水稲株位置
水稲株位置抽出（移植版）
水稲株位置の抽出は以前にも紹介しました。以前紹介した方法は、苗がある程度生長した（草丈35cm程度）状態の空撮画像から水稲株の位置を抽出するので、「移植」だけではなく「直播」にも対応できました。今回は、移植に特化した水稲株位置の抽出方法を紹介していきます。
まず、重要なのは田植機の株間の設定が何cmなのか知る必要があります。株間は田植機で設定できます。私のところでは、2016年から株間設定を21cmとしています。ちなみに、条間（苗を植えつけた列の幅）は固定されて30cmとなっていますが、北海道では33cmとなっているそうです。
今回試した解析方法
１）苗と水面がはっきり区別できる近赤外オルソ画像を用意します。
今回は、2020年６月21日（移植から30日）にP4Mで空撮した画像を使用してみました。
近赤外オルソ画像（上空50mからP4Mで撮影）
２）撮影した近赤外オルソ画像をQGISで表示し、基本となる条（列）をラインでトレースしていきます。
トレースするラインは、５条植えの場合は真ん中、４条植えなら端の条でもいいかもしれません。なお、スタート地点とゴール地点は位置抽出に重要な地点になるので、慎重にトレースしてください。
５条植え田植機のため、真ん中の条をトレース（紫線）
３）基本となるラインを全てトレースしたら、今度は30cmごとのバッファでラインを複製します。試験サイト（37m×88m（32a））では、全部で132条（枕地10条含む）となりました。
基本トレースラインから30cmのバッファラインを生成
４）圃場全体にトーレスされた条から、次は田植機の設定した株間でポイントを生成していきます。QGISの「QChainage」というプラグインが便利です。このプラグインは、ラインから等間隔にポイント生成してくれます。試験サイトの全132条のラインから21cmごとにポイントを生成します。
「QChainage」で21cmの等間隔にポイントを生成
５）所々に欠株があるので、そのようなポイントは取り除いていきます。出来たポイントと近赤外オルソ画像を重ね合わせ、その場所のDN値を取得していきます。この時、水面に近いDN値のポイントは一斉に削除します。その結果、苗がある株だけを抽出することができます。
水稲株のみを抽出した結果
2020年における試験サイトに植えた苗は全体で50,206株になりますが、実際は欠株もあり48,621株となりました。試験サイト全体の欠株率は3.2%となります。今回は育苗箱に蒔く種籾の量が少なかったのが要因かもしれません。次年度への反省点です。
これらの水稲株にはユニークIDを割り当てていますので、株単位で管理することもできます（実際に運用するとなると作業時間が増えてしまいますが・・・）。
P4Mで空撮を実施しましたが、ドローンとカメラの一体型は操縦なども含めて、全ての面において楽でした。空撮画像もピンぼけがなく、水稲株の位置抽出にも問題ありませんでした。
水稲株抽出(2018年)
2016年から始めた水稲株位置の抽出ですが、いろいろ試した結
今回は「Mission Planner」で、クロスの飛行コースを設定
水稲株抽出のための飛行ルート
可視光、近赤外線の両方で撮影を行いましたが、やはり明確に水部
【水稲株位置抽出の手順】
（前準備）近赤外画像から対象とする圃場だけをクリップ（切り抜き）します。この
その後の工程は、ノイズ除去→フォーカル統計→ラスベク変換→重
試験サイト全体の水稲株位置
水稲株抽出の拡大図（水色点：水稲株位置、背景：近赤外オルソ画像）
今年は田植え機の一部の調子が悪いためか、所々で欠株が発生して
参考 ：2017年の欠株率マップ
水稲株位置抽出(QGIS)
水稲株の位置抽出は、移植後１ヶ月の状態（草丈35cm程度）がデータ取得のベストとなります（株間によってベストな草丈は変わります）。草丈が低いと上空から撮影しても、苗が明確に撮影できないため、株位置の抽出は難しくなります。一方、草丈が高くなると、葉同士が重なってしまい、株位置がわからなくなってしまいます。この作業は、モニタリングのタイミングが一番重要になります。
株位置の抽出方法は、以前の記事（水稲株の位置抽出、欠株率）でも紹介しましたが、問い合わせも多かったので、QGISの操作について説明を加えます。※QGISのバージョンによって、説明が若干異なる場合もあります。
１） 近赤外カメラ撮影画像の表示
近赤外の波長域は植物からの反射は強く、水面の反射はほとんどないため、苗と水面を明確に判別することができます。
反射特性（引用：JAXA）
近赤外オルソ画像
近赤外オルソ画像を表示したら、ローパスフィルタ処理を行います。ローパスフィルタは、苗と水面以外に写っているノイズを除去する工程になります。ノイズが少なければ、ローパスフィルタ処理を行わなくても構いません。
２） ローパスフィルタ処理
【QGIS】 ビュー ＞ パネル ＞ ツールボックス ＞ GRASS GIS ＞ Raster ＞ r.mapcalc
ローパスフィルタの計算式
上図のように、３×３の窓で平滑化していきます。数値を変更することでノイズ除去の程度を変えることができます。
３） フォーカル統計（指定した近傍内の統計情報を計算）
【QGIS】 ビュー ＞ パネル ＞ ツールボックス ＞ GRASS GIS ＞ Raster ＞ r.neighbors
フォーカル統計のパラメータ入力画面
３） ラスタ－ベクタ変換
【QGIS】 ラスタ ＞ 変換 ＞ ポリゴン化（ラスタのベクタ化）
ラスタ－ベクタ変換
※処理時間がかかる場合は、圃場外部分の画像を削除するなど、画像サイズをなるべく小さくしてみてください。
４）不要ポリゴンデータの削除
ラスタ－ベクタ変換によって、値ごとにポリゴンデータが作成されます。このポリゴンデータには、水稲株以外も含まれています。そこで、ポリゴンデータのDN値（フォーカル統計の数値）を使って、不要ポリゴンを削除します。このときのDNの閾値は、カメラ種類や撮影条件などによって異なるので、画面を見ながら値を自分で見つけ出してみてください。
黄色が水稲株として選択（DN１１０以上）したポリゴン、黄緑色はそれ以外のポリゴン
５）ポイント化
【QGIS】 ベクタ ＞ ジオメトリツール ＞ ポリゴン重心
ポリゴン（重心） → ポイント
ノイズを取り除いた水稲株のポリゴンからそれぞれの重心を求め、その位置を水稲株として扱うことができます。
水稲株位置（赤）
この一連の処理は、データサイズが大きいオルソ画像を用いるため、非力なPCだと時間がかかったり、処理途中に落ちることもあります。その場合は、データを分割するなどの工夫が必要となります。
倒伏リスク診断(2017年)
今年は７月30日に出穂期を迎えましたので、出穂14日前の７月16日のモニタリングデータを利用して、倒伏しやすいコシヒカリの倒伏リスク診断を行ってみました。
倒伏リスク診断の計算方法はこちらに掲載しています。
倒伏リスク診断マップ（2017年）
「７月16日（出穂14日前）のDSM－５月18日（代掻き直後）のDSM」から計算した倒伏リスク診断マップです。橙～赤色は倒伏リスクの高い株で、青色はリスクが低い株になります。今年は圃場の西側（特に南西側）で倒伏リスクが高い結果となっています。昨年は圃場の北側で倒伏リスクが高い結果となり、実際に倒伏してしまいました。草丈のむらが出ないように、圃場の均平化など努力しているのですが、均一に栽培する難しさを実感します。
2017年７月16日空撮のオルソ画像
欠株率
田植えから１ヶ月が経過すると、苗も順調に生長し上空からのモニタリングでもはっきりと確認できます（この頃の草丈は約35cm）。
昨年からはじめた「水稲株位置の抽出」を今年も行いました。抽出方法については、昨年の記事をご参照下さい。
水稲株位置の抽出に使用した画像は、移植してから28日後の近赤外オルソ画像になります。
水稲株位置抽出（2017年６月18日撮影）
オルソ画像と抽出した水稲株位置（オレンジ点）を重畳した画像になります。両者の画像を比較してもわかるように、おおよその水稲株の位置抽出ができているのではないかと思います。
圃場全体の水稲株位置（2017年） 背景：近赤外画像（Canon S110近赤外改造）
今年は株間21cmに設定して移植を行った結果、圃場内の株数は約4.7万株となりました。ちなみに、昨年は株間18cm設定で約5.1万株となっております。
次に、水稲株をメッシュごとにまとめて可視化した結果です。
単位面積あたりの株数（株/㎡） 背景：可視画像（Richo GR）
圃場の西側は田植機の移植方向が異なる部分にあたるため、若干株数が少なくなっています。圃場内全体では単位面積あたり14.2(株/㎡)【坪あたり46.9株】となりました（昨年の結果はこちらから）。
また、株間21cmの標準的な単位面積あたりの株数は15.9(株/㎡)となります。そこで、この値を基準としてメッシュごとの欠株率を算出してみました。
欠株率（2017年） 背景：近赤外画像（Canon S110近赤外改造）
その結果、メッシュ全体の欠株率は7.9％となりました。欠株率が最も高い値を示したメッシュは、トラクタの出入り部分にあたります。それ以外のメッシュでは、だいたい数％の欠株率で収まっています。
倒伏リスク診断
コシヒカリは稲穂が垂れやすく、倒伏しやすい品種になります。そもそも、倒伏は稲穂が地表面に着くほど倒れる状態を指します。倒伏して、稲穂が地表面の水に着いてしまうと，収量の低下や機械による収穫困難、食味の低下などの問題が生じ，生産者にとっていいことはありません。
そのため、倒伏のリスクがある箇所については，事前に倒伏軽減剤の散布や倒伏前に刈取りを行うなどの対応が必要となってきます。
コシヒカリは、草丈が幼穂形成期で70cmを越える場合，または出穂13～14日前で84cm以上であると，倒伏のリスクが高まるとされています（水稲栽培管理情報：ＪＡ金沢市版）。ただし、この数値については、埼玉県でも用いることができるかは検討の余地はあります。
下の倒伏リスク診断マップは、「出穂14日前のDSM－代掻き直後のDSM」から計算した図です。今年は、水稲株位置を求めたので株ごとに倒伏リスク診断を行いました（全部で約5.1万株）。赤色は倒伏リスクの高い株で、青色はリスクが低い株になります。
倒伏リスク診断マップ
冠水後に撮影したオルソ画像
（稲の色が若干変化しているところが倒伏している箇所）
スライドバーを動すと、倒伏リスクが高い場所と実際に倒伏してしまった場所の対応が確認できます。
今年の稲刈りは９月10~11日を予定しております。まだ、１週間ちょっとの時間があります。それまでの間に、さらに倒伏が進まないことを祈るばかりです。
収量予測
収穫まで約１ヶ月を切りました。
今回は２つの手法で2016年度の収量を予測してみたいと思います。
どのぐらい一致するかは未知数なので、楽しみです。
まず、株数・茎数から収量を予測する方法です。
【使用するデータ】
・茎数 ： 週一モニタリングで実施中のデータ
・１穂当たりの玄米重量（g/穂） ： 昨年の収穫時に計測したデータ
収量（kg） ＝ メッシュごとの株数 × 茎数 × １穂当たりの玄米重量
茎数 ＝ 20.3 本（2016年８月４時点）
１穂当たりの玄米重量 ＝ 1.50 ｇ（水分15 %）
問題点は全株を同じ分げつとしている点で、生育のばらつきを考慮していないところです。
試験サイト全体の玄米収量予測（地上観測） ： 1520 kg
次に、ドローンモニタリングで計測しているNDVIを用いた収量予測方法です。
【使用するデータ】
・ドローン計測によるNDVI（2016年８月４日撮影）
・単位面積あたりの収量とNDVIの相関式（昨年のデータ）
収量（kg） ＝ 昨年度得た係数 × メッシュごとのNDVI
８月４日撮影のオルソ画像
８月４日撮影のNDVI画像(暖色：植生活性が高い、寒色：植生活性が低い)
試験サイト全体の玄米収量予測 （ドローン）： 1570 kg
答えは１ヶ月後です。
データは速報値なので、今後の詳細な解析で変更することもあります。
中干し＆水稲株カウント
田植えから34日が過ぎ、茎数が平均22本（圃場内８箇所80サンプル）になったので、今日から10日程度中干しを実施します。
中干しは、無効分げつを抑えて、土壌内部に酸素を供給して根を健全にします。特に無効分げつを抑えることで、収量アップやお米の品質を向上させることができます。
【水稲株数】前回、紹介した水稲株位置をメッシュごとにまとめてみました｡
圃場内全体では単位面積あたり16.8(株/㎡)【坪あたり55株】となりました。今年は田植機の設定を株間18cm【坪あたり60株】で行いましたが、ドローンによる計測では若干少ない結果となりました。途中でジャムってしまったことも影響しているかもしれません。また、同じように田植機を操作していてもばらつきがあることが、メッシュごとに計算することでわかってきました。
水稲株の位置抽出
今日は週一でモニタリングを行っている画像データから水稲株の位置抽出について紹介します。
稲が生長すると、田植機で移植できなかった欠損場所が上空からのモニタリングではっきり分かるようになります。畦畔から内側の欠損場所を特定するのは，ちょっと難しいです。
今回は移植してから28日後の近赤外オルソ画像を使用しました。
近赤外の波長帯は、植生からの反射率が高くなる特性があります。下の写真は地上から撮影した近赤外画像です。植生がある場所は白くなります。
私はいかに安く、価値の高いモニタリングができるかということを基本コンセプにしているので、近赤外カメラは中古のコンデジを２～３万円で購入して改造しました。
まぁ、墜落して壊れても諦めがつく値段です。
地上から撮影した近赤外画像（植生がある場所は白くなります）
改造した近赤外カメラ（Canon S110）
今回試した解析方法
先行研究では、テンプレートマッチングを用いて移植水稲の株位置を推定する研究例があります（リンク先）。今回は、あまり難しい処理をするのではなく、GISの機能を使って位置を抽出してみました。
１）近赤外オルソ画像にローパスフィルタ処理を施して、ノイズを除去する。
２）ノイズ除去した近赤外オルソ画像にフォーカル統計（指定した近傍内の統計情報を計算）を行う。
３）ラスタ－ベクタ変換で、水稲株をポリゴン化する。それ以外のポリゴンデータを削除する．
４）ポリゴンの重心点を求めて、ポイントデータに変換する．
その結果、圃場内の株数は約5.1万株と求めることができました．
