Monitoring of Khao Hom mali Thoung samrit growth using UAV and vegetation indices
Article Sidebar
Main Article Content
Abstract
The production of Khao Hom Mali Thoung samrit, a geographically indicated rice variety in Nakhon Ratchasima Province, Thailand, is constrained by limitations in yield and field management efficiency. Timely and accurate monitoring of rice growth stages is essential to support precision agriculture. This study investigated the growth of rice at the tillering, booting, and heading stages by integrating aerial imagery from an Unmanned Aerial Vehicle (UAV) with vegetation indices, namely, the Green-Red Vegetation Index (GRVI), Visible Difference Vegetation Index (VDVI), and Excess Green Index (ExG), along with rice clump height measurements in field plots. A DJI Phantom 3 Professional UAV was deployed to capture high-resolution imagery, which was processed using Agisoft Metashape to generate orthomosaic maps and compute vegetation indices. Principal Component Analysis (PCA) was employed to investigate the multivariate relationships between the vegetation indices and plant height across growth stages. Results indicated that GRVI, VDVI, and ExG reached their peak values during the tillering stage, corresponding to vigorous vegetative development and high chlorophyll content. These indices declined in subsequent stages, reflecting physiological transitions in the plants. PCA revealed that the first two components accounted for 90.21% of the total variance, with PC1 strongly associated with vegetation indices and PC2 inversely correlated with plant height. The findings underscore the potential of UAV-based remote sensing and RGB-derived indices as practical and cost-effective tools for assessing rice crop development, supporting more targeted and sustainable field interventions.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กรมทรัพย์สินทางปัญญา. 2562. สินค้าสิ่งบ่งชี้ทางภูมิศาสตร์ไทย (GI Thailand). พิมพ์ครั้งที่ 1. กรมทรัพย์สินทางปัญญา.
ปริญฉัตร จุนถาวร, กฤชญาณ อินทรัตน และนิลันดอน ไสยะวง. 2564. การเปรียบเทียบดัชนีพืชพรรณ RGB กับดัชนีพืชพรรณผลต่างแบบนอมัลไลซ์ ด้วยข้อมูลจากอากาศยานไร้คนขับ กรณีศึกษาข้าวแปลงเล็ก. ใน: การประชุมวิชาการทรัพยากรธรรมชาติ สารสนเทศภูมิศาสตร์ และสิ่งแวดล้อม ครั้งที่ 5.
พุฒิพงศ์ ธนะวงศ์ และภูมิพัฒน์ อุ่นบ้าน. 2565. การประเมินความสอดคล้องของข้อมูลภาพถ่ายรายละเอียดสูงด้วยอากาศยานไร้คนขับและภาพถ่ายดาวเทียม Sentinel-2 เพื่อติดตามการเจริญเติบโตของข้าว. วารสารการพัฒนานวัตกรรมเชิงพื้นที่. 3: 91–108.
สำนักงานจังหวัดนครราชสีมา. 2568. แผนพัฒนาจังหวัดนครราชสีมา ระยะ 5 ปี (พ.ศ. 2566–2570) ฉบับทบทวนประจำปีงบประมาณ พ.ศ. 2568. กลุ่มงานยุทธศาสตร์และข้อมูลเพื่อการพัฒนาจังหวัด, จังหวัดนครราชสีมา.
ศิวา แก้วปลั่ง, พรหมชัย สุพรรณ, ธนัช เอกเกื้อกูล และเนติ ศรีหานู. 2561. การติดตามการเจริญเติบโตของนาข้าวด้วยภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ. น. 548–554. ใน: การประชุมทางวิชาการของมหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 56. กรุงเทพฯ: มหาวิทยาลัยเกษตรศาสตร์.
สุวิทย์ อ๋องสมหวัง. 2560. ระบบการรับรู้จากระยะไกลและการวิเคราะห์ข้อมูลภาพเชิงเลข. ฉบับปรับปรุง พ.ศ. 2560. นครราชสีมา: สำนักวิชาวิทยาศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี.
Agisoft, L. L. C. 2020. Metashape Professional (Version 1.6) [Computer software]. Agisoft. https://www.agisoft.com.
Avola, G., S. F. Di Gennaro, C. Cantini, E. Riggi, F. Muratore, C. Tornambè, and A. Matese. 2019. Remotely sensed vegetation indices to discriminate field-grown olive cultivars. Remote Sensing. 11: 1242.
De Swaef, T., W. H. Maes, J. Aper, J. Baert, M. Cougnon, D. Reheul, K. Steppe, I. Roldán-Ruiz, and P. Lootens. 2021. Applying RGB- and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sensing. 13: 147.
Jitt-Aer, J., P. Phumee, and K. Srisuk. 2021. Application of UAV for monitoring rice growth and nitrogen management using NDVI index. Thai Journal of Agricultural Science. 54: 112–121.
Li, S., F. Yuan, S. T. Ata-UI-Karim, H. Zheng, T. Cheng, X. Liu, Y. Tian, Y. Zhu, W. Cao, and Q. Cao. 2019. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation. Remote Sensing. 11: 1763.
Marino, S., and A. Alvino. 2018. Detection of homogeneous wheat areas using multi-temporal UAS images and ground truth data analyzed by cluster analysis. European Journal of Remote Sensing. 51: 266–275.
Muangprakhon, P., and S. Kaewplang. 2021. UAV-based rice plant height estimation. Thai Journal of Agricultural Science. 54: 101–110.
Ochiai, S., E. Kamada, and R. Sugiura. 2024. Comparative analysis of RGB and multispectral UAV image data for leaf area index estimation of sweet potato. Smart Agricultural Technology. 9: 100579.
Qiu, R., C. Li, B. Zhang, and Y. Zhang. 2020. Qualifications of rice growth indicators optimized at different growth stages using unmanned aerial vehicle digital imagery. Remote Sensing. 12: 3228.
Richardson, M. D., D. E. Karcher, and L. C. Purcell. 2001. Quantifying turfgrass cover using digital image analysis. Crop Science. 41: 1884–1888.
Sun, L., F. Gao, M. C. Anderson, W. P. Kustas, M. M. Alsina, L. Sanchez, B. Sams, L. McKee, W. Dulaney, W. A. White, J. G. Alfieri, A. D. Howell, L. Knipper, and R. R. B. Castro. 2017. Daily mapping of 30 m LAI and NDVI for grape yield prediction in California vineyards. Remote Sensing. 9: 317.
Suphan, P., A. Luadsong, and B. Jongdee. 2019. Monitoring of rice growth with UAV-derived aerial imagery. Mahasarakham International Journal of Engineering Technology. 5: 69–78.
Torres-Sánchez, J., J. M. Peña, A. I. de Castro, and F. López-Granados. 2014. Multi-temporal vegetation indices from unmanned aerial vehicle imagery for estimating grain yield in rice. ISPRS Journal of Photogrammetry and Remote Sensing. 104: 210–220.
Wang, F., X. Yao, L. Xie, J. Zheng, and T. Xu. 2021. Rice yield estimation based on vegetation index and fluorescence spectral information from UAV hyperspectral remote sensing. Remote Sensing. 13: 3390.
Woebbecke, D. M., G. E. Meyer, K. Von Bargen, and D. A. Mortensen. 1995. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the American Society of Agricultural Engineers. 38: 259–269.
Yang, C. Y., M. D. Yang, W. C. Tseng, Y. C. Hsu, G. S. Li, M. H. Lai, D. H. Wu, and H. Y. Lu. 2020. Assessment of rice developmental stage using time series UAV imagery for variable irrigation management. Sensors. 20: 5354.
Yuan, N., Y. Gong, S. Fang, Y. Liu, B. Duan, K. Yang, X. Wu, and R. Zhu. 2021. UAV remote sensing estimation of rice yield based on adaptive spectral endmembers and bilinear mixing model. Remote Sensing. 13: 2190.
Zhang, Z., J. Chen, and Y. Lu. 2019. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras. Plant Methods. 15: 112.
