Z8NMVPDM

2233

20 novembre 2020 08:54

20 novembre 2020 08:54

Une estimation précoce et précise du rendement dans les prairies gérées intensivement est obligatoire pour les décisions de gestion économique. Les caméras RVB (rouge, vert, bleu) fixées sur un véhicule aérien sans pilote (UAV) représentent une technologie non destructive prometteuse pour l'évaluation des caractéristiques des cultures, en particulier dans les grandes régions éloignées. La structure photogrammétrique du traitement de mouvement (SfM) des images basées sur les UAV en nuages ​​de points peut être utilisée pour générer des informations spatiales 3D sur la hauteur de la canopée (CH). Le but de cette étude était le développement de modèles de prédiction du rendement en matière sèche (DMY) dans les prairies tempérées à partir des données CH générées par imagerie UAV RVB sur toute une saison de croissance comprenant quatre coupes. L'étude multi-temporelle a comparé la technique de télédétection à deux méthodes conventionnelles, à savoir l'échantillonnage destructif de la biomasse et les mesures de la hauteur de la règle dans deux mélanges légumineuses-graminées avec du trèfle rouge (Trifolium pratense L.) et de la luzerne (Medicago sativa L.) en combinaison avec Ray-grass italien (Lolium multiflorum Lam.). Pour couvrir toute la gamme de la contribution des légumineuses se produisant dans une prairie pratique, des peuplements purs de légumineuses et d'herbes contenus dans chaque mélange ont également été étudiés. Les résultats ont montré que la prédiction du rendement par l'imagerie RVB UAV basée sur SfM fournissait des précisions similaires pour tous les traitements (R2 = 0,59–0,81) que les mesures de hauteur de règle (R2 = 0,58–0,78). De plus, les résultats de la prédiction du rendement par imagerie UAV RVB ont démontré une meilleure robustesse lorsqu'une variabilité CH accrue se produisait en raison de conditions météorologiques extrêmes. Il est apparu que les caractéristiques morphologiques des couvertures à base de trèfle (R2 = 0,75) permettent une meilleure prédiction télédétectée du rendement annuel total que pour les mélanges de luzerne-herbe (R2 = 0,64), et que ces modèles spécifiques aux cultures ne peuvent pas être facilement transférés à autres types de prairies.

An early and precise yield estimation in intensive managed grassland is mandatory for economic management decisions. RGB (red, green, blue) cameras attached on an unmanned aerial vehicle (UAV) represent a promising non-destructive technology for the assessment of crop traits especially in large and remote areas. Photogrammetric structure from motion (SfM) processing of the UAV-based images into point clouds can be used to generate 3D spatial information about the canopy height (CH). The aim of this study was the development of prediction models for dry matter yield (DMY) in temperate grassland based on CH data generated by UAV RGB imaging over a whole growing season including four cuts. The multi-temporal study compared the remote sensing technique with two conventional methods, i.e., destructive biomass sampling and ruler height measurements in two legume-grass mixtures with red clover (Trifolium pratense L.) and lucerne (Medicago sativa L.) in combination with Italian ryegrass (Lolium multiflorum Lam.). To cover the full range of legume contribution occurring in a practical grassland, pure stands of legumes and grasses contained in each mixture were also investigated. The results showed, that yield prediction by SfM-based UAV RGB imaging provided similar accuracies across all treatments (R2 = 0.59–0.81) as the ruler height measurements (R2 = 0.58–0.78). Furthermore, results of yield prediction by UAV RGB imaging demonstrated an improved robustness when an increased CH variability occurred due to extreme weather conditions. It became apparent that morphological characteristics of clover-based canopies (R2 = 0.75) allow a better remotely sensed prediction of total annual yield than for lucerne-grass mixtures (R2 = 0.64), and that these crop-specific models cannot be easily transferred to other grassland types.

None

• AB - Transversal
• FREDO fourrage et prairie
• azote
• precision agriculture
• rendement
• technologie

2019-01-26

26 janvier 2019