{"id":16741,"date":"2026-08-19T14:11:32","date_gmt":"2026-08-19T12:11:32","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/quanxing-wan\/"},"modified":"2026-08-19T14:11:40","modified_gmt":"2026-08-19T12:11:40","slug":"quanxing-wan","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/quanxing-wan\/","title":{"rendered":"Quanxing Wan"},"content":{"rendered":"","protected":true},"excerpt":{"rendered":"","protected":true},"author":8,"featured_media":16742,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-16741","us_portfolio","type-us_portfolio","status-publish","post-password-required","hentry","us_portfolio_category-new-template"],"acf":{"main_text":"","naam_van_het_proefschift":"Detection of crop water stress using UAVs","samenvatting":"Dit proefschrift stelt een uitgebreid methodologisch kader vast om de belangrijkste uitdagingen bij op UAV gebaseerde ongekoelde thermische infrarood (TIR) detectie voor precisielandbouw aan te pakken. Door middel van systematisch onderzoek in zowel gecontroleerde laboratoriumomgevingen als complexe veldomstandigheden, worden ge\u00efntegreerde kalibratieprotocollen toegepast die rekening houden met de belangrijkste be\u00efnvloedende factoren. Het onderzoek toont de operationele waarde van gekalibreerde TIR-gegevens aan door de integratie met multispectrale (MS) detectie en machine learning-technieken, wat nauwkeurige beoordeling van gewaswaterstress en biomassa-schatting mogelijk maakt. Door de kloof tussen sensormogelijkheden en agrarische toepassingen te overbruggen, biedt dit werk praktische oplossingen en bruikbare inzichten voor de implementatie van betrouwbare TIR-RS in duurzaam gewasbeheer.\n\nHoofdstuk 2 onderzoekt systematisch de belangrijkste factoren die de nauwkeurigheid van temperatuurmetingen van geminiaturiseerde TIR-camera's be\u00efnvloeden, specifiek de op een UAV gemonteerde WIRIS 2nd GEN en de handbediende FLIR E8-XT modellen, met behulp van een laboratoriumbenadering. Door middel van gecontroleerde experimenten evalueert het onderzoek een reeks intrinsieke sensorkenmerken, zoals stabilisatietijd, de impact van periodieke niet-uniformiteitscorrecties (NUC's) en sensortemperatuurdrift. Het beoordeelt ook externe omgevingsfactoren, waaronder meetafstand, wind en stralingsverwarming. De resultaten geven aan dat ongekoelde TIR-camera's een aanzienlijke opwarmtijd van 30 tot 60 minuten nodig hebben om te stabiliseren. Tijdens deze periode drijven temperatuurmetingen continu af en vertonen ze een sterke correlatie met de sensortemperatuur. Geautomatiseerde NUC's introduceren extra onzekerheid, terwijl een toenemende meetafstand leidt tot een onderschatting van de temperatuur tot enkele graden Celsius. Ook werd vastgesteld dat wind en stralingsomstandigheden schommelingen in de gemeten temperaturen van enkele graden kunnen veroorzaken. Op basis van deze bevindingen biedt de studie praktische aanbevelingen voor inzet in het veld. Deze omvatten het toestaan van voldoende opwarmtijd, het optimaliseren van NUC-intervallen, het toepassen van atmosferische correcties en het monitoren van de sensortemperatuur, allemaal gericht op het verbeteren van de nauwkeurigheid van op TIR gebaseerde temperatuurmeting voor precisielandbouw en milieumonitoring.\n\nHoofdstuk 3 presenteert een evaluatie in het veld van op UAV gemonteerde ongekoelde TIR-camera's, specifiek de FLIR Tau 2 en WIRIS 2nd Gen, met een focus op hun nauwkeurigheid bij het bepalen van de landoppervlaktetemperatuur (LST) voor precisielandbouw. De methodologie omvatte vluchtcampagnes op verschillende hoogten boven een verscheidenheid aan zelfgeprepareerde referentiematerialen. Gelijktijdige grondmetingen met thermokoppels werden geregistreerd naast continue monitoring van de omgevingsfactoren. De resultaten lieten zien dat een toenemende vlieghoogte leidde tot grotere temperatuuronderschatting voor warmere objecten en minder onderschatting voor koelere objecten, wat duidt op aanzienlijke atmosferische interferentie. De invloed van omgevingsfactoren (waaronder luchttemperatuur, vochtigheid, nettostraling en windsnelheid) varieerde aanzienlijk tussen de twee cameramodellen, wat wijst op modelspecifieke gevoeligheden. Er werd ook een sterke correlatie vastgesteld tussen de temperatuur van de focal plane array (FPA) en de meetnauwkeurigheid, wat de impact van intrinsieke sensorkenmerken benadrukt. Op basis van deze bevindingen stelt het hoofdstuk de noodzaak vast voor modelspecifieke veldkalibratieprotocollen en stelt het bruikbare strategie\u00ebn voor om de vluchtplanning en gegevensverwerking te optimaliseren om de operationele betrouwbaarheid van TIR-gegevens bij landbouwmonitoring te vergroten.\n\nHoofdstuk 4 gaat over van fundamentele sensorevaluatie naar toegepaste methodologie door een ge\u00efntegreerde kalibratie- en verwerkingsworkflow te presenteren die is ontworpen om de nauwkeurigheid van op UAV gebaseerde ongekoelde TIR-beelden voor de detectie van gewaswaterstress te verbeteren. De methodologie combineerde vluchtcampagnes op verschillende tijdstippen met een FLIR Tau 2 TIR-camera en een Hiphen Airphen multispectrale sensor met grondmetingen uit meerdere bronnen. Een belangrijke bijdrage was de ontwikkeling van een radiometrische kalibratieprocedure die individuele ongekalibreerde TIR-beeldframes omzet in gekalibreerde orthomoza\u00efeken. Resultaten toonden aan dat de kalibratie de visuele consistentie van temperatuurkaarten en de beoordeling van de gewaswaterstatus in verschillende groeistadia van het gewas verbeterde. De studie benadrukt het cruciale belang van gestandaardiseerde veldkalibratieprotocollen, terwijl ook uitdagingen worden erkend zoals gewasspecifieke emissiviteitsaanpassingen en correctie van sensordrift langs vluchtpaden. Bijgevolg biedt dit hoofdstuk een praktisch kader dat het hele proces begeleidt, van UAV-gebaseerde TIR-missieplanning tot post-processing, waardoor het genereren van betrouwbare TIR-gegevens voor precisielandbouwtoepassingen mogelijk wordt.\n\nHoofdstuk 5 onderzoekt het synergetische gebruik van op UAV gebaseerde TIR- en MS-beelden voor het monitoren van gewaswaterstress en het verbeteren van de schatting van ma\u00efsbiomassa in belangrijke groeistadia. De methodologie integreerde vluchtcampagnes op verschillende tijdstippen met een FLIR Tau 2 TIR-camera en een Hiphen Airphen multispectrale sensor, waarbij gebruik werd gemaakt van index-gebaseerde verwijdering van de bodemachtergrond en een radiometrische kalibratiestrategie voor TIR-beelden geleerd uit hoofdstuk 4. Belangrijke waterstressindices, de Crop Water Stress Index (CWSI) en de Temperature\u2013Vegetation Dryness Index (TVDI), werden afgeleid naast een reeks op MS gebaseerde vegetatie-indices. Deze werden gebruikt als voorspellers in random forest regressiemodellen met vijfvoudige kruisvalidatie om de biomassa aan het einde van het seizoen op plotniveau te schatten, waarbij verschillende sets voorspellers werden vergeleken onder scenario's met zowel een enkele datum als meerdere data. Resultaten toonden aan dat modellen met meerdere data consistent beter presteerden dan modellen met een enkele datum, waarbij de integratie van op TIR gebaseerde stressindices aanvullende waarde bood bovenop multispectrale gegevens. De studie concludeert dat een strategische combinatie van goed getimede UAV-campagnes met meerdere sensoren, ondersteund door robuuste kalibratie en bodemmaskering, de nauwkeurigheid van biomassaschatting verbetert en waardevolle inzichten biedt voor beheerstrategie\u00ebn die zijn afgestemd op gewaswaterstress in de precisielandbouw.\n\nConcluderend draagt dit proefschrift bij aan het veld van TIR-RS door systematische procedures te bieden voor sensorkarakterisering in het laboratorium, kalibratie in het veld en landbouwtoepassingen, die de kloof overbruggen tussen theoretische sensormogelijkheden en praktische prestaties. Verder behandelt het kritieke uitdagingen zoals de standaardisatie van kalibratieprotocollen, de verwerkingspijplijn voor UAV-TIR-gegevens en emissiviteitscorrectie. Uiteindelijk opent dit werk duidelijke wegen voor het vertalen van gedetailleerde waterstresskaarten naar haalbare irrigatiestrategie\u00ebn, wat de weg vrijmaakt voor betrouwbaardere gewasmonitoring en geoptimaliseerd beheer van watervoorraden.","summary":"This thesis establishes a comprehensive methodological framework to address the core challenges in UAV-based uncooled thermal infrared (TIR) sensing for precision agriculture. Through systematic investigation spanning controlled laboratory environments and complex field conditions, it practices integrated calibration protocols that account for major influencing factors. The research demonstrates the operational value of calibrated TIR data through its integration with multispectral (MS) sensing and machine learning techniques, enabling accurate crop water stress assessment and biomass estimation. By bridging the gap between sensor capabilities and agricultural applications, this work provides practical solutions and actionable insights for implementing reliable TIR-RS in sustainable crop management.\n\nChapter 2 systematically investigates the key factors influencing the accuracy of temperature measurements from miniaturized TIR cameras, specifically the UAV-mounted WIRIS 2nd GEN and handheld FLIR E8-XT models, using a laboratory-based approach. Through controlled experiments, the research evaluates a range of intrinsic sensor characteristics, such as stabilization time, the impact of periodic non-uniformity corrections (NUCs), and sensor temperature drifts. It also assesses external environmental factors, which include measuring distance, wind, and radiative heating. The results indicate that uncooled TIR cameras require a significant warm-up period of 30 to 60 minutes to stabilize. During this period, temperature readings drift continuously and show a strong correlation with sensor temperature. Automated NUCs introduce additional uncertainty, while increasing measurement distance leads to temperature underestimation of up to several degrees Celsius. Wind and radiative conditions were also found to cause fluctuations in measured temperatures by several degrees. Based on these findings, the study provides practical recommendations for field deployment. These include allowing sufficient warm-up time, optimizing NUC intervals, applying atmospheric corrections, and monitoring sensor temperature, all aimed at improving the accuracy of TIR-based temperature retrieval for precision agriculture and environmental monitoring.\n\nChapter 3 presents a field-based evaluation of UAV-mounted uncooled TIR cameras, specifically the FLIR Tau 2 and WIRIS 2nd Gen, with a focus on their accuracy in land surface temperature (LST) retrieval for precision agriculture. The methodology involved multi-altitude hovering flight campaigns over a variety of self-prepared reference materials. Synchronized ground thermocouple measurements were recorded alongside continuous monitoring of ambient environmental conditions. Results demonstrated that increasing flight altitude led to greater temperature underestimation for warmer objects and reduced underestimation for cooler ones, highlighting significant atmospheric interference. The influence of environmental factors (including air temperature, humidity, net radiation, and wind speed) varied considerably between the two camera models, indicating model-specific sensitivities. A strong correlation was also identified between the focal plane array (FPA) temperature and measurement accuracy, emphasizing the impact of intrinsic sensor characteristics. Based on these findings, the chapter establishes the necessity for model-specific field calibration protocols and proposes actionable strategies for optimizing flight planning and data processing to enhance the operational reliability of TIR data in agricultural monitoring.\n\nChapter 4 transitions from fundamental sensor evaluation to applied methodology by presenting an integrated calibration and processing workflow designed to enhance the accuracy of UAV-based uncooled TIR imagery for crop water stress detection. The methodology combined multi-temporal flight campaigns using a FLIR Tau 2 TIR camera and a Hiphen Airphen multispectral sensor with ground-based measurements from multiple sources. A key contribution was the development of a radiometric calibration procedure that converts individual uncalibrated TIR image frames into calibrated orthomosaics. Results demonstrated that the calibration improved the visual consistency of temperature maps and the assessment of crop water status across different crop growth stages. The study highlights the critical importance of standardized in-field calibration protocols, while also acknowledging challenges such as crop-specific emissivity adjustments and sensor drift correction along flight paths. Consequently, this chapter delivers a practical framework that guides the entire process from UAV-based TIR mission planning to post-processing, enabling the generation of reliable TIR data for precision agriculture applications.\n\nChapter 5 investigates the synergistic use of UAV-based TIR and MS imagery for monitoring crop water stress and improving the estimation of maize biomass across key growth stages. The methodology integrated multi-temporal flight campaigns with a FLIR Tau 2 TIR camera and a Hiphen Airphen multispectral sensor, employing index-based soil background removal and a radiometric calibration strategy of TIR imagery learnt from Chapter 4. Key water stress indices, Crop Water Stress Index (CWSI) and Temperature\u2013Vegetation Dryness Index (TVDI), were derived alongside a set of MS-based vegetation indices. These were used as predictors in random forest regression models with five-fold cross-validation to estimate plot-level end-of-season biomass, comparing various predictor sets under both single-date and multi-date scenarios. Results demonstrated that multi-date models consistently outperformed single-date ones, with the integration of TIR-based stress indices providing complementary value to multispectral data. The study concludes that a strategic combination of well-timed multi-sensor UAV campaigns, supported by robust calibration and soil masking, enhances the accuracy of biomass estimation and provides valuable insights for management strategies tailored to crop water stress in precision agriculture.\n\nTo conclude, this thesis contributes to the TIR-RS field by providing systematic procedures for lab-based sensor characterization, in-field calibration, and agricultural applications, which bridge the gap between theoretical sensor capabilities and practical performance. Furthermore, it addresses critical challenges such as the standardization of calibration protocols, UAV-TIR data processing pipeline, and emissivity correction. Ultimately, this work establishes clear pathways for translating detailed water stress maps into feasible irrigation strategies, paving the way for more reliable crop monitoring and optimized water resource management.","auteur":"Quanxing Wan","auteur_slug":"quanxing-wan","publicatiedatum":"28 augustus 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/quanxingwan?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/8913f5b7-9de5-4caa-9c66-0be80fad4cce\/highres","url_epub":"","ordernummer":"19262","isbn":"","doi_nummer":"","naam_universiteit":"Wageningen University","afbeeldingen":16743,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Wageningen University","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16741","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=16741"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16741\/revisions"}],"predecessor-version":[{"id":16744,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16741\/revisions\/16744"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/16742"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=16741"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=16741"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}