چکیده

در دهه‌های گذشته، کشاورزی مبتنی بر فناوری، که به عنوان کشاورزی دقیق (PA) یا کشاورزی هوشمند نیز شناخته می‌شود، رشد کرده و فناوری‌های جدید و ابزارهای نوآورانه را برای مدیریت داده‌ها برای کل فرآیندهای کشاورزی توسعه داده است. در این چارچوب، اطلاعات جغرافیایی و داده‌های مکانی و ابزارهایی مانند پهپادها (وسایل نقلیه هوایی بدون سرنشین) و حسگرهای نوری چند طیفی نقش مهمی در ژئوماتیک به عنوان تکنیک‌های پشتیبانی دارند. PA برای ذخیره و پردازش داده‌های مکانی به نرم‌افزار نیاز دارد و جامعه سیستم نرم‌افزار آزاد و باز (FOSS) با نیازهای PA همگام شد: چندین ابزار نرم‌افزاری FOSS برای جمع‌آوری، تجزیه و تحلیل و بازگرداندن داده‌ها توسعه داده شده‌اند. پذیرش راه حل های FOSS، پلتفرم های WebGIS، پایگاه های داده باز، و زیرساخت داده های مکانی برای پردازش و ذخیره داده های به دست آمده مکانی و غیر مکانی به اشتراک گذاری اطلاعات بین بازیگران مختلف با راه حل های کاربر پسند کمک می کند. با این وجود، یک پلتفرم منبع باز جامع که علاوه بر پردازش داده های پهپاد، امکان ذخیره مستقیم، تجسم، اشتراک گذاری و پرس و جوی نتایج نهایی و اطلاعات مرتبط را فراهم می کند، وجود ندارد. در واقع، امروزه، بسط و مدیریت داده های PA با رویکرد FOSS هنوز به چندین ابزار نرم افزاری مختلف نیاز دارد. علاوه بر این، اگرچه برخی از راه‌حل‌های تجاری، پلتفرم‌هایی را برای پشتیبانی از مدیریت در فعالیت‌های PA ارائه می‌کنند، اما هیچ یک از این راه‌حل‌ها گردش کار کاملی شامل داده‌ها از مرحله کسب تا اطلاعات پردازش شده و ذخیره‌شده را ارائه نمی‌دهند. در این سناریو، هدف این مقاله ارائه یک روش قابل تکرار FOSS به کاربران پهپاد و PA است که می‌تواند نیازهای عملیاتی و مدیریتی فعالیت‌های کشاورزی را برآورده کند. بنابراین، این کار بر توسعه یک گردش کار کاملاً FOSS برای تجسم، پردازش، تجزیه و تحلیل و مدیریت داده‌های PA متمرکز است. در جزئیات، یک رویکرد چند رشته ای برای ایجاد یک ابزار به اشتراک گذاری وب عملیاتی که قادر به مدیریت اطلاعات مشتق شده کشاورزی با وضوح بسیار بالا (VHR) جمع آوری شده توسط سیستم های پهپاد است، اتخاذ شده است. یک تاکستان در شمال ایتالیا به عنوان مثال برای نشان دادن گردش کار تولید داده و ساختار داده ابزار وب استفاده می شود. یک بررسی پهپاد با استفاده از یک دوربین چند طیفی شش باند انجام شد و داده‌ها از طریق تکنیک ساختار از حرکت (SfM) به تفصیل پرداختند که منجر به ارتفتو با وضوح 3 سانتی‌متر شد. یک طبقه‌بندی نظارت‌شده، مرحله فنولوژی علف‌های هرز زیر ردیف و ردیف‌ها را با دقت کلی ۹۵ درصد شناسایی کرد. سپس، مجموعه‌ای از الگوریتم‌های توسعه‌یافته توسط GIS به تشخیص درختان فردی (ITD) و شاخص‌های طیفی برای نظارت بر شرایط بهداشت گیاهی مبتنی بر گیاه اجازه دادند. ساختار داده های مکانی برای جمع آوری داده ها در مقیاس تاج پیاده سازی شد. آخرین مرحله از گردش کار مربوط به انتشار داده ها در یک وب GIS سه بعدی تعاملی است که به کاربران امکان می دهد پایگاه داده فضایی را به روز کنند. webGIS را می توان از مرورگرهای وب و GIS دسکتاپ اداره کرد. نتیجه نهایی یک پلت فرم باز مشترک است که با نرم افزار غیر اختصاصی به دست آمده است که می تواند داده های منابع و مقیاس های مختلف را ذخیره کند. مجموعه‌ای از الگوریتم‌های توسعه‌یافته توسط GIS به تشخیص درختان فردی (ITD) و شاخص‌های طیفی برای نظارت بر شرایط بهداشت گیاهی مبتنی بر گیاه اجازه می‌دهد. ساختار داده های مکانی برای جمع آوری داده ها در مقیاس تاج پیاده سازی شد. آخرین مرحله از گردش کار مربوط به انتشار داده ها در یک وب GIS سه بعدی تعاملی است که به کاربران امکان می دهد پایگاه داده فضایی را به روز کنند. webGIS را می توان از مرورگرهای وب و GIS دسکتاپ اداره کرد. نتیجه نهایی یک پلت فرم باز مشترک است که با نرم افزار غیر اختصاصی به دست آمده است که می تواند داده های منابع و مقیاس های مختلف را ذخیره کند. مجموعه‌ای از الگوریتم‌های توسعه‌یافته توسط GIS به تشخیص درختان فردی (ITD) و شاخص‌های طیفی برای نظارت بر شرایط بهداشت گیاهی مبتنی بر گیاه اجازه می‌دهد. ساختار داده های مکانی برای جمع آوری داده ها در مقیاس تاج پیاده سازی شد. آخرین مرحله از گردش کار مربوط به انتشار داده ها در یک وب GIS سه بعدی تعاملی است که به کاربران امکان می دهد پایگاه داده فضایی را به روز کنند. webGIS را می توان از مرورگرهای وب و GIS دسکتاپ اداره کرد. نتیجه نهایی یک پلت فرم باز مشترک است که با نرم افزار غیر اختصاصی به دست آمده است که می تواند داده های منابع و مقیاس های مختلف را ذخیره کند. webGIS را می توان از مرورگرهای وب و GIS دسکتاپ اداره کرد. نتیجه نهایی یک پلت فرم باز مشترک است که با نرم افزار غیر اختصاصی به دست آمده است که می تواند داده های منابع و مقیاس های مختلف را ذخیره کند. webGIS را می توان از مرورگرهای وب و GIS دسکتاپ اداره کرد. نتیجه نهایی یک پلت فرم باز مشترک است که با نرم افزار غیر اختصاصی به دست آمده است که می تواند داده های منابع و مقیاس های مختلف را ذخیره کند.

کلید واژه ها:

کشاورزی دقیق ; کشاورزی هوشمند ؛ FOSS ; تصاویر چند طیفی با وضوح بسیار بالا (VHR) . وسیله نقلیه هوایی بدون سرنشین (UAV) ; WebGIS ; مدیریت اطلاعات ؛ تاکستان ها

1. مقدمه

نرم افزار منبع باز (OS) نامی برای برنامه هایی است که در آن کد منبع در دسترس کاربران است که می توانند از آن استفاده کنند، آن را تغییر دهند و پیاده سازی کنند. نرم افزار سیستم عامل پایه های خود را در برنامه نویسی مشترک در اوایل دهه 1980 می گذارد. از آن زمان، نرم افزار منبع باز به سرعت در بسیاری از حوزه ها، از جمله حوزه جغرافیایی [ 1 ] گسترش یافته است. امروزه، تحت عنوان نرم‌افزارهای فضایی سیستم‌عامل، طیف وسیعی از کتابخانه‌ها، ابزارها، برنامه‌ها و پلتفرم‌ها با مجوزهای مختلف ابتکار منبع باز (OSI) توسعه یافته و منتشر می‌شوند [ 1 ]. بسته‌های نرم‌افزاری متعددی برای پردازش، تحلیل و تجسم داده‌های مکانی در دسترس است و توسط دولت‌ها، دانشگاه‌ها و صنعت تبلیغ می‌شود [ 2 ].

تنوع و تعداد فراوان راه‌حل‌های فضایی سیستم‌عامل، تولد سازمان‌های مرتبط را تحریک کرد، مانند بنیاد زمین فضایی منبع باز (OSGeo، https://www.osgeo.org/ ، دسترسی به ۲ فوریه ۲۰۲۱)، که هدف آن ارتقای همکاری است. و قابلیت همکاری نرم افزارهای مکانی سیستم عامل [ 1 ]. OSGeo شامل نرم افزارهای زیادی برای داده های مکانی است که در [ 3 ، 4 ] طبقه بندی می شوند:

برنامه های دسکتاپ GIS ، نرم افزار نقشه برداری نصب شده بر روی رایانه شخصی، به کاربران اجازه می دهد اطلاعات جغرافیایی مانند Quantum GIS [ 5 ] را نمایش، جستجو، به روز رسانی و تجزیه و تحلیل کنند.
کتابخانه های منبع باز ، که ابزارهایی برای پردازش داده های برداری و شطرنجی و همچنین SAGA [ 6 ]، Grass [ 7 ] و Gdal [ 8 ] هستند.
سیستم‌های مدیریت پایگاه داده‌های مکانی (SDBMS) شامل سیستم‌هایی برای مدیریت و ذخیره داده‌ها می‌شود، مانند پایگاه‌داده منبع باز شی-رابطه‌ای PostgreSQL [ 9 ] با رابط گرافیکی آن PgAdmin و پسوند فضایی PostGIS.
سرورهای WebMap ابزارهایی برای اشتراک گذاری نقشه ها هستند. آنها از استانداردهای OGC تشریح شده در بند 2.1 پشتیبانی می کنند.
سرور GIS و WebGISclient ، در دامنه GIS، امکان دسترسی به نقشه ها و پایگاه های داده از طریق وب را فراهم می کند. برخی از نمونه ها Geoserver [ 10 ]، MapServer [ 11 ] و GeoNode [ 12 ] هستند.
راه حل های سیستم عامل Structure from Motion (SfM) نرم افزار فتوگرامتری برای بازسازی سه بعدی هستند. برخی از نمونه ها MicMac [ 13 ]، Visual SfM [ 14 ] و Open Drone Map [ 15 ] هستند.

گسترش نرم افزارهای مکانی متن باز هنوز متوقف نشده است و در آینده رشد نرم افزارهای مکانی متن باز از نظر کاربران و خدمات پیش بینی می شود [ 1 ]. انتظار می‌رود نرم‌افزار سیستم‌عامل همگام با پیشرفت‌های فناوری جغرافیایی مانند سیستم ماهواره‌ای ناوبری جهانی (GNSS) باشد. سنجش از دور (RS)، پردازش تصویر دیجیتال و فتوگرامتری؛ سیستم های اطلاعات جغرافیایی سه بعدی OS-GIS) [ 2 ] و نقشه برداری دیجیتال. انتظار می‌رود این گسترش نرم‌افزار فضایی سیستم‌عامل در بخش‌های دولتی و خصوصی و دانشگاه‌ها اتفاق بیفتد. این روند قبلاً توسط چندین برنامه جدید سیستم عامل [ 1 ] که با زمینه های تحقیقاتی مختلف سروکار دارند، مانند هیدرولوژی [ 16 ]، مطالعات شهری [ 17 ] تأیید شده است.، 18 ، 19 ]، مدیریت جنگلداری [ 20 ] و توسعه نرم افزار اختصاصی برای پردازش داده های مکانی. RTKlib [ 21 ] برای پردازش GNSS، جعبه ابزار Orfeo [ 22 ] و پلاگین طبقه بندی نیمه خودکار Qgis [ 23 ] برای سنجش از راه دور، و Visual SfM [ 14 ] و Open Drone Map [ 15 ] برای SfM تنها تعدادی از سیستم عامل های موجود هستند. بسته های نرم افزاری جغرافیایی

یکی از بخش هایی که باید از نرم افزارهای فضایی سیستم عامل بیشترین بهره را ببرد، حوزه کشاورزی است. کشاورزی مبتنی بر فناوری مدرن که با نام‌های مختلفی مانند هوشمند، دیجیتال یا کشاورزی 5.0 [ 24 ] شناخته می‌شود، به اطلاعات مکانی برای مدیریت محصول و کشاورزی دقیق نیاز دارد. در واقع، فناوری‌های سنجش پیشرفته و ابزارهای مدیریت داده در کشاورزی هوشمند می‌توانند طیف وسیعی از پارامترهای کشاورزی را جمع‌آوری و ذخیره کنند. علاوه بر این، سازمان ملل متحد نقش محوری سیستم عامل در کشاورزی دقیق را به رسمیت شناخته است. در واقع، هدف توسعه پایدار (SDG) 12 خواستار ارائه خدمات ICT در کشاورزی است [ 25 ، 26 ]] و از آنجایی که نرم افزار سیستم عامل دسترسی جهانی به اطلاعات و دانش را تضمین می کند، به گنجاندن دیجیتالی اشاره شده توسط SDG 16 [ 26 ] کمک می کند.

کشاورزی هوشمند مبتنی بر ترکیبی از کشاورزی دقیق (PA)، فناوری اطلاعات و ارتباطات (ICT) و مدیریت داده است. PA از حسگرها و تکنیک های نوآورانه برای به دست آوردن داده ها در زمین و محصولات به روشی کامل، صحیح و به موقع برای تصمیم گیری های استراتژیک و عملیاتی استفاده می کند. می توان آن را به عنوان یک رویکرد بهینه سازی چرخه ای سبز بر اساس تنوع مکانی و زمانی در محصولات تعریف کرد. این امر با استفاده از فناوری‌های مکانی مانند GNSS، پردازش تصویر دیجیتال و فتوگرامتری، سیستم‌های اطلاعات جغرافیایی (GIS) و نقشه‌برداری دیجیتال ممکن می‌شود [ 27 ، 28 ]. این فناوری‌های مکانی می‌توانند کل فرآیند کشاورزی دقیق را که شامل سه مرحله اصلی است، پوشش دهند:

اکتساب داده ها را می توان با استفاده از تکنیک های سنجش از دور یا سنجش از دور انجام داد.
استخراج اطلاعات را می توان با پردازش و تبدیل داده های خام به دست آمده از طریق تکنیک های سنجش و نرم افزار GIS به دست آورد.
مدیریت محصول را می توان با استفاده از اطلاعات به دست آمده به عنوان پشتیبان تصمیم گیری انجام داد.

از این رو، در این سناریوی پیشرفت فناوری‌های نوآورانه در مدیریت و اشتراک داده‌های مکانی، نقش مهمی در توسعه ابزارهای رایگان، باز و کاربرپسند جدید شناسایی می‌شود. چنین پلتفرم هایی می توانند بایگانی کنند، به اشتراک بگذارند، تجزیه و تحلیل کنند، مدیریت کنند، و دانش و اطلاعات داده های دقیق در مورد تاکستان یا محصولات را تجسم کنند [ 27 ، 29 ].

مفهوم در حال تحول دیجیتالی شدن و تکنیک های پیشرفته استخراج خودکار اطلاعات منجر به بهبود کارایی، بهره وری و کیفیت فرآیند PA می شود. ذینفعان در واقع می توانند با ابزارهایی برای فرآیند تصمیم گیری سریع پشتیبانی شوند. همانطور که توسط [ 24 ] ارائه شد، تلاش های قابل توجهی برای تسریع حرکت کشاورزی هوشمند از دانشگاهی به مزارع واقعی در دهه گذشته انجام شده است. تجزیه و تحلیل و تجسم داده ها عملیاتی هستند که می توانند با استفاده از نرم افزارها و خدمات عمدتا تجاری انجام شوند. در واقع، محدودیت‌های اصلی استفاده از فناوری‌های کشاورزی هوشمند (SFT) در مزارع واقعی مربوط به هزینه‌های ذخیره‌سازی و تجزیه و تحلیل داده‌ها و انتشار داده‌های خصوصی برای یک شرکت تجاری است [ 30 ، 31 ].]. در این حوزه، ابزارهای مقرون به صرفه جدیدی برای کشاورزی در مقیاس کوچک مورد نیاز است. از آنجایی که بسیاری از نرم افزارهای geospatial سیستم عامل رایگان هستند که به آنها نرم افزار منبع باز و رایگان (FOSS) می گویند، FOSS مکانی می تواند راه حلی قدرتمند برای فراخوان فناوری مزارع واقعی باشد.

سخت افزار باز و نرم افزار سیستم عامل برای نظارت بر بسیاری از پارامترهای کشاورزی، مانند زیست توده، شاخص سطح برگ (LAI) و کلروفیل استفاده می شود [ 32 ، 33 ، 34 ، 35 ]. علیرغم این واقعیت که نرم افزار و سخت افزار سیستم عامل به طور گسترده برای اقدامات PA استفاده می شود، جزء سیستم عامل به ندرت در تجزیه و تحلیل جغرافیایی و مدیریت داده ها برای PA تجزیه و تحلیل می شود. اگرچه گردش کار برای جمع آوری و مدیریت داده های مکانی کشاورزی با استفاده از نرم افزار اختصاصی مورد مطالعه و اجرا قرار گرفته است [ 36 , 37 , 38 , 39]، تا آنجا که نویسندگان می‌دانند، هیچ‌کدام روی موضوع منبع باز تمرکز نکرده‌اند. یک راه‌حل آزاد و آزاد برای جمع‌آوری و مدیریت داده‌های کشاورزی می‌تواند امکان استفاده مجدد از دانش موجود از ژئوپورتال منطقه‌ای و محلی، مجموعه داده‌ها، SDIs (زیرساخت داده‌های مکانی) و نمونه‌هایی از مطالعات موردی تلفیقی را فراهم کند. این دانش را می توان بعداً با اطلاعات مناطق منتخب مورد علاقه و مطالعات موردی واقعی محصولات یا تاکستان های مختلف (اعم از دولتی و خصوصی) مقایسه و ترکیب کرد. ابزارهای رایگان و باز موجود برای مدیریت داده های کشاورزی [ 40 ، 41 ] جزء مکانی داده ها و رابطه بین اطلاعات و فضای آن را در نظر نمی گیرند.

در این چارچوب، پژوهش حاضر با هدف ارائه یک گردش کار مکانی منبع باز برای ایجاد یک پلت فرم رایگان و باز GIS برای نقشه برداری، تجسم و مدیریت اطلاعات کشاورزی است. این مقاله سه تکنیک ژئوماتیک (فتوگرامتری، سنجش از دور و GIS) را در نظر می‌گیرد، که اگرچه عمیقاً به یکدیگر مرتبط هستند، اما باید توسط چندین ابزار نرم‌افزاری مختلف سیستم‌عامل geospatial درمان شوند و به انواع مختلفی از تخصص نیاز دارند.

هدف نهایی ایجاد یک چارچوب مبتنی بر وب منحصر به فرد است که در آن بازیگران مختلف می توانند نتایج و ویژگی ها و پارامترهای پیشرفته را به اشتراک بگذارند. در واقع، برای دستیابی و اعتبار بخشیدن به گردش کار سیستم عامل، یک منطقه تاکستان انتخاب شده به عنوان مطالعه موردی انتخاب شد. به این ترتیب، هر مرحله از گردش کار آزمایش و ارزیابی شد که قابلیت اطمینان کل فرآیند را نشان می‌دهد. بخش 2 این مقاله مواد مورد استفاده، از جمله برخی ملاحظات در مورد پایگاه داده فضایی PA و گردش کار روش را ارائه می‌کند و ابزارهای FOSS را که از اکتساب داده تا ذخیره داده اتخاذ شده است، نشان می‌دهد. بخش 3 نتایج این روش را با تجزیه و تحلیل داده ها و نتایج طبقه بندی، تجسم داده ها و انتشار وب نشان می دهد. بخش 4بحث ها، نتیجه گیری ها و تحولات آینده را شرح می دهد.

2. مواد و روشها

2.1. پایگاه داده های مکانی و به اشتراک گذاری داده های کشاورزی هوشمند

درخواست برای سیستم‌های اطلاعات مکانی و داده‌های فضایی باز برای حمایت از مدیریت محصولات زراعی و تاکستان در کشاورزی دقیق در همه جا در حال افزایش است. مطالعات اخیر [ 37 و 42 ] پذیرش کاربرد GIS برای کشت انگور و کشاورزی دقیق و راه حل WebGIS را گزارش کردند. این مثال ها تقاضای گسترده برای راه حل های عملی جدید را نشان می دهد. از این نظر، پژوهش حاضر بر به ثمر رساندن داده های مکانی ساختار یافته و طبقه بندی شده در یک سیستم عامل و پلت فرم مشترک GIS تمرکز دارد. این راه حل می تواند به کاربران مختلف درگیر در فعالیت های کشاورزی هوشمند امکان پرس و جو، دستکاری و دسترسی، به عنوان مثال، داده های جغرافیایی، اسناد و آرشیوهای تاریخی ذخیره شده در یک پایگاه داده منحصر به فرد را بدهد.

در دهه‌های گذشته، بسیاری از آثار، مطالعات موردی کاربردی پلت‌فرم‌های GIS و WebGIS را برای بازنمایی و پرس‌وجو از مکان‌های باستان‌شناسی، میراث ساخته‌شده، چشم‌انداز، محصولات زراعی و مناطق شهری با اهداف و مقاصد مختلف (مانند مستندسازی، حفاظت، بهره‌وری، برنامه‌ریزی شهری، و مدیریت کشاورزی) [ 43 ، 44 ، 45 ، 46 ، 47]. بسیاری از این برنامه ها برای راه حل های WebGIS انتخاب شده اند. این یک نقطه عطف قابل توجه GIS است که ابزارهایی را برای افراد (تکنسین ها یا نه) فراهم می کند تا از سیستم های جغرافیایی در زمان واقعی و تنها با استفاده از وب سایت (بدون نصب هیچ نرم افزاری) استفاده کنند. این سیستم های اطلاعات جغرافیایی وب امکان ذخیره، پردازش، تجزیه و تحلیل، تجسم و داده های پرس و جوی مکانی را فراهم می کند [ 42 ]. علاوه بر این، به لطف WebGIS یا مجموعه داده های باز از SDI ها یا ژئوپورتال های ملی یا منطقه ای، امکان استفاده از خدمات وب نیز وجود دارد. استانداردهای OGC (کنسرسیوم فضایی باز) در سطح بین المللی در زمینه GIS و WebGIS گسترده است. آنها خدمات نقشه وب (WMS)، سرویس ویژگی های وب (WFS) و خدمات پوشش وب (WCS) هستند. اینها مربوط به دسترسی به داده ها از طریق وب (HTTP) [ 48].

علاوه بر این، استانداردهای مکانی اطلاعات جغرافیایی نقش مهمی در سناریوی داده‌های فضایی باز دارند. آنها تأثیر قابل توجهی بر قابلیت همکاری بین انواع مختلف داده ها دارند. به عنوان مثال، دستورالعمل اروپایی 2007/2/EC INSPIRE (زیرساخت اطلاعات مکانی در اروپا) با هدف ایجاد زیرساخت داده های مکانی اتحادیه اروپا [ 49 ] است.

در چارچوب بررسی مجموعه داده ها و سیستم های اطلاعات مکانی قادر به مدیریت داده های کشاورزی هوشمند، می توان به کارهای [ 50 ] و [ 51 ] اشاره کرد. آنها بسیاری از پارامترها و توابع داده مفید را برای هدایت فعالیت های کشت انگور و کیفیت تولید گزارش کردند که می تواند مورد توجه قرار گیرد. محدودیت اصلی این نمونه ها فقدان یک سیستم فضایی چند مقیاسی منحصر به فرد است که مجموعه های مختلف داده ها و تغییرات آنها را در طول زمان ذخیره می کند. با وجود این، این آثار می توانند پایه ای برای تعریف بالقوه موجودیت ها و روابط یک پایگاه داده فضایی برای مدیریت داده های کشاورزی دقیق باشند.

2.2. منطقه مطالعه

یک تاکستان واقع در گروگلیاسکو (شمال ایتالیا) محل آزمایش این کار است. این دانشگاه در داخل پردیس دانشگاه تورین ( شکل 1 )، به ویژه در دانشکده کشاورزی و دامپزشکی در بخش کشاورزی، جنگل و علوم غذایی واقع شده است.

این تاکستان نیم هکتار وسعت دارد و از 20 ردیف انواع مختلف انگور، عمدتاً باربرا، نبیولو، موسکاتو، پینو نوآر و سوویگنون بلان تشکیل شده است. وجود انواع مختلف به دلیل اهداف تحقیقاتی است.

2.3. گردش کار

گردش کار، که در شکل 2 نشان داده شده است ، شامل سه فاز اصلی است:

نقشه برداری پهپاد، تجزیه و تحلیل داده ها، و استخراج اطلاعات؛
ساخت پایگاه داده؛
اشتراک گذاری وب

هر مرحله به نرم افزار FOSS خاصی نیاز دارد که از نظر عملکرد و هدف متفاوت است.

2.3.1. جمع آوری داده ها

به عنوان اولین عملیات، نیاز به یک نمایش کامل از منطقه است و به همین دلیل با استفاده از پهپاد، بررسی جامعی از کل منطقه انجام شد.

پانزده نشانگر پلاستیکی، که به عنوان نقاط کنترل زمینی (GCPs) استفاده می‌شوند، روی زمین قرار داده شدند تا امکان ارجاع جغرافیایی بعدی مدل دیجیتال را فراهم کنند. مختصات مرکز هر هدف با استفاده از تکنیک جهانی ناوبری ماهواره ای (GNSS) در زمان واقعی سینماتیک (RTK) [ 52 ] به دست آمد. برای این کاربرد، که به عنوان جزئیات کامل، شناسایی گیاهان مختلف در ردیف‌ها را هدف قرار می‌دهد، دقت حدود 3 تا 4 سانتی‌متر برای مدل ارتفاعی و ارتفتو کافی بود.

پلت فرم پهپاد و سنسورهای تعبیه شده با توجه به نیازهای نظرسنجی انتخاب شدند. به طور خاص، اطلاعات مربوط به بخش مادون قرمز طیف الکترومغناطیسی برای توصیف موثر پوشش گیاهی مورد نیاز بود [ 53 ]. بر این اساس دوربین چندطیفی SlantRange 4p+ انتخاب شد. کیت دوربین از سه عنصر تشکیل شده است ( جدول 1 ):

یک دوربین چند طیفی با چهار حسگر نوری:
- RGB (مرکز 470 نانومتر (آبی) 520 نانومتر (سبز) 620 نانومتر (قرمز)، عرض 110 نانومتر؛
- قرمز (مرکز 650 نانومتر، عرض 40 نانومتر)؛
- لبه قرمز (مرکز 715 نانومتر، عرض 30 نانومتر)؛
- نزدیک IR (مرکز 850 نانومتر، عرض 70 نانومتر)؛
یک ماژول ناوبری دقیق (LiDAR Rangefinder and Integrated Dual Antenna RTK GPS)، که امکان دستیابی به دقت و کیفیت بهتر نتایج را در مناطق ناهموار فراهم می کند [ 54 ].
یک سنسور روشنایی محیطی (AIS) که امکان گرفتن تصاویر طیفی کالیبره شده با نور خورشید را فراهم می کند.

سیستم SlantRange به سازگاری DJI SKYPORT در مورد پهپادی که روی آن نصب شده است نیاز دارد. به همین دلیل و با توجه به وزن سیستم SlantRange در حدود 350 گرم، از DJI Matrice 210 V2 استفاده شد.

سپس بر اساس مشخصات حسگر و پهپاد، پرواز برنامه ریزی شد. فاصله از سطح زمین حدود 70 متر بود تا از فاصله نمونه زمینی (GSD) در حدود 1.5 سانتی متر بر روی جسم، مطابق با الزامات بررسی، اطمینان حاصل شود. یک پرواز طرح‌دار شبکه‌ای برای به دست آوردن پوشش کامل منطقه و همپوشانی بهینه تصاویر به‌دست‌آمده انجام شد. این پرواز منجر به 465 تصویر برای هر سنسور SlantRange 4p+ شد.

2.3.2. پردازش داده ها

به عنوان اولین عملیات پیش پردازش، تصاویر به دست آمده توسط سیستم SlantRange با نرم افزار SlantView [ 54 ] کالیبره شدند. تولید کننده سنسور این نرم افزار را تامین می کند و بخشی از محصول سیستم SlantRange است. داده‌های خام ثبت‌شده توسط ماژول LiDAR، ماژول GPS/GNSS و حسگر روشنایی محیط را پردازش می‌کند و تصاویر کالیبره‌شده رادیومتری را استخراج می‌کند [ 55 ]. علاوه بر این، نرم افزار Slantrange اجازه می دهد تا هر باند از تصاویر گرفته شده را در یک فایل TIFF جدا کنید.

پس از استخراج مجموعه‌ای از تصاویر کالیبره‌شده گروه‌بندی‌شده توسط باند، شش مجموعه داده (یکی برای هر باند طیف الکترومغناطیسی: آبی، سبز، قرمز W، قرمز N، قرمز لبه و NIR) به‌طور جداگانه با استفاده از ساختار به خوبی تثبیت شده فتوگرامتری پردازش شدند. از رویکرد حرکت (SfM) [ 56 ]. SfM اکنون در چندین بسته نرم افزاری تجاری و FOSS پیاده سازی شده است و صرف نظر از ماهیت نرم افزاری، منجر به هم ترازی تصویر و تولید ابرهای متراکم نقطه ای می شود.

در این مطالعه، فرآیند فتوگرامتری با استفاده از Visual SfM [ 14 ، 57 ] (FOSS) انجام شد. چندین GCP در عکس ها برای ارجاع جغرافیایی بلوک فتوگرامتری تطبیق داده شدند.

ابرهای نقطه متراکم سه بعدی با سطح بالایی از جزئیات (حدود 28 میلیون نقطه برای هر مجموعه از تصاویر) تولید شدند ( شکل 3 و شکل 4 ).

پس از تولید شش ابر متراکم، یکی برای هر مجموعه از تصاویر، آنها در CloudCompare، یک ابزار منبع باز برای پردازش ابر نقطه و مش، که اولین بار توسط Daniel Girardeau-Montaut [ 58 ، 59 ] توسعه یافت، وارد شدند. در نهایت، با استفاده از ابزار “rasterize” در Cloud Compare، که امکان تبدیل یک ابر نقطه‌ای را به یک شبکه 2.5 بعدی با تنظیم اندازه پیکسل و جهت‌های طرح‌ریزی می‌دهد، ارتوموزائیک و مدل سطح دیجیتال (DSM) با اندازه پیکسل تولید شدند. از 3 سانتی متر

2.3.3. نقشه برداری و طبقه بندی

ارتوموزائیک های تولید شده با تکنیک SfM برای (i) نقشه ردیف های تاکستان و تک درختان، و (ب) استخراج اطلاعات دقیق در مورد شرایط فنولوژیکی پوشش گیاهی علفی بین ردیفی استفاده شد.

ابتدا، یک طبقه بندی نظارت شده مبتنی بر پیکسل انجام شد که شش کلاس ( جدول 2 ) را با استفاده از الگوریتم حداقل فاصله [ 60 ] شناسایی کرد. طبقه‌بندی در محیط QGIS (نسخه 3.14.0)، با استفاده از الگوریتم‌های Gdal و Grass و پلاگین طبقه‌بندی نیمه خودکار QGIS (SCP) که توسط Luca Congedo [ 23 ] توسعه یافته است، انجام شد.

ساختار طبقه بندی در دو سطح سازماندهی شد. سطح اول چهار طبقه ( سایه‌ها ، ردیف‌ها ، پوشش گیاهی علفی متراکم و پوشش گیاهی علفی پراکنده ) را تعریف کرد. سطح دوم شامل طبقه بندی مجدد کلاس Shadows برای تمایز بین پوشش گیاهی علفی متراکم سایه دار و پوشش گیاهی علفی پراکنده سایه دار بود. کلاس Rows در تعریف وضعیت سلامتی انگورها کمک کرد. کلاس‌های سایه‌ها به فرآیند تقسیم‌بندی تک درختی خدمت می‌کردند و به عنوان ورودی هندسه استفاده می‌شدند، در حالی که پوشش گیاهی علفیطبقاتی که در آن علف های هرز زیر ردیفی در زمان بررسی نیاز به گیوه گیری داشتند، توضیح داد.

پنج ویژگی مشتق از باندهای طیفی Slantrange برای بهبود دقت نهایی طبقه‌بندی استخراج شد. این ویژگی‌ها شاخص‌های طیفی هستند که به همراه شش باند طیفی Slantrange و DSM، مجموعه داده ورودی طبقه‌بندی نهایی را تشکیل می‌دهند. جدول 3 فهرستی از ویژگی های مشتق محاسبه شده را گزارش می کند.

هنگامی که مجموعه داده ورودی ایجاد شد، یک طبقه بندی نظارت شده انجام شد. الگوریتم های طبقه بندی نظارت شده نیاز به تعریف نمونه های آموزشی دارند. بنابراین، مناطق پیکسل های همگن کلاس و مناطق مورد علاقه (ROI) به صورت دستی شناسایی شدند و مجموعه داده آموزشی را تشکیل دادند. هر ROI به طور متوسط 4180 پیکسل افزایش می یابد. شکل 5 امضای طیفی کلاس ها و فاصله مقیاس شده بین یکدیگر را نشان می دهد.

طبقه‌بندی سطح اول (طبقه‌بندی I) با استفاده از الگوریتم حداقل فاصله، با آستانه (انحراف استاندارد از میانگین) 2 سیگما برای کلاس‌های ردیف ، پوشش گیاهی علفی تنک سایه‌دار، پوشش گیاهی علفی متراکم سایه‌دار ، و پوشش گیاهی علفی پراکنده و 33 انجام شد. -سیگما برای سایه ها و گیاهان علفی متراکم . سپس با اعمال فیلتر غربال 15 پیکسلی و اتساع 4 پیکسلی روی ردیف ها، نتیجه پس پردازش شد.کلاس نواحی طبقه بندی شده به عنوان سایه ها پوشانده شدند و برای طبقه بندی دوم (طبقه بندی II) استفاده شدند. با همان الگوریتم و تنظیمات طبقه‌بندی I محقق شد. معیارهای دقت اصلی بر اساس ماتریس خطا (دقت سازنده، دقت کاربر، دقت کلی و امتیاز F1) برای هر دو طبقه‌بندی با استفاده از 100 نقطه به‌صورت تصادفی در هر کلاس محاسبه شد. طبقه بندی های حاصل با هم ادغام شدند.

پایگاه داده ساخته شده در این کار نیز نیاز به ذخیره اطلاعات در سطح تک درخت دارد. ساختار کشت شامل چندین درخت انگور بود که در آنها انگورها با هم روی سه سیم فلزی موازی با زمین رشد می کردند. این ساختار تشخیص هر درخت را از نمای نادرال ردیف ها غیرممکن می کرد. بنابراین، تک درختان با استفاده از اطلاعات به دست آمده از سایه ها تقسیم شدند. تقسیم بندی بر روی داده های برداری انجام شد. ابتدا یک تقاطع بین بافر جهت محور اصلی هر ردیف و سایه ها محاسبه شد و مرکز تقاطع ها استخراج شد.

سپس مرکزها روی محور اصلی ردیف‌ها چفت شدند. چند ضلعی های Voronoi بر روی مرکز محاسبه شده و با توجه به مرزهای ردیف برش داده شدند. در نهایت، نتایج از چند ضلعی به چند ضلعی تبدیل شد و به صورت بصری بررسی شد. شکل 6 کل فرآیند تقسیم بندی را خلاصه می کند.

سپس مقادیر مودال شاخص های طیفی EVI، NDVI، NDVI Red Edge و شاخص کلروفیل محاسبه و برای هر شی (درخت) برای مقیاس سلامت درخت ترسیم شد [ 65 ].

3. نتایج و بحث

بخش‌های زیر خروجی‌ها و نتایج روش FOSS توصیف‌شده را ارائه می‌کنند: محصولات پردازش بررسی پهپاد، داده‌های طبقه‌بندی‌شده ردیف‌ها و شناسایی تک درختی، و تجسم دوبعدی و سه‌بعدی وب داده‌ها و ویژگی‌ها با توجه به پایگاه داده‌های جغرافیایی ساختار.

3.1. Orthophoto و DSM

به لطف عملیات توضیح داده شده در بخش 2.3 ، امکان استخراج ارتوفوتو و DSM با اندازه پیکسل 3 سانتی متر برای هر یک از شش باند به طور جداگانه وجود داشت. شکل 7 ارتوموزائیک DSM و RGB را نشان می دهد که با تجسم چند کاناله نوارهای قرمز، سبز و آبی به دست آمده است.

شایان ذکر است که فرآیند SfM به برخی اقدامات عملی برای پردازش داده‌های چند طیفی نیاز دارد. پنج باند چند طیفی به طور جداگانه پردازش شدند زیرا Virtual SfM نمی تواند با مجموعه داده +4p مقابله کند.

3.2. طبقه بندی ردیف ها و تشخیص تک درخت

طبقه بندی اول با استفاده از الگوریتم حداقل فاصله بر روی چهار کلاس با حدود 16000 پیکسل به عنوان آموزش انجام شد. نتیجه آن مقداری اثر “نمک و فلفل” را نشان می دهد. در واقع، برخی از تک پیکسل ها طبقه بندی نشدند و برخی به اشتباه طبقه بندی شدند ( شکل 8 را ببینید ).

با این وجود، این نادرستی ها در مرحله پس پردازش از طریق فرآیندهای الک و اتساع اصلاح شدند.

ارزیابی دقت نهایی در طبقه بندی بر روی 400 نقطه به طور تصادفی اندازه گیری شد و دقت کلی 95% داشت ( جدول 4 ). پوشش گیاهی متراکم علفی بحرانی ترین طبقات را نشان می دهد و سایه ها همانطور که امتیاز F1 نشان می دهد (به ترتیب 90% و 94%). این عمدتا به دلیل دشواری طبقه بندی در نواحی لبه بین دو کلاس است. شایان ذکر است که سایه های قسمت های بالایی سایبان ها نامنظم بوده و شرایط نوردهی یکنواخت نیست. دقت تولید کننده مخصوصاً برای پوشش گیاهی متراکم علفی پایین است (فقط 0.87).

طبقه‌بندی II با استفاده از الگوریتم حداقل فاصله بر روی پیکسل‌های طبقه‌بندی شده به عنوان سایه‌ها از طبقه‌بندی I انجام شد. فقط دو کلاس در طبقه‌بندی II گنجانده شده‌اند: پوشش گیاهی علفی پراکنده سایه‌دار و گیاه علفی متراکم سایه‌دار. مشابه طبقه بندی I، نتایج مقداری اثر “نمک و فلفل” را در سراسر صحنه پیکسل های طبقه بندی نشده ارائه می دهد که در مرحله پس پردازش تصحیح شد.

ارزیابی دقت بر روی 200 نقطه به طور تصادفی اندازه گیری شد و دارای دقت کلی 95٪ است ( جدول 5 ). هشت نقطه اعتبار یابی گیاه علفی متراکم سایه دار به عنوان گیاه علفی پراکنده سایه دار طبقه بندی شدند و تنها دو نقطه در شرایط مخالف قرار دارند. نتایج اندازه‌گیری‌های دقت فوق‌العاده است: هم دقت کاربر و هم تولیدکننده هرگز کمتر از 92٪ نبود. وجود تنها دو کلاس بدون شک بر این نتایج مثبت تأثیر می گذارد.

تقسیم بندی تک درختان منجر به تولید 1269 بوته در 20 ردیف شد. شایان ذکر است که این روش اندازه دقیق سایبان ها را ارائه نمی دهد، اما فرض می کند که تاج انگور به طور متقارن روی سیم های فلزی توسعه یافته و تا فاصله میانی تا گیاه بعدی گسترش می یابد. این فرض مبنایی برای استفاده از ساخت چند ضلعی Voronoi است. شکل 9 نتایج طبقه بندی و تقسیم بندی را نشان می دهد.

در نهایت شاخص های EVI، NDVI، NDVI Red Edge و کلروفیل در کل صحنه محاسبه شد. مقدار حالت پیکسل ها مربوط به هندسه های تک درخت محاسبه و برای شناسایی گیاهان ناسالم مقیاس بندی شد.

3.3. ذخیره سازی داده ها، تجسم، و پرس و جو

پس از تولید، تجزیه و تحلیل و طبقه بندی داده ها، مراحل پایانی گردش کار ارائه شده با هدف سازماندهی، ذخیره، تجسم و پرس و جو از داده های پس از پردازش می باشد. این مرحله نهایی که با استفاده از نرم افزار منبع باز انجام شد، با هدف توسعه پایگاه داده فضایی برای ذخیره دانش تاکستان و انتشار اطلاعات در یک بستر وب و کاربر پسند است. این آخرین فرآیند شامل مراحل گزارش شده در شکل 10 است.

برای تولید و انتشار مجموعه داده های فضایی تاکستان، راه حل های مختلف FOSS اتخاذ شد. همانطور که شکل 6 نشان می دهد ( بخش 2.3 ) برای ایجاد پایگاه داده و برای تجسم داده های 2 بعدی و 3 بعدی از QGIS (نسخه 3.14.0) استفاده شد ، در حالی که برای انتشار داده ها، PostgreSQL با رابط PgAdmin آن انتخاب شد. پسوند فضایی PostGIS برای جمعیت هندسه اضافه شد. GeoServer، OpenLayer و Google Earth برای انتشار آنلاین پایگاه داده با تجسم سه بعدی و عناصر پرس و جو استفاده شد. شکل 11 به صورت گرافیکی ذخیره سازی، تجسم و فرآیند پرس و جو را توصیف می کند.

3.3.1. تجسم سه بعدی داده ها در QGIS و ایجاد پایگاه داده فضایی

بخش اول گردش کار روش شناختی به ایجاد پروژه QGIS مربوط می شود ( شکل 11 ). هدف از این عملیات، نهادهای تعریف شده مفید برای ایجاد پایگاه داده برای ذخیره اطلاعات منطقه سایت بود. به لطف نقشه های دوبعدی و سه بعدی Qgis، امکان برنامه ریزی یک رابط وب کاربرپسند ممکن (در قسمت بعدی توضیح داده شد) وجود داشت. نهادهای زیر برای تکمیل جدول ویژگی های پروژه GIS انتخاب شدند:

DSM، داده های شطرنجی از اکتساب هواپیماهای بدون سرنشین.
داده های ارتوموزائیک و شطرنجی حاصل از شرح SfM ( بخش 3.1 ) که با رنگ واقعی (RGB) تجسم شده است.
ردیف تاکستان، چند ضلعی های به دست آمده از بردارسازی کلاس ردیف ها.
تک درختان و گیاهان، نقاط مرکزی تک درخت.
وضعیت سلامت، یک بردار طبقه بندی شده متشکل از چند ضلعی از درختان منفرد. این شامل اطلاعات مربوط به شاخص های سلامت پوشش گیاهی است.

علاوه بر ویژگی‌های به دست آمده از داده‌های جمع‌آوری‌شده در مزرعه، بردارهای طبقه‌بندی شده حاوی ویژگی‌های جدید مفید برای مدیریت کشاورزی تاکستان هستند، مانند شماره شناسایی (ID)، رقم انگور، تعداد ردیف‌ها، تاریخچه تیمارهای گیاهی. ، و تعداد انگور. اطلاعات بیشتر را می توان در هر زمان اضافه کرد. به عنوان مثال، همانطور که در مطالعات مورد تجزیه و تحلیل در بخش 1 گزارش شده است، می توان داده های اضافی را از استانداردهای ملی و بین المللی یا بر اساس ضرورت تجزیه و تحلیل انجام شده (مانند توصیف خاک، شرایط آب و هوایی، ویژگی های درختان، و تنوع) اضافه کرد. انگور). به لطف نقشه سه بعدی جدید پیاده سازی شده در QGIS، امکان تجسم داده های برداری روی مدل سطح به صورت سه بعدی وجود داشت.

سپس ساختار پایگاه داده برای پشتیبانی از پرس و جو و بازیابی داده ها طراحی شد. جدولی از موجودیت ها در PostgreSQL ایجاد شد ( شکل 12 )، و هندسه ستون به لطف پسوند PostGIS اضافه شد. سپس هندسه ها با اتصال پایگاه داده در QGIS توسط ابزار مدیریت DB، با تنظیم سیستم مرجع صحیح (برای این منطقه WGS84-32N) و افزودن کاربر و رمز عبور لوکال هاست (سرور PostgreSQL روی پورت 5432 کار می کند) پر شدند.

3.3.2. پلتفرم WebGIS

همانطور که قبلا ذکر شد، خروجی نهایی این روش FOSS شامل انتشار WebGIS است که به هر بازیگری که در تولید انگور دخیل است اجازه می دهد تا با پایگاه داده 2D/3D تعامل داشته باشد. برای به دست آوردن آدرس وب مدل دو بعدی پروژه، GeoServer را انتخاب کردیم. این یک سرور منبع باز برای به اشتراک گذاری داده های مکانی است که نقشه ها و داده هایی مانند مرورگرهای وب و GIS دسکتاپ را ارائه می دهد. از این رو، امکان ذخیره داده های مکانی در قالب های مختلف وجود دارد و کاربران نیازی به دانش ساختار داده GIS ندارند. علاوه بر این، GeoServer انواع مختلفی از داده ها و همچنین بردارها را فراهم می کند. Shapefiles; WFS خارجی؛ PostGIS، ArcSDE، DB2، Oracle Spatial، MySql، SQL Server. شطرنجی؛ GeoTiff، JPG و PNG؛ اهرام، فرمت های GDAL، موزاییک تصویر، Oracle GeoRaster. از پروجکشن EPSG به عنوان WGS84-32N پشتیبانی می کند.

در اینجا مراحل اصلی ذکر شده است:

اتصال پایگاه داده PostGIS در GeoServer با میزبان محلی https://localhost:8080/geoserver/web ، در تاریخ 5 آوریل 2021 مشاهده شد.
ایجاد فضای کاری: تاکستان Grugliasco (URI: https://localhost:8080/geoserver/Grugliascovineyard ، مشاهده شده در 18 دسامبر 2020)، شکل 13 ؛
درج لایه ها از PostGIS (بردارها و شطرنجی) با سبک تجسم آنها. slt همانطور که در پروژه QGIS تعریف شده است.
انتشار WebGIS تاکستان Grugliasco در GeoServer.
تجسم نقشه دو بعدی با لایه های باز (این یک کتابخانه جاوا اسکریپت برای مشاهده نقشه های تعاملی در مرورگرهای وب است) ( شکل 14 ).
فایل Downloading.kml، JSON یا WFS و مشاهده سه بعدی در محیط GIS یا Google Earth برای تجسم فوری و سریع کاربران غیرمتخصص GIS.

در نهایت، به لطف مراحل قبلی، امکان پرس و جو از داده های مکانی و هندسه های تاکستان مانند ردیف ها، درختان و گیاهان برای به دست آوردن تمام اطلاعات درج شده در پروژه QGIS برای مدیریت محصول وجود داشت.

تحقیق حاضر همچنین راه‌حل دیگری از FOSS WebGIS را با استفاده از نمایشگر QGIS “QGIS2web” و تجسم داده‌های WebMap با Leaflet (یک کتابخانه جاوا اسکریپت منبع باز برای نقشه‌های تعاملی سازگار با موبایل [ 66 ]) آزمایش کرد.

علیرغم این واقعیت که این راه حل سریعتر است و قبلاً در نرم افزار QGIS یکپارچه شده است، امکان اصلاح و پیاده سازی داده های تاکستان را در ساختار پایگاه داده رابطه ای فضایی فراهم نمی کند. در واقع، با استفاده از سرور FOSS GIS مستقیماً در وب قابل ویرایش نیست.

4. نتیجه گیری و چشم انداز آینده

این مقاله یک گردش کار کامل بر اساس روش و نرم افزار FOSS را در مقایسه با دانش قبلی و مطالعات قبلا منتشر شده ارائه می دهد. ساختار گردش کار پیشنهادی پایه ای برای هر برنامه کاربردی مبتنی بر SfM و تکنیک های استخراج خودکار اطلاعات است. در واقع، دامنه کاربرد گسترده ای دارد و همچنین می تواند برای اهداف غیر کشاورزی، مانند مدیریت موجودی کالا و نظارت بر سبز شهری، سازگار شود.

هدف این مقاله ارائه و تأیید یک گردش کار FOSS برای مزارع هوشمند است و در عین حال به پیشرفت‌های احتمالی آینده در این زمینه کاربردی اشاره می‌کند. این گردش کار تحقیق منبع باز با مرحله اکتساب داده ها با یک حسگر چندطیفی شروع می شود و فرآیند فتوگرامتری سنتی را از طریق SfM، طبقه بندی داده های مکانی، و تجسم GIS و فرآیندهای پرس و جو با استفاده از ابزارهای سیستم عامل، ترکیب شده در زیر کلاه کشاورزی دقیق، ردیابی می کند. علاوه بر این، مطالعه حاضر یک راه‌حل وب GIS و کاربر پسند برای کشاورزی هوشمند پیشنهاد می‌کند که قادر به جمع‌آوری، به‌روزرسانی، و پرس و جو اطلاعات در مورد محصولات و فرآیندهای تاکستان در یک سیستم پایگاه داده فضایی منحصر به فرد است. قابلیت اطمینان کل فرآیند با یک مطالعه موردی واقعی که برای آزمایش تک‌گام‌ها و اعتبارسنجی آنها استفاده می‌شود، نشان داده می‌شود.

اگرچه سه مرحله اصلی گردش کار می تواند به طور جداگانه اعمال و اعتبار سنجی شود، ارزیابی روش شناسی می تواند بهبود یابد. با در نظر گرفتن این موضوع، پژوهش حاضر می‌خواهد مبنای تحولات زیر باشد. از این رو، کارهای آتی باید بر ارزیابی گردش کار از نظر اثربخشی و تکرارپذیری تمرکز کنند. اثربخشی مربوط به مناسب بودن گردش کار برای پاسخ به نیازهای PA است و می تواند از طریق روش های کیفی ذهنی، مانند پرسشنامه و مصاحبه با کاربران نهایی و روش های عینی، از طریق شاخص های قابل اعتماد ارزیابی شود. این ارزیابی باید پس از مدت زمان قابل توجهی از استفاده از پلت فرم webGIS و اجرای داده های آن انجام شود.

راه حل ارائه شده به راحتی توسط بسیاری از موارد استفاده و توسط ذینفعان مختلف درگیر در وظایف مختلف مربوط به کشاورزی دقیق قابل تکرار است. همانطور که در [ 67 ] ذکر شد، ادغام تکنیک ها و روش های ژئوماتیک (مانند سنجش از دور و فتوگرامتری هوایی توسط حسگرهای مختلف) با یک سیستم اطلاعات جغرافیایی می تواند انعطاف پذیری کشاورزی مدرن، مدیریت و نظارت بر هر مرحله (بذر، رشد محصول، و برداشت و تولید).

علاوه بر این، تکرارپذیری روش ها را می توان در مطالعات موردی مشابه ارزیابی کرد یا با راه حل های تجاری مقایسه کرد. شایان ذکر است که سه مرحله اصلی گردش کار پیشنهادی بدون توجه به مورد مطالعه بدون تغییر باقی می ماند. با این وجود، از نقطه نظر تکرارپذیری، تنظیمات مربوط به طبقه بندی می تواند ضروری باشد. پارامترهای طبقه بندی به ویژگی های تعیین کننده تاکستان و نوع داده های ورودی احتمالی (به عنوان مثال، RGB، چند طیفی) بستگی دارد.

علاوه بر این، پایگاه داده فضایی را می توان برای ذخیره اطلاعات کشاورزی دقیق جمع آوری شده توسط سخت افزار سیستم عامل پیاده سازی و سازماندهی کرد و گامی به سمت کشاورزی هوشمند سیستم عامل برداشت. کشاورزی هوشمند توتال OS جهت مورد انتظار برای تحقیقات آینده است.

یکی دیگر از جنبه های اساسی که باید در نظر گرفته شود، امکان هدف قرار دادن مخاطبان گسترده تر است، که اکنون برای کاربران غیر آکادمیک یا غیر متخصص GIS تعیین شده است، غنی سازی پلت فرم مبتنی بر وب GIS DB با ابزارهای تجزیه و تحلیل و ارائه سطوح مختلف دسترسی بسته به شرایط درجه تخصص

مراحل آتی تحقیق ما می تواند ایجاد یک سرویس وب جدید را در نظر بگیرد که قادر به پشتیبانی از عملیات مزرعه ای برای درمان انگور و محصولات زراعی، ارائه محتوای دیجیتال آنلاین (همچنین قابل دسترسی از دستگاه های تلفن همراه) باشد. حتی اگر نمونه‌های ارزشمندی از ابزارهای دیجیتال قبلاً در زمینه مدیریت تاکستان توسعه یافته باشند، هیچ یک از این خدمات نقشه یا مجموعه داده‌های فضایی وجود ندارد.

منابع

کوتزی، اس. ایوانووا، آی. میتاسووا، اچ. بروولی، کارشناسی ارشد نرم‌افزار و داده‌های مکانی باز: مروری بر وضعیت فعلی و چشم‌اندازی به آینده. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 90. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مبشری، ع. میتاسووا، اچ. نتلر، ام. سینگلتون، ا. لدوکس، اچ. Brovelli، MA برجسته کردن روندهای اخیر در علم و نرم افزار منبع باز geospatial. ترانس. GIS 2020 ، 24 ، 1141-1146. [ Google Scholar ] [ CrossRef ]
بروولی، MA; میتاسووا، اچ. نتلر، ام. Raghavan, V. راه حل های رایگان و متن باز دسکتاپ و Web GIS. Appl. Geomat. 2012 ، 4 ، 65-66. [ Google Scholar ] [ CrossRef ]
اشتاینیگر، اس. Hunter، AJS نقشه نرم افزار GIS رایگان و منبع باز 2012 – راهنمای تسهیل تحقیق، توسعه و پذیرش. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 39 ، 136-150. [ Google Scholar ] [ CrossRef ]
تیم توسعه QGIS QGIS. Un Sistema Di Informazione Geografica Libero و منبع باز. در دسترس آنلاین: https://qgis.org/it/site/ (دسترسی در 15 ژانویه 2021).
بونر، جی. Conrad, O. SAGA-System for Automated Geoscientific Analyses. در دسترس آنلاین: https://www.saga-gis.org/en/index.html (در 15 ژانویه 2021 قابل دسترسی است).
تیم توسعه GRASS GRASS GIS – فن آوری های پیشرفته زمین فضایی را به جهان می آورد. در دسترس آنلاین: https://grass.osgeo.org/ (دسترسی در 15 ژانویه 2021).
GDAL. اسناد GDAL. در دسترس آنلاین: https://gdal.org/ (دسترسی در 15 ژانویه 2021).
گروه توسعه جهانی PostgreSQL PostgreSQL. در دسترس آنلاین: https://www.postgresql.org/ (دسترسی در 15 ژانویه 2021).
GeoServer. در دسترس آنلاین: https://geoserver.org/ (دسترسی در 15 ژانویه 2021).
بنیاد زمین فضایی منبع باز. اسناد MapServer 7.6.2. در دسترس آنلاین: https://mapserver.org/ (دسترسی در 15 ژانویه 2021).
GeoNode. در دسترس آنلاین: https://geonode.org/ (دسترسی در 15 ژانویه 2021).
MicMac. در دسترس آنلاین: https://micmac.ensg.eu/index.php/Accueil (در 15 ژانویه 2021 قابل دسترسی است).
وو، سی. VisualSFM: یک ساختار بصری از سیستم حرکت. در دسترس آنلاین: https://ccwu.me/vsfm/ (در 15 ژانویه 2021 قابل دسترسی است).
مشارکت کنندگان OpenDroneMap. نرم افزار نقشه برداری هواپیماهای بدون سرنشین در دسترس آنلاین: https://www.opendronemap.org/ (دسترسی در 15 ژانویه 2021).
گراسو، اس. کلاپس، پ. گانورا، دی. Libertino، A. یک ابزار اطلاعات جغرافیایی منبع باز مبتنی بر وب برای ارزیابی منابع آب منطقه ای. منبع آب مدیریت 2021 ، 35 ، 675-687. [ Google Scholar ] [ CrossRef ]
وی، ام. لیو، تی. Sun، B. طراحی مسیریابی بهینه ترانزیت فیدر با انتخاب توقف با استفاده از داده های تجمیع شده تلفن همراه و ابزار منبع باز GIS. IEEE Trans. هوشمند ترانسپ سیستم 2021 ، 1-12. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. Long, Y. شناسایی و خصوصیات خودکار بسته ها با نقشه خیابان باز و نقاط مورد علاقه. محیط زیست طرح. B طرح. دس 2016 ، 43 ، 341-360. [ Google Scholar ] [ CrossRef ]
مبشری، ع. (ویرایش) مقدمه ای بر علوم زمین فضایی منبع باز برای مطالعات شهری. در علوم زمین فضایی منبع باز برای مطالعات شهری: ارزش داده های مکانی باز ; Springer: Cham، سوئیس، 2021; صص 1-8. [ Google Scholar ]
Bhunia، GS; شیت، پی کی; Sengupta، D. داده‌های مکانی با دسترسی آزاد و ابزارهای مدیریت منابع جنگلی. در مدلسازی فضایی در مدیریت منابع جنگلی: معیشت روستایی و توسعه پایدار ; Shit، PK، پورقاسمی، HR، Das، P.، Bhunia، GS، Eds. Springer: Cham، سوئیس، 2021; صص 651-675. [ Google Scholar ]
تاکاسو، تی. Yasuda، A. توسعه گیرنده RTK-GPS کم هزینه با بسته برنامه منبع باز RTKLIB. در مجموعه مقالات سمپوزیوم بین المللی GPS/GNSS، کارلسروهه، آلمان، 22 تا 23 سپتامبر 2009. پ. 6. [ Google Scholar ]
Orfeo ToolBox–Orfeo ToolBox یک جعبه سیاه نیست. در دسترس آنلاین: https://www.orfeo-toolbox.org/ (دسترسی در 10 ژانویه 2021).
Congedo، L. مستندات پلاگین طبقه بندی نیمه خودکار. در دسترس آنلاین: https://semiautomaticclassificationmanual-v5.readthedocs.io/en/latest/ (در 3 فوریه 2021 قابل دسترسی است).
Saiz-Rubio، V. Rovira-Más، F. از کشاورزی هوشمند به سوی کشاورزی 5.0: مروری بر مدیریت داده های محصول. Agronomy 2020 , 10 , 207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اونو، تی. آیدا، ک. Yamazaki، S. دستیابی به اهداف توسعه پایدار (SDGs) از طریق خدمات ICT. Fujitsu Sci. فنی J. 2017 ، 53 ، 17-22. [ Google Scholar ]
سازمان ملل. گزارش اهداف توسعه پایدار 2019 ؛ سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2019. [ Google Scholar ]
Bramley، RGV Progress در توسعه انگورسازی دقیق – تنوع در عملکرد، کیفیت و نسبت های خاک در تاکستان های متضاد استرالیا . موسسه تحقیقات شراب استرالیا: ویکتوریا، استرالیا، 2001. [ Google Scholar ]
Zarco-Tejada، PJ; هابارد، ن. Loudjani, P. کشاورزی دقیق: فرصتی برای کشاورزان اتحادیه اروپا: حمایت بالقوه با CAP 2014-2020 . کمیسیون اروپا: بروکسل، بلژیک، 2014; پ. 56. [ Google Scholar ]
کوک، SE; براملی، کشاورزی دقیق RGV – فرصت ها، مزایا و مشکلات مدیریت محصول خاص سایت در استرالیا. اوست J. Exp. کشاورزی 1998 ، 38 ، 753-763. [ Google Scholar ] [ CrossRef ]
کافرو، اف. کاوالو، ای. اثرات متغیرهای فردی، ویژگی‌های سیستم کشاورزی و موانع درک شده بر استفاده واقعی از فناوری‌های کشاورزی هوشمند: شواهدی از منطقه پیمونت، شمال غربی ایتالیا. کشاورزی 2019 ، 9 ، 111. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Kritikos، M. کشاورزی دقیق در اروپا: ملاحظات قانونی، اجتماعی و اخلاقی . سرویس تحقیقات پارلمان اروپا: بروکسل، بلژیک، 2017. [ Google Scholar ]
Mesas-Carrascosa، FJ; سانتانو، دی وی؛ Meroño، JE; د لا اوردن، ام اس; García-Ferrer, A. سخت افزار منبع باز برای نظارت بر پارامترهای محیطی در کشاورزی دقیق. Biosyst. مهندس 2015 ، 137 ، 73-83. [ Google Scholar ] [ CrossRef ]
آدنله، AA; Sowe, SK; پارایل، جی. Aginam، O. تجزیه و تحلیل بیوتکنولوژی منبع باز در کشورهای در حال توسعه: یک چارچوب در حال ظهور برای کشاورزی پایدار. تکنولوژی Soc. 2012 ، 34 ، 256-269. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Gitelson، AA; وینا، ا. Arkebauer، TJ; راندکوئیست، دی سی; کیدان، جی. Leavitt, B. برآورد از راه دور شاخص سطح برگ و زیست توده برگ سبز در تاج پوشش ذرت. ژئوفیز. Res. Lett. 2003 ، 30 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کرینتز، سی. Liu, B. SmartFarm: بهبود پایداری کشاورزی با استفاده از فناوری اطلاعات مدرن . دانشگاه کالیفرنیا: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 2016; پ. 6. [ Google Scholar ]
Matese، A.; دی جنارو، کاربردهای عملی SF یک پلتفرم پهپاد چندحسگر بر اساس تصاویر با وضوح بالا چندطیفی، حرارتی و RGB در صنعت انگورسازی دقیق. کشاورزی 2018 ، 8 ، 116. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
فیلیپیس، تی دی. روچی، ال. فیوریلو، ای. Genesio، L. یک برنامه WebGIS برای کشت انگور دقیق: از تحقیق تا شیوه های عملیاتی. در دسترس آنلاین: https://www.isprs.org/proceedings/XXXVIII/4-W13/ID_69.pdf (دسترسی در 6 فوریه 2021).
Rokhmana، CA پتانسیل سنجش از راه دور مبتنی بر پهپاد برای حمایت از کشاورزی دقیق در اندونزی. Procedia Environ. علمی 2015 ، 24 ، 245-253. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پوری، وی. نیار، ع. هواپیماهای بدون سرنشین Raja, L. Agriculture: یک پیشرفت مدرن در کشاورزی دقیق. J. Stat. مدیریت سیستم 2017 ، 20 ، 507-518. [ Google Scholar ] [ CrossRef ]
Podagrosi، A. یک راه حل نقشه برداری وب FOSS برای داده های کشاورزی دقیق متفاوت. در مجموعه مقالات FOSS4G، بوستون، MA، ایالات متحده آمریکا، 14 تا 19 اوت 2017؛ پ. 14. [ Google Scholar ]
تریلز، اس. تورس-سوسپدرا، جی. بلمونته، Ó. Zarazaga-Soria، FJ; گونزالس-پرز، آ. Huerta، J. توسعه یک پلت فرم حسی باز در زمینه کشاورزی هوشمند: یک سیستم پشتیبانی تاکستان برای نظارت بر بیماری کپک. حفظ کنید. محاسبه کنید. به اطلاع رساندن. سیستم 2019 ، 100309. [ Google Scholar ] [ CrossRef ]
بله، جی. چن، بی. لیو، کیو. Fang, Y. یک سیستم مدیریت کشاورزی دقیق مبتنی بر اینترنت اشیا و WebGIS. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی IEEE در زمینه ژئوانفورماتیک، کایفنگ، چین، 20 تا 22 ژوئن 2013. [ Google Scholar ] [ CrossRef ]
بروچینی، دی. چیابراندو، اف. کولوچی، ای. سامارتانو، جی. اسپانو، ا. Losè, LT; ویلا، A. مشارکت ژئوماتیک برای پروژه ارزشیابی در سایت چشم انداز روکا سن سیلوسترو. ISPRS Int. J. Geo Inf. 2017 ، 42 ، 495-502. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Colucci, E. Architettura e Natura Di Paesaggi Archeologici Analisi Spaziali ادغام در محیط WEB-GIS در La Conservazione e La Comunicazione Della Memoria Storica: Il Parco Archeominerario Di San Silvestro. پایان نامه کارشناسی ارشد، Politecnico di Torino، تورین، ایتالیا، 2017. [ Google Scholar ]
بروولی، MA; Magni, D. یک برنامه باستان شناسی Web Gis بر اساس Mapserver و Postgis. در دسترس آنلاین: https://www.isprs.org/proceedings/XXXIV/5-W12/proceedings/19.pdf (در 3 مارس 2021 قابل دسترسی است).
گریسیا، سی. هربان، اس. Vilceanu، C.-B. راه حل WebGIS برای استراتژی های برنامه ریزی شهری. Procedia Eng. 2016 ، 161 ، 1625-1630. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیرس، اف جی. Clay, D. (Eds.) GIS Applications in Agriculture ; CRC Press: Boca Raton، FL، USA، 2007. [ Google Scholar ]
کنسرسیوم فضایی باز یافتن خدمات OGC WMS، WFS، WCS. در دسترس آنلاین: https://www.ogc.org/blog/2034 (در 15 ژانویه 2021 قابل دسترسی است).
کمیسیون اروپا: INSPIRE. در دسترس آنلاین: https://inspire.ec.europa.eu/ (دسترسی در 15 ژانویه 2021).
مازتو، اف. گالو، آر. Sacco, P. بازتاب ها و پیشنهادهای روش شناختی برای درمان مفهوم “دقت اطلاعات” در شیوه های کشاورزی هوشمند. Sensors 2020 , 20 , 2847. [ Google Scholar ] [ CrossRef ]
برانکادورو، ال. Carnevali، P. Proximal Sensing per la Viticoltura Sito-Specifica. در دسترس آنلاین: https://www.ricercatuscania.it/data/files/finale/4_Linea_A2_Diprove.pdf (در 6 آوریل 2021 قابل دسترسی است).
سینا، آ. دابوو، پ. Manzino، AM; پیراس، ام. موقعیت یابی سینماتیک زمان واقعی شبکه (NRTK) – توصیف، معماری و اجرا. در موقعیت یابی ماهواره ای-روش ها، مدل ها و کاربردها ؛ IntechOpen: لندن، بریتانیا، 2015. [ Google Scholar ] [ CrossRef ][ Green Version ]
کومار، ال. اشمیت، ک. دوری، اس. Skidmore، A. طیف سنجی تصویربرداری و علم گیاهی. در طیف سنجی تصویربرداری: اصول اولیه و کاربردهای آینده . Springer: برلین/هایدلبرگ، آلمان، 2002; صص 111-155. [ Google Scholar ]
Slant Range. فناوری کشاورزی دقیق، حسگرها و تجزیه و تحلیل. در دسترس آنلاین: https://slantrange.com/ (در 15 ژانویه 2021 قابل دسترسی است).
واگنر، و. ISPRS Int. J. Geo Inf. 2010 ، 65 ، 505-513. [ Google Scholar ] [ CrossRef ]
ترنر، دی. لوسییر، ا. Watson, C. یک تکنیک خودکار برای تولید موزاییک های ژئورکتیک شده از تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV) با وضوح فوق العاده بالا، بر اساس ساختار ابرهای نقطه حرکت (SfM). Remote Sens. 2012 ، 4 ، 1392-1410. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وو، سی. آگاروال، اس. کورلس، بی. تنظیم بسته نرم افزاری چند هسته ای Seitz، SM. در مجموعه مقالات بیست و چهارمین کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، کلرادو اسپرینگز، CO، ایالات متحده آمریکا، 20-25 ژوئن 2011. صص 3057–3064. [ Google Scholar ]
پاستل. در دسترس آنلاین: https://web.archive.org/web/20071227030420/https://pastel.paristech.org/1745/ (دسترسی در 18 دسامبر 2020).
CloudCompare—پروژه متن باز. در دسترس آنلاین: https://www.cloudcompare.org/ (در 18 دسامبر 2020 قابل دسترسی است).
ریچاردز، جی. Jia, X. Remote Sensing Digital Image Analysis: An Introduction , 4th ed.; Springer: برلین/هایدلبرگ، آلمان، 2006. [ Google Scholar ]
هیوت، ا. عدالت، سی. لیو، H. توسعه پوشش گیاهی و شاخص های خاک برای MODIS-EOS. از راه دور. حس محیط. 1994 ، 49 ، 224-234. [ Google Scholar ] [ CrossRef ]
هنریش، وی. کراوس، جی. گوتزه، سی. Sandow, C. The IndexDatabase ; دانشگاه بن: بن، آلمان، 2011. [ Google Scholar ]
Rouse، JW نظارت بر پیشرفت بهاری و تخریب پوشش گیاهی طبیعی . دانشگاه تگزاس A&M: ایستگاه کالج، تگزاس، ایالات متحده آمریکا، 1973. [ Google Scholar ]
McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
Taskos، DG; کوندوراس، س. استاماتیادیس، س. زیوزیو، ای. نیکولائو، ن. کاراکیولاکیس، ک. Theodorou، N. استفاده از سنسورهای تاج پوشش فعال و کلروفیل متر برای تخمین وضعیت نیتروژن درخت انگور و بهره وری. دقیق کشاورزی 2015 ، 16 ، 77-98. [ Google Scholar ] [ CrossRef ]
Agafonkin، V. Leaflet—یک کتابخانه جاوا اسکریپت برای نقشه های تعاملی. در دسترس آنلاین: https://leafletjs.com/ (دسترسی در 15 ژانویه 2021).
یونگ، جی. مائده، م. چانگ، آ. بنداری، م. آشاپور، ع. Landivar-Bowles, J. پتانسیل سنجش از دور و هوش مصنوعی به عنوان ابزاری برای بهبود انعطاف پذیری سیستم های تولید کشاورزی. Curr. نظر. بیوتکنول. 2021 ، 70 ، 15-22. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مرکز بین بخشی PIC4SeR PoliTO برای رباتیک خدمات. در دسترس آنلاین: https://pic4ser.polito.it/ (دسترسی در 6 آوریل 2021).

شکل 1. منطقه مورد مطالعه: تاکستان در دانشگاه Grugliasco (منطقه Piedmont، ایتالیا)، با خط قرمز مشخص شده است.

شکل 2. گردش کار روش. SfM = Str5ucture from Motion. DSM = مدل سطح دیجیتال; SCP = پلاگین طبقه بندی نیمه خودکار.

شکل 3. ابرهای پراکنده و دوربین های مجموعه نسبت به باند W RED.

شکل 4. ابر متراکم نسبت به باند W RED در تجسم سطح خاکستری.

شکل 5. امضاهای طیفی طبقات. برای تسهیل خواندن نمودار، مقادیر در محدوده 1-1- مقیاس بندی شدند.

شکل 6. گردش کار برای تشخیص تک درخت.

شکل 7. ( الف ) مدل ارتفاعی دیجیتال (DEM)، و ( ب ) ارتفتو RGB که با ترکیب عکس‌های ارتوفوتوی قرمز W، سبز و آبی به دست آمده است.

شکل 8. جزئیات نتایج طبقه بندی I. ( a ) عکس ارتوفوتو با رنگ کاذب (لبه قرمز، سبز، قرمز) است. ( ب ) طبقه بندی I را بدون پس پردازش نشان می دهد. ( ج ) طبقه بندی پس از پردازش I را نشان می دهد.

شکل 9. نتیجه طبقه بندی و تقسیم بندی تک درختان. تصویر نمونه ای از مقادیر NDVI محاسبه شده بر روی نوار لبه قرمز برای هر گیاه را نشان می دهد. NDVI-Red Edge در دسته بد (<0.00)، خوب (0.00-0.20) و خیلی خوب (>0.20) طبقه بندی شد.