Rubriik: Saagi jälgimine

Mais on mahu järgi maailmas enimtoodetud teraviljakultuur, ainuüksi Ameerika Ühendriikides kasvatatakse seda üle ligikaudu 35 miljonit hektarit ja toodang 2023. aastal 390 miljonit tonni. Sellise ulatusega põllukultuuri majandamine nõuab enamat kui jalgsi luuret. Maisi kasvu jälgimiseks kasutatavad taimestikuindeksid – matemaatilised valemid, mis tuletatakse taimevõrade valguse peegeldamise ja neelamise viisist – on saanud tänapäevase põllukultuuride majandamise nurgakiviks, kuna need teisendavad spektraalandmed praktiliseks teabeks põllukultuuride tervise kohta. Nad teevad seda kiiresti, suures mahus ja ilma ühtegi lehte puudutamata.

Kaugseiretehnoloogia, mis on nüüd saadaval satelliitide, droonide ja pihuarvutite kaudu, annab nendele indeksitele reaalajas spektraalandmeid maisi kasvuperioodi igas etapis. Põllumees või agronoom saab tuvastada lämmastikustressi V6-l enne lehtede kolletumist, märgata veedefitsiiti terade täitumise ajal enne saagikuse langust või kalibreerida muutuva normiga väetise kasutamist, kasutades võra kaarte, mis on loodud samal nädalal, kui saak vajab väetamist.

Mis on taimestiku indeksid? Kuidas need toimivad?

Taimestikuindeks (VI) on dimensioonita kvantitatiivne väärtus, mis arvutatakse anduri poolt jäädvustatud kahe või enama spektraalriba peegeldusväärtuste matemaatilise kombineerimise teel. Tulemuseks on üks arv, mis isoleerib ja võimendab taimevõra teatud bioloogilisi omadusi – näiteks klorofülli kontsentratsiooni, lehtede pindala või veesisaldust –, vähendades samal ajal mulla, atmosfääri ja varju häireid.

Taimestikuindeksi võimsus seisneb selle võimes standardiseerida mõõtmisi erinevate andurite, põldude ja kuupäevade vahel. Valgustustingimustega muutuvate tooreste peegeldusnäitajate asemel annab VI stabiilsema ja bioloogiliselt olulisema suhte või erinevuse. See võimaldab võrrelda võra tervist erinevate põldude, aastaaegade ja isegi satelliitplatvormide vahel.

Taimed neelavad fotosünteesiks teatud lainepikkustega valgust ja peegeldavad teisi. Tervislik roheline taimestik neelab klorofülli abil toimuva fotosünteesi jaoks enamiku punasest valgusest (umbes 660–680 nm) ja peegeldab oma rakulise struktuuri tõttu tugevalt lähiinfrapunavalgust (NIR).

Pinges või hõreda võrastiku puhul neeldub vähem punast valgust ja see peegeldab rohkem lähiinfrapunakiirgust ning peegeldab seda vähem. Taimestiku indeksid püüavad seda kontrasti matemaatiliselt mõõta, et kvantifitseerida, kui roheline, tihe ja terve võra antud hetkel on.

Taimestikuindeksites kasutatavad spektraalribad

Erinevad spektraalribad annavad saagi kohta erinevat diagnostilist teavet. Iga riba on suunatud erinevale bioloogilisele protsessile, mistõttu pakuvad mitme ribaribaga andurid rikkalikumaid andmeid kui lihtsad RGB-kaamerad. Maisi seire seisukohalt on kõige olulisemad kuus riba:

• Punane (620–700 nm): Klorofüll neelab tugevalt. Punase neeldumise langus annab märku fotosünteesi aktiivsuse vähenemisest, mis viitab stressile, toitainete puudusele või varajasele võra vananemisele.
• Roheline (520–560 nm): Taimed peegeldavad rohelist valgust rohkem kui punast, mistõttu nad paistavad rohelised. Rohelise valguse peegeldus korreleerub klorofülli kontsentratsiooniga ja seda kasutatakse sellistes indeksites nagu GNDVI ja VARI.
• Sinine (450–490 nm): Karotenoidid ja klorofüll neelavad. Kasutatakse enamasti RGB-põhistes indeksites, näiteks VARI-s, kus on saadaval ainult nähtavad ribad.
• Lähi-infrapuna (NIR, 750–900 nm): Tervete lehtede sees olev käsnjas mesofüll peegeldab seda tugevalt. Lähis-infrapuna peegeldusvõime on NDVI, EVI ja enamiku lairibaindeksite selgroog. Tihe ja terve maisivõra näitab kõrget lähis-infrapuna peegeldust.
• Punane serv (700–740 nm): Punase neeldumise ja lähiinfrapuna peegelduse vaheline üleminekutsoon. Klorofülli kontsentratsioonil ja lämmastikusisaldusel on sellele ribale tugev mõju, mistõttu on see väga tundlik varajases staadiumis toitainete stressi tuvastamiseks enne, kui see visuaalselt nähtavaks muutub.
• Lühilaineline infrapuna (SWIR, 1400–2500 nm): Taimekoes oleva vedela vee poolt imenduv. SWIR-põhised indeksid mõõdavad võrade veesisaldust ja tuvastavad põuastressi, mistõttu on need väärtuslikud terade täitumise ajal, kui veepuudus mõjutab otseselt saagikust.

Miks on taimestikuindeksid maisi kasvu jälgimisel olulised?

1. Saagi tervise jälgimine

Põllukultuuride tervis hõlmab mitmeid kattuvaid tegureid: klorofülli kontsentratsiooni, lehtede pindala indeksit (LAI – lehtede kogupindala ja maapinna suhe), taimede veesisaldust ja võra temperatuuri. Ükski põllukülastus ei suuda kõiki neid samaaegselt sadadel hektaritel mõõta.

Taimestikuindeksid suruvad selle keerukuse kokku mõõdetavateks väärtusteks, mida saab kasvuperioodi jooksul korduvalt jälgida, et tuvastada langust enne, kui see muutub saagikuse kaoks.

Avaldatud uuringus Põllumajandus (2023) jälgisid kolme maisihübriidi põua ja niisutatud tingimustes, kasutades mehitamata õhusõidukitele (UAV) paigaldatud NDVI andureid. Teadlased jälgisid võra tervist igal nädalal tärkamisest kuni küpsuseni ja leidsid, et NDVI väärtused erinesid niisutatud ja vihmasõltuvate proovitükkide vahel märkimisväärselt juba V8-l, nädalaid enne nähtavate stressisümptomite ilmnemist. Selline varajane eristamine võimaldab õigeaegset sekkumist.

2. Taimede elujõulisuse mõõtmine

Taime elujõud – saagi üldine kasvukiirus ja biomassi akumuleerumine – ennustab otseselt saagipotentsiaali. Indeksid nagu NDVI ja EVI on maisi LAI ja maapealse kuiva biomassiga tugevalt seotud.

Elujõu jälgimine vegetatiivsete võtmefaaside ajal võimaldab agronoomidel tuvastada põllul ebaefektiivseid tsoone ja vastavalt sellele sisendeid kohandada, selle asemel, et rakendada ühtlast majandamisotsust kogu ruumiliselt varieeruval maal.

3. Stressi tuvastamine enne visuaalseid sümptomeid

See on vegetatsiooniindeksite ehk kõige väärtuslikum kaubanduslik omadus. Lämmastikupuuduse, veestressi või varajase haigussurve all kannatav maisitaim näitab esmalt muutusi oma spektraalses peegeldusvõimes – eriti punase serva ja NIR-ribade osas – päevi kuni nädalaid enne, kui lehed kolletuvad, närbuvad või muutuvad nähtavaks.

Punaservadel põhinevad indeksid, eriti NDRE ja CI Red Edge, on eriti tundlikud subvisuaalse lämmastikustressi ja klorofülli vähenemise suhtes. Jang jt (ScienceDirect, 2024) leidsid, et kombineerides NDVI, NDRE ja GNDVI indeksid mitmekordse lineaarse regressiooni abil oluliselt parem saagikuse ennustamise tulemuslikkus maisi puhul võrreldes ükskõik millise üksiku indeksiga.

Ühele indeksile tuginevad kasvatajad jäävad ilma mitmeindeksilistest lähenemisviisidest tulenevast aditiivsest ennustusvõimest, eriti kriitilistes paljunemisfaasides.

4. Saagikuse ennustamise parandamine

Strateegilistes kasvufaasides – eriti tupsumis- ja siidjaks muutumise ajal – kogutud taimestikuindeksid on lõpliku teraviljasaagi tugevad ennustajad. Ajakirjas avaldatud uuring Kaugseire (2023) ühendas mitme aja jooksul saadud mehitamata õhusõidukite andmed, sealhulgas NDVI, NDRE, SAVI ja EVI vegetatiivses ja reproduktiivses staadiumis, ning saavutas maisi saagikuse ennustusmudeli, millel on R² on 0,78 ja rRMSE on 8,27%, edestades üheastmelistel andmetel põhinevaid mudeleid.

Peamine arusaam: mitme indeksi kasutamine mitmes kasvufaasis hõlmab palju laiemat valikut saagikust määravaid tegureid kui üks mõõdetud hetktõmmis.

5. Täppispõllumajanduse toetamine

Täppispõllumajandus tugineb ruumilise varieeruvuse andmetele, et määrata kohapõhiseid sisendeid. Drooni- või satelliidipiltide põhjal loodud taimestiku indeksikaardid näitavad põllul esinevat põllukultuuride tootlikkuse varieeruvust, mida keskmised põllumõõtmised ei varja.

Need kaardid suunatakse otse muutuva normiga väetisesüsteemidesse, võimaldades põllumeestel kasutada rohkem väetist seal, kus kultuur seda vajab, ja vähem seal, kus seda ei vaja, vähendades samaaegselt kulusid ja keskkonnamõju.

Maisi kasvufaasid, kus vegetatsiooniindeksid on kõige kasulikumad

“Õige indeks õiges kasvufaasis avab põllukultuuri kohta teavet, mida üldine luure lihtsalt ei suuda pakkuda – ja selle andmekogumise ajastus on sama oluline kui valitud indeks.”

1. Tekkimise etapp

Tärkamise ajal on taimkate hõre ja pildil domineerib muld. Standardne NDVI toimib siin halvasti, kuna mulla taustamüra summutab nõrga võra signaali. Selles faasis on sobivad tööriistad mulla suhtes korrigeeritud indeksid, nagu SAVI ja MSAVI.

Nad rakendavad parandustegurit, et vähendada paljastatud mulla mõju indeksi väärtusele, võimaldades taimede tiheduse ja varajase õitsemise ühtluse sisukaid mõõtmisi.

2. Vegetatiivne kasv (V staadiumid)

Alates V3-st kuni V12-ni laieneb maisi võra kiiresti. See on lämmastiku majandamise kõige kriitilisem aken, kuna põllukultuuri lämmastikuvajadus suureneb järsult.

NDRE ja CI Green on selle perioodi jooksul kõige tundlikumad indeksid, kuna punane servariba tuvastab klorofülli peeneid vähenemisi enne NDVI laiemate signaalimuutuste algust. Mehitamata õhusõidukite lennud V6 ja V10 kiirusel, mis on ajastatud lämmastiku külgsuunalise suunamise otsustega, annavad andmeinvesteeringutelt suurima tulu.

3. Tupsutamine ja siidistamine

Tupsu moodustumine (VT) ja siidine moodustumine (R1) on maisi kogu elutsükli kõige saagikuse suhtes tundlikumad etapid. Võra sulgumine on sel hetkel peaaegu lõppenud, mis tähendab, et NDVI ja EVI suudavad nüüd lugeda kogu võra ilma mulla sekkumiseta.

Mõlemad indeksid saavutavad haripunkti tervete põllukultuuride puhul VT paiku. Igasugune platoo või indeksi väärtuste varajane langus selles etapis on usaldusväärne stressi näitaja, mis viib terade aborti ja saagikaduni.

4. Teraviljatäidis

Teravilja täitumise ajal (R3–R5) nihkub peamine majandamise mure veestressi ja haiguste vastu. NDWI (normaliseeritud erinevusveeindeks, arvutatakse NIR- ja SWIR-ribade põhjal) ja termilised indeksid täiendavad selles faasis standardset komplekti, tuvastades võrade veesisalduse vähenemist, mis eelneb nähtavale närbumisele.

NDVI väärtused hakkavad saagi küpsedes loomulikult langema, seega on indeksi trajektooride tõlgendamisel vaja võrdlusanalüüsi teha kasvatatava hübriidi eeldatava hooajalise mustri suhtes.

5. Küpsus

Füsioloogilise küpsuse (R6) saavutamisel vähenevad kõik peamised taimestiku indeksid, kuna võra vananeb ja klorofüll laguneb. Küpsuses kogutud indeksiandmeid kasutatakse peamiselt retrospektiivseks analüüsiks – hooajaliste VI trajektooride korreleerimiseks tegeliku saagikuse andmetega, et valideerida ennustusmudeleid ja parandada tulevaste hooajaliste võrdlusnäitajaid. Indekskõverate aegridade analüüs tärkamisest küpsuse lõpuni pakub rikkalikumat andmebaasi põlluspetsiifiliste saagikuse mudelite loomiseks.

Maisi kasvu jälgimiseks kasutatavad tavalised taimestikuindeksid

1. NDVI (normaliseeritud taimestiku erinevuse indeks)

NDVI on põllumajanduses kõige laialdasemalt kasutatav taimestikuindeks. See mõõdab lähiinfrapunakiirguse ja punase peegelduse vahelist kontrasti ning arvutatakse järgmiselt:

NDVI = (lähi-infrapuna − punane) / (lähi-infrapuna + punane)

NDVI väärtused jäävad vahemikku −1 kuni +1. Tervete ja tihedate maisivõrade roheluse tipphetkel on NDVI väärtus tavaliselt 0,7–0,9. Selle parimad rakendused hõlmavad võra arengu jälgimist alates V6-st kuni tupsumiseni, ebaefektiivsete põlluvööndite tuvastamist ning korrelatsiooni LAI ja maapealse biomassiga.

NDVI peamine piirang on küllastumine tihedates võrades – kui LAI ületab umbes 3 m²/m², tekitab täiendav lehepind NDVI signaali vähenevaid muutusi, vähendades tundlikkust võra tipptiheduse korral.

2024. aastal avaldatud uuring Põllumajandus (MDPI) leidis Ungaris kahe kasvuperioodi jooksul mehitamata õhusõidukitel põhineva NDVI seiret kasutades, et tugevaim NDVI ja saagikuse vaheline korrelatsioon ilmnes pärast siidistumist (R2 = 0,638 aastal 2023 ja R2 = 0,634 aastal 2024), mis kinnitab NDVI usaldusväärsust hooajasisese saagikuse indikaatorina selles konkreetses kasvuaknas.

2. GNDVI (roheline NDVI)

GNDVI asendab punase riba rohelise ribaga: GNDVI = (lähi-infrapuna − roheline) / (lähi-infrapuna + roheline). Roheline kanal on klorofülli kontsentratsiooni suhtes tundlikum kui punane kanal, mistõttu GNDVI suudab paremini tuvastada mõõdukat klorofülli varieeruvust küpsetes, tihedates võrades, kus NDVI on küllastunud.

Selle peamine rakendus maisi puhul on lämmastiku staatuse hindamine vegetatiivse ja paljunemisjärgus. Uuring avaldati ajakirjas ... ScienceDirect (2024) kinnitas, et GNDVI ja NDRE kombineerimisel mitme indeksiga regressioonimudelites parandas maisi saagikuse ennustamise täpsust oluliselt, eriti õitsemiseelsetes etappides.

3. EVI (täiustatud taimestiku indeks)

EVI täiustab NDVI-d sinise riba lisamise ja atmosfääri korrektsioonikoefitsientide rakendamise abil: EVI = 2,5 × [(lähi-infrapuna − punane) / (lähi-infrapuna + 6 × punane − 7,5 × sinine + 1)]. See valem vähendab samaaegselt atmosfäärimüra ja mulla taustainterferentsi, muutes EVI tundlikumaks kui NDVI tiheda võrastiku tingimustes, kus NDVI küllastub.

EVI on eelistatud indeks maisi võra struktuuri jälgimiseks alates tupsumisest kuni varajase terade täitumiseni, kui taimkate on peaaegu täielik. See on MODIS-i satelliittoodete põhiindeks ja seda kasutatakse laialdaselt piirkondlikul tasandil maisi jälgimiseks.

Uuring Põllumajandus (2024) leidis MODIS MOD09A1 andmeid Jilini provintsis Hiinas kasutades, et Mitme taimestikuindeksi, sh EVI, kombineerimine kujumudeliga parandas oluliselt fenoloogilise staadiumi tuvastamise täpsust maisi peamiste kasvuperioodide lõikes võrreldes üheindeksiliste lähenemisviisidega.

Ulatusliku piirkondliku põllukultuuride seire puhul annab EVI ühendamine teiste aegridade mudelite indeksitega usaldusväärsema fenoloogilise jälgimise kui ükski üksikindeks.

4. SAVI (mulla järgi korrigeeritud taimestiku indeks)

SAVI lisab NDVI valemisse mulla heleduse parandusteguri (L): SAVI = [(lähi-infrapuna − punane) / (lähi-infrapuna + punane + L)] × (1 + L), kus L = 0,5 tüüpiliste mullatingimuste korral. Palja mulla peegelduspanuse summutamise abil annab SAVI täpsemaid võra mõõtmisi maisi varajastes kasvufaasides, kui pinnakate on väiksem kui 50%. See on standardvalik taimede rajamise, puistu ühtluse ja varajase hooaja elujõulisuse jälgimiseks tärkamisest kuni V4-ni.

5. NDRE (normaliseeritud erinevuse punane serv)

NDRE kasutab punast serva ja NIR-ribasid: NDRE = (NIR − punane serv) / (NIR + punane serv). Punane servariba asub spektraalpiirkonnas, kus klorofülli kontsentratsiooni väikesed muutused põhjustavad suuri peegelduse muutusi, muutes NDRE lämmastikust tingitud klorofülli varieeruvuse suhtes tundlikumaks kui NDVI.

Avaldatud uuringus Andurid (2024) leidis LSU AgCenteri uurimisjaamas mehitamata õhusõidukite fotogrammeetriat kasutades, et NDRE ennustas 87 päeva pärast külvi maisi terasaagikust R² väärtusega 0,9097., mis on erakordselt tugev seos ja rõhutab NDRE väärtust hilise hooaja lämmastikuvarude haldamisel ja saagikuse prognoosimisel.

6. MSAVI (muudetud mulla järgi korrigeeritud taimestikuindeks)

MSAVI täiustab SAVI-d, muutes L-teguri fikseeritud asemel dünaamiliseks, seega kohandub see automaatselt taimkatte astmega: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − punane))] / 2.

See isereguleeruv mudel muudab MSAVI täpsemaks kui SAVI kogu võra arengu ulatuses alates palja mulla ilmumisest kuni täieliku katvuseni tupsumise ajal. See ei nõua mulla heleduse kohta eeldusi, mistõttu on see paremini ülekantav erinevate põllutingimuste ja mullatüüpide puhul.

7. VARI (nähtava atmosfäärikindluse indeks)

VARI kasutab ainult nähtavaid ribasid (punane, roheline, sinine): VARI = (roheline − punane) / (roheline + punane − sinine). Selle väärtus seisneb selles, et seda saab arvutada standardsete RGB-kaamerate abil – just selliseid kaameraid on enamikul odavatel kommertsdroonidel.

Kuigi VARI-l puudub multispektraalsetele indeksite lämmastiku ja biomassi tundlikkus, pakub see kasutatavat võra roheluse esmast hindamist, muutes selle kättesaadavaks põllumeestele, kellel veel puudub multispektraalsete andurite võimekus.

Uuring avaldati ScienceDirect (2025) kinnitas, et VARI on üks kasulikke VI sisendeid masinõppe mudelites maisi saagikuse ennustamiseks erinevates kasvukeskkondades.

8. OSAVI (optimeeritud mulla järgi korrigeeritud taimestikuindeks)

OSAVI on SAVI lihtsustatud versioon fikseeritud L väärtusega 0,16, mis on optimeeritud osalise võrakatte tingimuste jaoks: OSAVI = (NIR – punane) / (NIR + punane + 0,16).

See konkreetne L väärtus määrati empiiriliselt, et minimeerida mulla taustamõjusid laias taimestiku tiheduse vahemikus. OSAVI toimib hästi vahemikus V2 kuni V6, ületades lõhe SAVI varajase hooaja kasulikkuse ja NDVI tipphooaja täpsuse vahel.

9. CI roheline (klorofülli indeksi roheline)

CI Green hindab klorofülli sisaldust otse peegeldusvõime põhjal: CI roheline = (lähi-infrapuna / roheline) − 1. Kuna klorofüll on lehtede peamine lämmastikku talletav pigment, jälgib CI Green võra lämmastikusisaldust ilma punast servariba vajamata.

See muudab selle väärtuslikuks siis, kui saadaval on ainult standardne roheline riba, näiteks Sentinel-2 piltidelt, ning see toimib usaldusväärselt alates V6-st kuni siidistumiseni hooaja keskel tehtavate lämmastikuhalduse otsuste tegemiseks.

10. CI punane serv (klorofülli indeksi punane serv)

CI Red Edge asendab rohelise riba punase servaribaga: CI punane serv = (NIR / punane serv) − 1. See asendus muudab selle klorofülli muutuste suhtes oluliselt tundlikumaks kui CI Green, eriti vegetatiivses keskmises ja hilises staadiumis, kui võra on piisavalt tihe, et rohelise riba signaal hakkab küllastuma. CI Red Edge on üks paremini toimivaid indekseid peente lämmastikugradientide tuvastamiseks maisi põllumajandustsoonides.

Maisi seire taimkatteindeksite võrdlus

1. Parim varajase kasvu indeks

SAVI ja MSAVI edestavad maisi varajases arenguetapis (tärkamine kuni V4-ni) järjepidevalt NDVI-d ja EVI-d, kuna need vähendavad mulla taustmüra, mis muidu domineeriks indekssignaalis, kui võra katvus on alla 40%. OSAVI pakub kasulikku vahepealset võimalust, kui mullatingimused on põllul erinevad.

2. Parim lämmastiku tuvastamise indeks

NDRE ja CI Red Edge on maisi lämmastikupuuduse tuvastamise tugevaimad indeksid. Mõlemad kasutavad ära punase serva riba suurt tundlikkust klorofülli kontsentratsiooni suhtes. V6 kuni V10 staadiumis – lämmastiku kasutamise otsuste tegemise kõige kriitilisemas aknas – tuvastavad need indeksid puudust 7–14 päeva enne, kui NDVI näitab mõõdetavat reaktsiooni, pakkudes olulist ettevalmistusaega parandusmeetmete võtmiseks.

3. Parim biomassi hindamise indeks

NDVI ja EVI on maisi maapealse kuiva biomassi hindamise kõige valideeritumad indeksid. Uuringud, milles kasutatakse mehitamata õhusõidukite multispektraalseid kujutisi koos tekstuuriomadustega. PMC (2023) leidsid, et punasel (650 nm), punase servaga (705 nm) ja lähiinfrapuna (842 nm) ribal põhinevad vegetatsiooniindeksid näitasid kõrgeimat korrelatsiooni LAI-ga – mis on vegetatiivsel perioodil biomassi akumuleerumise lähedalt seotud näitaja.

4. Parim indeks tihedate võrade jaoks

EVI on eelistatud indeks, kui maisi võra on täielikult sulgunud, tavaliselt tupsumisest kuni varajase terade täitumiseni. Kui NDVI küllastub üle LAI väärtuse umbes 3, reageerib EVI jätkuvalt täiendavale lehepindalale ja klorofülli varieerumisele, kuna selle atmosfääri ja mulla korrektsiooniterminid takistavad signaali küllastumist kõrge biomassi taseme korral.

5. Parim põuastressi indeks

NDWI (NIR- ja SWIR-põhine veeindeks) ja NDVI kooskasutamine on maisi põuastressi tuvastamiseks kõige tõhusam kombinatsioon. NDWI jälgib kudede veesisalduse muutusi otse, samas kui NDVI tabab veestressi sekundaarset mõju võrade rohelusele. Siin lisavad kõige rohkem väärtust multispektraalsed andurid, millel on SWIR-võimekus, kuigi need andurid on endiselt kallimad kui tavalised viieribalised multispektraalsed süsteemid.

Taimestikuindeksite rakendused maisi tootmises

Taimestikuindeks on sama kasulik kui otsus, mille tegemist see võimaldab – eesmärk on alati spektraalandmete teisendamine välitöödeks, mis parandavad saagikust, vähendavad kulusid või mõlemat.

1. Biomassi hindamine

NDVI ja EVI väärtused korreleeruvad tugevalt maapealse kuiva biomassiga kogu maisi vegetatsiooniperioodi vältel. Korduvad mehitamata õhusõidukite lennud või satelliidi ülelendud kahe nädala tagant genereerivad biomassi akumuleerumiskõveraid, mis näitavad, kas põld liigub oma saagipotentsiaali suunas või jääb antud hooajal oodatavast kasvutrajektoorist maha.

2. Klorofülli mõõtmine

CI Green ja CI Red Edge pakuvad mittepurustavaid võra tasemel klorofülli hinnanguid, mis jälgivad põllukultuuri fotosünteesivõimet. Uuring avaldati ajakirjas ... PMC (2024) kinnitas maisi puhul mehitamata õhusõidukitel põhineva SPAD-i (klorofülli meetri näidu) abil tehtud hindamise abil, et modifitseeritud punase serva suhte indeks saavutas R² 0,87 lehtede klorofülli sisalduse ennustamiseks keskmises kasvufaasis, näidates punaserva indeksite praktilist täpsust selles rakenduses.

3. Lämmastiku seisundi hindamine

Lämmastik on toitaine, mis piirab maisi saagikust kõige otsesemalt, ja selle seisund kõigub hooaja jooksul vastavalt saagi nõudluse muutumisele. 2025. aastal ajakirjas avaldatud uuring Taimeteaduse piirid integreeris 2024. aastal Sentinel-2A satelliidipildid, mehitamata õhusõidukite multispektraalsed andmed ja maapealsed vaatlused neljas maisi kasvufaasis ning töötas välja uudse piirkondliku ulatusega lämmastikusisalduse inversioonimudeli, mis kasutab mitut vegetatsiooniindeksit koos ribakorrektsiooniga.

Raamistik saavutas 48 sõltumatus proovivõtupunktis kõrge valideerimistäpsuse, näidates, kuidas satelliidi ja mehitamata õhusõidukite fusioon laiendab VI-põhise lämmastikuhalduse skaleeritavust üksikutest põldudest kaugemale talude ja piirkondade tasandile.

4. Veestressi tuvastamine

Maisi veestress vähendab esmalt õhulõhede juhtivust, seejärel lehtede veesisaldust ja lõpuks rohelist biomassi – need on kolm protsessi, mis mõjutavad järjestikku erinevaid spektraalribasid. Varajases staadiumis tekkiv veestress ilmneb termiliste ribade andmetes ja SWIR-põhistes indeksites enne NDVI langust.

NDWI ja NDVI kombinatsiooni jälgimine kogu teravilja täitumise perioodil – mil veestressil on suurim saagimõju – võimaldab niisutusgraafikut koostada tegeliku saaginõudluse, mitte kalendripõhiste reeglite põhjal.

5. Haiguste jälgimine

Seenhaigused, nagu maisilehepõletik ja hall lehelaiksus, muudavad nakatunud lehtede spektraalset signatuuri enne, kui suured kahjustused on inimsilmale nähtavad. Nakatunud koel on iseloomulik lähiinfrapunakiirguse peegelduse langus ja punase serva asukoha nihkumine.

Mitme aja jooksul läbi viidud VI jälgimine võimaldab tuvastada lokaliseeritud spektraalseid anomaaliaid, mis viitavad tekkivatele haigussurvetele, võimaldades seeläbi sihipärast fungitsiidide kasutamist kogu põllu ulatuses pritsimise asemel.

6. Kahjurite tekitatud kahjustuste tuvastamine

Kahjurite toitumisest tingitud defoliatsioon vähendab LAI-d, mis omakorda alandab otseselt NDVI ja EVI väärtusi kahjustatud aladel. Näiteks armeeusside nakatumine loob iseloomulikke ruumilisi indeksi languse mustreid, mida on droonipiltidelt võimalik tuvastada enne, kui nakatumine levib naaberpõllu lõikudele.

Kõrgresolutsiooniga mehitamata õhusõidukite (UAV) lennud (maapealse proovivõtu kaugus alla 5 cm) annavad ruumilise detailirohkeid andmeid, mis on vajalikud putukakahjustuste eristamiseks võra varieeruvuse muudest põhjustest.

7. Saagikuse hindamine

Teatud kriitilistes kasvufaasides – eriti V12, VT ja R3 – mõõdetud taimestikuindeksi väärtused on ajalooliste saagikaartide ja ilmastikuandmetega kombineerituna usaldusväärsed lõpliku teraviljasaagi ennustajad. Mitmeindeksilised fusioonmeetodid on järjepidevalt paremad kui üheindeksilised mudelid.

GNDVI, NDRE ja SCCCI (lihtsustatud võra klorofülli sisalduse indeks) kombinatsioon õitsemiseelsel perioodil on näidanud avaldatud maisiuuringutes eriti head saagikuse prognoosimise täpsust. ScienceDirect (2026).

Ungaris kahe kasvuperioodi jooksul läbi viidud uuring näitas koristusjärgse NDVI ja lõpliku teraviljasaagi vahel korrelatsioonikordajaid 0,638 ja 0,634. Mitmeindeksilised mudelid, sealhulgas NDRE ja GNDVI, suurendavad ennustuste täpsust veelgi.

8. Muutuva normiga väetise kasutamine

Droonilendude abil genereeritud VI-põhiseid võra kaarte kasutatakse otse muutuva lämmastikusisaldusega pihustajate retseptikaartide koostamiseks. Põllud jagatakse indeksiväärtuste alusel haldustsoonideks ja iga tsoon saab lämmastikuannuse, mis on kalibreeritud vastavalt selle konkreetse põllukultuuri vajadusele.

Kaugseire ja muutuva kiirusega tehnoloogia moodustasid koos 58% täppispõllumajanduse tehnoloogia turuosast 2025. aastal (Precedence Research, 2026), mis peegeldab, kui keskseks on see töövoog muutunud kaubandusliku maisi tootmises.

2025. aasta uuring Põllumajandus (MDPI) leidis, et mõõdukad lämmastiku annused 120–180 kg ha⁻¹ pakkus maisile optimaalset toitainete taset, suurendades saagikust kuni 5,086 t ha⁻¹ võrreldes väetamata kontrollgrupiga, kusjuures NDVI-põhine seire osutub tõhusaks mitte ainult saagikuse optimeerimiseks, vaid ka konkreetselt kohapõhiste väetamisstrateegiate suunamiseks.

NDVI-põhine lämmastikuhaldus pärast viljastumist (kui VI ja saagikuse korrelatsioon saavutab haripunkti) võib asendada traditsioonilisi ainult mullakatsetel põhinevaid väetamismeetodeid ning parandada oluliselt nii sisendi efektiivsust kui ka teraviljasaaki.

Platvormid, mida kasutatakse taimestiku indeksiandmete kogumiseks

1. Satelliidipildid

Satelliidid nagu Sentinel-2 (10 m resolutsioon, 5-päevane korduskülastus) ja Planet Labs (3 m resolutsioon, iga päev korduskülastus) pakuvad järjepidevaid ja ilmastikuoludele vastavaid spektraalandmeid suurtel aladel madala hektarihinnaga.

Sentinel-2 punaste servaribade (B5, B6, B7 lainepikkustel 705, 740, 783 nm) kaasamine muudab selle eriti väärtuslikuks NDRE ja CI punaste servade arvutuste jaoks piirkondlikes maisi seireprogrammides. Piiranguks on pilvkate: pilvine periood kriitilise kasvuakna ajal võib tekitada andmelünki, mis katkestavad ajalist seiret.

2. Droonipõhine kaugseire

Multispektraalsete kaameratega varustatud fikseeritud tiivaga ja mitme rootoriga droonid pakuvad välimõõtkavas kujutisi resolutsiooniga 2–10 cm piksli kohta. See detailsusaste eraldab üksikuid taimeridu, võimaldades mõõta võra tervise varieeruvust rea sees.

Drooniuuringuid saab ajastada vastavalt vajadusele, olenemata satelliidi ülelennu ajastusest, mistõttu sobivad need ideaalselt andmete kogumiseks täpsetel agronoomilistel otsustushetkedel, näiteks lämmastikväetise lisamisel või niisutamise ajakava koostamisel.

3. Mehitamata õhusõidukite multispektraalsed kaamerad

Multispektraalsed kaamerad, näiteks MicaSense RedEdge, Parrot Sequoia ja DJI Zenmuse P1, jäädvustavad kujutisi samaaegselt viies või enamas kitsas spektraalribas, sealhulgas punane, roheline, sinine, punase servaga ja lähiinfrapuna (NIR).

Need süsteemid sisaldavad kalibreeritud peegelduspaneeli ja päikesesensorit, et normaliseerida andmeid lennu ajal erinevate valgustingimuste jaoks, mis on oluline täpsete ja reprodutseeritavate indeksiväärtuste, mitte suhteliste võrdluste saamiseks.

4. Käeshoitavad saagisensorid

Aktiivsed optilised andurid, nagu GreenSeeker ja CropCircle, kiirgavad oma valgusallikat ja mõõdavad üksikute taimede peegeldust lähedalt, kõrvaldades muutuva päikesevalguse mõju.

Neid andureid kasutatakse lämmastikusisalduse kiireks hindamiseks põllul kindlates proovivõtupunktides. Nende andmed täiendavad droonide ja satelliidipilte, pakkudes maapealseid mõõtmisi, mis kinnitavad kaugseire indeksi väärtusi teadaolevates asukohtades.

5. Traktorile paigaldatud andurid

Traktorile paigaldatud aktiivandurid, näiteks John Deere Hagie ja Trimble GreenSeeker RT, skaneerivad maisi võrastikku pidevalt, kui traktor põllul liigub, ja edastavad reaalajas NDVI-andmed otse muutuva normi kontrollerisse. See suletud ahelaga süsteem võimaldab väetisenormi reguleerida liikvel olles, tuginedes reaalajas saagi seisundi andmetele, ilma eraldi andmetöötlusetapita andurite ja pealekandmise vahel.

Maisipõldudel taimkatte indeksi täpsust mõjutavad tegurid

1. Mulla taust

Paljastunud mullal on oma spektraalne signatuur, mis sulandub taimevõra signaaliga, eriti kui taimekate on alla 50%. Mulla järgi korrigeeritud indeksid (SAVI, MSAVI, OSAVI) on loodud selle mõju minimeerimiseks, kuid mulla värvus, niiskus ja orgaanilise aine sisaldus mõjutavad indeksi väärtusi siiski varajase hooaja piltidel. Indeksi läviväärtuste kalibreerimine piirkonna konkreetsete mullatüüpide jaoks parandab tõlgendamise täpsust.

2. Pilvkate

Pilved blokeerivad päikesekiirgust ja põhjustavad maapinnale muutlikku varju, mistõttu on satelliitide ja droonide passiivsete andurite peegeldusmõõtmised ebausaldusväärsed.

Aktiivsed andurid on pilvkatte suhtes immuunsed, kuna nad toodavad ise oma valgustust. Pilvkate on kõige olulisem tegur, mis piirab satelliidipõhise viskoossuse seire kasulikkust piirkondades, kus kasvuperioodil on pilvisus suur.

3. Päikese nurk

Madalad päikesenurgad suurendavad võrastiku varju osakaalu, vähendades kunstlikult lähiinfrapunakiirguse peegeldust ja moonutades indeksi väärtusi. Mehitamata õhusõidukite lennud, mida sooritatakse kohaliku päikeseaja järgi kella 10.00 ja 14.00 vahel, minimeerivad varjude mõju ja annavad järjepidevamaid andmeid. Lennuaja järjepidevus korduvate uuringute puhul on sama oluline kui absoluutne ajastus, sest see võimaldab kuupäevade vahel sisukat võrdlust.

4. Saagi tihedus

Taimepopulatsioon mõjutab otseselt võra sulgumist ja seega ka seda, kui kiiresti VI väärtused istutamisest võra sulgumiseni tõusevad. Väiksema taimepopulatsiooniga põllud sulguvad võra hiljem, mis pikendab perioodi, mille jooksul mulla taust segab indeksi näitu. Tärkamispiltidelt saadud populatsioonikaardid võimaldavad VI läviväärtusi korrigeerida vastavalt kohalikule tiheduse kõikumisele.

5. Kasvufaas

Sama VI väärtus tähendab eri kasvufaasides erinevaid asju. NDVI väärtus 0,5 V6-s võib viidata tervele ja hästi arenevale võrale, samas kui NDVI väärtus 0,5 VT-s viitaks märkimisväärsele stressile.

VI väärtuste tõlgendamine ilma kasvufaasi arvestamata viib põllukultuuri seisundi vale klassifitseerimiseni. Ajaseeria analüüs, mis võrdleb praeguseid väärtusi eeldatavate hooajaliste kõveratega, korrigeerib seda, asetades iga näidu konteksti põllukultuuri arengutrajektoori sees.

6. Anduri eraldusvõime

Jämedama lahutusvõimega andurid segavad ühes pikslis põllukultuuride, mulla ja põlluservade spektraalsignaale – seda probleemi nimetatakse “segapiksliteks”. Sentinel-2 10 m lahutusvõimega katab üks piksel 100 m² maapinda, mis sageli hõlmab mitut põllukultuuride rida ja ridadevahelist mulda.

Kõrgema eraldusvõimega droonipildid (5 cm piksli kohta) kõrvaldavad segapikslid ja pakuvad palju puhtamat võra spektraalsignaali, kuid suurema andmemahu ja töötlemisaja hinnaga.

Maisi seire vegetatsiooniindeksite piirangud

1. Küllastus tihedates võrades

NDVI, kõige laialdasemalt kasutatav indeks, küllastub LAI väärtustel üle umbes 3 m²/m², mille mais tavaliselt saavutab V10-ks. Sellest lävest ületava korral põhjustab võra roheluse või biomassi täiendav suurenemine NDVI-s tühiseid muutusi. EVI, GNDVI ja NDRE on loodud selle piirangu lahendamiseks, kuid vajavad rohkem spektraalribasid kui NDVI ja pole alati odavamate andurite abil saadaval.

2. Ilmastikust sõltuvus

Passiivsed kaugseiresüsteemid sõltuvad pidevast päikesevalgusest. Pilvkate, vine ja atmosfääri aerosoolid neelavad ja hajutavad sissetulevat päikesekiirgust enne, kui see jõuab põllukultuurideni ja tagasi andurisse, moonutades peegeldusväärtusi.

Andmetöötluse ajal rakendatud atmosfääri korrektsiooni algoritmid vähendavad, kuid ei kõrvalda seda mõju. Troopilistes maisikasvatuspiirkondades, kus on pikad pilvised aastaajad, võivad andmelüngad olla piisavalt sagedased, et aegridade seiret kahjustada.

3. Segatud pikslid

Madala ruumilise resolutsiooni korral jäädvustavad pikslid signaale nii põllukultuuride võrast kui ka mullast, teedelt, niisutusseadmetelt või põlluservadest. Saadud segapikslite peegeldusvõime annab indeksiväärtused, mis ei esinda ainult võra. Põllupiiride maskeerimine ja suurima võimaliku ruumilise resolutsiooniga anduri kasutamine on selle vea minimeerimiseks standardsed tavad.

4. Kalibreerimisnõuded

Täpsete ja reprodutseeritavate indeksiväärtuste saamiseks on vaja anduri radiomeetrilist kalibreerimist, atmosfäärimõjude korrigeerimist ja droonide lendude ajal muutuva valgustuse normaliseerimist. Nende sammude vahelejätmine annab suhtelised VI kaardid, mida ei saa võrrelda kuupäevade või põldude vahel, mis piirab nende kasulikkust aegridade jälgimiseks ja mitme välja võrdlusanalüüsiks.

5. Vajadus maapealse tõe valideerimise järele

Taimestikuindeksid on kaudsed mõõtmised. Need hindavad põllukultuuride omadusi – klorofülli, lämmastikku, biomassi – spektraalmustrite ja bioloogiliste muutujate korreleerimise teel, mitte neid otseselt mõõtes.

Iga viskoossusindeksil (VI) põhinev põllukultuuri hindamine saab kasu maapealsest tõesuse kontrollimisest: lehtede lämmastiku füüsikalised mõõtmised, klorofülli mõõturi näidud või hävitava biomassi proovid, mis on võetud representatiivses alamhulgas üle põllu. Maapealsed tõesuse andmed kinnitavad kaugseire tõlgendust ja hoiavad ära valediagnoose.

Parimad tavad taimkatteindeksite kasutamiseks maisipõldudel

1. Õige indeksi valimine

Indeksi valik peaks vastama seire eesmärgile ja saadaolevale andurile. Lämmastiku hindamiseks valige NDRE või CI Red Edge, kui punane servariba on saadaval. Varajase puistu hindamiseks kasutage SAVI- või MSAVI-süsteeme.

Tipphooaja võrade jälgimiseks ja saagikuse prognoosimiseks kasutage EVI-d või NDVI-d koos GNDVI või NDRE-ga. Vältige NDVI üksi kasutamist hooaja alguses või suure võrade tiheduse korral – selle piirangud mõlemas stsenaariumis on hästi teada.

2. Õige kasvufaasi valimine

Andmete kogumise ajastus agronoomiliste otsuste tegemise hetkedeks maksimeerib VI-andmete haldusväärtust. Maisi praktiline seirekava hõlmaks järgmist:

1. V2–V4 (tärkamiskontroll): Kasutage puistute ühtluse hindamiseks ja taasistutustsoonide kindlakstegemiseks SAVI-d või MSAVI-d.
2. V6 (lämmastiku lisamise otsus): Kasutage lämmastiku staatuse kaardistamiseks ja muutuva normiga ettekirjutuse genereerimiseks NDRE-d või CI Red Edge'i.
3. V10–V12 (võrade sulgumine): kasutage NDVI-d ja EVI-d biomassi hindamiseks ja ebaefektiivsete majandamistsoonide märgistamiseks.
4. VT (tupsumine): Kasutage NDVI-d ja GNDVI-d võra kõrguse hindamiseks ja tolmeldamise ajal stressi ohus olevate alade tuvastamiseks.
5. R3 (piimajärk): Kasutage NDVI-d ja NDWI-d veestressi tuvastamiseks ja terade täitumise edenemise hindamiseks.
6. R6 (küpsus): Kasutage indeksiandmeid hooajalise VI trajektoori korreleerimiseks saagikusega mudeli kalibreerimiseks.

3. Mitme indeksi kombineerimine

Ükski indeks ei kajasta maisi saagi seisundi täielikku keerukust. Kahe või enama erinevatele bioloogilistele signaalidele suunatud indeksi kombineerimine annab rikkamad diagnostilised kaardid. Lämmastiku staatuse NDRE, üldise biomassi NDVI ja veesisalduse NDWI kombinatsioon hõlmab kolme kõige levinumat maisi tootmise piiravat tegurit. Mitme indeksi liitmine masinõppemudelites annab mõõdetavalt suurema saagikuse ennustamise täpsuse kui ükski ühe indeksi lähenemisviis.

4. Maapealsete vaatluste integreerimine

VI kaarte tuleks alati tõlgendada koos välitööde vaatlustega. Kui droonikaardil ilmneb VI anomaalia, kinnitab füüsiline välikülastus selles asukohas, kas spektraalsignaal peegeldab tegelikku agronoomilist probleemi – lämmastikupuudust, tihenemist, vettimist, kahjurite kahjustusi – või anduri müra, varju või mulla varieeruvuse artefakti. Maapealsed vaatlused pakuvad ka treeningandmeid, mida on vaja kohalike VI läviväärtuste kalibreerimiseks konkreetsete hübriidide, muldade ja majandamissüsteemide jaoks.

5. Ajaseeria analüüsi kasutamine

Üks VI-pilt on hetktõmmis. Ajaseeria piltidest tärkamisest kuni küpsuseni on terve lugu. Indeksi väärtuste ajas joonistamine näitab kasvutrajektoore, mis tuvastavad stressisündmused nende toimumise kuupäeva, raskusastme ja kestuse järgi. Ajaseeria andmed võimaldavad ka võrrelda praegust hooaega ja ajaloolisi võrdlusaluseid, pakkudes konteksti, mida ühe kuupäevaga pildid ei suuda pakkuda.

Maisi kasvu jälgimise tulevased trendid

1. Tehisintellekt

Tehisintellekti algoritme rakendatakse üha enam taimestiku indeksiandmete puhul, et automatiseerida tõlgendamisülesandeid, mis praegu nõuavad agronoomi hinnangut. Suurtel VI-andmekogumitel treenitud süvaõppemudelid suudavad multispektraalsete piltide põhjal sekunditega klassifitseerida stressi tüübi, raskusastme ja ruumilise ulatuse, märgistades agronoomi ülevaatamiseks tegutsemist vajavad tsoonid, selle asemel et iga pilti täielikult käsitsi analüüsida.

Põllumajandusturul hinnati tehisintellekti väärtuseks 2,1 miljardit USA dollarit 2023. aastal ja prognooside kohaselt kasvab see 2032. aastaks üle 241 miljardi USA dollari suuruse aastase kasvumääraga. (GMI, 2025), mis peegeldab selle võimekuse kiiret turustamist.

2. Masinõppe mudelid

Mitme indeksiga ja mitme ajalise iseloomuga andmekogumitele rakendatud Random Forest, XGBoost ja konvolutsioonilised närvivõrgud (CNN-id) ületavad järjepidevalt traditsioonilisi regressioonipõhiseid VI-saagikuse mudeleid.

Maisi saagikuse ennustamiseks GBM-i (gradient boosting machine) abil tehtud uuring saavutati R² väärtused 0,78 VI aegridade integreerimisel meteoroloogiliste andmetega ületab see lihtsamaid regressioonimeetodeid.

Need mudelid õpivad spektraalsete mustrite ja agronoomiliste tulemuste vahel keerulisi mittelineaarseid seoseid, mida lineaarsed mudelid ei suuda tabada.

3. Hüperspektraalne pildistamine

Hüperspektraalsed andurid jäädvustavad peegeldusandmeid samaaegselt sadades kitsastes spektraalribades, võrreldes tüüpiliste multispektraalsete kaamerate viie kuni kümne ribaga. See spektraaltihedus võimaldab tuvastada põllukultuuride stressisignaale, mis langevad kitsastesse spektraalakendesse, mis on lairibaanduritele nähtamatud.

Maisi puhul valideeritakse aktiivselt haiguste tuvastamise, raskmetallide stressi ja mikrotoitainete puuduse hüperspektraalseid indekseid ning kaubanduslikud mehitamata õhusõidukite hüperspektraalsed süsteemid muutuvad üha taskukohasemaks.

4. Saagi jälgimine reaalajas

Andurite miniaturiseerimise, satelliitide konstellatsiooni laiendamise ja 5G-ühenduvuse kombinatsioon liigub reaalajas põllukultuuride seisundi jälgimise suunas – kus VI andmed on kasvuperioodil pidevalt kättesaadavad, mitte iganädalaselt või iga kahe nädala tagant.

Planet Labsi igapäevane satelliidikülastuste määr ja IoT-toega väliandurite juurutamine, mis edastavad andmeid pilveplatvormidele, pakuvad juba varajastele kasutuselevõtjatele peaaegu reaalajas jälgimisvõimalust.

DJI droonipõhised kaugseiresüsteemid on teatanud a Keemilise sisendkoguse vähenemine 67,78% võrra kui VI-andmetest saadud retseptikaardid edastavad muutuva normiga pritsimissüsteeme (Mordor Intelligence, 2026).

5. Integreerimine täppispõllumajanduse süsteemidega

Järgmine samm maisi VI seires on sujuv integreerimine andmete kogumise, töötlemise, tõlgendamise ja põllul tegutsemise vahel. Pilvepõhised põllumajandusettevõtete haldusplatvormid ühendavad juba satelliit- ja droonipiltide torujuhtmeid otse muutuva külvikiirusega kontrolleri tarkvaraga, lühendades aega andmete kogumisest põllul tegutsemiseni päevadelt tundidele.

Kuna pilditeenuse pakkujate, agronoomilise tarkvara ja põllumajandustehnika vahelised API-d standardiseeritakse, muutub töövoog alates “droonilennust” kuni “muutuva normiga retsepti rakendamiseni” kättesaadavaks igas mastaabis tootjatele.

Korduma kippuvad küsimused

Milline vegetatsiooniindeks on maisi jaoks parim?
Ükski indeks pole universaalselt parim. NDRE annab parima tulemuse lämmastikusisalduse hindamisel, SAVI varajases staadiumis seirel, EVI tiheda võra tingimuste hindamisel ja NDVI üldise biomassi ja saagikuse korrelatsiooni hindamisel. Kahe või kolme seire eesmärgiga kohandatud indeksi kombineerimine annab järjepidevalt parema tulemuse kui mis tahes üksikindeks.

Kui tihti tuleks taimestiku indekseid jälgida?
Täishooajalise maisikasvatuse puhul on soovitatav seireintervall V4 kuni R3 perioodil iga 7–14 päeva. Kriitilised otsustusaknad (V6 lämmastiku jaoks, VT stressi hindamiseks, R3 niisutamiseks) õigustavad lende või satelliidipõhist andmete kogumist olenemata standardsest seiregraafikust.

Milline vegetatsiooniindeks toimib maisi varajase kasvu ajal kõige paremini?
SAVI ja MSAVI toimivad kõige paremini alates tärkamisest kuni V4-ni, kuna need vähendavad paljastunud mulla mõju indeksi väärtusele, andes olulisi võra mõõtmisi isegi siis, kui pinnakatte tihedus on alla 30%.

Kas taimestikuindeksid suudavad haigust enne sümptomite ilmnemist tuvastada?
Uuringud näitavad, et lehtede haigused muudavad nakatunud lehtede spektraalset signatuuri enne nähtavate kahjustuste ilmnemist. Punase serva indeksid on haiguse varajaseks avastamiseks kõige tundlikumad, kuna need reageerivad klorofülli lagunemisele nakatunud koes. Avastamise etteteatamise aeg sõltub haiguse tüübist ja raskusastmest, kuid kontrollitud uuringutes on näidatud varajast avastamist 5–10 päeva enne visuaalsete sümptomite ilmnemist.

Kokkuvõte

Maisi kasvu jälgimiseks kasutatavad taimestikuindeksid on jõudnud kaugemale kui pelgalt teaduslik uudishimu. Need on nüüd praktilised ja välitingimustes testitud tööriistad, mis annavad põllumeestele ja agronoomidele võimaluse näha saagi stressi, lämmastikupuudust ja saagikust piiravaid tingimusi nädalaid enne, kui need probleemid nähtavaks muutuvad – ja enne, kui need põhjustavad pöördumatut saagikadu. Õige indeksi valimine iga kasvufaasi jaoks ei ole väike tehniline detail; see on erinevus tegeliku probleemi tuvastamise ja eksitavate andmete genereerimise vahel. Mitme indeksi – NDRE lämmastiku jaoks, EVI tiheda võra biomassi jaoks, NDWI vee seisundi jaoks – kombineerimine annab diagnostilise pildi, mida ükski mõõtmine ei suuda anda. Selle spektraalpildi integreerimine füüsiliste välivaatlustega maandab andmed agronoomilise reaalsusega ja hoiab ära väärtõlgenduse, mis tuleneb ainult kaugseirele tuginemisest.

Mehitamata õhusõidukid (UAV-d) ehk droonid muudavad tänapäeva põllumajandust, pakkudes kiireid õhust tehtud pilte põldudest. Neid kasutatakse põllukultuuride skaneerimiseks tervise, kasvufaasi, kahjurite, umbrohtude ja saagikuse hindamiseks. Näiteks Hiinas on praegu töös üle 250 000 põllumajandusdrooni ja Tais oli 2023. aastaks droonide pritsimise või seirega kaetud umbes 301 000 põllumajandusmaad. Need UAV-d muudavad põllumajanduse tõhusamaks, tuvastades kiiresti probleeme (näiteks kahjurite puhangud või veepuudus), mida maapinnal võib märkamata jätta.

Väikestel mehitamata õhusõidukitel on aga väga piiratud pardal olev arvutusvõimsus ja aku tööiga. Seetõttu on keerukate tehisintellekti nägemisalgoritmide käitamine neil reaalajas keeruline. Traditsioonilised kerged objektide tuvastamise mudelid (nagu pisikesed YOLO või MobileNeti-põhised detektorid) suudavad neid vajadusi vaid osaliselt rahuldada: need ohverdavad sageli täpsust või kiirust ning vajavad märkimisväärset käsitsi häälestamist. See lünk motiveerib juurutamisega seotud teadlikku närviarhitektuuri otsingut (NAS): automatiseeritud disainimeetodit, mis kohandab süvaõppe mudeleid väljale paigutatud mehitamata õhusõidukite täpsetele nõuetele.

Kaasaegne täppispõllumajandus kasutab põldude uurimiseks ja põllukultuuride seisundi jälgimiseks mehitamata õhusõidukeid (droone). Suurte alade kohal lennates saavad droonid teha taimede, mulla ja põllumustrite kõrge eraldusvõimega pilte. Need pildid suunatakse arvutinägemise algoritmidele, mis tuvastavad põllukultuuride hulgas umbrohtu, hindavad saagikust (nt lugedes vilju või peasid) või märkavad varajasi haiguse või toitainete puuduse märke. Näiteks võimaldavad droonid umbrohulaikudele sihipärast herbitsiidide pritsimist, vähendades kemikaalide kasutamist ja kulusid.

Droonide väikestel pardaarvutitel (mille võimsus on sageli piiratud mõne vatiga) on aga raskusi suurte närvivõrkude lennukiirusel käitamisega. See raskendab reaalajas analüüsi tegemist: kui droon näeb probleemi, peab see kiiresti reageerima või andmed enne aku tühjenemist logima. Praegused kergekaalulised detektorid (nt YOLOv8 nano, YOLO-tiny, MobileNets) on käsitsi disainitud ja hõlmavad sageli kompromisse: mudeli väiksemaks muutmine kiirendab seda, kuid võib täpsust kahjustada.

Seetõttu on suur vajadus meetodite järele, mis leiavad automaatselt parima võimaliku mudeli, arvestades mehitamata õhusõiduki piiranguid. Juurutamist toetav NAS vastab sellele vajadusele, otsides närvivõrgu arhitektuure, mis optimeerivad ühiselt tuvastustäpsust ja ressursikasutust (latentsus, võimsus, mälu) reaalsetes mehitamata õhusõidukite tingimustes. See lähenemisviis võimaldab luua spetsiaalseid mudeleid, mis töötavad droonide riistvaral tõhusalt, säilitades samal ajal suure täpsuse saagi seireülesannete jaoks.

Mehitamata õhusõidukite objektide tuvastamise nõuded põllukultuuride seiramisel

Põllumajanduslikud mehitamata õhusõidukid täidavad mitmesuguseid visuaalse tuvastamise ülesandeid, millel kõigil on oma nõuded:

1. Saagi tervis ja stressi tuvastamine: Droonid kasutavad stressis taimede, toitainete puuduse või haigussümptomite tuvastamiseks RGB-, termo- või multispektraalseid kaameraid. Reaalajas algoritmid suudavad kaardistada põldude varieeruvust, suunates niisutamist või väetamist. Taimede stressimärkide täpne tuvastamine võimaldab õigeaegselt sekkuda saagikuse säästmiseks.

2. Umbrohu tuvastamine: Umbrohtude tuvastamine põllukultuuride seas võimaldab põllumeestel pritsida ainult soovimatuid taimi, säästes seeläbi herbitsiidikulusid. Näiteks puuvillapõldudel läbi viidud uuringus kasutati YOLOv7-põhise detektoriga mehitamata õhusõidukite pilte ja saavutati umbrohtude puuvillast eraldamisel umbes 83% täpsus. Siiski on visuaalselt sarnaste umbrohtude ja põllukultuuride eristamine tihedate põllupiltide puhul endiselt keeruline.

3. Kahjurite ja haiguste avastamine: Mehitamata õhusõidukid suudavad haiguspuhanguid (nt rohutirtsud, putukad või seenhaigused) märgata varem kui jalgsi liikuvad inimesed. Droonid toetavad ka kahjuritega nakatunud piirkondade kaardistamist multispektraalse pildistamise abil, mis täiustab ainult RGB-d. Kiire ja täpne kahjurite tuvastamine on leviku tõkestamiseks ülioluline.

4. Saagikuse hindamine: Puuviljade, teraviljapeade või taimede loendamine õhust aitab ennustada saagikoguseid. Mudelid, mis on treenitud mehitamata õhusõidukite piltidelt õunu, meloneid või nisupeasid tuvastama, võivad saagikuse hindamist kiirendada. Näiteks on droonide piltidel olevaid närvivõrke kasutatud arbuusi- ja melonisaagi loendamiseks põldudel.

5. Mõõdistamine ja kaardistamine: Droonid loovad ka põllukaarte (topograafia, mullaerinevused), mis aitavad harimist planeerida. Kuigi see ei ole otseselt objektide tuvastamine, on see osa droonide seirest.

Need ülesanded nõuavad sageli peaaegu reaalajas järelduste tegemist: põldude kohal lendav droon võib vajada videokaadrite töötlemist lennult (mitu kaadrit sekundis), et juhtimisotsuseid (näiteks kõrguse reguleerimine või pihusti aktiveerimine) saaks teha kohe. Teistel juhtudel võivad väikesed viivitused (sekundid) olla vastuvõetavad, kui andmed logitakse ja analüüsitakse pärast maandumist.

Oluline on see, et mehitamata õhusõidukite nägemine peab hakkama saama keskkonna varieeruvusega: ere päikesevalgus, varjud, tuulest tingitud liikumise hägustumine, kattuvate lehtede tekitatud varjamine või kõrguse ja nurga muutused. Objektide suurused on erinevad (lähivaates olevad umbrohud vs kauged kahjurite kobarad), seega peavad detektorid hakkama saama mitmeskaalaliste tunnustega.

Lõpuks hõlmavad põllumajanduslike mehitamata õhusõidukite missioonid rangeid kompromisse täpsuse, latentsuse ja energiatarbimise vahel. Umbrohtude või kahjurite märkamata jätmise vältimiseks on vaja suurt tuvastustäpsust, kuid väga sügava võrgu käitamine võib aku kiiresti tühjendada. Seetõttu peab tuvastusmudel olema kiire ja energiatõhus, olles samas ülesande jaoks piisavalt täpne. Need ranged nõuded toovad esile, miks põllumajanduses kasutatavate mehitamata õhusõidukite jaoks on vaja spetsiaalset mudelidisaini.

Kerged objektidetektorid mehitamata õhusõidukite platvormidele

Kerged objektidetektorid on närvivõrgud, mis on spetsiaalselt loodud töötama piiratud riistvaral. Need kasutavad sageli väikeseid selgroogvõrke (nagu MobileNet või ShuffleNet), vähendatud kihtide laiust või lihtsustatud kaela/pea disaini. Näiteks YOLO perekonna mudelid hõlmavad “nano” ja “pisikesi” versioone (nt YOLOv8n, YOLOv5s), millel on vähem parameetreid ja mis vajavad vähem operatsioone (FLOP-e).

Sellised detektorid suudavad töötada kümnete kaadrite sekundis manustatud riistvaral, näiteks NVIDIA Jetson Nano või Google Coral. Näiteks Ag-YOLO oli palmiistanduste jaoks kohandatud YOLO-põhine detektor, mis töötas Intel Neural Compute Stick 2-l kiirusega 36,5 kaadrit sekundis (tarbides ainult 1,5 W) ja saavutas suure täpsuse (F1 = 0,9205). See mudel kasutas umbes 12 korda vähem parameetreid kui YOLOv3-Tiny, kahekordistades samal ajal oma kiirust.

Need näited näitavad mudeli kujundamisel tehtavaid kompromisse: mudeli suuruse või keerukuse vähendamine (nt vähem kihte või kanaleid) kiirendab tavaliselt järelduste tegemist ja vähendab energiatarbimist, kuid võib vähendada täpsust. Ag-YOLO ohverdas kiiruse ja efektiivsuse suurendamiseks osa võimsusest, säilitades siiski oma ülesandes kõrge F1 skoori 0,92.

Samamoodi võrreldi kolme YOLOv7 varianti umbrohu tuvastamise osas: täielik YOLOv7 saavutas täpsuse 83%, samas kui väiksem YOLOv7-w6 variant saavutas täpsuse 63%-ni. See illustreerib üldiste kergete detektorite piirangut: ühe keskkonna või objektitüübi jaoks häälestatud mudelid võivad teises keskkonnas või objektitüübis kehvemini toimida. Kiiruse osas kitsendatud detektor võib mööda vaadata peentest vihjetest (nt väikesed või kamuflaažitud umbrohud), mis kahjustab vastupidavust erinevates tingimustes.

Põllumajanduses ei pruugi need üldised kerged võrgud olla optimaalsed ilma edasise kohandamiseta. Näiteks ei pruugi tavaliste andmekogumite põhjal eelnevalt treenitud YOLOv7 mudel põllukultuuride kujutiste unikaalsete tekstuuride ja skaaladega ideaalselt toime tulla. Seega on vaja mudeli arhitektuuri ülesande- ja platvormipõhist optimeerimist. Iga uue droonitüübi või põllukultuuri sordi käsitsi häälestamine (kihtide, filtrite jms muutmine) on töömahukas. See motiveerib automatiseeritud meetodeid – näiteks juurutamist arvestavaid NAS-e –, et leida antud mehitamata õhusõiduki platvormi ja põllumajandusliku rakenduse jaoks parim tasakaal suuruse, täpsuse ja töökindluse vahel.

Neuraarhitektuuri otsing mehitamata õhusõidukitel põhinevates nägemissüsteemides

Neuraalvõrgu arhitektuuri otsing (NAS) on automatiseeritud meetod närvivõrgu arhitektuuride kujundamiseks. Kihtide, filtrite ja ühenduste arvu käsitsi määramise asemel kasutab NAS algoritme (tugevdusõpe, evolutsioonimeetodid või gradiendipõhine otsing), et uurida võimalike disainide ruumi ja leida need, mis optimeerivad valitud eesmärki (näiteks täpsust).

NAS-i on juba rakendatud mobiilisõbralike võrkude loomiseks. Näiteks Google'i MnasNet oli teedrajav “platvormteadlik” NAS, mis lisas eesmärgis otse reaalse seadme latentsuse. MnasNet mõõtis otsingu ajal iga kandidaatmudeli järeldamisaega Google Pixeli telefonis ja tasakaalustas täpsuse selle mõõdetud latentsusega. Tulemuseks oli CNN-ide perekond, mis olid mobiilse riistvara puhul nii kiired kui ka täpsed, edestades käsitsi loodud MobileNetsi ja NASNeti mudeleid ImageNetis.

Siiski keskenduvad üldised NAS-lähenemisviisid, nagu MnasNet, üldistele nägemisülesannetele (ImageNeti klassifikatsioon või COCO tuvastamine) ja üldisele riistvarale (nt mobiiltelefonid). Mehitamata õhusõidukite saagi jälgimise puhul on probleem spetsialiseeritum. Me tahame detektoreid, mis on optimeeritud konkreetsete objektiklasside (taimed, umbrohud, kahjurid) jaoks ja kohandatud mehitamata õhusõiduki andurite ja lennuprofiiliga. Standardne NAS, mis optimeerib ainult täpsuse või üldise latentsuse jaoks, võib tähelepanuta jätta sellised nüansid nagu väikeste objektide tuvastamine või energiapiirangud.

Samuti võivad traditsioonilised NAS-meetodid olla arvutuslikult väga kallid (sageli nõuavad need suurtel GPU-klastritel päevi), mis pole põllumajandusteadlaste jaoks alati praktiline. Seetõttu on mehitamata õhusõidukite nägemise jaoks vaja ülesandespetsiifilisi NAS-raamistikke. Need peavad sisaldama mehitamata õhusõidukite jaoks olulisi kriteeriume ja olema võimalikult tõhusad.

Kõigil juhtudel on piirangute teadvustamine kriitilise tähtsusega: NAS peab olema teadlik sihtseadme piirangutest (sarnaselt MnasNetiga) ja lennu ajal toimuvate mehitamata õhusõidukite ülesannete reaalajas nõudmistest. Kui otsing on liiga aeglane või ignoreerib energiatarbimist, ei pruugi saadud mudel tegelikult välitingimustes hästi töötada.

Praktikas lisaks mehitamata õhusõidukite nägemise NAS riistvara latentsuse ja energia otse otsingumõõdikusse. Näiteks saaks mõõta kandidaadidetektori kaadrisagedust tegeliku drooniarvuti (näiteks NVIDIA Jetson) peal ja kasutada seda skoorina. See erineb lihtsate puhverserverite, näiteks FLOP-ide kasutamisest, mis ei jäädvusta reaalset kiirust.

Nii toimides saab NAS avastada arhitektuure, mis seadme võimalusi kõige paremini ära kasutavad. Kokkuvõttes pakub NAS võimalust mehitamata õhusõidukite detektorite automaatseks kujundamiseks, kuid seda tuleb kohandada, et arvestada mehitamata õhusõidukite eripäraste ülesannete ja efektiivsusnõuetega.

Juurutusteadlik NAS: põhiprintsiibid

Juurutusteadlik NAS laiendab riistvarateadlikku NAS-i, lisades disainiprotsessi juurutamise konteksti ja keskkonnapiirangud. Teisisõnu, see arvestab lisaks drooni riistvarale (protsessori/graafikaprotsessori kiirus, mälupiirangud, energiaeelarve) ka sellega, millega mehitamata õhusõiduk tegelikult väljas kokku puutub. See tähendab selgesõnalist optimeerimist selliste näitajate jaoks nagu sihtseadme latentsusaeg, energiatarve ja mälukasutus, püüdes samal ajal saavutada suurt tuvastustäpsust.

Näiteks NAS-i ajal saaks iga kandidaatmudeli paigutada mehitamata õhusõiduki külge kinnitatud Jetson Nanole ja salvestada selle reaalse järeldusaja ja energiatarbimise. See empiiriline tagasiside aitab suunata otsinguid mudelite poole, mis vastavad tõeliselt juurutamiskriteeriumidele.

Riistvarapõhine NAS (nagu MnasNet) keskendub seadme mõõdikutele, samas kui juurutuspõhine NAS läheb kaugemale: see võib arvestada andurite sisendomadustega (nt pildi eraldusvõime, multispektraalsed kanalid) ja rakenduse latentsusaegade sihtmärkidega (vajalik kaadrisagedus sekundis). See võib isegi lisada lennupiiranguid, näiteks maksimaalselt lubatud mälumahtu, või lisada hindamisi simuleeritud tuulevärina või liikumise hägususe korral.

Kasutustundlik NAS võib karistada arhitektuure, mis ületavad näiteks 5W energiatarvet või vajavad rohkem mälu, kui droonil endal on. Nii tehes kaldub otsing loomulikult mehitamata õhusõiduki välitöödeks mõeldud praktiliste mudelite poole. Sisuliselt seisneb kasutustundlik NAS mudeli kujundamise ja reaalse kasutamise vahelise ahela sulgemises. Selle asemel, et valida arhitektuur eraldi ja loota, et see töötab, hõlmab see otsingu käigus süstemaatiliselt reaalsete seadmete testimist.

Näiteks Kerec jt (2026) kasutasid sellist raamistikku mehitamata õhusõiduki detektori otsimiseks: nad ehitasid YOLOv8n baasjoonele, kuid kaasasid otsingusse Jetson Nano latentsuse ja energia. Saadud mudelil oli 37% vähem GFLOP-e ja 61% vähem parameetreid kui YOLOv8n-il, kusjuures mAP langus oli vaid 1,96%. See näitab selgelt, kuidas juurutamise piirangud suunasid NAS-i palju kergema ja kiirema võrgu poole.

Kasutustundliku NAS-i roll täppispõllumajanduse seirel

Lähenemisteadlik NAS saab oluliselt parandada mehitamata õhusõidukite saagi seiret, kohandades detektoreid põllumajanduslikele tingimustele. Näiteks võib otsingu puhul eelistada arhitektuure, mis sobivad suurepäraselt väikeste, õhukeste objektide (nagu kitsad umbrohud või õhukesed maisiistikud) tuvastamiseks või taimede eristamiseks mulla taustast. See saab võrgu sügavust ja vastuvõtlikke välju kohandada tüüpilise lennukõrguse järgi: madalal kõrgusel täidavad objektid pildi ja võivad vajada peeneid detaile, samas kui suuremal kõrgusel peaks võrk olema hea väikesemahulise tuvastamise jaoks. Lähenemisteadlik NAS saab need nõuded oma otsinguruumi kodeerida.

Kiirus on välitingimustes kriitilise tähtsusega. Kujutage ette, et droon tuvastab kahjurite puhangu; kui mudel on piisavalt kiire, et töödelda videot näiteks kiirusega 30 kaadrit sekundis, saab see pilooti hoiatada või käivitada viivitamatu reageerimisoperatsiooni. Testides töötas NAS-i abil disainitud mudel Jetson Nanol tänu optimeeritud arhitektuurile 28% kiiremini kui tavaline YOLOv8n. See tarbis ONNX-i tööajal ka 18,5% vähem energiat, mis tähendab, et droon saab sama akuga kauem lennata. Need eelised muudavad lennu ajal otsuste tegemise teostatavamaks ja pikendavad missiooni kestust.

Töökindlus on veel üks eelis. Kuna juurutamisega seotud NAS hõlmab seadme tegelikku hindamist, võib otsing hõlmata teste erinevates tingimustes. Näiteks võib see simuleerida hämaras valgustust või lisada treeningpilte koidikust ja videvikust, tagades, et lõplik detektor säilitab täpsuse reaalsete ilmastikutingimuste ja valgustuse muutuste korral. Töö näitas, et NAS-ist saadud detektor üldistusvõime oli hea: nad testisid seda kahe erineva põllukultuuri andmekogumiga (nisupead ja puuvillaistikud) ja leidsid mõlema puhul tugeva jõudluse.

See viitab sellele, et kasutuselevõtuga NAS aitas leida põllumajanduses ühiseid ja kasulikke funktsioone, parandades üldistatavust uutele põldudele. Üldiselt aitab kasutuselevõtuga NAS tasakaalustada täpsust pikema lennuajaga. Arvutuskoormuse vähendamise abil tarbivad droonid vähem energiat ja suudavad akulaadimisega katta suurema ala, tuvastades samal ajal usaldusväärselt põllukultuure ja kahjureid.

Põllumajanduslike mehitamata õhusõidukite detektorite otsinguruumi disain

Juurutamist arvestava NAS-i oluline osa on otsinguruum – võimalike võrgudisainide kogum, mida see arvestab. Mehitamata õhusõidukite saagidetektorite puhul saab otsinguruumi koostada nii, et see hõlmaks selle valdkonna jaoks paljulubavaid arhitektuure. Peamised osad on järgmised:

1. Selgroo disain: Selgroog on tunnuste ekstraheerija. Mehitamata õhusõidukite puhul võivad olla kaasatud kerged konvolutsioonilised ehitusplokid, näiteks sügavuti eraldatavad konvolutsioonid (nagu MobileNetis kasutatakse) või ümberpööratud jääkplokid. Pööratud jäägid ja lineaarsed pudelikaelad (MobileNetV2 stiilis) on tuntud mobiilse efektiivsuse poolest. Otsinguruum võiks võimaldada iga ploki laiuse (kanalite arvu) ja sügavuse varieerimist, et see vastaks mehitamata õhusõiduki arvutuseelarvele. Samuti võidakse lisada tähelepanu- või trafomooduleid, kui mehitamata õhusõiduk saab neid väikese energiatarbega endale lubada.

2. Kaela disain: Paljud objektidetektorid kasutavad mitmeskaalaliste tunnuste kombineerimiseks tunnuspüramiide (FPN) või teekonna agregatsioonivõrke. Otsing võiks uurida lihtsustatud FPN-e või kerget tunnuste agregatsiooni. Näiteks võiksid variandid olla üheskaalalise pea ja mitmeskaalalise pea kasutamine. See ruum võib võimaldada kihtide koondamist või ühenduste vahelejätmist, mis aitavad tuvastada erineva suurusega objekte.

3. Pea kujundus: Tuvastuspea (klassifitseerimis- ja kastiregressioonikihid) võib samuti varieeruda. Ühtlaseid välju otsivate mehitamata õhusõidukite puhul võib piisata lihtsamast peast. Kuid väikeste umbrohtude tabamiseks võib otsing hõlmata täiendavaid konvolutsioonikihte või erinevaid ankurdusskeeme.

4. Kerged toimingud: Otsinguruum lubab otseselt ainult odavaid toiminguid. Näiteks valida 3×3 konversiooni ja odavama 1×3+3×1 faktoriseeritud konversiooni vahel või lisada GhostNeti mooduleid. Samuti saab arvutusvõimsuse piiramiseks lubada väikeseid kerneli suurusi või vähendatud mõõtmeid. Kõiki neid valikuid juhib riistvara. Otsinguruum võib keelata mis tahes kihi konfiguratsiooni, mis ületab drooni mälupiiri või eeldatavat energialäve.

Selle otsinguruumi hoolika kujundamise abil suunatakse NAS-i protsessi tõhusate ja efektiivsete arhitektuuride poole. Tulemuseks võib olla uudne plokkide kombinatsioon, mida standardmudelites ei arvestata. Parima leitud detektori puhul kasutati kohandatud plokkide valikuid, mis vähendasid GFLOP-e 37% ja parameetreid 61% võrra võrreldes YOLOv8n-iga.

See oli võimalik, kuna NAS suutis mehitamata õhusõidukite (UAV) piirangute raames kombineerida ja sobitada selgroo ja pea elemente. Kokkuvõttes keskendutakse põllumajanduslike UAV-detektorite otsinguvaldkonnas skaleeritavatele, kergetele ehitusplokkidele ja mitmeskaalalisele käsitlemisele, kõik pardal oleva riistvara piirides.

Optimeerimise eesmärgid ja piirangud

Juurutamist arvestav NAS peab žongleerima mitme eesmärgiga. Peamine eesmärk on tavaliselt tuvastustäpsus (nt keskmine täpsus, mAP), mida mõõdetakse põllukultuuride seire andmekogumitel. Näiteks on levinud mõõdik mAP@50 (täpsus 50% IOU juures). NAS-i jaoks optimeeritud mudelil oli mAP@50 langus vaid 1,96% võrreldes baas-YOLOv8n-ga, mis on saavutatud edusammude kohta väga väike kaotus. Arvesse võetakse ka täpsust ja meeldejäävust (või F1-skoori) võtmeklassides (umbrohud, põllukultuurid).

Samal ajal tuleb optimeerida latentsusaega ja energiat. Latentsus on järeldusaeg pildi kohta; sisseehitatud GPU puhul võib see olla 20–50 ms või rohkem. Väiksem latentsus tähendab suuremat kaadrisagedust. Energiatarve (džaulides kaadri kohta) on lennu vastupidavuse jaoks ülioluline. Mälu jalajälg (parameetrite arv, mudeli suurus) on veel üks piirang; mudelid peavad mahtuma seadme muutmälusse. Seetõttu seab NAS nende piirangute jaoks tavaliselt eesmärgi või karistuse.

Näiteks võidakse iga mudel, mis on teatud lävest aeglasem või parameetri eelarvest suurem, madalamale reitingule viia. See muudab NAS-i sisuliselt mitme eesmärgiga optimeerimisülesandeks: maksimeerida täpsust, minimeerides samal ajal latentsust, energiatarbimist ja suurust.

Praktikas saaks seda teha eesmärkide kaalutud summa või rangete piirangute abil. Mõned meetodid annavad suure karistuse igale kandidaadile, kes ületab mehitamata õhusõiduki võimsuspiiri. Teised arvutavad energiamõõdiku otseselt välja: mudeleid testiti ONNX-i käituskeskkonnas, et mõõta "energiatõhusust" ja parim mudel oli +18,5% energiatõhusam kui YOLOv8n. See oli üks otsinguid juhtivatest eesmärkidest.

Leitud kompromisse saab visualiseerida Pareto piiril: ühes otsas äärmiselt kiired väikesed mudelid madalama täpsusega; teises otsas suured ja täpsed mudelid, mis on drooni jaoks liiga aeglased või energiatarbekad. Lähetamistekstlik NAS püüab leida sellel piiril optimaalse punkti, mis vastab tegelikele missiooniprioriteetidele (nt väike täpsuse kadu suure kiirenduse korral). Kokkuvõttes peab NAS arvestama täpsusmõõdikutega (mAP, F1) ja järelduspiirangutega (ms kaadri kohta, džaulid kaadri kohta, mälu). See tasakaalustatud optimeerimine teeb mudeli mehitamata õhusõidukite kasutamiseks tõeliselt lähetusvalmis.

Koolitus ja hindamine realistlikes põllumajanduslikes oludes

Selleks, et NAS-i abil leitud detektorid hästi töötaksid, tuleb neid treenida ja testida realistlike põllumajandusandmete peal. See tähendab selliste andmekogumite kasutamist, mis jäädvustavad reaalsete põldude varieeruvust: erinevad põllukultuuride liigid, kasvufaasid, aastaajad, valgustingimused ja kõrgused. Näiteks ainult noorte maisivõrsete piltide treenimine ei pruugi üldistada küpsete nisupeadeni. Põlde esinduslikud andmekogumid tagavad, et mudel õpib tundma talus olulisi omadusi. Treeningu ajal saab droonide liikumise ja valgustuse jäljendamiseks rakendada ka andmete täiendamist (juhuslikud põllukultuurid, heleduse muutused, liikumise hägusus).

Hindamisel on oluline testida mudelit võimalikult reaalsetes tingimustes. Simulatsioonitööriistad võivad aidata (nt virtuaalse drooni lendamine 3D-väljade kohal), kuid reaalsed lennutestid on kuldstandard. Pardal võrdlusanalüüs viiakse läbi mudeli käitamise teel tegeliku mehitamata õhusõiduki riistvaral. Pärast NAS-i paigutasid nad kandidaadi Jetson Nanole ja mõõtsid 28,1% võrra kiiremat järeldust (võrreldes baasjoone YOLOv8n-ga) ja paremat energiatarbimist. Selline reaalse seadme tagasiside kinnitab, et otsingu tulemusel loodi mudel, mis vastab tõepoolest nõuetele.

Üldistamine on samuti ülioluline. Mudelit saab otsida ja treenida ühe põllukultuuri (näiteks nisu) põhjal, kuid põllumehed vajavad detektoreid, mis töötavad erinevatel põldudel. Uuring näitas tugevat üldistamist erinevate põllukultuuride vahel: ühe ülesande jaoks treenitud NAS-ist tuletatud detektor toimis ilma ümberõpetamiseta hästi ka teise põllukultuuri andmekogumi (puuvillaistikud) puhul. See viitab sellele, et juurutamist arvestav NAS suudab luua robustseid arhitektuure. Domeenivahetused (nt maisipõldudelt viljapuuaedadesse kolimine) võivad aga vajada peenhäälestamist või edasist otsingut. Soovitatav on ka aastaaegadevaheline testimine (suve- ja sügispildid).

Lõpuks tuleks iga uut mudelit enne kasutuselevõttu mehitamata õhusõiduki (UAV) platvormil võrdlustestida. See hõlmab selle täpsuse ja kiiruse registreerimist droonidel, riistvara ülekuumenemise vältimise tagamist ja energiatarbimise kontrollimist. Alles siis saavad põllumehed seda missioonikriitilise seire jaoks usaldada. Põllumajandusliku koolituse ja range riistvara hindamise kombineerimise abil saadakse kasutuselevõtuga teadlikud NAS-id detektorid, mis pole mitte ainult teoreetiliselt tõhusad, vaid ka välitingimustes tõestatud.

Eelised käsitsi disainitud mehitamata õhusõidukite detektorite ees

Juurutusteadlikel NAS-idel on traditsiooniliste, käsitsi disainitud mehitamata õhusõidukite mudelite ees mitmeid selgeid eeliseid:

1. Paremad jõudluse kompromissid: NAS-i abil leitud mudelid pakuvad tavaliselt suuremaid täpsuse-kiiruse-energiatõhususe kombinatsioone. Näiteks parim mudel töötas Jetson Nanol 28% kiiremini ja kasutas 18,5% vähem energiat kui käsitsi valitud YOLOv8n baasmudel, kaotades samal ajal tuvastamise mAP-s vaid ~2%. Sellise tasakaalu käsitsi saavutamine oleks väga keeruline.

2. Täiustatud üldistus: NAS-i avastatud mudelid saavad uute tingimustega paremini kohaneda, kuna otsing saab hõlmata mitmekesiseid andmeid või eesmärke. Automaatselt loodud detektor üldistas hästi erinevaid põllukultuuride tüüpe (nisu ja puuvill) ja valgustingimusi. See lai robustsus on ülioluline, kui lennud satuvad ootamatutesse stseenidesse.

3. Väiksem inseneritöö: NAS automatiseerib palju katse-eksituse meetodit. Kihtide suuruste käsitsi muutmise ja paljude kandidaatide testimise asemel uurib juurutamisest teadlik NAS iteratiivselt valikuid ja leiab teile parima disaini. See säästab arendusaega ja oskusteavet, muutes detektorite värskendamise uute ülesannete või riistvara jaoks lihtsamaks.

4. Skaleeritavus: Kui NAS-raamistik on seadistatud, saab seda kasutada erinevate mehitamata õhusõidukite platvormide või missioonide jaoks. Näiteks võib sama juurutustundlik NAS otsida detektorit, mis on häälestatud erinevale kaamera eraldusvõimele või droonimudelile, lihtsalt piirangute sisendeid muutes. See on palju skaleeritavam kui võrkude nullist iga stsenaariumi jaoks ümber kujundamine.

Väljakutsed ja piirangud

Juurutusteadlik NAS on võimas, kuid mitte imerohi. Seda tuleb rakendada läbimõeldult, olles teadlik oma ressursinõuetest ja sihtkeskkonna varieeruvusest. Vaatamata oma paljulubavusele on juuruteadlikul NAS-il ka väljakutseid:

1. Kõrge otsingu hind: NAS võib nõuda märkimisväärset arvutusvõimsust. Isegi tõhusate algoritmide korral võib arhitektuuriruumi otsimine võtta palju GPU-tunde (või spetsiaalset arvutusvõimsust). Kui otsingu üldkulud hoolikalt ei hallata, võivad need mõnele meeskonnale olla liiga suured.

2. Andmete kallutatus ja valdkonna nihe: NAS on täpselt nii hea, kui head on kasutatud andmed. Kui treeningpildid ei ole põllutingimustele representatiivsed, võib leitud arhitektuur tegelikkuses kehvemini toimida. Näiteks ühe põllukultuuri või geograafilise piirkonna jaoks häälestatud mudel ei pruugi ilma edasise kohandamiseta ideaalselt teisele üle kanduda.

3. Riistvara heterogeensus: Mehitamata õhusõidukite riistvara on saadaval mitmesugusena (erinevad sisseehitatud graafikaprotsessorid, protsessorid, FPGA-d). Ühele plaadile optimeeritud mudel ei pruugi olla optimaalne teisel. Juurutusteadlikud NAS-id peavad kas iga platvormi jaoks uuesti otsinguid tegema või kasutama konservatiivseid piiranguid, mis sobivad kõigile – mis võib jõudlust piirata.

4. Praktilised piirangud: Päris põllumajanduses juurutamine hõlmab selliseid küsimusi nagu võrguvärskendused õhu kaudu, süsteemi integreerimine lennujuhtimisega ja ohutussertifitseerimine. Isegi parim NAS-mudel tuleb integreerida täielikku droonisüsteemi. Mudelivärskenduste koordineerimine, regulatiivsed kinnitused ja põllumeeste koolitamine on mittetehnilised takistused.

Tulevikusuunad

Tulevikus näeme tõenäoliselt veelgi tihedamat mudeli disaini, sensoritehnoloogia ja mehitamata õhusõidukite juhtimise integratsiooni. Kasutustundlik NAS jääb selle ühise disainiprotsessi peamiseks tööriistaks. Tulevikku vaadates kerkib esile mitu põnevat suunda:

1. Võrguühendusega ja adaptiivne NAS: Ühekordse võrguühenduseta otsingu asemel võiksid tulevased süsteemid võrku reaalajas või lendude vahel kohandada. Näiteks võiks droon alustada baasmudeliga ja kergete NAS-algoritmide abil end uute valgustus- või maastikutingimustega lennult kohandama. See “seadmesisene NAS” on väga keeruline, kuid võiks oluliselt parandada kohanemisvõimet.

2. Andurite ja mudelite ühisprojekteerimine: Tulevased täppispõllumajanduse süsteemid võiksid ühiselt optimeerida kaamera (RGB, multispektraalne, infrapuna) ja närvivõrgu valikut. Juurutusteadlik NAS võiks otsingusse lisada ka andurite parameetreid (näiteks kasutatavaid spektraalribasid), leides riistvara ja mudeli parima kombinatsiooni.

3. Multispektraalne/hüperspektraalne integratsioon: Nagu puuvillahaiguse uuring näitab, võib multispektraalsete kujutiste integreerimine parandada avastamist, eriti varajases staadiumis probleemide puhul. Tulevased NAS-id võiksid uurida mitme voo mudeleid, mis ühendavad RGB ja lähiinfrapuna kanaleid, et tuvastada peeneid taimemuutusi usaldusväärsemalt.

4. Autonoomsed otsustusprotsessid: Lõppkokkuvõttes võivad NAS-i jaoks optimeeritud detektorid pakkuda täielikku autonoomiat. Näiteks võib droon automaatselt genereerida pritsimisplaani või hoiatada farmijuhte, kui see tuvastab teatud tingimused. Kasutustundlikku NAS-i saaks laiendada otsast lõpuni torujuhtmetele (tuvastus- ja tegevusmudelid), optimeerides kogu süsteemi.

5. Eetilised ja keskkonnaalased kaalutlused: Kuna mehitamata õhusõidukid muutuvad võimekamaks, peame arvestama privaatsuse, õhuruumi ohutuse ja mõjuga põllumajandustööjõule (nagu on märkinud Agrawal ja Arafat). NAS-ile optimeeritud droonide vastutustundliku kasutamise tagamine põllumajanduses on oluline tulevikueesmärk.

Kokkuvõte

Juurutusteadlik NAS on võimas lähenemisviis kergete objektidetektorite kohandamiseks mehitamata õhusõidukite (UAV) baasil põllukultuuride seireks. Mehitamata õhusõidukite riistvara ja missioonipiirangute otsingusse lisamisega luuakse mudeleid, mis säästavad arvutusvõimsust ja energiat, ohverdamata oluliselt täpsust. Näiteks näitas hiljutine töö, et NAS-i abil disainitud detektor kasutas 37% vähem FLOP-e ja 61% vähem parameetreid kui võrdluseks kasutatud YOLOv8n, kuid selle mAP langes vaid ~2% võrra.

Tegeliku drooni riistvara puhul tähendas see 28% kiiremat järeldust ja 18% paremat energiatõhusust. Sellised eelised tähendavad pikemat lennuaega, kiiremat analüüsi ja reageerimisvõimelisemat põllumajandustuge. Võrreldes käsitsi loodud mudelitega pakub juurutamisega seotud NAS paremat jõudluse üldistamist, vähem käsitsi häälestamise pingutust ja skaleeritavust uutele mehitamata õhusõidukite platvormidele.

Täppispõllumajanduse kontekstis võivad need täiustused muuta mehitamata õhusõidukite saagi jälgimise praktilisemaks ja tõhusamaks. NAS-i jaoks optimeeritud detektoritega varustatud droonid suudavad umbrohtu, kahjureid või stressi usaldusväärsemalt tuvastada, võimaldades õigeaegseid sekkumisi, mis säästavad ressursse ja suurendavad saagikust. Kuna põllumajanduses võetakse jätkuvalt kasutusele droone ja tehisintellekti, mängib juurutustundlik NAS keskset rolli nendel droonidel töötavate mudelite tõhususe, täpsuse ja põllul töötamise valmiduse tagamisel. See ühendab tipptasemel närvivõrkude uurimistöö ja põllumeeste praktiliste vajaduste vahel, aidates kaasa andmepõhise täppispõllumajanduse tuleviku edendamisele.

Väikepõllumehed mängivad ülemaailmses toidutootmises olulist rolli, kuid nad seisavad silmitsi arvukate väljakutsetega, alates ressursside piiratusest kuni ettearvamatute keskkonnateguriteni. Praegusel tehnoloogilise arengu ajastul on mehitamata õhusõidukid (UAV-d), mida tuntakse ka droonidena, kujunenud väikepõllumajanduses murranguliseks jõuks.

Need õhusõidukid pakuvad lahendusi, mis võivad potentsiaalselt muuta põllumajandustavasid ja parandada väikepõllumeeste elu.

Et droonide potentsiaali ja mõju väikepõllumajandustootjatele tõeliselt mõista, on teadlased läbi viinud selle valdkonna olemasolevate uuringute ja suundumuste põhjaliku analüüsi. Saadud teadmised heidavad valgust mehitamata õhusõidukite põnevale rollile põllumajanduslikus innovatsioonis.

Uuring näitab, et droonide kasutamine väikepõllumajandustootjate seas on tõusuteel. Viimastel aastatel on selle tehnoloogia vastu huvi ja investeeringud märkimisväärselt suurenenud. Alates 2016. aastast on droonide aastane kasvumäär olnud umbes 31%, mis näitab droonide väärtuse kasvavat tunnustamist põllumajanduses.

Koostöö ja mõju juhtimine

Droonide kasutamine põllumajanduses on muutumas uurimisvaldkonnaks ja see peegeldub ka akadeemilises kogukonnas. Ajakirjad nagu “Drones” ja “Remote Sensing” on tõusnud juhtivateks ajakirjadeks põllumajanduses kasutatavate mehitamata õhusõidukite uuringute avaldamisel, moodustades umbes 35% selle valdkonna publikatsioonide koguarvust. Nende ajakirjade hulgas paistab “Drones” silma suurima viidete arvuga, mis rõhutab selle olulisust.

Väikepõllumajandustootjate mehitamata õhusõidukite rakenduste globaalses maastikus on teadlased tuvastanud aktiivsete osalejatena 14 riiki. Märkimisväärselt on selle uurimistöö esirinnas Hiina, Lõuna-Aafrika Vabariik, Nigeeria, Šveits ja USA.

Hiina on pidevalt viidete seas, mis näitab riigi tugevat kohalolekut selles valdkonnas. Kuigi enamik uuringuid toimub riigi piires, on hakanud tekkima ka rahvusvahelist koostööd.

Lisaks toob uuring esile 131 autori panuse, kes on oma 23 publikatsiooniga seda valdkonda oluliselt mõjutanud. Märkimisväärsed autorid, nagu Vimbayi Chimonyo, Alistair Clulow, Tafadzwanashe Mabhaudhi ja Mbulisi Sibanda, on aktiivselt tegelenud droonide kasutamise edendamisega väikepõllumajandustootjate seas.

Viitamise osas on Ola Hall ja Magnus Jirström ühed enim tunnustatud, mis näitab nende olulist mõju sellele teemale.

Revolutsiooniline saagi jälgimine

Saagikuse jälgimine ja saagikuse hindamine on mehitamata õhusõidukite peamised rakendused väikepõllumajanduses. Droonid pakuvad ainulaadset vaatepunkti põllukultuuride tervise ja elujõulisuse hindamiseks kogu kasvuperioodi vältel.

Nad suudavad tuvastada selliseid probleeme nagu veestress, haigused ja toitainete puudus. Põllukultuuride peegeldusandmete analüüsimise abil saavad väikepõllumehed varakult sekkuda ja ennetada olulisi saagikadusid. Mehitamata õhusõidukite abil saadud taimkatte indeksitel, sealhulgas NDVI-l, EVI-l ja SAVI-l, on põllukultuuride arengu hindamisel keskne roll.

1. Väetiste käitlemise peenhäälestamine

Väetiste kasutamise optimeerimine on täppispõllumajanduse kriitiline aspekt. Mehitamata õhusõidukid abistavad väikepõllumehi selles ettevõtmises, hinnates lehtede klorofülli sisaldust, mis on tihedalt seotud lehtede lämmastikuga.

See teave aitab põllumeestel teha teadlikke otsuseid väetiste kasutamise kohta. Uuringud on näidanud, et mehitamata õhusõidukite (UAV) abil saadud andmed võivad väetiste tõhusust suurendada umbes 10% võrra.

2. Põllukultuuride kaardistamine tõhusaks majandamiseks

Täpne kaardistamine on veel üks valdkond, kus droonid silma paistavad. Kõrgresolutsiooniliste piltide ja masinõppe abil aitavad mehitamata õhusõidukid väikepõllumeestel oma põlde täpselt kaardistada. See tehnoloogia on täppispõllumajanduses kesksel kohal, kuna see annab teavet maakasutuse ja põllukultuuride kaardistamise kohta.

Vaadeldavates uuringutes kasutati algoritmide treenimiseks tavaliselt maapinna mõõdistusi või kõrgresolutsiooniga kujutisi. Kujutiste klassifitseerimiseks kasutatakse selliseid algoritme nagu juhuslik mets, tugivektormasinad ja sügavad närvivõrgud, mis muudavad põllukultuuride kaardistamise täpsemaks.

Väljakutsed ja võimalused

Kuigi droonide potentsiaal väikepõllumajanduses on ilmne, on oluline mõista nende kasutuselevõtuga kaasnevaid väljakutseid.

1. Piisavate kohapealsete andmete puuduminePaljud mudelid sõltuvad arendamiseks ja valideerimiseks kvaliteetsete kohapealsete andmete kättesaadavusest. Sellised andmed ei ole alati kergesti kättesaadavad ja nende ulatus võib olla piiratud.

2. Erinevad mehitamata õhusõidukite tüübid ja kasulik koormus: Droonid on erineva suuruse ja tüübiga ning igaühel neist on erinevad võimalused. Nende lennuaeg ja kandevõime ei pruugi sobida suuremahuliseks põllumajanduslikuks kasutamiseks.

3. IlmastikutundlikkusIlmastikutingimused võivad droonide abil andmete kogumist oluliselt mõjutada. Tugev tuul ja vihm võivad andmete kogumist keeruliseks muuta.

4. TaskukohasusDroonide opereerimine ja andmetöötlustarkvara ostmine võib olla kulukas, eriti rahapuuduses väikepõllumeestele.

5. Tehniline ekspertiis: Droonide käitamine ja hooldamine koos andmetöötlusega nõuab erioskusi, mis ei pruugi alati kergesti kättesaadavad olla.

6. Reguleerivad raamistikudRanged eeskirjad, mis on tingitud mehitamata õhusõidukite käitamisega seotud võimalikest riskidest, võivad piirata nende kasutamist või muuta vajalikuks piloodilubade hankimise.

7. ArvutusressursidDroonide genereeritud tohutu hulga andmete töötlemine võib olla arvutuslikult mahukas, mis võib vajada lisaressursse ja -koolitust.

Nende väljakutsetega kaasnevad aga arvukad võimalused:

1. Mitmekesised rakendused täppispõllumajanduses: Droonid pakuvad täppispõllumajanduses mitmekesiseid rakendusi lisaks põllukultuuride jälgimisele ja kaardistamisele, sealhulgas integreeritud umbrohutõrjet, veekasutuse hindamist, niisutusvee kvaliteedi ja koguse hindamist, mulla omaduste kaardistamist ning pestitsiidide käitlemiseks muutuva määraga retseptikaarte.

2. Mitmetahulised andmed otsuste toetamiseks: Droonide pakutav mitmekesine andmestik avab ukse otsustustoetusvahendite väljatöötamisele, mis suudavad samaaegselt tegeleda mitme eesmärgiga.

3. Täiustatud pilvandmetöötluse platvormidPlatvormid nagu Google Earth Engine pakuvad uusi võimalusi mehitamata õhusõidukite andmete töötlemiseks ja analüüsimiseks.

4. Droonide ja satelliitide sünergiaDroonid ja satelliidid saavad pakkuda täiendavaid andmeid mitmesuguste rakenduste jaoks ning nende potentsiaalse sünergia vallandamiseks on vaja uuringuid.

5. Lähenemisviisid andmevaestele keskkondadele: Innovatsioonid muudavad andmete nappuse vähem takistuseks, nagu näitavad lähenemisviisid, mis nõuavad minimaalselt kohapealseid andmeid ja õppeülekande meetodeid.

6. Kulude-tulude analüüs: Droonitehnoloogiate ja muude kaugseiretehnikate maksumuse võrdlemine heidab valgust nende taskukohasusele ja eelistele.

7. Naiste mõjuvõimu suurendamine põllumajanduses: Droonide abil täppispõllumajanduse omaksvõtt võib suurendada naiste mõjuvõimu väikepõllumajanduses ja parandada nende suutlikkust lahendada väljakutseid ja tulevasi ebakindlusi.

8. Noorte kaasamine: Põllumajanduse moderniseerimine mehitamata õhusõidukitel põhineva täppispõllumajanduse abil võib ergutada noorte huvi põllumajanduse vastu, tugevdades seeläbi sektori pikaealisust ja vastupidavust.

Kokkuvõte

Kokkuvõtteks võib öelda, et droonide integreerimine väikepõllumajandusse võib muuta miljonite väikepõllumeeste elatist. Pakkudes uuenduslikke lahendusi saagi jälgimiseks, väetiste haldamiseks ja kaardistamiseks, annavad droonid põllumeestele väärtuslikku teavet teadlike otsuste langetamiseks. Vaatamata väljakutsetele on droonide abil väikepõllumajanduse tulevik täis võimalusi. Kiiresti arenev tehnoloogia koos selle vähenevate kuludega avab põllumajandussektorile uusi uksi ning pakub toiduga kindlustatuse, keskkonnasäästlikkuse ja majandusliku heaolu potentsiaali põllumajanduskogukondadele kogu maailmas.