Einsatz von Drohnen im landwirtschaftlichen Versuchswesen

Transkript

1 Einsatz von Drohnen im landwirtschaftlichen Versuchswesen Tagung zum Einsatz der Drohnen-Technologie in der Land- und Forstwirtschaft Thüringer Landesanstalt für Landwirtschaft Jena, 18. Mai 2016 Jörg Perner & Felix Reinsch GmbH Ilmstraße 6, D Jena 1

2 Inhalt (1) Kurze Vorstellung der (2) Drohnen als Bonitur-Werkzeug (2.1) Vitalitäts- und Biomasseabschätzungen (2.2) Lager und Bestandeshöhen (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen (4) Verwendung von Drohnen in OFR-Feldversuchen (5) Fazit und Ausblick 2

3 (1) Kurze Vorstellung der GmbH Forschungsdienstleistungen im Agrar- und Umweltbereich Schwerpunkte unserer Arbeit sind: Landwirtschaftliches Versuchswesen Biometrie und Datenmanagement Forschungs- und Entwicklungsprojekte Bodenschutz / Erosionsschutz 3

4 (1) Kurze Vorstellung der Unser Aktivitätsbereich...Thüringen und angrenzende Regionen... 4

5 (2) Drohnen als Bonitur-Werkzeug landwirtschaftliche Pflanzenproduktion sehr dynamisches biologischökologisch-technologisches System Feldversuche ermöglichen die Untersuchung einzelner Elemente (oder auch Elementkombinationen; Behandlungen) dieses komplexen Systems und deren Auswirkungen auf die Kultur (v.a. Ertrag!) Sorten, Kulturarten, Fruchtfolgen Dünge- und Pflanzenschutzmittel Boden- und Pflanzenhilfsstoffe, Pflanzenstärkungsmittel/ Biostimulantien agrotechnische und agrotechnologische Faktoren in Kombination mit o.g. Faktoren auch agrarökonomische Aspekte Umweltwirkungen, bodenbiologische Aktivität, Biodiversität etc. 5

6 (2) Drohnen als Bonitur-Werkzeug Bonituren (quantitative und/oder qualitative Beurteilung von Betrachtungsobjekten; engl.: assessments) die zentrale Methode in Feldversuchen zur Beschreibung des Zustandes bzw. der Veränderung von Kulturen in Abhängigkeit von den Behandlungen 6

7 (2) Drohnen als Bonitur-Werkzeug manuelle (terrestrische) Bonituren sehr arbeitszeitaufwendig auch bei standardisierten Boniturmethoden und Schätzskalen subjektive Effekte nicht ganz vermeidbar durch Befliegungen von Versuchsanlagen mit Drohnen (UAVs) können: terrestrische Bonituren ergänzt, vereinfacht oder ggf. auch ersetzt werden, ggf. auch neue, bisher nicht berücksichtigte, aussagekräftigere Parameter erhoben und objektivere, reproduzierbare Daten erstellt werden. 7

8 (2.1) Vitalitäts- und Biomasseabschätzungen Befliegung , RGB-Kamera (ebee AG) Düngungsversuch zweifaktorieller Exaktversuch im W-Weizen; 4-fach; 2 Applikationstermine Variante BBCH & Anmerkungen 1 unbehandelte Kontrolle N-Düngung optimal 2 unbehandelte Kontrolle -33% v. optimal 3 unbehandelte Kontrolle -50% v. optimal 4 Bakterienpräparat 1 (1,0 l) N-Düngung optimal 5 Bakterienpräparat 1 (1,0 l) -33% v. optimal 6 Bakterienpräparat 1 (1,0 l) Blattdünger -33% v. optimal 7 Bakterienpräparat 1 (1,0 l) -50% v. optimal 8 Bakterienpräparat 2 (1,25 l) N-Düngung optimal 9 Bakterienpräparat 2 (1,25 l) -33% v. optimal 10 Bakterienpräparat 2 (1,25 l) -50% v. optimal 11 Bakterienpräparat 3 (0,5 l) N-Düngung optimal 12 Bakterienpräparat 3 (0,5 l) -33% v. optimal 13 Bakterienpräparat 3 (0,5 l) -50% v. optimal 14 Bakterienpräparat 4 (0,02 l) N-Düngung optimal 15 Bakterienpräparat 4 (0,02 l) -33% v. optimal 16 Bakterienpräparat 4 (0,02 l) -50% v. optimal 8

9 (2.1) Vitalitäts- und Biomasseabschätzungen Befliegung , Multispektral-Kamera, NDVI (ebee AG) Normalized Difference Vegetation Index wird am häufigsten verwendet liegt zwischen -1 und +1; je höher desto größer die Biomasse Breitbandindex, verrechnet Wellenlängen des nahinfraroten (NIR) mit dem rotem sichtbaren Spektralbereich (RED) (NIR-RED)/(NIR+RED) Verhältnis von RED- und NIR- Wellenlängenbereichen ändert sich mit der Biomasse der Vegetation sinkt die Biomasse und die Chlorophyllaktivität so sinkt auch der NIR-Wert 9

10 (2.1) Vitalitäts- und Biomasseabschätzungen Befliegung , Multispektral-Kamera, NDVI (ebee AG) 10

11 (2.1) Vitalitäts- und Biomasseabschätzungen Befliegung , Multispektral-Kamera, NDVI (ebee AG) 11

12 (2.1) Vitalitäts- und Biomasseabschätzungen Beerntung am

13 (2.1) Vitalitäts- und Biomasseabschätzungen Bereits 6 und auch 10 Wochen vor Ernte belastbare Aussagen zu den relativen Erträgen der geprüften Varianten anhand des NDVI möglich! 13

14 (2.2) Lager und Bestandeshöhen Fungizid-Exaktversuch; 15 Prüfglieder, 4-fach wiederholt; in der Abreife Lager im Versuchsblock B aufgetreten Befliegung , RGB- Kamera (ebee AG) - = DGM2 (2 m Raster) der Versuchsfläche - = Befliegung, von ebee erzeugtes (Digital Surface Model) Differenz von DGM2 und DSM (ebee) Bestandeshöhe/Lager ermöglicht die Kalkulation der mittleren Bestandeshöhen in den Versuchsparzellen sowie die detaillierte Erfassung des Lagers (Flächenanteil) und Ermittlung der (mittleren Höhe) des lagernden Bestandes 14

15 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen zufallsbedingte Variabilität (z.b. in Pflanzenbeständen, Schaderregerbefall, Bodenverhältnisse) kann die Wirkungen der zu untersuchenden Faktoren auf die Kultur überlagern; mit biometrischen Verfahren können diese Zufallseinflüsse eingeschränkt und kontrolliert werden statistisch belastbares Versuchsdesign (Wiederholung, Randomisation, Blockbildung etc.) Voraussetzung für Kontrolle zufälliger Effekte in Feldversuchen zusätzlich können Drohnen-Befliegungen (bzw. damit erzeugte Vegetationsindizes) helfen ggf. Störfaktoren zu identifizieren und zu quantifizieren (Voraussetzung für statistische Kontrolle) Aufnahme der Störfaktoren als Ko-Variable oder Faktoren in das statistische Modell (Kovarianzanalyse); Erhöhung der Aussagekraft (Power) einer statistischen Analyse 15

16 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen 3 Wachstumsreglerversuche im W-Weizen; jeweils 1 Versuch in drei Ertragszonen Überblick zu den Zonen mit vorzeitiger Abreife (grün) und der Lage der drei Versuchsanlagen B A C 16

17 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen (A) Versuchsanlage in Ertragszone niedrig in den Parzellen der Versuchsblöcke D, C und teilweise Parzellen der Blöcke B und A aufgrund von Trockenstress geringere Biomasse- bzw. Chlorophyllanteile in der Kultur (schnellere Abreife) 17

18 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen (B) Versuchsanlage in Ertragszone mittel in allen Versuchsblöcken aufgrund von Trockenstress größere Anzahl von Parzellen mit reduzierten Biomasse- bzw. Chlorophyllanteilen und schnellerer Abreife 18

19 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen (C) Versuchsanlage in Ertragszone hoch nur wenige Parzellen im Versuchsblock A mit Anzeichen von Trockenstress und damit verbundenen reduzierten Biomasse- bzw. Chlorophyllanteilen 19

20 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen Statistische Datenanalyse ohne den Stör -Faktor Trockenstress Abhängige Variable: ERTRAG Quelle Korrigiertes Modell Konstanter Term E_ZONE BLOCK PG E_ZONE * PG Fehler Gesamt Korrigierte Gesamtvariation Tests der Zwischensubjekteffekte Quadratsum Mittel der me v om Ty p I df Quadrate F Signif ikanz 51846,986 a ,940 14,791, , , ,442, , , ,037,000 35, ,830,169, , ,272,560, , ,783,753, , , , , a. R-Quadrat =,840 (korrigiertes R-Quadrat =,783) Statistische Datenanalyse unter Berücksichtigung des Stör -Faktors Trockenstress Tests der Zwischensubjekteffekte Abhängige Variable: ERTRAG Quelle Korrigiertes Modell Konstanter Term T_STRESS E_ZONE BLOCK PG T_STRESS * PG E_ZONE * PG Fehler Gesamt Korrigierte Gesamtvariation Quadratsum Mittel der me v om Ty p I df Quadrate F Signif ikanz 61709,470 a ,771 74,681, , , ,0, , , ,600, , , ,473, , ,156 16,242, , ,111 11,955, , ,278 13,794, , ,907 12,134,007 22, , , , a. R-Quadrat = 1,000 (korrigiertes R-Quadrat =,986) deutlich verbesserte Aussagekraft (Power) des statistischen Modells 20

21 (3) Drohnen zur Ermittlung von Störfaktoren und Fehlstellen Düngungsversuch im W-Raps; Güllestabilisierung; Exaktversuch; 11 PG, 4-fach Befliegung, , RGB und Multispektral extreme Fraßschäden durch hohes Feldmausaufkommen im Herbst

22 (4) Verwendung von Drohnen in OFR-Feldversuchen On-Farm Research/ On-Farm Experimente (OFE/ OFR) - Feldversuche unter Produktionsbedingungen; praxisnahe Alternative zu Parzellen- Feldversuchen; verbinden Präzision und statistische Auswertbarkeit der Parzellen-Feldversuche mit der Praxisnähe von Streifen-Versuchen Auswertung methodisch anspruchsvoll und aufwendig; Anwendung geostatistischer Verfahren; Auswahl des statistischen Auswertungsmodells muss die spezifischen Störgrößen des Experiments berücksichtigen durch Einsatz von Drohnen können unabhängige (Störgrößen) sowie abhängige (von Behandlung beeinflusste) Variablen mit vertretbarem Aufwand erfasst werden durch die Verwendung von Drohnen und die Möglichkeiten der bodenund zeitnahen Luftbilderfassung und -auswertung könnten OFR zukünftig von zunehmendem Interesse, bzw. besser umsetzbar und auswertbar sein 22

23 (4) Fazit und Ausblick Verwendung von Drohnen (UAVs) in landwirtschaftlichen Feldversuchen (FV) Parzellen- Exaktversuche On Farm Research (OFR) Erfassung von Störfaktoren (SF) Bonitur- Werkzeug Statistische Kontrolle von SF Zur Flächenauswahl vor Versuchsbeginn Beurteilung der Qualität von FV Erfassung von (unabhängigen) Störfaktoren (SF) Verbesserung, Vereinfachung und Objektivierung bisheriger Boniturmethoden Ableitung neuer Boniturparameter / Indikatoren zur Beschreibung von Behandlungseffekten Erfassung von (abhängigen) Behandlungseffekten 23

24 (4) Fazit und Ausblick Vorteile von Drohnen-basierten Luftbildern im Vergleich zu Flugzeug- bzw. Satelliten-basierten Luftbildern im Feldversuchswesen: nahezu perfekt passende räumliche Skalen (Drohnen vs. Feldversuchsanlagen); darüber hinaus anpassungsfähige räumliche Auflösung möglich (über Flughöhen) zeitlich sehr flexibel einsetzbar; aufgrund der Flughöhe Wolkenunabhängig in Abhängigkeit von den Fragestellungen verschiedene Sensoren verwendbar schnelle Datenverfügbarkeit und zeitlich überschaubarer Aufwand aber: verwendbare Daten setzen auch professionelle Kenntnisse und Erfahrungen voraus mit der Weiterentwicklung von Sensoren und deren Einsetzbarkeit für UAVs ist mit weiteren Einsatzmöglichkeiten zu rechnen dies betrifft insb. die Charakterisierung von Pflanzenkrankheiten sowie die Ermittlung von Unkraut-Befallsdichten in Feldversuchen 24

25 Vielen Dank für Ihre Aufmerksamkeit! Präsentierte Daten entstanden teilweise in einem Projekt der zusammen mit dem DLR und der Hochschule Neubrandenburg finanziert durch die BASF SE 25

26 Kontakt Umwelt- und Agrarstudien GmbH Ilmstraße 6 D Jena Tel.: +49 (0) Fax: +49 (0) Ansprechpartner: Dr. Jörg Perner & Felix Reinsch Tel.: j.perner@uas-jena.de f.reinsch@uas-jena.de Versuchsstation mit Versuchsfeld der in Thiemendorf (Thür.) 26