کشاورزی هوشمند با تجزیه و تحلیل عکس هوایی

0/5

نمی دانید چه ممکن است کشاورزی پایدار و پرمصرف به نظر برسد؟ این پروژه علمی به بررسی چگونگی تجزیه و تحلیل تصاویر چشم پرنده از یک زمینه می تواند کشاورزان را از تغییرات در زمینه های خود آگاه سازد. کشاورزان می توانند از این اطلاعات برای بهینه سازی شیوه های کشاورزی خود استفاده کنند و یا حتی این اطلاعات را به تجهیزات کشاورزی پیشرفته منتقل کنند تا دستگاه ها بتوانند به طور خودکار اقدامات خود (مانند کود دادن یا آب دادن) را به نیازهای یک قطعه زمین تنظیم کنند.

هدف:روشی را ایجاد کنید تا یک کامپیوتر بتواند با استفاده از هیستوگرامهای رنگی یک تصویر پرنده از منطقه ، بخشی از زمین پوشیده از علف را استنباط کند

 موضوعمهندسی محیط زیست
 دوره سنیمتوسطه اول و دوم
میزان دشواریپیچیده
زمان مورد نیازدو تا پنج روز
هزینه بسیار کم
 پیش نیازآشنایی با یک روش ویرایش تصویر
 دسترسی به مواددر دسترس

اطمینان از داشتن غذای مردم همیشه یک چالش است و بیشتر مردم دنیا به معنای بیشتر غذا برای مردم هستند. با توجه به تخمین های جمعیت جهان که رشد سریع خود را نشان می دهد (شکل 1 را ببینید) ، یافتن راه های جدید و پایدار برای تولید غذای کافی برای تغذیه همه مهم است.

شکل 1. تخمین جمعیت جهان از 1800 تا 2100 ، بر اساس پیش بینی های سازمان ملل متحد “بالا” ، “متوسط” و “کم” در سال 2015 و تخمین های تاریخی سازمان ملل برای داده های قبل از 1950. (اعتبار تصویر کاربر ویکی مدیا Commons bdm25، 2016.)

هیچ راه حل واحدی نمی تواند چالش تغذیه جمعیت رو به رشد جهان را حل کند ، اما تغییر در مدیریت کشاورزی و استفاده از فناوری کشاورزی می تواند تغییری ایجاد کند.

به طور سنتی ، برای تعیین نحوه عملکرد محصولات زراعی ، کشاورزان چند نمونه از مزارع یا محصولات کشاورزی را می گرفتند و سپس برای همه مزارع یا محصولات کشاورزی تصمیم می گرفتند. مشکلی که در این زمینه وجود دارد این است که ممکن است شرایط برای همه زمینه ها یا حتی برای همه قسمت های یک قسمت واحد یکسان نباشد. فناوری مدرن كشاورزی به كشاورزان این امکان را می دهد كه تنوع فضایی را به خود اختصاص دهند و به سمت كشاورزی دقیق یا مدیریت محصولات زراعی خاص حرکت كنند. اینها سبکهای مدیریتی هستند که در آنها تصمیمات مبتنی بر داده های خاص سایت است و زمینه ها یا محصولات زراعی با توجه به نیازهای خاص آنها بصورت محلی رفتار می شود.

فن آوری های جدید مانند تصاویر ماهواره ای و هواپیماهای بدون سرنشین ، GPS (سیستم موقعیت یابی جهانی) ، GIS (سیستم اطلاعات جغرافیایی) و ایستگاه های سنجش خودکار در سطح زمین به کشاورزان این امکان را می دهد تا داده های محلی را به صورت خودکار جمع آوری کرده و آن را توسط رایانه ها بطور مداوم تجزیه و تحلیل کنند. گزارش های مربوط به این سیستم ها به کشاورزان کمک می کند تا همه محصولات خود از جمله تغییرات محلی را ردیابی کنند و ممکن است کشاورزان را نسبت به مشکلات خاص سایت هشدار دهد. این امر به کشاورزان این امکان را می دهد تا به طور مؤثر (مثلاً آب ، کوددهی ، و یا برداشت) مزارع ، محصولات زراعی و سایت ها را به طور مؤثر درمان کنند.

برای اینکه کشاورزان از مزایای کشاورزی دقیق یا مدیریت محصولات زراعی خاص استفاده کنند ، کامپیوترها باید بتوانند اطلاعات مفیدی را از داده های خام استخراج کنند. کامپیوترها از تجزیه و تحلیل تصاویر مزارع یک کشاورز چه می توانند بگویند؟ سلامت کلی و اندازه یک محصول غالباً مربوط به رنگ و پوشش سایبان آن است. برای انسان بسیار آسان است که در هنگام مشاهده تصویر هوایی (یا پرنده چشم) از میدان ، می تواند زمینه سبز پر از گیاهان سالم و طبیعی را از یکی از مناطق خشک و لخت متمایز کند ، اما آیا کامپیوترها می توانند برای تفسیر این تصاویر و ارزیابی زمینه های مبتنی بر برنامه ریزی شوند. روی رنگ؟ در این پروژه علمی خواهیم دید که چگونه رایانه ها می توانند اطلاعات ارزشمندی را از تصاویر دیجیتال تحلیل و استنباط کنند.

رایانه ها یک تصویر دیجیتالی را به عنوان آرایه ای از مقادیر شدت نور برای رنگ های قرمز ، سبز و آبی “می بینند”. برای هر پیکسل (نقطه) در تصویر ، آرایه مقدار (یا شدت) نور قرمز ، سبز و آبی موجود را به عنوان مقداری بین 0 (تاریکی کامل) و 255 (حداکثر شدت نور) ذخیره می کند. رنگ هر پیکسل موجود در تصویر نتیجه افزودن شدت خاص قرمز ، سبز و آبی (R ، G و B) برای آن پیکسل است. توجه داشته باشید که تصاویر دیجیتالی از سیستم رنگ افزودنی استفاده می کنند ، جایی که ترکیب قرمز ، سبز و آبی به رنگ سفید منجر می شود.

توزیع آماری مقادیر شدت در تصویر به عنوان هیستوگرام تصویر گفته می شود. یک هیستوگرام نشان می دهد که چند پیکسل موجود در تصویر از شدت نور ویژه ای برخوردار هستند. نرم افزار ویرایش تصویر شما ممکن است انواع مختلفی از هیستوگرام را نشان دهد. در این پروژه از نمودارهای تصویر برای رنگهای فردی برای تحلیل تصاویر پرندگان چشم استفاده خواهید کرد. در شکل 2 دو تصویر مختلف با بافتنگاری خود برای کانال سبز نشان داده شده است. محور افقی شدت نور را نشان می دهد ، از 0 (تاریک) در سمت چپ به 255 (نور) در سمت راست می رود. ارتفاع یک نوار در 

هیستوگرام نشان دهنده تعداد پیکسل های آن شدت نور خاص در تصویر است.

شکل 2. تصویری از چمن و یکی از خاک با نمودار رنگی آنها برای کانال سبز.

بسیاری از برنامه های تصویری نیز گزینه ای برای نمایش هیستوگرام به رنگ دارند و مقادیر R ، G و B رنگ نشان داده شده است (مانند شکل 3). جایی که مقادیر R ، G یا B با هم همپوشانی دارند ، رنگهای کامپوزیتی دیگری (مانند زرد) را مشاهده خواهید کرد. برنامه شما همچنین ممکن است یک هیستوگرام ارائه دهد که میانگین شدت آن در کانال R ، G و B را نشان می دهد (در شکل 4 نشان داده شده است). توجه: نرم افزار ویرایش تصویر خاص شما ممکن است هیستوگرام ها را متفاوت از نمونه های نشان داده شده نشان دهد.

شکل 3. تصویری از چمن و یکی از خاک با توزیع شدت نور برای هر سه کانال (R ، G ، و B) که در هیستوگرام قابل مشاهده است.

شکل 4. تصویری از چمن و یکی از خاک با توزیع متوسط ​​شدت نور در هر سه کانال (R ، G و B).

چگونه یک هیستوگرام تصویر می تواند به کشاورزان در ارزیابی و نظارت بهتر زمین ها و محصولات خود کمک کند؟ چه اطلاعاتی می تواند تجزیه و تحلیل “رنگ” سایبان اراضی و محصولات کشاورزی را در اختیار کشاورزان قرار دهد؟ آیا می توانید به کامپیوتر یاد دهید که به یک عکس از یک زمینه نگاه کند و عکس را بر اساس رنگ آنالیز کند تا اطلاعات را به یک کشاورز ارائه دهد؟ در این پروژه علمی ، روشی را آزمایش خواهید کرد که یک رایانه را قادر می سازد میزان پوشش چمن یک ناحیه را بر اساس هیستوگرامهای یک تصویر پرنده (یا هوایی) آن منطقه تخمین بزند.

شرایط و مفاهیم

  • کشاورزی دقیق
  • مدیریت محصول مخصوص سایت
  • عکاسی هوایی
  • سیستم رنگی افزودنی
  • توزیع آماری
  • هیستوگرام
  • الگوریتم

سوالات

  • چگونه می توان عکاسی هوایی اطلاعات مفیدی را برای کشاورزان یا سازمان های دولتی فراهم کرد؟ چگونه ممکن است آنها از اطلاعات استفاده کنند؟
  • انتظار دارید که در نمودارهای سبز ، قرمز و آبی رنگ تصویر پرنده از یک مزرعه چمن مشاهده کنید؟ این هیستوگرامها چگونه با هیستوگرامهای تصویر پرنده ای از زمین لخت متفاوت خواهد بود؟
  • چگونه ممکن است عکاسی منطقه به کشاورزی دقیق کمک کند و از چه طریق ممکن کشاورزی دقیق به تغذیه جمعیت رو به رشد کمک کند؟

 

 

 

 

 

 

  • کاغذ ساختمانی سبز (4 ورقه)
  • کاغذ ساختمانی قهوه ای (4 ورقه)
  • قیچی
  • دوربین دیجیتال
  • رایانه با نرم افزار ویرایش تصویر با یک ابزار هیستوگرام ، مانند Adobe Photoshop یا GIMP.
  • وصله چمن تثبیت شده
  • وصله زمین لخت
  • تکه هایی با ترکیبی از چمن ایجاد شده و زمین لخت ، یا امکان ترکیب قطعات دو تصویر با استفاده از نرم افزار ویرایش تصویر.
  • نوت بوک آزمایشگاه

 

در این پروژه علمی ، روشی را آزمایش خواهید کرد که یک رایانه را قادر می سازد میزان پوشش چمن یک ناحیه را بر اساس بافت شناسی یک تصویر پرنده (هوایی) از منطقه تخمین بزند.

ابتدا از تصاویر کاغذ ساختمانی سبز و قهوه ای برای تعیین روشی استفاده می کنید تا تعیین کنید که چه بخشی از تصویر به رنگ سبز پوشانده شده است. بعداً با استفاده از تصاویری از چمن و خاک ، روش خود را اصلاح خواهید کرد. سرانجام ، شما آزمایش خواهید کرد که چگونه این روند می تواند کسری از ناحیه پوشیده از علف را از یک تصویر چشم پرنده از منطقه استنباط کرده و نقاط قوت و ضعف روش خود را ارزیابی کند.

 

از آنجا که برنامه های مختلف ویرایش تصویر در دسترس هستند ، ما این روش را با دستورالعمل های خاص برای یک برنامه ننوشتیم. برای یادگیری نحوه استفاده از ابزار هیستوگرام در برنامه مورد نظر خود ، شاید شما نیاز به جستجوی یک آموزش یا خواندن پرونده های راهنما داشته باشید.

 

ایجاد روال

با استفاده از کاغذ ساختمانی سبز و قهوه ای ، نمونه کارها را ایجاد کنید.

از کاغذ ساختمانی خود برای ایجاد تصاویر با کسری از رنگ سبز و قهوه ای که در زیر ذکر شده استفاده کنید. در هنگام گرفتن عکس های ذکر شده در زیر ، نکات زیر را در نظر بگیرید:

 

تنظیمات دوربین را ثابت نگه دارید.

سعی کنید شرایط نور را برای همه تصاویر مشابه نگه دارید و از ریختن سایه روی کاغذ خودداری کنید.

کاغذها را روی زمین بگذارید و دوربین را بالای سر آنها نگه دارید و به کاغذ نگاه کنید. اگر دوربین شما از ویژگی زوم برخوردار است ، فاصله بین دوربین و کاغذ را افزایش داده و از بزرگنمایی برای پر کردن کامل قاب با کاغذ ساختمانی استفاده کنید.

سه عکس منظره چشم پرنده (یا عکس هایی که دوربین در آن به پایین نگاه می کند) از هر یک از عکس های زیر:

  • کاغذ ساختمانی سبز
  • کاغذ ساختمانی قهوه ای

تصاویر که در آن قاب نیمه پوشیده از سبز جامد و نیمی با قهوه ای جامد پوشیده شده است

تصاویر که در آن قاب یک چهارم پوشیده از سبز جامد و سه چهارم پوشیده از قهوه ای جامد است

تصاویری که این قاب سه چهارم پوشیده از سبز جامد و یک چهارم با قهوه ای جامد پوشیده شده است

تصاویری که این قاب در کل دو سوم سبز و یک سوم قهوه ای است. به جای قهوه ای جامد ، قهوه ای را به چند تکه پراکنده در زمینه سبز بپوشانید. مثالی در شکل 5 نشان داده شده است.

برای عکس هایی که قاب یک سوم تکه های سبز پراکنده در یک زمینه قهوه ای هستند ، مرحله f را تکرار کنید.

شکل 5. تکه های قهوه ای پراکنده در یک پس زمینه سبز.

برای تمایز سبز از قهوه ای ، الگوریتمی پیدا کنید.

تصویری از کاغذ ساختمانی سبز جامد را در برنامه ویرایش تصویر خود باز کنید و پنجره هیستوگرام را برای تصویر باز کنید.

برای تصویر از کاغذ ساختمانی قهوه ای جامد ، مرحله a را تکرار کنید.

تاریخچه های هر دو عکس را با هم مقایسه کنید.

آیا توزیع کانال سبز بسیار متفاوت است؟

کانال سبز چطور با سایر نمودارهای رنگی برای هر تصویر مقایسه می کند؟ آیا تفاوتهای قابل توجهی می بینید؟

با نگاه کردن به هیستوگرام تصاویر ، راهی برای تمایز کاغذ سبز ساختمانی از قهوه ای پیدا کنید.

به عنوان مثال ، اگر کاغذ ساختمانی سبز در مقادیر شدت بالا (مثلاً بالای 180) در کانال سبز نقطه اوج مشخصی را نشان می دهد ، (در حالی که توزیع در کانال سبز برای کاغذ ساختمانی قهوه ای به وضوح پایین است ، ممکن است استنباط کنید که اوج مشخصی در کانال سبز با مقادیر شدت بالا یک تصویر سبز را نشان می دهد.

 

برای نوشتن الگوریتمی که یک کامپیوتر می تواند برای تجزیه و تحلیل یک تصویر و تعیین کسری از تصویر پوشانده شده با رنگ سبز از آنچه در مرحله d پیدا کردید استفاده کنید. الگوریتم دنباله ای از مراحل است که با هدف حل یک مشکل دنبال می شوند.

برای مثال بالا ، یک رایانه می تواند درصد توزیع سبز بالای یک مقدار برش را محاسبه کند (به عنوان مثال ، 180) و این درصد را به عنوان کسری از کاغذ پوشیده از سبز گزارش کند.

 

بسیاری از برنامه های ویرایش تصویر می توانند درصد پیکسل ها را در یک محدوده با شدت خاص نشان دهند. شکل 6 نشان می دهد که 58.2٪ پیکسل های موجود در تصویر دارای شدت شدت سبز بین 154 تا 255 هستند. برای یافتن این ویژگی ممکن است نیاز به مشاوره برنامه خود داشته باشید. اگر در دسترس نیست ، استفاده از GIMP ، یک برنامه ویرایش تصویر منبع آزاد و آزاد را در نظر بگیرید

 

شکل 6. ارزیابی درصد پیکسلها در محدوده شدت انتخاب شده.

الگوریتم خود را تست کنید.

برای دیدن اینکه آیا الگوریتم شما مؤثر است ، از الگوریتم تصاویر کاغذ ساختمانی سبز و قهوه ای که ایجاد کرده اید استفاده می کنید.

 

به تاریخچه تصویر کاغذ ساختمانی سبز جامد نگاه کنید. برای محاسبه کسری از تصویر پوشانده شده با رنگ سبز از الگوریتمی که ایجاد کرده اید در مرحله 2 استفاده کنید. نتیجه خود را در جدول مانند جدول 1. ضبط کنید. این اولین آزمایش برای کاغذ ساختمانی سبز است.

تصویر دوم کاغذ ساختمانی سبز جامد را در نرم افزار ویرایش تصویر خود باز کنید. پنجره histogram را باز کنید و الگوریتم را اعمال کنید. نتیجه خود را در جدول مانند جدول 1 ثبت کنید.

برای تصویر سوم کاغذ ساختمانی سبز یک بار دیگر مرحله b را تکرار کنید.

مراحل a تا c را برای انواع دیگر تصاویر تکرار کنید.

 

متوسط کسر اندازه گیری شده سبز

کسر اندازه گیری شده سبز

کسری که به رنگ سبز پوشانده شده است

نوع تصویر

 

آزمون 3

آزمون 2

آزمون 1

 

 

 

 

 

 

1

کاغذ ساختمانی سبز

 

 

 

 

0

کاغذ ساختمانی قهوه ای

 

 

 

 

1/2

نیمه سبز ، نیمه قهوه ای

 

 

 

 

1/4

یک چهارم سبز ، سه چهارم قهوه ای

 

 

 

 

3/4

سه چهارم سبز ، یک چهارم قهوه ای

 

 

 

 

2/3

دو سوم سبز ، یک سوم قهوه ای

 

 

 

 

1/3

یک سوم سبز ، دو سوم قهوه ای

 

 

 

 

 

 

 

 

 

 

 

 

جدول 1. جدول برای ثبت کسر اندازه گیری شده از سبز در تصاویر.

4- داده های خود را تجزیه و تحلیل کنید.

آ. برای هر نوع تصویر ، میانگین کسر اندازه گیری شده با رنگ سبز را محاسبه کنید.

ب یک نمودار ایجاد کنید. کسر واقعی پوشیده شده از رنگ سبز (از 0 تا 1) را در محور x و میانگین کسر اندازه گیری شده با رنگ سبز در محور y بکشید.

ج خط نقاط مناسب را از طریق نقاط داده خود ترسیم کنید.

من. چه اطلاعاتی توسط رهگیری y نشان داده می شود؟

  1. از شیب خط چه اطلاعاتی می گیرید؟

5- الگوریتم خود را ارزیابی کنید.

آ. با نگاهی به داده ها و نمودارهای خود ، می گویید که الگوریتم شما برای تخمین کسری از کاغذ ساختمانی قهوه ای و سبز که به رنگ سبز پوشانده شده ، خوب کار می کند؟

ب اگر راضی نیستید ، به مرحله 2 برگردید و الگوریتم خود را قبل از آزمایش یک الگوریتم مشابه روی تصاویر از پوشش گیاهی واقعی و خاک ، اصلاح کنید.

رویه خود را روی تصاویر چمن و خاک واقعی آزمایش کنید

  1. جمع آوری نمونه کارها از تصاویر.

در زیر نکاتی که باید هنگام عکس گرفتن در نظر بگیرید:

آ. تنظیمات دوربین را ثابت نگه دارید.

ب سعی کنید شرایط نور را برای همه تصاویر مشابه نگه دارید و از عکس چمن یا خاک در تابش مستقیم نور خورشید خودداری کنید.

ج تمام عکس ها را از همان فاصله بالاتر از سطح زمین ، ارتفاع شانه یا بالاتر بگیرید.

از هر یک از این موارد حداقل سه عکس از چشم پرنده بگیرید:

د چمن درست شده

ه خاک

f عکس هایی که قاب آن تا حدی پر از چمن است و بخشی از آن پر از خاک است. ممکن است لازم باشد برای مناطقی که می توانید از خاک با مرزهای چمن دریایی بیابید ، پویش کنید. اگر قادر به یافتن چنین مکانی نیستید ، می توانید تکه های چمن بخرید و آنها را روی خاک بگذارید ، یا روی یک تکه چمن خاک قرار دهید. اطمینان حاصل کنید که بعد از گرفتن عکس می توانید خاک را از بین ببرید. اگر هیچ یک از این موارد ممکن نیست ، می توانید با ترکیب قسمت هایی از تصاویر دیگر ، از برنامه ویرایش تصویر خود برای ایجاد این تصاویر استفاده کنید.

  1. برای تمایز چمن از خاک در تصاویر خود ، الگوریتمی بنویسید.

آ. در برنامه ویرایش تصویر خود تصویری از چمن و یکی از خاک را باز کنید و پنجره هیستوگرام را برای هر یک باز کنید.

ب مقایسه بافت شناسی.

من. در هنگام مقایسه تصاویر کاغذ ساختمانی سبز و قهوه ای ، الگویی شبیه به آنچه که دیدید ارزیابی کنید.

  1. الگوریتم یا مقدار برش (هایی) را که برای کاغذ ساختاری ایجاد کرده اید تنظیم کنید تا الگوریتم شما برای تشخیص چمن از خاک مناسب تر باشد.

iii توجه: الگوریتم شما برای تمایز چمن و خاک احتمالاً کار نخواهد کرد و همچنین الگوریتم برای تمایز سبز از کاغذ ساختمانی قهوه ای. چرا فکر می کنی مسئله اینه؟

  1. الگوریتم جدید خود را آزمایش کنید.

برای دیدن اینکه آیا الگوریتم شما مؤثر است ، شما الگوریتم عکسهای پرنده چشم را که از چمن و خاک گرفته اید ، آزمایش خواهید کرد.

آ. الگوریتم خود را اعمال کرده و کسری از یک منطقه عکاسی را که در چمن پوشانده شده است برای تمام عکسهایی که گرفته اید محاسبه کنید. نتیجه خود را در جدول مانند جدول 2 بنویسید.

متوسط کسر اندازه گیری شده چمن

کسر اندازه گیری شده چمن

کسری که به رنگ سبز پوشانده شده است

نوع تصویر

 

آزمون 3

آزمون 2

آزمون 1

1

همه چمن

 

 

 

 

0

همه خاک

 

 

 

 

 

تا حدودی در چمن پوشانده شده است

 

 

 

 

 

تا حدودی در چمن پوشانده شده است

 

 

 

 

 

تا حدودی در چمن پوشانده شده است

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 2. جدول ثبت کسر اندازه گیری شده از چمن در تصاویر.

داده های خود را تجزیه و تحلیل کنید.

مقدار متوسط ​​چمن اندازه گیری شده را برای هر تصویر محاسبه کنید.

یک نمودار ایجاد کنید. کسر واقعی پوشیده از علف (از 0 تا 1) را بر روی محور x و میانگین کسر اندازه گیری شده پوشیده از چمن در محور y رسم کنید.

خط نقاط مناسب را از طریق نقاط داده خود ترسیم کنید.

چه اطلاعاتی در رهگیری y نشان داده می شود؟

از شیب خط چه اطلاعاتی می گیرید؟

چگونه این خط می تواند به شما کمک کند تخمین بهتری برای کسری که از چمن پوشیده شده است ، بگیرید؟

الگوریتم خود را ارزیابی کنید.

با نگاهی به داده ها و نمودارهای خود ، می گویید الگوریتم شما برای تخمین کسری از ناحیه پوشیده از چمن به خوبی کار می کند؟

اگر زمان اجازه می دهد ، همیشه می توانید به مرحله 2 برگردید و الگوریتم خود را بهبود یا گسترش دهید.

روش خود را ارزیابی کنید

دنباله ای از گام به گام اقدامات را برای روشی که تعیین کرده اید بنویسید. توجه: ابتدا الگوریتم خود را کالیبره کردید تا نسبت به رنگهای خاصی که می خواهید تمایز قایل شوید حساس باشد (به عنوان مثال ، کاغذ ساختمانی سبز در مقابل قهوه ای ، چمن در مقابل خاک). این بخشی از رویه شماست.

در این پروژه تمام کارها را انجام دادید. آیا رایانه ای می تواند تمام یا بیشتر کارها را به عهده بگیرد؟ چرا و چرا نه؟

  • برخی از نقاط قوت و ضعف رویه شما چیست؟
  • چه روش هایی برای بهبود روند وجود دارد؟
  • چگونه این نوع روش می تواند برای کشاورزان مفید باشد؟ در کدام صنایع دیگر روشی مانند این می تواند مفید باشد؟
  • در این پروژه به شما توصیه می شود از عکس های گرفته شده در شرایط نوری مشابه استفاده کنید. مطالعه کنید که چگونه تغییر شرایط نور ممکن است بر نتایج یا اثربخشی یک الگوریتم تأثیر بگذارد ، یا روشهای اصلاح برای تغییر شرایط نور را بیابید.

    در این پروژه از عکس های گرفته شده در فاصله مشخص از سطح زمین استفاده کرده اید. مطالعه کنید که افزایش فاصله چه تاثیری بر نتیجه شما می گذارد. آیا افزایش فاصله باعث افزایش یا کاهش دقت عمل می شود؟

    اگر یک هواپیمای بدون سرنشین با دوربین در دسترس دارید ، از آن برای گرفتن عکس از مزارع چمن و یا زمینه های دیگر استفاده کنید و روشی را برای ارزیابی پوشش گیاهی از این تصاویر تعیین کنید.

    این پروژه فقط از طیف نور مرئی منعکس شده برای محاسبه پوشش گیاهی استفاده می کند. روشهای دیگر علاوه بر طیف نور مرئی منعکس شده ، برای ارزیابی زیست توده یا پوشش گیاهی از طیف نور مادون قرمز نزدیک منعکس شده استفاده می کنند. برای ایده هایی در مورد چگونگی استفاده از هر دو طیف در روش خود ، به منابع مراجعه کنید و در فهرست شاخص طبیعی پوشش گیاهی (NDVI) جستجو کنید.

    از تصاویر ماهواره ای واقعی و طیف های آنها برای ایجاد روال استفاده کنید. این سند می تواند به شما در یافتن تصاویر ماهواره ای کمک کند.

گزلرش پروژه خود را برای ما بفرستید