Princip dálkového průzkumu země

Snímkování povrchu země při leteckém průzkumu patří mezi pasivní metody. To znamená, že kamera pouze přijímá elektromagnetické záření, jehož zdrojem je sluneční svit. Hlavním požadavkem je tedy dostupnost zdroje energie, který ozařuje zkoumaný předmět nebo oblast. Sluneční záření je ovlivňováno při průchodu atmosférou a dále reaguje při dopadu na zkoumaný objekt. Následně záleží na tom, jakým způsobem senzor zaznamenává elektromagnetické záření. [1] Na sluneční záření lze také nahlížet jako na částicové. Potom ho popisuje následující rovnice, kde h je Planckova konstanta a f je frekvence. Jedná se o tok energie částic (fotonů) šířící se rychlostí světla.

$$ E=h*f $$

Elektromagnetické záření

Jak bylo řečeno, elektromagnetické záření je hlavním požadavkem při dálkovém průzkumu země. Elektromagnetické záření se skládá z elektrického (E) a magnetického (M) pole (viz obrázek 1). [1]

Obrázek 1. Znázornění elektromagnetického záření

Tato dvě pole mají maximální amplitudu na sebe kolmou a zároveň taky kolmou na směr šíření záření. Důležité dva parametry elektromagnetického záření jsou vlnová délka a frekvence. Vlnová délka se značí λ a měří se v metrech, nebo v jednotkách z nich odvozených. Frekvence značná písmenem f je měřená v Hertzech (Hz) a její vztah s vlnovou délkou je takový, že čím kratší vlnová délka, tím větší frekvence a naopak. Písmeno c značí rychlost světla ve vakuu. [1]

$$ λ =\frac{c}{f} $$

Elektromagnetické spektrum sahá od krátkých vlnových délek v hodnotách od λ=10-16 m až po dlouhé vlnové délky v řádech tisíců kilometrů. Obecně lze spektrum rozdělit na rádiové vlny, mikrovlnné vlny, infračervené vlny, viditelné světlo, ultrafialové záření, rentgenové záření a gama záření (seřazeno od nejdelších vlnových délek po nejkratší). Pro dálkový průzkum země multispektrální kamerou se využívá část viditelného spektra a infračervené záření. Zobrazení elektromagnetického spektra je vykresleno na obrázku 2. [2]

Obrázek 2. Zobrazení elektromagnetického spektra

Viditelná část spektra se nachází v rozmezí vlnové délky od 380 do 770 nm. Infračervené záření navazuje přímo na světlo a pokračuje až do vlnové délky 1 mm. Infračervená část spektra se dělí na blízké infračervené (Near-Infrared) zkráceně NIR s vlnovou délkou od 0,78 do 3 µm, střední infračervené (Mid-Infrared) zkráceně MIR s vlnovou délkou od 3 do 50 µm a na vzdálené infračervené (Far-Infrared) zkráceně FIR s vlnovou délkou od 50 do 1000 µm. [1]

Interakce s atmosférou

Dříve než se záření dostane ke zkoumanému objektu, je ovlivněno průchodem atmosférou. Různé částice a plyny v atmosféře můžou působit rozptyl nebo pohlcování záření. Jedním z vlivů, viditelných pouhým okem, je molekulární rozptyl záření, který způsobuje modrou barvu oblohy. Příkladem pohlcení části záření je vliv ozonové vrstvy, která pohlcuje UV záření. [1]

Interakce s objektem

Záření, které projde atmosférou až na zem, následně reaguje při dopadu na objekt. Existují tři možnosti, co se se zářením stane, když dopadne na těleso. Jedná se o absorpci, průchod nebo odraz záření. Celkově bude záření reagovat kombinací těchto tří interakcí. Poměr bude záležet na vlnové délce záření, materiálu a stavu objektu. [1]

Při dálkovém průzkumu země je důležité zejména odražené záření. Existují dva způsoby, jak se může záření odrážet. V případě, že se jedná o hladký povrch, dochází k odrazu zrcadlovému. Při něm je většina energie odražená jedním směrem. V případě, že se energie odrazí do více směrů, jedná se o odraz difuzní, ke kterému dochází u objektů s hrubým povrchem. Rozdíl těchto odrazů znázorňuje obrázek 3. Pro určení hrubosti povrchu je třeba vzít v úvahu i vlnovou délku záření. Pokud je vlnová délka násobně menší než změny povrchu, bude odraz více zrcadlový. Například povrch, na kterém je jemný písek, se bude chovat jako hladký při zkoumání odrazu dlouhovlnného záření, a naopak jako hrubý při zkoumání viditelného spektra. Zemský povrch tak nelze rozdělit na perfektně zrcadlový a perfektně difuzní, ale bude se vždy nacházet na rozmezí mezi těmito extrémy. [1]

Obrázek 3. Znázornění zrcadlového (vlevo) a difuzního (vpravo) odrazu

Rozdíl multispektrálního a hyperspektrálního snímání

Před definicí multispektrálního snímání je zapotřebí definovat hyperspektrální snímání a poukázat na rozdíly mezi nimi. Zatímco multispektrální kamery pracují v nespojitých spektrálních pásmech na různých vlnových délkách, hyperspektrální snímání využívá spektrálních pásem mnohem více a jejich šířka se pohybuje od 1 do 15 nm. Jednotlivá pásma jsou u hyperspektrálních systémů přilehlá a tvoří souvislé spektrum. S tím souvisí pořizovací cena hyperspektrálních kamer, která je několikanásobně vyšší. [3]

Důležité je si stanovit požadavky na samotné měření. Různé druhy kamer mají odlišné výhody a nevýhody. Tabulka 2 ukazuje, jaké informace lze získat z různých způsobů snímání. Z černobílého snímku lze získat pouze prostorovou informaci za použití jednoho spektrálního pásma, u hyperspektrálních systémů lze s využitím desítek až stovek spektrálních pásem zjistit konkrétní složení v dané části prostoru. Multispektrální snímání nabízí omezenou spektrální informaci a zároveň ji zvládne prostorově zařadit. V tabulce níže je poukázáno i na využití spektroskopie, což je věda zkoumající pávě interakci světla a sledovaného vzorku. Při spektrometrii lze získat reakci na určité spektrum v konkrétním bodě, ale bez další prostorové informace. [3]

Tabulka 1. Porovnání jednotlivých snímání

Data z multispektrální kamery

Po nasnímání dat multispektrální kamerou je potřeba materiál správně zpracovat. V případě, že je pořízeno více snímků při mapování oblasti, je nutné za pomoci speciálního softwaru vytvořit jejich složením jednu ortofoto mapu, se kterou je možné dále pracovat. Při práci s daty z multispektrálních kamer se využívají vegetační indexy. Jedná se o metodu, u které za pomoci relativně jednoduchých výpočtů lze získat biofyzikální vlastnosti snímaného povrchu. Princip fungování indexů je založený na kombinaci odrazivosti různých nasnímaných spekter. Odrazivost je udávaná v procentech a jedná se o schopnost povrchu odrážet určitou část elektromagnetického spektra. [5] Indexů je prakticky nekonečný počet, protože záleží na tom, jak se budou různá spektra kombinovat. [4] Nejpoužívanější indexy jsou uvedeny níže.

NDVI

NDVI (Normalized Difference Vegetation Index) je často používaný index. Používá se k hodnocení zdravotního stavu rostlin. Čím jsou rostliny zdravější, tím se intenzita odrazivosti v NIR zvyšuje a snižuje se v červeném pásmu. To znamená, že zdravá rostlina (rostlina s velkým množstvím chlorofylu a buněčných struktur) aktivně absorbuje červené světlo a odráží blízké infračervené (NIR). Nezdravá rostlina pak udělá pravý opak. Tento vztah mezi světlem a chlorofylem je způsob, jak lze pomocí NDVI rozlišit zdravou rostlinu od nemocné. [6] Vzorec NDVI (viz rovnice) kombinuje informace dostupné v červeném a NIR pásmu do jediné hodnoty. Dělá to odečtením odrazivosti v červeném spektrálním pásmu od odrazivosti v NIR a následným vydělením jejich součtem.

$$ NDVI=\frac{NIR − RED}{NIR + RED} $$

Hodnota NDVI bude vždy ležet mezi -1 a +1. Hodnoty mezi -1 a 0 označují mrtvé rostliny nebo anorganické předměty, jako jsou kameny, cesty a domy. Hodnoty NDVI pro živé rostliny se pohybují mezi 0 až 1, přičemž 1 je nejzdravější a 0 je nejméně zdravá. Zjednodušeně lze rozdělit rostliny dle hodnoty NDVI na zdravé (NDVI od 1 do 0,6), středně zdravé (NDVI od 0,6 do 0,3) a nezdravé (NDVI od 0,3 do 0). Pro každý pixel na nasnímaném obrázku lze určit konkrétní hodnotu indexu. NDVI je indikátorem zdraví rostliny, ale není to způsob, jak diagnostikovat konkrétní stav. Slouží tak k lokalizaci problému a je třeba provést pak další širší analýzu. [7]

CVI

CVI (Chlorophyll Vegetation Index) má zvýšenou citlivost na obsah chlorofylu. Jeho výpočet je znázorněn rovnicí. Je vhodný při hodnocení vegetace v nízkém plošném zastoupení. Poměr červená/zelená je použit k odhadu vývoje listů. U půdy nabývá zpravidla hodnot vyšších než jedna.

$$ CVI=\frac{NIR}{GREEN}. \frac{RED}{GREEN} $$

Oproti tomu poměr červená/zelená je u vegetace kvůli maximální absorpci červené a minimální absorpci zelené části spektra menší než jedna. [8]

NDRE

Index NDRE (Normalized Difference Red Edge) je také metoda měření množství chlorofylu v rostlinách. Nejlepší čas pro využití NDRE je střední až pozdní vegetační období, kdy jsou rostliny zralé a připravené ke sklizni. V tomto okamžiku by bylo použití jiných indexů méně efektivní. Tento index využívá red edge (RE) pásmo a jeho výpočet je znázorněn rovnicí 1.5. Toto pásmo se nachází mezi pásmy NIR a RED a má vlnovou délku v rozmezí od 705 do 745 nm.

$$ NDRE=\frac{NIR − RE}{NIR + RE} $$

Standardně se používá v hodnotách od -1 do 1 a jeho interpretace je podobná jako u NDVI. -1 až 0,2 označuje holou půdu nebo vyvíjející se plodinu, 0,2 až 0,6 lze interpretovat buď jako nezdravou rostlinu, nebo jako plodinu, která ještě není zralá, a 0,6 až 1 jsou dobré hodnoty indikující zdravé, zralé a dozrávající plodiny. [9]

OSAVI

OSAVI (Optimized Soil-Adjusted Vegetation Index) mapuje hustoty vegetace. Je odolný vůči proměnlivému jasu půdy a má zvýšenou citlivost na vegetaci. Tento index se nejlépe používá v oblastech s relativně řídkou vegetací. OSAVI je speciální případ Soil Adjusted Vegetation Index (SAVI). Využívá stejně jako NDVI odrazivost v blízkém infračerveném (NIR) a červeném (RED) pásmu s tím, že je zde přidán optimalizovaným koeficientem úpravy půdy (Y). Jeho výpočet je zobrazen rovnicí. 

$$ OSAVI=\frac{NIR − RED}{NIR + RED+Y} $$

Ideální koeficient úpravy půdy byl zvolen na hodnotu 0,16. Jako každý normalizovaný rozdílový index se hodnoty OSAVI mohou pohybovat od -1 do 1. Vysoké hodnoty OSAVI znamenají hustší a zdravější vegetaci, zatímco nižší hodnoty znamenají menší vitalitu. [10]

Multispektrální data z dronů v zemědělství a lesnictví 

Multispektrální data a jejich využití ve vegetační analýze není novinkou. Agronomové, zemědělci a odborníci v lesnictví i výzkumní pracovníci v oblasti životního prostředí jsou na těchto informacích závislí po celá desetiletí díky satelitním snímkům. Satelity však zavádějí své limity. Jmenovitě: nižší rozlišení, gated access a přerušení s oblačností. Drony s multispektrálními kamerami však všechny tyto limity řeší. Najednou mají farmáři, lesníci a výzkumníci v rukou výkonné řešení na vyžádání.

Technologická revoluce posouvá zemědělský průmysl na zcela novou úroveň, protože rychle shromážděná data lze nyní vkládat do automatizovaných strojů, aby se snížily náklady na zavlažování a aplikaci hnojiv a pesticidů. Obdobně jsou těmito vysoce podrobnými, hromadnými údaji o velkých plochách pevniny nebo moře ovlivněny oblasti lesnictví a životního prostředí. Vzhledem k tomu, že změna klimatu přináší rychlé změny v zónách výsadby, dostupnosti vody a škůdcích, objevují se drony jako dynamické nástroje, které každému poskytují komplexní pohled na to, co se děje, a prostředky k úpravě taktiky.

Jak technicky fungují multispektrální data z dronů?

Pro lidské oko je viditelný pouze zlomek vlnových délek podél elektromagnetického spektra.

Elektromagnetické spektrum je široký rozsah vlnových délek, z nichž každá nese informaci. Pouze zlomek z nich je viditelný lidským okem. Když se na cokoli díváme, můžeme vidět odražené barevné spektrum červené, zelené a modré (RGB), které interpretujeme jako jakoukoli kombinaci barev duhy na základě jejich vlnových délek. Normální RGB kamery filtrují vlnové délky pro informace, které můžeme vidět. Multispektrální kamery jsou vybaveny čočkami a filtry, které zachycují vlnové délky mimo viditelné spektrum – ve směru infračervených vlnových délek.

Proč je to důležité pro analýzu plodin a půdy? Rostliny a půda absorbují a odrážejí vlnové délky slunečního záření v závislosti na jejich obsahu. Například, když je rostlina zdravá a zabývá se fotosyntézou, bude absorbovat hodně červeného a modrého světla a odrážet zelené a mnohem více infračerveného světla.

Když se podíváte na rostlinu bohatou na chlorofyl (zelenou), vidíte vlnovou délku světla, které rostlina odráží, nikoli to, které absorbuje (modré a červené). Produkce chlorofylu v listech má za následek velkou odrazivost infračerveného světla, ale to nevidíme. Multispektrální senzory to mohou zaznamenat, takže my můžeme. To je užitečné, protože snížená odrazivost infračerveného záření signalizuje nižší produkci chlorofylu dříve, než jej uvidíme pouhým okem, takže můžeme proaktivně sledovat zdraví rostlin pomocí multispektrálních senzorů UAV.

Zdravé listy odrážejí hodně blízkého infračerveného světla, které my nedokážeme detekovat, ale multispektrální senzory ano. Takže tato (červená až NIR) část spektra je klíčová pro sledování zdraví rostlin.

Výzkumníci a agronomové pracovali s multispektrálními daty po celá desetiletí a uspořádali poměry odrazivosti do indexů, které se používají k analýze plodin a zjišťování čehokoli od stresu ze zavlažování přes zamoření škůdci až po plevel. Několik běžných indexů je Ratio Vegetation Index (RVI) a Normalized Difference Vegetation Index (NDVI), což je nejběžnější index v dálkovém průzkumu Země.

Vzhledem k tomu, že červené a infračervené světlo jsou na spektru těsně vedle sebe au zdravých rostlin se s nimi zachází opačně, zóna přímo mezi nimi se nazývá červený okraj. MicaSense vyrábí senzory, které zachycují toto pásmo, jako výkonné nástroje pro včasnou detekci stresu rostlin. Index Normalized Difference Red Edge (NDRE) je výkonný analytický nástroj pro čtení tohoto pásma a detekci změn v rostlinách v jejich nejranějších stádiích.

Tři druhy rozlišení, na kterých záleží

Prostorové rozlišení je místo, kde UAV multispektrální informace září, protože se týká hustoty pixelů, rozlišení a přesnosti dat. To je klíčový rozdíl při porovnávání spektrálních dat napříč dvěma metodami snímání, protože rozlišení satelitních dat setrvává kolem metru, zatímco UAV dokáže zachytit detaily až na centimetr.

Časové rozlišení znamená, jak často jsou multispektrální informace zaznamenávány ve stejné oblasti. U dronů lze toto rozlišení zvýšit na jakoukoli míru nezbytnou k dosažení cílů správy.

Spektrální rozlišení zvýrazňuje, jak velká část spektra je zachycena daným senzorem, aby bylo dosaženo různých výstupů pro analýzu.

Výhody multispektrálních dat dronů v zemědělství

Zemědělství je neodmyslitelně blízko k zemi. Přesto i s průmyslovou revolucí došlo k obrovskému skoku vpřed, od chození po celých polích pěšky s dobytkem až po jejich jízdu z velké části traktory. Poslední skok vpřed se děje právě teď. I když se stále potřebujete dostat na pole, létání nad plodinami s dronem a dobrým multispektrálním UAV senzorem vytváří mapy bohaté na data ve formě spektrálních informací, které šetří nezměrné množství času (prozkoumat každou rostlinu pěšky* nebo pomocí traktor) a zdroje (úniky vody nebo nesprávně aplikované pesticidy a hnojiva).

Zde konkrétně projdeme některé z hlavních způsobů, jak data z dronů šetří čas a peníze daleko za investicemi do vybavení a školení. Nejobsáhlejší seznam těchto lze nalézt v bílé knize prostřednictvím našeho partnera pro multispektrální kamery, společnosti MicaSense.

Mapování zdraví vegetace/monitorování plodin

Skutečnost: Můžete se podívat na rostlinu, vidět, že je zelená, a nevíte, že je ve stresu, který by mohl ovlivnit její výnos. Kromě toho, co vidíte svýma očima, mohou multispektrální senzory zachytit neviditelné spektrální informace, které vám pomohou vyhodnotit skutečný stav vegetace. Zejména pomocí červeného okraje můžete interpretovat hladiny chlorofylu v jednotlivých rostlinách a porovnávat je v průběhu času, abyste mohli reagovat a řídit prostředí tak, abyste dosáhli nejlepších výsledků . Preventivní opatření můžete podniknout během raných fází napadení škůdci, propuknutí nemoci nebo nedostatku živin. A můžete sledovat průběh vašeho přiblížení pomocí pravidelně aktualizovaných multispektrálních map UAV.

Detekce onemocnění

Jak bylo diskutováno výše, první známky onemocnění a souvisejícího stresu rostlin jsou patrné prostřednictvím multispektrální analýzy dat. Zejména červený okrajový pás využívá první náznaky změny v produkci chlorofylu. Můžete analyzovat data pro změny tohoto pásma a posoudit část oříznutí, kde by se mohly objevit. Pokud je na vině nemoc, můžete rychle jednat a zabránit jejímu šíření, ušetřit peníze na přesazení větší plochy a na ztracené výnosy.

Zavlažování / vodní hospodářství

Voda je drahocenná zejména v zemědělství . Zatímco v suchém podnebí je zavlažování kriticky důležité, u některých plodin je ve skutečnosti důležité rostlinu řízeně stresovat. S multispektrálními daty z dronů můžete vidět, jak rostliny reagují na množství vody, které mají k dispozici na daném poli. Návratnost investice díky zdravým plodinám, nižším nákladům na vodu, když není potřeba, a identifikaci nákladných úniků.

Detekce škůdců

Stejně jako v případě detekce chorob zanechávají škůdci často charakteristické stopy aktivity. Když jsou tyto indikace včas odhaleny prostřednictvím multispektrálních dat, ušetříte spoustu peněz a času díky cílené aplikaci pesticidů, která účinně brání jejich šíření. Jako společný rys změny klimatu mohou multispektrální data UAV pomoci přesně sledovat poškození invazivními druhy .

Detekce plevele

Plevel jsou také rostliny. Ale mají jiné vzory odrazů světla než plodiny, které navštěvují. Multispektrální data je tedy mohou snadno izolovat. Je důležité odstranit plevel hned, jak začne růst, aby nenasával živiny, které plodiny potřebují k růstu. Kromě toho plevel poskytuje domov škůdcům a chorobám, takže je nejlepší je rychle dostat ven. To znamená, že aplikace herbicidů je drahá a nejlépe ji omezit na minimum. Přesná data tak pomáhají zacílit aplikace tam, kam patří, a chránit životní prostředí.

Chytřejší hospodaření v lesích

Jako domov pro divokou zvěř a přírodní úložiště uhlíku jsou lesy celosvětově neocenitelným zdrojem. Jsou také ohroženi z různých důvodů, včetně invazních druhů a lesních požárů. Monitorování lesů je proto důležitým úkolem a čím kvalitnější údaje, tím efektivnější bude. Podívejme se na několik klíčových způsobů, jak se data z multispektrálních dronů ukazují jako klíčová aktiva v oblasti lesnictví, a také na některé ilustrativní výstupy, které lze demonstrovat.

Hustota stromů

To je v lesnictví velkým problémem, protože vyšší hustota stromů může způsobit, že někteří jedinci budou méně schopni přijímat živiny. Mohou pak odumřít/vyschnout. A to může způsobit, že les bude náchylný k lesním požárům. Multispektrální data lze použít jako základ NDVI analýzy oblastí ke stanovení biomasy a hustoty lesů. To je obrovské zlepšení oproti pozemským metodám, které předpokládaly, že studovaná oblast bude připomínat zbytek lesa.

Počet stromů

Počet stromů je takový, jak to zní – kolik stromů stojí v dané oblasti. To je důležité pro stanovení manažerského přístupu k lesu. S RGB je to složité, protože konkurenční vegetace může analýzu zmást. Multispektrální kamery využívající červené okraje s vysokým rozlišením a blízké infračervené informace mohou lesníkům pomoci zjistit, jaké druhy stromů nebo rostlin se v dané oblasti nacházejí. Zde lze použít strojové učení, aby se zlepšila přesnost počítání stánků a ušetřily se peníze za pozemní počítání a celkovou správu.

Zdraví stromu

Nemoci, houby, škůdci, nedostatek živin – to vše je v lese realita. Vysoce přesná multispektrální data, zejména včetně červeného okrajového pásma pro včasnou identifikaci kolísání chlorofylu, umožňují častý sběr dat o jednotlivých stromech, takže správci lesa mohou reagovat na jakékoli hrozby a upravit přístupy tak, aby zabránily široce rozšířeným problémům a ztrátám. 

Tato ortomosaická mapa byla vytvořena pomocí snímků MicaSense.
Jedná se o kompozit ve falešných barvách, který zvýrazňuje odlišné odrazové vlastnosti každého rostlinného druhu. S laskavým svolením MicaSense.

 Tento výstup MicaSense poskytuje informace o rozsahu poškození zdraví borovým lesem v Polsku kůrovcem.

 Počítání stromů s výstupem CIR. 

Jak multispektrální data z dronů ovlivňují environmentální studie

Jak již bylo zmíněno, multispektrální data jsou užitečná pro identifikaci podmínek, které nejsou viditelné pro lidské oko. Mnoho environmentálních multispektrálních aplikací dronů zahrnuje vodu. Například mapování kvality vody, biomasy mořských řas nebo mořské trávy v pobřežních vodách, rychlosti tání ledových příkrovů nebo dokonce tloušťky ropné skvrny.

Navíc obnova dolů – navracení vytěžené půdy do ekologicky rozmanitého přírodního stavu – je rostoucím odvětvím, protože společnosti zabývající se zdroji a energií se snaží stát se udržitelnějšími. Multispektrální drony jsou obrovským přínosem pro tyto environmentální aplikace, protože lesy a flóra musí být obnoveny v sekvenci napodobující přírodu. Přesné podrobné a pravidelné sledování postupu růstu je klíčem k úspěšné obnově.

Stále více finančních prostředků na výzkum jde do technologie dronů, protože množství dat, které mohou výzkumníci shromáždit v krátkém čase, je zásadní pro dosažení závěrů, přijetí opatření a pokračující monitorování. 

Termodata

Při zvažování současnosti a budoucnosti technologie termovizních dronů stojí za to se ponořit do technických principů, díky kterým termokamery fungují. Pochopení toho, jak funguje termovizní zařízení, může inspirovat k efektivnějšímu využití technologie a novým přístupům k nasazení termálních dronů.

Teplo, také známé jako infračervené záření (IR), je jen vibrace atomů. Objekty vydávají tepelný podpis na základě toho, jak moc se jejich atomy pohybují – čím větší pohyb, tím teplejší objekt. Termografie je proces studia těchto tepelných signatur a praktické využití těchto znalostí z termovizí. 

Lidé cítí teplo, ale IR nevidíme. proč tomu tak je? Protože toto záření se vyskytuje na elektromagnetické vlnové délce, kterou oko nedokáže detekovat. Termální kamery jsou navrženy tak, aby přeměnily infračervené podpisy na něco viditelného pro lidi. 

Jak fungují termokamery

Termokamery používají specializované čočky, které zachycují IR frekvence, spolu s tepelnými senzory a obrazovými procesory k vykreslení výsledků na vizuálním displeji. Když je infračervená kamera namontována na dronu, zařízení je obvykle umístěno na gimbal, který stabilizuje obraz a umožňuje otáčení objektivu o celých 360 stupňů. 

Tepelný snímek užitkového sloupu pořízený pomocí H20T

Tepelné senzory v těchto pokročilých kamerách, technicky známé jako mikrobolometry, obdržely v posledních letech významné aktualizace. Dnešní možnosti nevyžadují exotické chladící materiály používané v minulosti, díky čemuž jsou mnohem dostupnější.

Termokamery dronů dokážou detekovat povrchovou teplotu mnoha objektů, ale existují výjimky. Například vysoce leštěné, lesklé a reflexní předměty neabsorbují mnoho tepla – mají takzvanou nízkou emisivitu. Na termokamerách je těžké je odhalit. Objekty s vysokou emisivitou, jako je dřevo, beton – a dokonce i lidé – lze snadno skenovat. 

Dřevo má vysokou emisivitu 

Čtení a zpracování termosnímků

Jakmile drony zachytí tepelnou informaci pomocí svých IR kamer, tato tepelná data se zobrazí na obrazovce jako běžný obrázek, který si operátoři mohou prohlédnout. 

Software DJI pro termovizi za letu

Pomocí softwaru pro termovizi mohou uživatelé změnit paletu barev používaných k reprezentaci tepla scény. Každý pohled je užitečný pro výběr různých detailů z obrázku a tyto možnosti zahrnují:

• Horká bílá : Teplejší předměty se zdají světlejší a chladnější oblasti jsou tmavší.
• Černá Horká : Opak horké bílé, s teplejšími předměty se jeví tmavší.
• Duha : Teplota odpovídá odstínům, teplé barvy představují teplo.

Tyto tři možnosti jsou samozřejmě jen začátek. Pokročilejší termokamery nabízejí širší škálu pohledů — Zenmuse H20T nabízí 12 samostatných barevných palet. 

Běžná nastavení tepelné palety barev

Typ použité termokamery také určuje, v jakém formátu budou snímky zachyceny a uloženy. Zatímco možnosti nižší třídy zachycují snímky jako jednoduché obrazové soubory, pokročilá řešení obsahují také termografická data a údaje o teplotě spolu s GPS tagy. Termografická data lze dále kontrolovat pomocí nástroje DJI Thermal Analysis Tool.

Provádění přesných tepelných měření

Dokonce i vysoce účinné termokamery se musí vypořádat s řadou faktorů prostředí, které mohou ztěžovat přesné měření povrchové teploty. Patří mezi ně atmosférické podmínky – přílišné teplo, vlhkost, mraky, déšť nebo sněžení mohou bránit přesnosti termokamery. Termokamery se také potýkají se sklem, protože reflexní sklo může zachycovat teplo ze slunce, země nebo jiného předmětu.

Povrchová vrstva předmětu může také ovlivnit schopnost tepelného dronu měřit teplotu. Koroze nebo nový nátěr mohou změnit odečet relativní teploty předmětu. Relativní poloha slunce také může potenciálně způsobit, že předměty vyrobené ze stejného materiálu budou v termokameře vypadat jinak.

Efektivní používání termokamery znamená mít na paměti následující faktory:

• Atmosférické podmínky
• Přítomnost kouře, prachu a nečistot
• Emisivita
• Průhlednost
• Odrazivost
• Denní doba
• Úhel pohledu
• Malovat na předmět
• Vzdálenost od cíle
• Množství tepelné energie
• Drsnost nebo hladkost povrchu

S ohledem na tyto vlastnosti je možné vytvořit přesný obraz o tepelných vlastnostech objektu nebo krajiny. 

Literatura:

[1] ORŠULÁK, Tomáš a Jan PACINA. Dálkový průzkum země [online]. Ústí nad Labem, 18 [cit. 2022-04-09]. Dostupné z: https://docplayer.cz/9891155-Dalkovy-pruzkum-zeme.html dálkový průzkum země

[2] LANDGREBE, David A. Signal Theory Methods in Multispectral Remote Sensing [online]. [cit. 2022-04-09]. Dostupné z: doi:10.1002/0471723800

[3] LI, Qingli, Xiaofu HE, Yiting WANG, Hongying LIU, Dongrong XU a Fangmin GUO. Review of spectral imaging technology in biomedical engineering: achievements and challenges. Journal of Biomedical Optics [online]. 2013, 18(10) [cit. 2022-04-09]. ISSN 1083-3668. Dostupné z: doi:10.1117/1.JBO.18.10.100901

[4] HORÁK, Jiří. Dálkový průzkum země [online]. Ostrava, 2014 [cit. 2022-04-10]. Dostupné z: http://homel.vsb.cz/~hor10/Vyuka/DPZ%20prednasky/DPZ%202014.pdf. E-learningová podpora. Vysoká škola báňská – Technická univerzita Ostrava.

[5] LAURI, Markelin. Radiometric calibration, validation and correction of multispectral photogrammetric imagery [online]. Finsko, 2013 [cit. 2022-04-11]. ISBN 978-951-711-294- 9. ISSN 0085-6932. Dostupné z: https://aaltodoc.aalto.fi/bitstream/handle/123456789/10948/isbn9789517112956.pdf?sequ ence=1&isAllowed=y

[6] CUBERO-CASTAN, M., K. SCHNEIDER-ZAPP, M. BELLOMO, D. SHI, M REHAK a C. STRECHA. Assessment Of The Radiometric Accuracy In A Target Less Work Flow Using Pix4D Software. 2018 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS) [online]. IEEE, 2018, 1-4 [cit. 2022-04-11]. ISBN 978-1-7281-1581-8. Dostupné z: doi:10.1109/WHISPERS.2018.8746910

[7] CARLSON, Toby N. a David A. RIPLEY. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment [online]. 1997, 62(3), 241-252 [cit. 2022-04-10]. ISSN 00344257. Dostupné z: doi:10.1016/S0034- 4257(97)00104-1

[8] VINCINI, M., E. FRAZZI a P. D’ALESSIO. A broad-band leaf chlorophyll vegetation index at the canopy scale. Precision Agriculture [online]. 2008, 9(5), 303-319 [cit. 2022-04-10]. ISSN 1385-2256. Dostupné z: doi:10.1007/s11119-008-9075-z

[9] BOIARSKII, Boris. Comparison of NDVI and NDRE Indices to Detect Differences in Vegetation and Chlorophyll Content. JOURNAL OF MECHANICS OF CONTINUA AND MATHEMATICAL SCIENCES [online]. 2019, 1(4) [cit. 2022-04-10]. ISSN 09738975. Dostupné z: doi:10.26782/jmcms.spl.4/2019.11.00003

[10] STEVEN, Michael D. The Sensitivity of the OSAVI Vegetation Index to Observational Parameters. Remote Sensing of Environment [online]. 1998, 63(1), 49-60 [cit. 2022-04-10]. ISSN 00344257. Dostupné z: doi:10.1016/S0034-4257(97)00114-4

[11] https://wingtra.com/multispectral-drone-data-is-quietly-revolutionizing-agriculture-and-forestry/

[12] https://support.micasense.com/hc/en-us