Uraauurtava tutkimus hy\u00f6dynt\u00e4\u00e4 miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten hyperspektrikuvantamista ja koneoppimista sikarinlehtien nikotiinipitoisuuksien tarkkaan arvioimiseen.<\/p>\n
Ilmakuvauksen ja koneoppimisen viimeaikaiset edistysaskeleet ovat mullistaneet nikotiinin seurannan sikarinlehdiss\u00e4. T\u00e4m\u00e4 huippuluokan l\u00e4hestymistapa parantaa arvioinnin tarkkuutta ja tarjoaa samalla arvokasta tietoa tupakkateollisuudelle, jossa kemiallinen koostumus on laadun kannalta ratkaisevan t\u00e4rke\u00e4.<\/p>\n
Sichuanin maatalousyliopistossa Tianin ym. johdolla tutkijat pyrkiv\u00e4t voittamaan perinteisten manuaalisten laaduntarkastusten rajoitukset, joista usein puuttuu tarkkuutta ja tehokkuutta. Heid\u00e4n 2. helmikuuta 2025 julkaistussa tutkimuksessaan tunnistetaan vahvoja korrelaatioita typpilannoitteiden k\u00e4yt\u00f6n, kosteustasojen ja nikotiinipitoisuuksien v\u00e4lill\u00e4, mik\u00e4 korostaa oikea-aikaisten ja tarkkojen seurantatekniikoiden merkityst\u00e4.<\/p>\n
Tutkimus tehtiin toukokuusta syyskuuhun 2022 yliopiston modernissa maatalouden tutkimustukikohdassa, jossa tutkijat k\u00e4yttiv\u00e4t hyperspektrikameroilla varustettuja miehitt\u00e4m\u00e4tt\u00f6mi\u00e4 ilma-aluksia (UAV) tallentaakseen 15 eri sikarilehtilajikkeen lehtien heijastusspektrej\u00e4 erilaisissa typpik\u00e4sittelyiss\u00e4.<\/p>\n
Heid\u00e4n l\u00f6yd\u00f6ksens\u00e4 paljastivat suoran korrelaation typpilannoitteiden k\u00e4yt\u00f6n ja sikarinlehtien nikotiinipitoisuuksien v\u00e4lill\u00e4. \u201cTyppilannoitteiden levitysm\u00e4\u00e4r\u00e4n kasvaessa sikarinlehtien nikotiinipitoisuus kasvoi\u201d, kirjoittajat totesivat ja korostivat maatalousk\u00e4yt\u00e4nt\u00f6jen vaikutusta tuotteiden laatuun.<\/p>\n
Miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten ker\u00e4\u00e4m\u00e4n hyperspektrikuvadatan laadun parantamiseksi tutkimuksessa k\u00e4ytettiin esik\u00e4sittelytekniikoita, kuten monimuuttujaista sironnan korjausta, standardinormaalimuunnosta ja Savitzky-Golay-konvoluutiotasoitusta. T\u00e4m\u00e4n j\u00e4lkeen k\u00e4ytettiin edistyneit\u00e4 koneoppimisalgoritmeja, kuten osittaista pienimm\u00e4n neli\u00f6summan regressiota (PLSR) ja takaisinpropagaatiohermoverkkoja, ennustavien mallien kehitt\u00e4miseen, jotka pystyv\u00e4t arvioimaan nikotiinipitoisuuden tarkasti.<\/p>\n
Tehokkain tunnistettu malli oli MSC-SNV-SG-CARS-BP-malli, jonka testaustarkkuudeksi saatiin noin 0,797 R\u00b2-arvoa ja RMSE:ksi 0,078. \u201cMSC-SNV-SG-CARS-BP-mallilla on paras ennustustarkkuus nikotiinipitoisuuden suhteen\u201d, kirjoittajat totesivat ja asettelivat sen lupaavaksi ty\u00f6kaluksi tulevaisuuden tutkimukseen ja t\u00e4sm\u00e4viljelysovelluksiin.<\/p>\n
K\u00e4ytt\u00e4m\u00e4ll\u00e4 kaukokartoitusta sikarinlehtien spektraalisten ominaisuuksien analysointiin viljelij\u00e4t ja tuottajat voivat arvioida sadon laatua nopeasti ja rikkomattomasti, mik\u00e4 mahdollistaa tietoisemman p\u00e4\u00e4t\u00f6ksenteon tuotannosta ja toimitusketjusta. T\u00e4m\u00e4 l\u00e4hestymistapa tarjoaa laajan kattavuuden alhaisilla k\u00e4ytt\u00f6kustannuksilla ja varmistaa samalla tietojen johdonmukaisuuden v\u00e4hent\u00e4m\u00e4ll\u00e4 riippuvuutta ihmistekij\u00f6ist\u00e4.<\/p>\n
Hyperspektrikuvantamisen ja koneoppimisen integroinnilla on potentiaalia mullistaa perinteinen tupakanviljely, paitsi parantamalla nikotiinin laatua, my\u00f6s edist\u00e4m\u00e4ll\u00e4 kest\u00e4vi\u00e4 ja tehokkaita maatalousk\u00e4yt\u00e4nt\u00f6j\u00e4. Tutkijat korostavat jatkuvan kehityksen tarvetta n\u00e4iden teknologioiden hiomiseksi ja soveltamiseksi eri tupakkalajikkeille ja muille viljelykasveille.<\/p>\n
Tulevaisuudessa tutkimuksissa keskityt\u00e4\u00e4n miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten toimintaolosuhteiden optimointiin korkealaatuisimman spektritiedon saamiseksi ottaen huomioon muuttujat, kuten lentokorkeus, valaistusolosuhteet ja kohinanvaimennus. N\u00e4iden tekij\u00f6iden huomioiminen on ratkaisevan t\u00e4rke\u00e4\u00e4, kun maatalousk\u00e4yt\u00e4nn\u00f6t kehittyv\u00e4t vastaamaan markkinoiden vaatimuksiin ja samalla asetetaan etusijalle ymp\u00e4rist\u00f6n kest\u00e4vyys.<\/p>\n
T\u00e4m\u00e4 tutkimus korostaa teknologian ja maataloustieteen v\u00e4list\u00e4 synergiaa ja korostaa innovatiivisten tekniikoiden kasvavaa k\u00e4ytt\u00f6\u00f6nottoa tuotteiden laadun parantamiseksi. Tutkijat kannattavat hyperspektrianturin laajempia sovelluksia maataloudessa ja vahvistavat teknologian roolia sadon, tehokkuuden ja ymp\u00e4rist\u00f6vastuun parantamisessa.<\/p>\n