Τεχνικές ανάλυσης βλάστησης μέσω εναέριας και δορυφορικής τηλεπισκόπησης με χρήση τεχνητής νοημοσύνης και δικτύων νέας γενιάς

Abstract

This PhD thesis focuses on developing innovative methods for vegetation analysis and early detection of plant stress using remote sensing imagery from Unmanned Aerial Vehicles (UAV), Internet of Things (IoT) sensors, and satellites. The main objective is to support efficient resource management by optimizing vegetation monitoring processes. This thesis integrates remote sensing techniques, computer vision, machine learning, and modern infrastructures like cloud computing and 5G networks. The methodology begins with an extensive literature review in Coverage Path Planning (CPP) for UAVs, aiming at optimizing energy consumption and time-efficient coverage of areas of interest. Subsequently, methods for collecting and processing aerial optical and Thermal Infrared (TIR) images were developed and applied in experimental vineyards. These methods included background noise removal and clustering of thermal values, resulting in high-precision detection of stressed areas, with significant improvements over other spectral indices. A hybrid framework for early water stress detection was proposed in the next phase, combining TIR and optical imagery through data fusion and wavelet denoising. The methodology demonstrated the ability to detect water stress up to 84 hours earlier than conventional soil moisture sensors. Moreover, its deployment on IoT devices and cloud computing environments over 5G networks showcased notable processing speed and efficiency advantages. The research was further extended to explore the capabilities of satellite remote sensing, focusing on nanosatellites and their propulsion systems, which are deemed critical for the operational reliability of Earth observation missions. Subsequently, a novel method was developed for detecting plant stress using satellite imagery from the WorldView-3 satellite. Despite differences in spatial resolution, the method achieved reliable and accurate plant stress detection comparable in quality to UAV imagery. The thesis concludes with a comparative evaluation of the proposed methodologies, emphasizing the advantages of integrating aerial and satellite imaging and the importance of exploiting remote sensing technologies for precision agriculture. This work's key research contribution lies in the development of an integrated and scalable framework for early detection of plant stress, suitable for deployment in real-world operational settings using both aerial and satellite remote sensing.

Η παρούσα διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη καινοτόμων μεθόδων ανάλυσης της βλάστησης και έγκαιρης ανίχνευσης της φυτικής καταπόνησης, αξιοποιώντας δεδομένα τηλεπισκόπησης από Μη Επανδρωμένα Εναέρια Οχήματα (Unmanned Aerial Vehicles – UAV), αισθητήρες του Διαδικτύου των Πραγμάτων (Internet of Things – IoT) και δορυφορικές εικόνες. Σκοπός της εργασίας είναι η αποτελεσματική διαχείριση των διαθέσιμων πόρων, μέσω της βελτιστοποίησης της παρακολούθησης της βλάστησης. Η διατριβή συνδυάζει μεθόδους τηλεπισκόπησης, τεχνικές υπολογιστικής όρασης και μηχανικής μάθησης, καθώς και σύγχρονες υποδομές, όπως το υπολογιστικό νέφος και τα δίκτυα 5G. Η μεθοδολογία ξεκινά με εκτενής βιβλιογραφική ανασκόπηση στον τομέα του Σχεδιασμού Διαδρομής Κάλυψης (Coverage Path Planning – CPP) για UAV, με στόχο τη βέλτιστη ενεργειακή και χρονική κάλυψη περιοχών ενδιαφέροντος. Στη συνέχεια, αναπτύχθηκαν τεχνικές συλλογής και επεξεργασίας εναέριων οπτικών και θερμικών υπέρυθρων (Thermal Infrared – TIR) εικόνων σε πειραματικούς αμπελώνες, χρησιμοποιώντας μεθόδους όπως η απομόνωση του θορύβου του φόντου και η ομαδοποίηση των θερμικών τιμών, οδηγώντας σε υψηλής ακρίβειας εντοπισμό καταπονημένων περιοχών, σημαντικά βελτιωμένο σε σχέση με δείκτες άλλου φάσματος. Στην επόμενη φάση, προτάθηκε ένα υβριδικό πλαίσιο έγκαιρης ανίχνευσης υδατικής καταπόνησης, το οποίο συνδυάζει TIR και οπτικές εικόνες μέσω σύντηξης και ενίσχυσης με αποθορυβοποίηση μέσω κυματιδίων. Η εν λόγω μεθοδολογία αποδείχθηκε ικανή να ανιχνεύει την υδατική καταπόνηση έως και 84 ώρες νωρίτερα από τους συμβατικούς αισθητήρες υγρασίας εδάφους, ενώ η εφαρμογή της τόσο σε συσκευές IoT όσο και σε περιβάλλον υπολογιστικού νέφους μέσω δικτύου 5G ανέδειξε πλεονεκτήματα σε ταχύτητα και αποδοτικότητα. Η έρευνα επεκτάθηκε περαιτέρω στη μελέτη των δυνατοτήτων της δορυφορικής τηλεπισκόπησης, με έμφαση στους νανοδορυφόρους και τα συστήματα πρόωσής τους, τα οποία κρίνονται καθοριστικά για την επιχειρησιακή αξιοπιστία των αποστολών. Στη συνέχεια, αναπτύχθηκε νέα μέθοδος ανίχνευσης φυτικής καταπόνησης, με χρήση δορυφορικών εικόνων από τον δορυφόρο WorldView-3. Η μέθοδος επέτυχε αξιόπιστο εντοπισμό της φυτικής καταπόνησης, συγκρίσιμο ποιοτικά με εκείνον των εναέριων εικόνων από UAV, παρά τις διαφορές στη χωρική ανάλυση. Η διατριβή ολοκληρώνεται με συγκριτική αξιολόγηση των ανωτέρω μεθοδολογιών, αναδεικνύοντας τα πλεονεκτήματα της ενσωμάτωσης εναέριων και δορυφορικών δεδομένων, καθώς και τη σημασία της αξιοποίησης τεχνολογιών τηλεπισκόπησης για εφαρμογές στη γεωργία ακριβείας. Η ερευνητική συνεισφορά της εργασίας έγκειται στην ανάπτυξη ενός ολοκληρωμένου και επεκτάσιμου πλαισίου έγκαιρης ανίχνευσης της φυτικής καταπόνησης, ικανού να εφαρμοστεί σε επιχειρησιακά περιβάλλοντα τόσο με εναέρια όσο και με δορυφορική τηλεπισκόπηση.