{"id":11549,"date":"2025-05-04T21:00:25","date_gmt":"2025-05-04T19:00:25","guid":{"rendered":"https:\/\/geopard.tech\/?p=11549"},"modified":"2025-05-04T21:00:25","modified_gmt":"2025-05-04T19:00:25","slug":"cmtnet-annab-tappispollumajandusele-uue-tahenduse-edestades-traditsioonilist-pollukultuuride-klassifikatsiooni","status":"publish","type":"post","link":"https:\/\/geopard.tech\/est\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/","title":{"rendered":"CMTNet annab t\u00e4ppisp\u00f5llumajandusele uue t\u00e4henduse, edestades traditsioonilist p\u00f5llukultuuride klassifikatsiooni"},"content":{"rendered":"

T\u00e4pne p\u00f5llukultuuride klassifitseerimine on t\u00e4nap\u00e4evase t\u00e4ppisp\u00f5llumajanduse jaoks h\u00e4davajalik, v\u00f5imaldades p\u00f5llumeestel j\u00e4lgida p\u00f5llukultuuride tervist, prognoosida saagikust ja jaotada ressursse t\u00f5husalt. Traditsioonilised meetodid on aga sageli keerulises p\u00f5llumajanduskeskkonnas h\u00e4das, kus p\u00f5llukultuurid on v\u00e4ga erinevad t\u00fc\u00fcbi, kasvufaasi ja spektraalsete tunnuste poolest.<\/p>\n

Mis on h\u00fcperspektraalne pildistamine ja CMTNet raamistik?<\/h2>\n

H\u00fcperspektraalne pildistamine (HSI), tehnoloogia, mis j\u00e4\u00e4dvustab andmeid sadades kitsastes, k\u00fclgnevates lainepikkuste vahemikes, on selles valdkonnas muutunud. Erinevalt tavalistest RGB-kaameratest v\u00f5i multispektraalsetest anduritest, mis koguvad andmeid v\u00e4hestes laiades vahemikes, pakub HSI iga piksli kohta detailset \u201cspektraalset s\u00f5rmej\u00e4lge\u201d.<\/p>\n

N\u00e4iteks peegeldab terve taimestik klorof\u00fclli aktiivsuse t\u00f5ttu tugevalt l\u00e4hiinfrapunavalgust, samas kui stressis p\u00f5llukultuuridel on erinevad neeldumismustrid. Salvestades neid peeneid variatsioone (400 kuni 1000 nanomeetrit) k\u00f5rge ruumilise eraldusv\u00f5imega (kuni 0,043 meetrit), v\u00f5imaldab HSI t\u00e4pselt eristada p\u00f5llukultuuride liike, tuvastada haigusi ja teha mullaanal\u00fc\u00fcse.<\/p>\n

Vaatamata neile eelistele on olemasolevatel meetoditel keeruline tasakaalustada lokaalseid detaile, nagu lehtede tekstuur v\u00f5i mullamustrid, globaalsete mustritega, n\u00e4iteks ulatusliku p\u00f5llukultuuride jaotusega. See piirang ilmneb eriti selgelt m\u00fcrarikastes v\u00f5i tasakaalustamata andmekogumites, kus p\u00f5llukultuuride vahelised peened spektraalsed erinevused v\u00f5ivad viia valeklassifikatsioonini.<\/p>\n

Nende probleemide lahendamiseks t\u00f6\u00f6tasid teadlased v\u00e4lja\u00a0CMTNet<\/strong>\u00a0(Convolutional Meets Transformer Network) on uudne s\u00fcva\u00f5ppe raamistik, mis \u00fchendab konvolutsiooniliste n\u00e4rviv\u00f5rkude (CNN) ja transformaatorite tugevused. CNN-id on n\u00e4rviv\u00f5rkude klass, mis on loodud ruudustikulaadsete andmete, n\u00e4iteks piltide, t\u00f6\u00f6tlemiseks, kasutades filtrite kihte, mis tuvastavad ruumilisi hierarhiaid (nt servad, tekstuurid).<\/p>\n

\"CMTNeti<\/p>\n

Algselt loomuliku keele t\u00f6\u00f6tlemiseks v\u00e4lja t\u00f6\u00f6tatud transformaatorid kasutavad andmete pikaajaliste s\u00f5ltuvuste modelleerimiseks eneset\u00e4helepanu mehhanisme, mis muudab nad osavaks globaalsete mustrite j\u00e4\u00e4dvustamisel. Erinevalt varasematest mudelitest, mis t\u00f6\u00f6tlevad kohalikke ja globaalseid tunnuseid j\u00e4rjestikku, kasutab CMTNet m\u00f5lemat t\u00fc\u00fcpi teabe samaaegseks ekstraheerimiseks paralleelset arhitektuuri.<\/p>\n

See l\u00e4henemisviis on osutunud v\u00e4ga t\u00f5husaks, saavutades tipptasemel t\u00e4psuse kolme peamise mehitamata \u00f5hus\u00f5idukitel p\u00f5hineva HSI-andmestiku puhul. N\u00e4iteks WHU-Hi-LongKou andmestikus saavutas CMTNet \u00fcldise t\u00e4psuse (OA) 99,58%, edestades eelmist parimat mudelit 0,19% v\u00f5rra.<\/p>\n

Traditsioonilise h\u00fcperspektraalse pildistamise v\u00e4ljakutsed p\u00f5llumajanduslikus klassifitseerimises<\/h2>\n

Varased h\u00fcperspektraalsete andmete anal\u00fc\u00fcsimise meetodid keskendusid sageli kas spektraalsetele v\u00f5i ruumilistele tunnustele, mis viis mittet\u00e4ielike tulemusteni. Spektraalsed tehnikad, n\u00e4iteks peamine komponentide anal\u00fc\u00fcs (PCA), v\u00e4hendasid andmete keerukust, keskendudes lainepikkuse teabele, kuid ignoreerisid pikslite vahelisi ruumilisi seoseid.<\/p>\n

N\u00e4iteks PCA teisendab k\u00f5rgm\u00f5\u00f5tmelised spektraalandmed v\u00e4hemateks komponentideks, mis selgitavad k\u00f5ige rohkem dispersiooni, lihtsustades anal\u00fc\u00fcsi. See l\u00e4henemisviis aga j\u00e4tab k\u00f5rvale ruumilise konteksti, n\u00e4iteks p\u00f5llukultuuride paigutuse. Seevastu ruumilised meetodid, nagu matemaatilised morfoloogiaoperaatorid, t\u00f5id esile p\u00f5llukultuuride f\u00fc\u00fcsilise paigutuse mustreid, kuid j\u00e4tsid t\u00e4helepanuta olulised spektraaldetailid.<\/p>\n

Matemaatiline morfoloogia kasutab kujundite ja struktuuride, n\u00e4iteks v\u00e4ljade vaheliste piiride, eraldamiseks piltidelt selliseid operatsioone nagu dilatatsioon ja erosioon. Aja jooksul on konvolutsioonilised n\u00e4rviv\u00f5rgud (CNN-id) m\u00f5lemat t\u00fc\u00fcpi andmete t\u00f6\u00f6tlemise abil klassifikatsiooni parandanud.<\/p>\n

Siiski piirasid nende fikseeritud retseptiivsed v\u00e4ljad \u2013 pildi pindala, mida v\u00f5rk korraga \u201cn\u00e4eb\u201d \u2013 nende v\u00f5imet j\u00e4\u00e4dvustada pikaajalisi s\u00f5ltuvusi. N\u00e4iteks v\u00f5ib 3D-CNN-il olla raskusi kahe sojaoa sordi eristamisega, millel on sarnased spektraalprofiilid, kuid erinevad kasvumustrid suurel p\u00f5llul.<\/p>\n

Sellele probleemile pakkus lahenduse algselt loomuliku keele t\u00f6\u00f6tlemiseks loodud n\u00e4rviv\u00f5rgu t\u00fc\u00fcp Transformers. Kasutades eneset\u00e4helepanu mehhanisme, on Transformers suurep\u00e4rased andmete globaalsete seoste modelleerimisel. Eneset\u00e4helepanu v\u00f5imaldab mudelil kaaluda sisendjada eri osade olulisust, mis v\u00f5imaldab tal keskenduda asjakohastele piirkondadele (nt haigete taimede klastritele), ignoreerides samal ajal m\u00fcra (nt pilvede varjud).<\/p>\n

Siiski j\u00e4\u00e4vad neil sageli m\u00e4rkamata peeneteralised lokaalsed detailid, n\u00e4iteks lehtede servad v\u00f5i mullapraod. H\u00fcbriidmudelid, nagu CTMixer, p\u00fc\u00fcdsid CNN-e ja Transformereid kombineerida, kuid tegid seda j\u00e4rjestikku, t\u00f6\u00f6deldes esmalt lokaalseid tunnuseid ja hiljem globaalseid tunnuseid. See l\u00e4henemisviis viis teabe ebaefektiivse \u00fchendamiseni ja optimaalsest madalama j\u00f5udluseni keerulistes p\u00f5llumajanduskeskkondades.<\/p>\n

Kuidas CMTNet t\u00f6\u00f6tab: kohalike ja globaalsete funktsioonide \u00fchendamine<\/h2>\n

CMTNet \u00fcletab need piirangud ainulaadse kolmeosalise arhitektuuri abil, mis on loodud spektraal-ruumiliste, lokaalsete ja globaalsete tunnuste t\u00f5husaks eraldamiseks ja \u00fchendamiseks.<\/p>\n

1.<\/strong> Esimene komponent, spektraal-ruumiliste tunnuste ekstraheerimise moodul<\/strong>, t\u00f6\u00f6tleb HSI toorandmeid 3D- ja 2D-konvolutsioonikihtide abil.<\/p>\n

3D-konvolutsioonikihid anal\u00fc\u00fcsivad samaaegselt nii ruumilisi (k\u00f5rgus \u00d7 laius) kui ka spektraalseid (lainepikkus) m\u00f5\u00f5tmeid, j\u00e4\u00e4dvustades mustreid, n\u00e4iteks teatud lainepikkuste peegeldust p\u00f5llukultuuri v\u00f5rastiku kohal. N\u00e4iteks v\u00f5ib 3D-tera tuvastada, et terve mais peegeldab oma \u00fclemistes lehtedes rohkem l\u00e4hiinfrapunavalgust v\u00f5rreldes alumiste lehtedega.<\/p>\n

Seej\u00e4rel t\u00e4psustavad 2D-kihid neid omadusi, keskendudes ruumilistele detailidele, n\u00e4iteks taimede paigutusele p\u00f5llul. See kaheastmeline protsess tagab nii spektraalse mitmekesisuse (nt klorof\u00fclli sisaldus) kui ka ruumilise konteksti (nt reavahe) s\u00e4ilimise.<\/p>\n

2.<\/strong> Teine komponent, lokaalse-globaalse tunnuste ekstraheerimise moodul<\/strong>, t\u00f6\u00f6tab paralleelselt. \u00dcks haru kasutab CNN-e, et keskenduda kohalikele detailidele, n\u00e4iteks \u00fcksikute lehtede tekstuurile v\u00f5i mullalaikude kujule. Need tunnused on kriitilise t\u00e4htsusega sarnaste spektraalprofiilidega liikide, n\u00e4iteks erinevate sojaoa sortide tuvastamiseks.<\/p>\n

Teine haru kasutab transformaatoreid globaalsete suhete modelleerimiseks, n\u00e4iteks kuidas p\u00f5llukultuurid on suurtel aladel jaotunud v\u00f5i kuidas l\u00e4hedalasuvate puude varjud m\u00f5jutavad spektraaln\u00e4iteid. Nende tunnuste samaaegse, mitte j\u00e4rjestikku t\u00f6\u00f6tlemise abil v\u00e4lditakse CMTNet infokadu, mis vaevas varasemaid h\u00fcbriidmudeleid.<\/p>\n

N\u00e4iteks kui CNN haru tuvastab puuvillalehtede sakilised servad, siis Transformeri haru tunnistab, et need lehed on osa suuremast puuvillap\u00f5llust, mida \u00e4\u00e4ristavad seesamitaimed.<\/p>\n

3.<\/strong> Kolmas komponent, mitme v\u00e4ljundiga piirangumoodul<\/strong>, tagab tasakaalustatud \u00f5ppimise kohalike, globaalsete ja \u00fchendatud tunnuste vahel. Treeningu ajal rakendatakse igale tunnuset\u00fc\u00fcbile eraldi kadufunktsioone, sundides v\u00f5rku oma arusaama k\u00f5iki aspekte t\u00e4psustama.<\/p>\n

Kadumisfunktsioon kvantifitseerib ennustatud ja tegelike v\u00e4\u00e4rtuste erinevust, suunates mudeli kohandusi. N\u00e4iteks kohalike tunnuste kadu v\u00f5ib mudelit karistada lehtede servade vale klassifitseerimise eest, samas kui globaalne kadu korrigeerib vigu ulatuslikus saagi jaotuses.<\/p>\n

Need kaod kombineeritakse, kasutades kaalusid, mis on optimeeritud juhusliku otsingu abil \u2013 see on tehnika, mis testib erinevaid kaalukombinatsioone t\u00e4psuse maksimeerimiseks. Selle protsessi tulemuseks on robustne ja kohandatav mudel, mis on v\u00f5imeline toime tulema mitmesuguste p\u00f5llumajanduslike stsenaariumidega.<\/p>\n

CMTNeti j\u00f5udluse hindamine mehitamata \u00f5hus\u00f5idukite h\u00fcperspektraalsetes andmekogumites<\/h2>\n

CMTNeti hindamiseks testisid teadlased seda kolmel Wuhani \u00fclikooli droonide abil saadud h\u00fcperspektraalsel andmekogumil. Need andmekogumid on oma k\u00f5rge kvaliteedi ja mitmekesisuse t\u00f5ttu laialdaselt kasutatavad v\u00f5rdlusalused kaugseires:<\/p>\n

    \n
  1. WHU-Tere-LongKou<\/strong>See andmestik h\u00f5lmab 550 \u00d7 400 pikslit 270 spektraalribaga ja ruumilise eraldusv\u00f5imega 0,463 meetrit. Ruumiline eraldusv\u00f5ime 0,463 meetrit t\u00e4hendab, et iga piksel esindab maapinnal 0,463 m \u00d7 0,463 m suurust ala, mis v\u00f5imaldab tuvastada \u00fcksikuid taimi. See h\u00f5lmab \u00fcheksat p\u00f5llukultuuri t\u00fc\u00fcpi, n\u00e4iteks maisi, puuvilla ja riisi, 1019 treeningvalimi ja 203 523 testvalimiga.<\/li>\n
  2. WHU-Tere-HanChuan<\/strong>See andmestik, mis j\u00e4\u00e4dvustab 1217 \u00d7 303 pikslit 0,109-meetrise resolutsiooniga, sisaldab 16 maakattet\u00fc\u00fcpi, sealhulgas maasikaid, sojaubasid ja plastlehti. K\u00f5rgem resolutsioon (0,109 m) v\u00f5imaldab peenemaid detaile, n\u00e4iteks noorte ja k\u00fcpsete sojaoataimede eristamist. Treening- ja testvalimit oli kokku vastavalt 1289 ja 256 241.<\/li>\n
  3. WHU-Tere-HongHu<\/strong>940 \u00d7 475 piksli ja 270 ribaga see k\u00f5rge eraldusv\u00f5imega (0,043 meetrit) andmestik sisaldab 22 klassi, n\u00e4iteks puuvilla, rapsi ja k\u00fc\u00fcslaugu v\u00f5rseid. 0,043 m eraldusv\u00f5imega on n\u00e4htavad \u00fcksikud lehed ja mullapraod, mis teeb selle ideaalseks peeneteraliseks klassifitseerimiseks. See sisaldab 1925 treeningn\u00e4idist ja 384 678 testn\u00e4idist.<\/li>\n<\/ol>\n

    \"K\u00f5rglahutusega<\/p>\n

    Mudelit treeniti NVIDIA TITAN Xp GPU-del, kasutades PyTorchi, \u00f5ppimiskiirusega 0,001 ja partii suurusega 100. \u00d5ppimiskiirus m\u00e4\u00e4rab, kui palju mudel oma parameetreid treeningu ajal kohandab \u2013 liiga k\u00f5rge ja see v\u00f5ib \u00fcletada optimaalseid v\u00e4\u00e4rtusi; liiga madal ja treenimine muutub aeglaseks.<\/p>\n

    Iga katset korrati usaldusv\u00e4\u00e4rsuse tagamiseks k\u00fcmme korda ja sisendlaigud \u2013 v\u00e4ikesed segmendid kogu pildist \u2013 optimeeriti ruudustikuotsingu abil 13 \u00d7 13 pikslini, mis on meetod, mis testib erinevaid laigu suurusi, et leida k\u00f5ige t\u00f5husam.<\/p>\n

    CMTNet saavutab p\u00f5llukultuuride klassifitseerimisel tipptasemel t\u00e4psuse<\/h2>\n

    CMTNet saavutas k\u00f5igides andmekogumites m\u00e4rkimisv\u00e4\u00e4rseid tulemusi, edestades olemasolevaid meetodeid nii \u00fcldise t\u00e4psuse (OA) kui ka klassispetsiifilise j\u00f5udluse osas. OA m\u00f5\u00f5dab \u00f5igesti klassifitseeritud pikslite protsenti k\u00f5igis klassides, samas kui keskmine t\u00e4psus (AA) arvutab keskmise t\u00e4psuse klassi kohta, k\u00e4sitledes tasakaalustamatust.<\/p>\n

    WHU-Hi-LongKou andmestikus saavutas CMTNet OA-ks 99,58%, edestades CTMixerit 0,19% v\u00f5rra. Piiratud treeningandmetega keerukate klasside, n\u00e4iteks puuvilla (41 n\u00e4idist), puhul saavutas CMTNet siiski t\u00e4psuse 99,53%. Samamoodi parandas see WHU-Hi-HanChuani andmestikus arbuusi (22 n\u00e4idist) t\u00e4psust 82,42%-lt 96,11%-le, n\u00e4idates oma v\u00f5imet k\u00e4sitleda tasakaalustamata andmeid t\u00f5husa tunnuste liitmise abil.<\/p>\n

    Klassifikatsioonikaartide visuaalsel v\u00f5rdlemisel ilmnes v\u00e4hem fragmenteeritud laike ja sujuvamad piirid p\u00f5ldude vahel v\u00f5rreldes selliste mudelitega nagu 3D-CNN ja Vision Transformer (ViT). N\u00e4iteks varjudele kalduvas WHU-Hi-HanChuani andmestikus minimeeris CMTNet madala p\u00e4ikesenurga p\u00f5hjustatud vigu, samas kui ResNet klassifitseeris sojaoad valesti hallideks katusteks.<\/p>\n

    \"CMTNeti<\/p>\n

    Varjud kujutavad endast ainulaadset v\u00e4ljakutset, kuna need muudavad spektraalseid signatuure \u2013 varjus olev sojaoa taim v\u00f5ib peegeldada v\u00e4hem l\u00e4hiinfrapunavalgust, mis meenutab taimestikku mitte. Kasutades \u00e4ra globaalset konteksti, tuvastas CMTNet, et need varjutatud taimed olid osa suuremast sojaoa p\u00f5llust, v\u00e4hendades vigu.<\/p>\n

    WHU-Hi-HongHu andmestikus eristus mudel spektraalselt sarnaste p\u00f5llukultuuride, n\u00e4iteks erinevate rist\u00f5ieliste sortide, abil, saavutades t\u00e4psuse 96,54%.\u00a0Brassica parachinensis<\/em>.<\/p>\n

    Ablatsiooniuuringud \u2013 katsed, mille k\u00e4igus eemaldatakse komponente nende m\u00f5ju hindamiseks \u2013 kinnitasid iga mooduli olulisust. Ainult mitme v\u00e4ljundiga piirangumooduli lisamine suurendas OA-d WHU-Hi-HongHu-l 1,52% v\u00f5rra, r\u00f5hutades selle rolli tunnuste liitmise t\u00e4iustamisel. Ilma selle moodulita kombineeriti lokaalseid ja globaalseid tunnuseid juhuslikult, mis viis ebaj\u00e4rjekindlate klassifikatsioonideni.<\/p>\n

    Arvutuslikud kompromissid ja praktilised kaalutlused<\/h2>\n

    Kuigi CMTNeti t\u00e4psus on v\u00f5rratu, on selle arvutuskulud traditsiooniliste meetodite omadest suuremad. WHU-Hi-HongHu andmestiku treenimine v\u00f5ttis aega 1885 sekundit, v\u00f5rreldes 74 sekundiga Random Foresti (RF) puhul, mis on masin\u00f5ppe algoritm, mis loob treeningu ajal otsustuspuid.<\/p>\n

    See kompromiss on aga \u00f5igustatud t\u00e4ppisp\u00f5llumajanduses, kus t\u00e4psus m\u00f5jutab otseselt saagikuse prognoose ja ressursside jaotust. N\u00e4iteks haige saagi vale liigitamine terveks v\u00f5ib viia kontrollimatute kahjurite puhanguteni, mis laastavad terveid p\u00f5lde.<\/p>\n

    Reaalajas rakenduste puhul v\u00f5iks tulevikus uurida mudeli tihendamise tehnikaid, n\u00e4iteks redundantsete neuronite k\u00e4rpimist v\u00f5i kaalude kvantimist (numbrilise t\u00e4psuse v\u00e4hendamine), et v\u00e4hendada k\u00e4itusaega ilma j\u00f5udlust ohverdamata. K\u00e4rpimine eemaldab n\u00e4rviv\u00f5rgust v\u00e4hem olulised \u00fchendused, mis sarnaneb puu okste k\u00e4rpimisega selle kuju parandamiseks, samas kui kvantimine lihtsustab numbrilisi arvutusi, kiirendades t\u00f6\u00f6tlemist.<\/p>\n

    H\u00fcperspektraalse p\u00f5llukultuuride klassifitseerimise tulevik CMTNetiga<\/h2>\n

    Vaatamata edule on CMTNetil piiranguid. J\u00f5udlus langeb veidi tugevalt varjutatud piirkondades, nagu on n\u00e4ha WHU-Hi-HanChuani andmestikus (97.29% OA vs. 99.58% h\u00e4sti valgustatud LongKou piirkonnas). Varjud raskendavad klassifitseerimist, kuna need v\u00e4hendavad peegeldunud valguse intensiivsust, muutes spektraalprofiile.<\/p>\n

    Lisaks j\u00e4\u00e4vad \u00e4\u00e4rmiselt v\u00e4ikeste treeningvalimistega klassid, n\u00e4iteks kitsalehise sojauba (20 valimit), maha neist, millel on palju andmeid. V\u00e4ikesed valimimahud piiravad mudeli v\u00f5imet \u00f5ppida tundma mitmesuguseid variatsioone, n\u00e4iteks lehtede kuju erinevusi mulla kvaliteedi t\u00f5ttu.<\/p>\n

    Edasised uuringud v\u00f5iksid varjude ja varjatud alade vastupidavuse parandamiseks integreerida multimodaalseid andmeid, n\u00e4iteks LiDAR-k\u00f5rguskaarte v\u00f5i termokaameraid. LiDAR (valguse tuvastamine ja kauguse m\u00e4\u00e4ramine) kasutab laserimpulsse 3D-maastikumudelite loomiseks, mis aitavad k\u00f5rguste erinevuste anal\u00fc\u00fcsimise abil eristada p\u00f5llukultuure varjudest.<\/p>\n

    Lisaks j\u00e4\u00e4dvustab termokaamera soojussignaale, mis annab t\u00e4iendavaid vihjeid taimetervise kohta \u2013 stressis p\u00f5llukultuuridel on sageli k\u00f5rgem v\u00f5ra temperatuur v\u00e4henenud aurustumise t\u00f5ttu. Poolj\u00e4relevalvega \u00f5ppemeetodid, mis kasutavad m\u00e4rgistamata andmeid (nt mehitamata \u00f5hus\u00f5idukite pildid ilma k\u00e4sitsi m\u00e4rkusteta), v\u00f5ivad samuti haruldaste p\u00f5llukultuuride puhul tulemusi parandada.<\/p>\n

    J\u00e4rjepidevuse regulariseerimise abil \u2013 mudeli treenimisega stabiilsete ennustuste saamiseks sama pildi veidi muudetud versioonide puhul \u2013 saavad teadlased \u00fcldistamise parandamiseks kasutada m\u00e4rgistamata andmeid.<\/p>\n

    L\u00f5puks, CMTNeti juurutamine serval asuvatesse seadmetesse, n\u00e4iteks sisseehitatud GPU-dega droonidesse, v\u00f5iks v\u00f5imaldada reaalajas j\u00e4lgimist kaugt\u00f6\u00f6platsidel. Serval juurutamine v\u00e4hendab s\u00f5ltuvust pilvandmet\u00f6\u00f6tlusest, minimeerides latentsust ja andmeedastuskulusid. See aga n\u00f5uab mudeli optimeerimist piiratud m\u00e4lu ja t\u00f6\u00f6tlemisv\u00f5imsuse jaoks, potentsiaalselt kergete arhitektuuride, n\u00e4iteks MobileNeti v\u00f5i teadmiste destilleerimise kaudu, kus v\u00e4iksem \u201c\u00f5pilase\u201d mudel j\u00e4ljendab suuremat \u201c\u00f5petaja\u201d mudelit.<\/p>\n

    Kokkuv\u00f5te<\/h2>\n

    CMTNet kujutab endast m\u00e4rkimisv\u00e4\u00e4rset edasiminekut h\u00fcperspektraalse p\u00f5llukultuuride klassifitseerimises. CNN-ide ja Transformerite \u00fchtlustamise abil lahendab see pikaajalised v\u00e4ljakutsed tunnuste eraldamise ja liitmisega, pakkudes p\u00f5llumeestele ja agronoomidele v\u00f5imsat t\u00f6\u00f6riista t\u00e4ppisp\u00f5llumajanduse jaoks.<\/p>\n

    Rakendused ulatuvad haiguste reaalajas tuvastamisest kuni niisutusgraafikute optimeerimiseni, mis k\u00f5ik on kliimamuutuste ja rahvastiku kasvu tingimustes j\u00e4tkusuutliku p\u00f5llumajanduse jaoks kriitilise t\u00e4htsusega. Kuna mehitamata \u00f5hus\u00f5idukite tehnoloogia muutub k\u00e4ttesaadavamaks, m\u00e4ngivad sellised mudelid nagu CMTNet \u00fclemaailmse toiduga kindlustatuse tagamisel keskset rolli.<\/p>\n

    Tulevased edusammud, n\u00e4iteks kergemad arhitektuurid ja multimodaalne andmete fusioon, v\u00f5iksid nende praktilisust veelgi suurendada. J\u00e4tkuva innovatsiooniga v\u00f5iks CMTNetist saada nutikate p\u00f5llumajanduss\u00fcsteemide nurgakivi kogu maailmas, tagades t\u00f5husa maakasutuse ja vastupidava toidutootmise tulevastele p\u00f5lvedele.<\/p>\n

    Viide: <\/strong>Guo, X., Feng, Q. ja Guo, F. CMTNet: h\u00fcbriidne CNN-transformaatorv\u00f5rk mehitamata \u00f5hus\u00f5idukite (UAV) baasil toimivaks h\u00fcperspektraalseks p\u00f5llukultuuride klassifitseerimiseks t\u00e4ppisp\u00f5llumajanduses. Sci Rep 15, 12383 (2025). https:\/\/doi.org\/10.1038\/s41598-025-97052-w<\/a><\/p>","protected":false},"excerpt":{"rendered":"

    T\u00e4pne p\u00f5llukultuuride klassifitseerimine on t\u00e4nap\u00e4evase t\u00e4ppisp\u00f5llumajanduse jaoks h\u00e4davajalik, v\u00f5imaldades p\u00f5llumeestel j\u00e4lgida p\u00f5llukultuuride tervist, prognoosida saagikust ja jaotada ressursse t\u00f5husalt. Traditsioonilised meetodid aga sageli\u2026<\/p>","protected":false},"author":210157960,"featured_media":11556,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1657,1377],"tags":[],"class_list":["post-11549","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-precision-farming","category-crop-monitoring"],"acf":[],"yoast_head":"\nCMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/est\/blogi\/cmtnet-annab-tappispollumajandusele-uue-tahenduse-edestades-traditsioonilist-pollukultuuride-klassifikatsiooni\/\" \/>\n<meta property=\"og:locale\" content=\"et_EE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Accurate crop classification is essential for modern precision agriculture, enabling farmers to monitor crop health, predict yields, and allocate resources efficiently. Traditional methods, however, often...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/est\/blogi\/cmtnet-annab-tappispollumajandusele-uue-tahenduse-edestades-traditsioonilist-pollukultuuride-klassifikatsiooni\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2025-05-04T19:00:25+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Kirjutanud\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Eeldatav lugemisaeg\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification\",\"datePublished\":\"2025-05-04T19:00:25+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/\"},\"wordCount\":2064,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1\",\"articleSection\":[\"Precision Farming\",\"Crop monitoring\"],\"inLanguage\":\"et\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/\",\"name\":\"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1\",\"datePublished\":\"2025-05-04T19:00:25+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#breadcrumb\"},\"inLanguage\":\"et\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"et\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1\",\"width\":3600,\"height\":2025},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"et\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"et\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"et\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"CMTNet annab t\u00e4ppisp\u00f5llumajandusele uue t\u00e4henduse, edestades traditsioonilist p\u00f5llukultuuride klassifikatsiooni - GeoPard Agriculture","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/est\/blogi\/cmtnet-annab-tappispollumajandusele-uue-tahenduse-edestades-traditsioonilist-pollukultuuride-klassifikatsiooni\/","og_locale":"et_EE","og_type":"article","og_title":"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification - GeoPard Agriculture","og_description":"Accurate crop classification is essential for modern precision agriculture, enabling farmers to monitor crop health, predict yields, and allocate resources efficiently. Traditional methods, however, often...","og_url":"https:\/\/geopard.tech\/est\/blogi\/cmtnet-annab-tappispollumajandusele-uue-tahenduse-edestades-traditsioonilist-pollukultuuride-klassifikatsiooni\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2025-05-04T19:00:25+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Kirjutanud":"dementievgeopard","Eeldatav lugemisaeg":"10 minutit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification","datePublished":"2025-05-04T19:00:25+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/"},"wordCount":2064,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1","articleSection":["Precision Farming","Crop monitoring"],"inLanguage":"et","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/","url":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/","name":"CMTNet annab t\u00e4ppisp\u00f5llumajandusele uue t\u00e4henduse, edestades traditsioonilist p\u00f5llukultuuride klassifikatsiooni - GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1","datePublished":"2025-05-04T19:00:25+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#breadcrumb"},"inLanguage":"et","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/"]}]},{"@type":"ImageObject","inLanguage":"et","@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1","width":3600,"height":2025},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/cmtnet-redefines-precision-agriculture-by-outperforming-traditional-crop-classification\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"CMTNet Redefines Precision Agriculture By Outperforming Traditional Crop Classification"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - T\u00e4ppismajanduse tarkvara","description":"T\u00e4ppisp\u00f5llumajanduse kaardistamise tarkvara","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"et"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard P\u00f5llumajandus","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"et","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"dementsusgeopard","image":{"@type":"ImageObject","inLanguage":"et","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-30h","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/CMTNet-Redefines-Precision-Agriculture-By-Outperforming-Traditional-Crop-Classification.png?fit=3600%2C2025&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/posts\/11549","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/comments?post=11549"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/posts\/11549\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/media\/11556"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/media?parent=11549"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/categories?post=11549"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/est\/wp-json\/wp\/v2\/tags?post=11549"}],"curies":[{"name":"t\u00f6\u00f6leht","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}