작업 문제로 시작
로지드 쌀 변경 캐노피 질감, 오리엔테이션 및 눈에 보이는 표면 모양. 유용한 평가는 평평한 패치, 서적 작물, 수확 된 지상 및 uncertain 혼합 가장자리를 분리합니다. 이 목적은 수확량과 현장 평가를 지원하기 위한 것입니다. 왜냐하면 색상지도에서 보편적인 수확량 손실을 초래하는 것보다는 더 많은 것입니다.
작업 질문은: 어떤 lodged 쌀 패치는 변경된 수확량 또는 더 가까운 검사를 필요로 합니까? 설문 조사 전에 롯드 쌀 패치를 정의하고 누가 검토 할 수 있는지 확인합니다. 증거가 검사, 샘플링 또는 관리 결정에 변경 될 것임을 알 수 있습니다. 이지도를 테스트 가능한 작업에 연결하고 문제를 해결할 수 없는 매력적인 출력에서 유용한 관찰을 구별 할 수 있습니다.
이미지가 실제로 관찰하는 것을 이해하십시오.
풍력은 일시적으로 서 식물을 구부릴 수 있으며 가변 성숙도는 색상과 질감 모두 변화합니다. 초기 수확 패스에서 트랙은 평평한 작물을 닮을 수 있습니다. 다양한 종류의 선각을 훈련한 클래스는 숙박에 대한 이러한 차이를 실수 할 수 있습니다.
롯드 쌀 패치의 경우, 측정 정의는 결과의 일부입니다. 도로, 묶음, headlands, 영구 채권 및 물에서 심은 영역을 분리하여 이러한 평가 정의 밖에서 있습니다. 측정 단위가 공장, 행 길이, 패치 또는 관리 블록인지 여부를 결정하고 분석 및 보고를 통해 일관성을 유지하십시오. 토양 배경, 작물 연령 및 닫집 overlap는 관찰 가능한 것에 영향을줍니다. 모든 위치가 좋지거나 가난한 상태로 인해 알 수없는 또는 비정규 클래스를 유지하십시오. 투명 감쇄기 및 유효 보류 분수는 단일 전체 스펙트럼 비율보다 훨씬 쉽게 농업 비교를 만듭니다.
대상과 그 융합자 주변의 디자인 캡처
롯드 쌀 패치를 위한 캡처 계획은 예정된 비교로 시작해야 합니다. 작물 단계와 현장 질문에 맞는 관측 창을 선택하십시오. 기록 심는 날짜, 최근 관개, 강우 및 관리 사건. Inspect 샘플 사진 blur에 대 한 고 작은 관련 작물 기능 처리 하기 전에 볼 수 있다. 조명과 카메라 구성에서 실제적으로 관찰을 반복적으로 유지하면서 비폭력적인 차이를 녹음합니다. 반사 기반 지수가 필요한 경우 적절한 스펙트럼 밴드와 평가 된 무선 워크플로우를 사용하십시오. 일반적인 RGB 색상 조정은 가까운 적외선 반사 측정과 동일하지 않습니다. 의 대표적 인 작물뿐만 아니라 계획 된 적용 범위에서 의심스러운 무형물을 포함.
추적 가능한 처리 및 분석 워크플로우 구축
패디 마스크와 수확 팀과 함께 숙박의 운영 정의를 설치합니다. Inspect 원본 oblique 전망은, 그 후에 패치 내부를 delineate하고 불확실한 한계를 일으킵니다. 표면 재건축이 일관성있는 높이 증거와 함께 작물 질감 비교. 관찰자가 일관적으로 라벨 할 때 부분적인 숙박을 분리하십시오.
lodged 쌀 패치에 대한 품질 검토는 처리 완료 후 계속되어야합니다. 전체 출력에 의존하기 전에 낮은 해상도 정렬을 검토 한 다음 anomaly 가장자리에서 원래 프레임에 대한 완성 된 모자이크를 검사합니다. blur, 심한 솔기 및 지원되지 않은 영역을 넓히지 않도록하십시오. 인덱스가 사용되면, 밴드 정체성을 확인하고, 정렬 및 잘못된 값을 확인합니다. 구조가 사용되면, 포인트 클라우드 및 표면 지원이 모든 래스터 셀을 할당하는 대신 측정됩니다. 해당 이용 후기에 달린 코멘트가 없습니다.
일하는 일
5헥타르 블록은 맑은 숙소의 0.4헥타르와 주위 평평한 마진의 0.2헥타르를 함유하고 있습니다. 8% 확인된 mapped 숙소 플러스 4% 불확실한 지역. 12% 추정에 두 가지 추가는 장비 스케줄링과 관련된 불확실성을 갖게 될 것입니다.
롯드 쌀 패치의이 예는 설명하지 않고도 설명하는 결과가 아닙니다. 프로젝트의 측정값을 사용하여 작업의 소각을 변경합니다. 수화기, 탈광기, 관측일 및 노출을 볼 수 있습니다. 백악관 경계, 가시 또는 참조 변경이 결정을 변경하면 누락된 증거를 수집하거나 추가 소수점을 보고하지 않고 해결되지 않는 경우를 유지합니다.
독립적 인 필드 증거로 검증
한 가지 명백한 엄격성 클래스와 기록 줄기 오리엔테이션, 수확성 및 이미 수확 된 스트립에서 패치를 방문하십시오. 모든 관찰을 사용하여 클래스를 조정하기 위해 오히려 평가를 위한 독립적 인 필드 라벨을 예약하십시오.
롯드 쌀 패치의 평가는 두 개의 조각 대상과 적절한 unflagged 참조 위치를 포함해야합니다. 가장 명백한 후보자만 확인하면 놓은 대상이나 전체 false-alarm 패턴을 예측할 수 있습니다. 평가하는 데 사용되는 사람들로부터 방법을 조정하는 데 사용되는 별도의 관측. 뱀파이어를 떼어낸다. 그리고, 뱀파이트를 떼지 않고도 뱀파이브를 떼고, 뱀팁을 떼어내고, 굵은 소리를 떼는 것. 현장 타이밍은 이미지 타이밍과 다를 때, 사이트가 방문 사이에 변경 될 수 있는지 설명합니다. 불명은 조사에 대한 증거이며, 지도와 일치하기 위해 지상 기록을 강제하지 않습니다.
주제별 해석 위험 해결
숙박을 위해, 접근 가능한 추수 가장자리의 길이에서 분리되는 헝겊 조각 지역. 2개의 동급차 헝겊 조각은 기계 노선 옆에 있는 다른 logistical 문제를 포위할 수 있고 다른 사람은 서 있는 작물에 의해 포위됩니다. 관찰자가 일관되게 할 수 있을 때 부분 평평하고 줄기의 방향을 기록하십시오. 이러한 관찰은 수확 팀의 방문을 계획하지만, 그들은 보편적 인 손실 요인으로 변환되지 않아야합니다. 첫 번째 검사 후 지도를 검토하고 공중 조사가 실제로 구별 할 수 있는지 보여주기 위해 원래의 불확실한 클래스를 보존합니다.
팀의 수신을 사용할 수 있는지 증거에 손을
패치 액세스 방향과 신뢰 클래스를 제공하므로 수확 관리자는 sequencing을 결정할 수 있습니다. 게시된 숙박 연구는 자신의 조건 하에서 우정을 보여줍니다; 그들의 보고 된 정확도는 유효하지 않고 다른 농장으로 전송 되지 않아야.
롯드 쌀 패치를 위해, 안정적인 식별자를 유지, 소스 관측 날짜, 좌표 참조, 분석 경계 및 유효 보존 상태. 접근 가능한 개요와 필요한 geospatial 데이터를 모두 공급합니다. 해결되지 않은 기능과 다음 유용한 체크를 설명하는 짧은 예외 등록을 첨부합니다. 데이터가 개정되면, 이유 및 버전을 보존하거나 양 또는 상태는 추적 할 수 있습니다. 샘플 아이템을 찾아 자신감의 해석하기 위해 수신 팀을 요청하십시오. 실제 리뷰는 종종 파일 통합 검사가 감지 할 수없는 오류가 발생했습니다.
Drone Image Processing Software for lodged 쌀 패치를 평가할 때, 대표 데이터셋을 통해 전체 워크플로를 평가합니다. DroneCollab는 photogrammetric mapping output을 준비하기 위해 고려 될 수 있으며 작업별 해석 및 현장 검증은 필수입니다. 필요한 수출, 검토 프로세스 및 실제 파일럿 증거를 비교하여 작업 흐름을 선택하기 전에.
