Kaukokartoitus mullistaa nikotiinin seurannan sikarinlehdissä

Uraauurtava tutkimus hyödyntää miehittämättömien ilma-alusten hyperspektrikuvantamista ja koneoppimista sikarinlehtien nikotiinipitoisuuksien tarkkaan arvioimiseen.

Ilmakuvauksen ja koneoppimisen viimeaikaiset edistysaskeleet ovat mullistaneet nikotiinin seurannan sikarinlehdissä. Tämä huippuluokan lähestymistapa parantaa arvioinnin tarkkuutta ja tarjoaa samalla arvokasta tietoa tupakkateollisuudelle, jossa kemiallinen koostumus on laadun kannalta ratkaisevan tärkeä.

Sichuanin maatalousyliopistossa Tianin ym. johdolla tutkijat pyrkivät voittamaan perinteisten manuaalisten laaduntarkastusten rajoitukset, joista usein puuttuu tarkkuutta ja tehokkuutta. Heidän 2. helmikuuta 2025 julkaistussa tutkimuksessaan tunnistetaan vahvoja korrelaatioita typpilannoitteiden käytön, kosteustasojen ja nikotiinipitoisuuksien välillä, mikä korostaa oikea-aikaisten ja tarkkojen seurantatekniikoiden merkitystä.

Tutkimus tehtiin toukokuusta syyskuuhun 2022 yliopiston modernissa maatalouden tutkimustukikohdassa, jossa tutkijat käyttivät hyperspektrikameroilla varustettuja miehittämättömiä ilma-aluksia (UAV) tallentaakseen 15 eri sikarilehtilajikkeen lehtien heijastusspektrejä erilaisissa typpikäsittelyissä.

Heidän löydöksensä paljastivat suoran korrelaation typpilannoitteiden käytön ja sikarinlehtien nikotiinipitoisuuksien välillä. “Typpilannoitteiden levitysmäärän kasvaessa sikarinlehtien nikotiinipitoisuus kasvoi”, kirjoittajat totesivat ja korostivat maatalouskäytäntöjen vaikutusta tuotteiden laatuun.

Miehittämättömien ilma-alusten keräämän hyperspektrikuvadatan laadun parantamiseksi tutkimuksessa käytettiin esikäsittelytekniikoita, kuten monimuuttujaista sironnan korjausta, standardinormaalimuunnosta ja Savitzky-Golay-konvoluutiotasoitusta. Tämän jälkeen käytettiin edistyneitä koneoppimisalgoritmeja, kuten osittaista pienimmän neliösumman regressiota (PLSR) ja takaisinpropagaatiohermoverkkoja, ennustavien mallien kehittämiseen, jotka pystyvät arvioimaan nikotiinipitoisuuden tarkasti.

Tehokkain tunnistettu malli oli MSC-SNV-SG-CARS-BP-malli, jonka testaustarkkuudeksi saatiin noin 0,797 R²-arvoa ja RMSE:ksi 0,078. “MSC-SNV-SG-CARS-BP-mallilla on paras ennustustarkkuus nikotiinipitoisuuden suhteen”, kirjoittajat totesivat ja asettelivat sen lupaavaksi työkaluksi tulevaisuuden tutkimukseen ja täsmäviljelysovelluksiin.

Käyttämällä kaukokartoitusta sikarinlehtien spektraalisten ominaisuuksien analysointiin viljelijät ja tuottajat voivat arvioida sadon laatua nopeasti ja rikkomattomasti, mikä mahdollistaa tietoisemman päätöksenteon tuotannosta ja toimitusketjusta. Tämä lähestymistapa tarjoaa laajan kattavuuden alhaisilla käyttökustannuksilla ja varmistaa samalla tietojen johdonmukaisuuden vähentämällä riippuvuutta ihmistekijöistä.

Hyperspektrikuvantamisen ja koneoppimisen integroinnilla on potentiaalia mullistaa perinteinen tupakanviljely, paitsi parantamalla nikotiinin laatua, myös edistämällä kestäviä ja tehokkaita maatalouskäytäntöjä. Tutkijat korostavat jatkuvan kehityksen tarvetta näiden teknologioiden hiomiseksi ja soveltamiseksi eri tupakkalajikkeille ja muille viljelykasveille.

Tulevaisuudessa tutkimuksissa keskitytään miehittämättömien ilma-alusten toimintaolosuhteiden optimointiin korkealaatuisimman spektritiedon saamiseksi ottaen huomioon muuttujat, kuten lentokorkeus, valaistusolosuhteet ja kohinanvaimennus. Näiden tekijöiden huomioiminen on ratkaisevan tärkeää, kun maatalouskäytännöt kehittyvät vastaamaan markkinoiden vaatimuksiin ja samalla asetetaan etusijalle ympäristön kestävyys.

Tämä tutkimus korostaa teknologian ja maataloustieteen välistä synergiaa ja korostaa innovatiivisten tekniikoiden kasvavaa käyttöönottoa tuotteiden laadun parantamiseksi. Tutkijat kannattavat hyperspektrianturin laajempia sovelluksia maataloudessa ja vahvistavat teknologian roolia sadon, tehokkuuden ja ympäristövastuun parantamisessa.

Lähteet: https://www.nature.com/articles/s41598-025-88091-4