41598-023-43770-y
[14] W. Li et al., “Combining texture, color, and vegetation index from unmanned aerial vehicle multispectral images to estimate winter wheat leaf area index,” Remote Sensing, vol. 15, no. 24, art. 5715, 2023. doi:10.3390/rs15245715
[15] J. Zu, H. Yang, J. Wang, W. Cai, and Y. Yang, “Inversion of winter wheat leaf area index from UAV multispectral images: classical vs. deep learning approaches,” Frontiers in Plant Science, vol. 15, art. 1367828, 2024. doi:10.3389/fpls.2024.1367828
[16] L. Qiao et al., “Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images,” Field Crops Research, vol. 289, art. 108739, 2022. doi:10.1016/j.fcr.2022.108739
[17] P. R. Mwinuka et al., “UAV-based multispectral vegetation indices for assessing the interactive effects of water and nitrogen in irrigated horticultural crops production under tropical sub-humid conditions,” Agricultural Water Management, vol. 266, art. 107516, 2022. doi:10.1016/j.agwat.2022.107516
[18] D. Castilho et al., “A global dataset for assessing nitrogen-related plant traits using drone imagery in major field crop species,” Scientific Data, vol. 11, art. 585, 2024. doi:10.1038/s41597-024-03357-2
[19] T. Domingues, T. Brandão, and J. C. Ferreira, “Machine learning for detection and prediction of crop diseases and pests: a comprehensive survey,” Agriculture, vol. 12, no. 9, art. 1350, 2022. doi:10.3390/agriculture12091350
[20] Y. E. García-Vera, A. Polochè-Arango, C. A. Mendivelso-Fajardo, and F. J. Gutiérrez-Bernal, “Hyperspectral image analysis and machine learning techniques for crop disease detection and identification: a review,” Sustainability, vol. 16, no. 14, art. 6064, 2024. doi:10.3390/su16146064
