Рубрика: Егінді бақылау

Жүгері - көлемі бойынша әлемдегі ең көп өндірілетін дәнді дақыл, тек Америка Құрама Штаттары ғана бүкіл әлемде өсіреді шамамен 35 миллион гектар және 2023 жылы 390 миллион метрикалық тонна өнім өндіреді. Мұндай ауқымда дақылдарды басқару жаяу барлаудан көп нәрсені талап етеді. Жүгері өсуін бақылауға арналған өсімдік индекстері – өсімдік жамылғысының жарықты шағылыстыруы мен сіңіруінен алынған математикалық формулалар – қазіргі заманғы дақылдарды басқарудың негізіне айналды, себебі олар спектрлік деректерді дақылдардың денсаулығы туралы ақпаратқа айналдырады. Олар мұны тез, ауқымды түрде және бірде-бір жапыраққа тигізбей жасайды.

Жер серіктері, дрондар және қол сенсорлары арқылы қолжетімді қашықтықтан зондтау технологиясы жүгері өсіру маусымының әрбір кезеңінде осы индекстерге нақты уақыт режиміндегі спектрлік деректерді енгізеді. Фермер немесе агроном жапырақтары сарғайғанға дейін V6-да азот стрессін анықтай алады, өнімділік төмендегенге дейін дәннің толуы кезінде су тапшылығын анықтай алады немесе дақылдың қоректенуі қажет болған аптада жасалған шатыр карталарын пайдаланып, айнымалы мөлшерлі тыңайтқыштарды қолдануды калибрлей алады.

Өсімдік индекстері дегеніміз не? Ол қалай жұмыс істейді?

Өсімдік индексі (VI) - сенсормен түсірілген екі немесе одан да көп спектрлік жолақтардың шағылысу мәндерін математикалық түрде біріктіру арқылы есептелетін өлшемсіз, сандық мән. Нәтижесінде топырақтан, атмосферадан және көлеңкеден келетін кедергілерді баса отырып, өсімдік жамылғысының белгілі бір биологиялық сипаттамаларын - мысалы, хлорофилл концентрациясы, жапырақ ауданы немесе су мөлшері сияқты - оқшаулайтын және күшейтетін бір сан пайда болады.

Өсімдіктер индексінің күші әртүрлі сенсорлар, өрістер және күндер бойынша өлшеулерді стандарттау қабілетінде жатыр. Жарықтандыру жағдайларына байланысты өзгеретін шикі шағылысу сандарын салыстырудың орнына, VI тұрақтырақ және биологиялық тұрғыдан маңыздырақ қатынасты немесе айырмашылықты қамтамасыз етеді. Бұл әртүрлі өрістер, жыл мезгілдері және тіпті спутниктік платформалар бойынша шатырдың денсаулығын салыстыруға мүмкіндік береді.

Өсімдіктер фотосинтез үшін жарықтың белгілі бір толқын ұзындықтарын сіңіреді және басқаларын шағылыстырады. Сау жасыл өсімдіктер хлорофилл тудыратын фотосинтез үшін қызыл жарықтың көп бөлігін (шамамен 660–680 нм) сіңіреді және жасушалық құрылымына байланысты жақын инфрақызыл (NIR) сәулені күшті шағылыстырады.

Кернеулі немесе сирек шатыр қызылды аз сіңіреді және көбірек шағылыстырады, сондай-ақ NIR-ді аз көрсетеді. Өсімдік индекстері бұл қарама-қайшылықты математикалық түрде ұстап, шатырдың белгілі бір сәтте қаншалықты жасыл, тығыз және сау екенін сандық түрде анықтайды.

Өсімдіктер индекстерінде қолданылатын спектрлік жолақтар

Әр түрлі спектрлік жолақтар дақыл туралы әртүрлі диагностикалық ақпарат береді. Әрбір жолақ әртүрлі биологиялық процесті нысанаға алады, сондықтан көп жолақты сенсорлар қарапайым RGB камераларына қарағанда бай деректер береді. Жүгері мониторингіне ең қатысты алты жолақ:

• Қызыл (620–700 нм): Хлорофиллмен жақсы сіңеді. Қызыл түстің сіңуінің төмендеуі фотосинтетикалық белсенділіктің төмендегенін білдіреді, бұл стрессті, қоректік заттардың жетіспеушілігін немесе ерте қартаюды көрсетеді.
• Жасыл (520–560 нм): Өсімдіктер қызылға қарағанда жасыл жарықты көбірек шағылыстырады, сондықтан олар жасыл болып көрінеді. Жасыл шағылысу хлорофилл концентрациясымен корреляцияланады және GNDVI және VARI сияқты индекстерде қолданылады.
• Көк (450–490 нм): Каротиноидтар мен хлорофилл сіңіреді. Негізінен тек көрінетін жолақтар бар VARI сияқты RGB негізіндегі индекстерде қолданылады.
• Жақын инфрақызыл (NIR, 750–900 нм): Сау жапырақтардың ішіндегі губка тәрізді мезофилл тінімен қатты шағылысады. NIR шағылысуы NDVI, EVI және көптеген кеңжолақты индекстердің негізі болып табылады. Тығыз, сау жүгері жабыны жоғары NIR шағылысуын көрсетеді.
• Қызыл жиек (700–740 нм): Қызыл сіңіру мен NIR шағылысу арасындағы өтпелі аймақ. Хлорофилл концентрациясы мен азот күйі бұл жолаққа қатты әсер етеді, бұл оны көзбен көрінетіндей болғанға дейін ерте сатыдағы қоректік заттардың стрессін анықтау үшін өте сезімтал етеді.
• Қысқа толқынды инфрақызыл (SWIR, 1400–2500 нм): Өсімдік тінінің ішінде сұйық сумен сіңіріледі. SWIR негізіндегі индекстер шатырдағы судың мөлшерін өлшейді және құрғақшылық стрессін анықтайды, бұл оларды су тапшылығы өнімділікке тікелей әсер ететін кезде дәннің толығуы кезінде құнды етеді.

Жүгері өсуін бақылау үшін өсімдік индекстері неліктен маңызды?

1. Өсімдіктердің денсаулығын бақылау

Өсімдіктердің денсаулығы бірнеше қабаттасатын факторларды қамтиды: хлорофилл концентрациясы, жапырақ ауданының индексі (LAI - жапырақ ауданының жалпы ауданының жер ауданына қатынасы), өсімдік суының жағдайы және шатыр температурасы. Бір ғана далалық сапар жүздеген гектар жердегі осының бәрін бір уақытта анықтай алмайды.

Өсімдік индекстері бұл күрделілікті өнімнің төмендеуіне дейін оның төмендеуін анықтау үшін өсу маусымы бойы бірнеше рет бақыланатын өлшенетін мәндерге дейін қысқартады.

жарияланған зерттеу Ауыл шаруашылығы (2023) құрғақшылық пен суармалы жағдайларда үш жүгері будандарын UAV орнатылған NDVI сенсорларын пайдаланып бақылады. Зерттеушілер апта сайын жабынның денсаулығын өскіннен бастап пісіп-жетілуіне дейін бақылап, NDVI мәндерінің V8-де, көрінетін стресс белгілері пайда болғанға дейін бірнеше апта бұрын суармалы және жаңбырлы алқаптар арасында айтарлықтай ерекшеленетінін анықтады. Мұндай ерте дифференциация уақтылы араласуды мүмкін етеді.

2. Өсімдіктердің күшін өлшеу

Өсімдіктің қуаты – жалпы өсу қарқыны және дақылдың биомасса жинақталуы – өнімділік әлеуетін тікелей болжайды. NDVI және EVI сияқты индекстер жүгерідегі LAI және жер үсті құрғақ биомассасымен тығыз байланысты.

Вегетативтік кезеңдердің негізгі кезеңдеріндегі белсенділікті бақылау агрономдарға кеңістіктік өзгермелі жерлер бойынша бірыңғай басқару шешімін қолданудың орнына, егістіктегі нашар нәтиже беретін аймақтарды анықтауға және енгізулерді тиісінше реттеуге мүмкіндік береді.

3. Көру белгілері пайда болғанға дейін стрессті анықтау

Бұл, мүмкін, вегетациялық индекстердің ең коммерциялық тұрғыдан құнды мүмкіндігі. Азот тапшылығын, су стрессін немесе ерте ауру қысымын бастан кешіретін жүгері өсімдігі алдымен спектрлік шағылысуында, әсіресе қызыл жиекте және NIR жолақтарында, жапырақтары сарғаю, солу немесе көрінетін зақымданулар пайда болғанға дейін бірнеше күн немесе апта бұрын өзгерістерді көрсетеді.

Қызыл жиекке негізделген индекстер, әсіресе NDRE және CI Red Edge, субвизуалды азот стрессіне және хлорофиллдің азаюына ерекше сезімтал. Jang және т.б. (ScienceDirect, 2024) біріктіруді анықтады Көптік сызықтық регрессияны қолданатын NDVI, NDRE және GNDVI индекстері жүгерідегі өнімділікті болжау өнімділігін кез келген жеке индекспен салыстырғанда айтарлықтай жақсартты.

Бір индекске сүйенетін өсірушілер, әсіресе маңызды репродуктивті кезеңдерде, көп индексті тәсілдерден туындайтын қосымша болжамдық күшті жіберіп алады.

4. Кірістілікті болжауды жақсарту

Стратегиялық өсу кезеңдерінде, әсіресе шашақтау және жібектеу кезінде жиналған өсімдік жамылғысының индекстері дәннің соңғы өнімінің күшті болжауыштары болып табылады. Зерттеулер жарияланған. Қашықтықтан зондтау (2023) вегетативтік және көбею кезеңдерінде NDVI, NDRE, SAVI және EVI қоса алғанда, көп уақыттық ҰҰА деректерін біріктірді және жүгері өнімділігін болжау моделіне қол жеткізді R² 0,78 және rRMSE 8,27%, бір сатылы деректерге негізделген модельдерден асып түседі.

Негізгі түсінік: бірнеше өсу кезеңдерінде бірнеше индекстерді пайдалану бір өлшемнің суретіне қарағанда кірістілікті анықтайтын факторлардың әлдеқайда кең ауқымын қамтиды.

5. Дәл ауыл шаруашылығын қолдау

Дәл егіншілік учаскеге тән деректерді белгілеу үшін кеңістіктік өзгергіштік деректеріне сүйенеді. Дрондардан немесе спутниктік суреттерден алынған өсімдік индексінің карталары орташа егістік өлшемдері жасыратын егістік ішіндегі дақыл өнімділігінің өзгергіштігін көрсетеді.

Бұл карталар тікелей айнымалы мөлшерлемелі қолдану жүйелеріне енгізіледі, бұл фермерлерге дақыл қажет жерде көбірек тыңайтқыш, ал қажет емес жерде азырақ қолдануға мүмкіндік береді, бұл шығындар мен қоршаған ортаға әсерді бір уақытта азайтады.

Жүгерінің өсу кезеңдері, мұнда өсімдік индекстері ең пайдалы

“Дұрыс өсу кезеңіндегі дұрыс индекс жалпы барлау жасай алмайтын дақылдардың интеллектін ашады, ал деректерді жинау уақыты таңдалған индекс сияқты маңызды”.”

1. Пайда болу кезеңі

Өскіндер пайда болған кезде өсімдік жамылғысы сирек кездеседі және топырақ кескінді басым етеді. Стандартты NDVI мұнда нашар жұмыс істейді, себебі топырақтың фондық шуы әлсіз шатыр сигналын басып тастайды. SAVI және MSAVI сияқты топыраққа бейімделген индекстер бұл кезеңде қолайлы құралдар болып табылады.

Олар ашық топырақтың индекс мәніне әсерін азайту үшін түзету коэффициентін қолданады, бұл өсімдік тығыздығы мен ерте өсу біркелкілігін маңызды өлшеуге мүмкіндік береді.

2. Вегетативті өсу (V кезеңдері)

V3-тен V12-ге дейін жүгері жамылғысы тез кеңейеді. Бұл азотты басқару үшін ең маңызды кезең, себебі дақылдың азотқа деген қажеттілігі күрт артады.

NDRE және CI жасыл түстері осы кезеңде ең сезімтал индекстер болып табылады, себебі қызыл жиек жолағы NDVI кеңірек сигналының өзгеруіне дейін хлорофиллдің нәзік азаюын анықтайды. V6 және V10 жиіліктеріндегі ұшқышсыз ұшу аппараттарының ұшулары азотты бүйірлік кию шешімдерімен уақытында жүзеге асырылады, бұл деректерге салынған инвестициядан ең жоғары кірістілікті қамтамасыз етеді.

3. Шашқалақпен өру және жібекпен өру

Жүгерінің бүкіл тіршілік цикліндегі өнімге ең сезімтал кезеңдер шашақтау (VT) және жібектеу (R1) болып табылады. Шатырдың жабылуы осы кезде аяқталуға жақын, бұл NDVI және EVI енді топырақтың араласуынсыз толық шатырды оқи алатынын білдіреді.

Сау дақылдарда екі индекс те VT айналасында шыңына жетеді. Осы кезеңде индекс мәндерінің кез келген тұрақтылығы немесе ерте төмендеуі дәннің түсуіне және өнімділіктің төмендеуіне әкелетін стресстің сенімді көрсеткіші болып табылады.

4. Дәнді толтыру

Дәннің толығуы кезінде (R3–R5) негізгі басқару мәселесі су стрессі мен ауруға ауысады. NDWI (қалыпқа келтірілген айырмашылық су индексі, NIR және SWIR жолақтарынан есептеледі) және термиялық индекстер көрінетін солу алдындағы шатыр суының азаюын анықтау арқылы осы фазадағы стандартты жиынтықты толықтырады.

NDVI мәндері дақыл піскен сайын табиғи түрде төмендей бастайды, сондықтан индекс траекторияларын түсіндіру өсірілетін будан үшін күтілетін маусымдық үлгімен салыстыруды қажет етеді.

5. Жетілу

Физиологиялық жетілу кезінде (R6) барлық негізгі өсімдіктер индекстері шатырдың қартаюы мен хлорофиллдің ыдырауына байланысты төмендейді. Жетілу кезіндегі индекс деректері негізінен ретроспективті талдау үшін қолданылады — болжам модельдерін растау және болашақ маусымдық эталондарды жақсарту үшін маусымдық VI траекторияларын нақты егін жинау деректерімен корреляциялайды. Өсуден жетілуге дейінгі индекс қисықтарының уақыттық қатарларын талдау егістікке тән өнімділік модельдерін құру үшін ең бай деректер негізін қамтамасыз етеді.

Жүгері өсуін бақылау үшін қолданылатын жалпы өсімдік индекстері

1. NDVI (Өсімдіктердің қалыпты айырмашылығы индексі)

NDVI - ауыл шаруашылығында ең көп қолданылатын өсімдік индексі. Ол NIR мен қызыл шағылысу арасындағы контрастты өлшейді және келесідей есептеледі:

NDVI = (NIR − Қызыл) / (NIR + Қызыл)

NDVI мәндері −1-ден +1-ге дейін ауытқиды. Сау, тығыз жүгері шатырлары әдетте жасылдығының шыңында 0,7 мен 0,9 аралығында балл жинайды. Оның ең жақсы қолданылуына V6-дан шашақталғанға дейін шатырдың дамуын бақылау, нашар өнімді егістік аймақтарын анықтау және LAI және жер үсті биомассасымен өзара байланыстыру жатады.

NDVI-дің негізгі шектеуі - тығыз шатырлардағы қанығу - LAI шамамен 3 м²/м² асып кеткеннен кейін, қосымша жапырақ ауданы NDVI сигналындағы өзгерістерді азайтады, бұл шатырдың шыңында сезімталдықты төмендетеді.

2024 жылы жарияланған зерттеу Ауыл шаруашылығы (MDPI) Венгриядағы екі өсу маусымы бойынша ұшқышсыз ұшу аппараттарына негізделген NDVI мониторингін пайдалана отырып, мынаны анықтады: NDVI мен өнімділіктің арасындағы ең күшті корреляция жібектен кейінгі кезеңде орын алды (R = 2023 жылы 0,638 және 2024 жылы R = 0,634), бұл NDVI-дің сол нақты өсу кезеңіндегі маусымдық кірістілік көрсеткіші ретіндегі сенімділігін растайды.

2. GNDVI (Жасыл NDVI)

GNDVI қызыл жолақты жасыл жолақпен ауыстырады: GNDVI = (NIR − Жасыл) / (NIR + Жасыл). Жасыл канал қызыл каналға қарағанда хлорофилл концентрациясына сезімтал, бұл GNDVI-ны NDVI қаныққан жетілген, тығыз шатырларда хлорофиллдің орташа өзгеруін анықтауда жақсырақ етеді.

Жүгеріде оның негізгі қолданылуы - вегетацияның орта және көбею кезеңдерінде азот күйін бағалау. Зерттеулер жарияланған. ScienceDirect (2024) GNDVI көп индексті регрессиялық модельдерде NDRE-мен біріктірілгенде, әсіресе гүлдену алдындағы кезеңдерінде жүгері өнімділігін болжау дәлдігін айтарлықтай жақсартқанын растады.

3. EVI (өсімдік жамылғысының жақсартылған индексі)

EVI көк жолақты қосу және атмосфералық түзету коэффициенттерін қолдану арқылы NDVI-ді жақсартады: EVI = 2,5 × [(NIR − Қызыл) / (NIR + 6 × Қызыл − 7,5 × Көк + 1)]. Бұл формула атмосфералық шу мен топырақ фонының кедергісін бір мезгілде азайтады, бұл NDVI қаныққан тығыз шатыр жағдайларында EVI-ді NDVI-ге қарағанда сезімтал етеді.

EVI - жүгері жамылғысының құрылымын шашақтардың пайда болуынан бастап дәннің ерте толығуына дейін, өсімдік жамылғысы толығымен дерлік жабылған кезде бақылау үшін ең қолайлы индекс. Бұл MODIS спутниктік өнімдеріндегі негізгі индекс және аймақтық масштабтағы жүгері мониторингі үшін кеңінен қолданылады.

Зерттеу Ауыл шаруашылығы (2024) Қытайдың Цзилинь провинциясы бойынша MODIS MOD09A1 деректерін пайдалана отырып, мынаны анықтады EVI қоса алғанда, бірнеше өсімдік индекстерін пішін моделімен біріктіру фенологиялық кезеңді анықтау дәлдігін айтарлықтай жақсартты жүгерінің негізгі өсу кезеңдерінде бір индексті тәсілдермен салыстырғанда.

Аймақтық дақылдарды кең көлемді мониторингі үшін EVI-ді уақыт қатарлары модельдеріндегі басқа индекстермен біріктіру кез келген жеке индекске қарағанда сенімдірек фенологиялық бақылауды қамтамасыз етеді.

4. SAVI (Топырақ түзетілген өсімдік жамылғысының индексі)

SAVI NDVI формуласына топырақ жарықтығын түзету коэффициентін (L) енгізеді: SAVI = [(NIR − Қызыл) / (NIR + Қызыл + L)] × (1 + L), мұндағы типтік топырақ жағдайлары үшін L = 0,5. Таза топырақтың шағылысу үлесін азайту арқылы SAVI жер жамылғысы 50%-ден аз болған кезде жүгері өсуінің ерте кезеңдерінде дәлірек шатыр өлшемдерін жасайды. Бұл өсімдіктердің пайда болуын, екпелердің біркелкілігін және өскіннен бастап V4-ке дейінгі ерте маусымдық күш-қуатты бақылау үшін стандартты таңдау болып табылады.

5. NDRE (Қалыптанған айырмашылықтың қызыл жиегі)

NDRE қызыл жиекті және NIR жолақтарын пайдаланады: NDRE = (NIR − Қызыл жиек) / (NIR + Қызыл жиек). Қызыл жиек жолағы хлорофилл концентрациясының шағын өзгерістері үлкен шағылысу өзгерістерін тудыратын спектрлік аймақта орналасқан, бұл NDRE-ді азот тудыратын хлорофиллдің өзгеруіне NDVI-ге қарағанда сезімтал етеді.

жарияланған зерттеу Сенсорлар (2024) LSU AgCenter зерттеу станциясында ұшқышсыз ұшу аппараттарының фотограмметриясын қолдану арқылы анықталды Егістен кейін 87 күн өткенде NDRE жүгері дәнінің өнімділігін R² 0,9097 деп болжады, маусымның соңында азотты басқару және өнімділікті болжау үшін NDRE-нің құндылығын көрсететін ерекше күшті байланыс.

6. MSAVI (Өсімдіктердің модификацияланған топырақ түзетілген индексі)

MSAVI SAVI-ді L факторын бекітілген емес, динамикалық ету арқылы жақсартады, сондықтан ол өсімдік жамылғысының дәрежесіне автоматты түрде бейімделеді: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Қызыл))] / 2.

Бұл өзін-өзі реттеу MSAVI-ді SAVI-ге қарағанда жалаңаш топырақта пайда болудан бастап шашақтарды толық жабуға дейінгі шатырдың дамуының барлық ауқымында дәлірек етеді. Топырақтың жарықтығы туралы ешқандай болжам жасауды қажет етпейді, бұл оны әртүрлі дала жағдайлары мен топырақ түрлерінде оңайырақ тасымалдауға мүмкіндік береді.

7. VARI (Көрінетін атмосфералық төзімділік индексі)

VARI тек көрінетін жолақтарды (қызыл, жасыл, көк) пайдаланады: VARI = (Жасыл − Қызыл) / (Жасыл + Қызыл − Көк). Оның құндылығы стандартты RGB камераларынан есептеуге болатындығында — бұл камера көптеген коммерциялық дрондармен арзан бағамен тасымалданады.

VARI көп спектрлі индекстердің азот пен биомассаға сезімталдығына ие болмаса да, ол шатырдың жасылдығын бірінші рет бағалауға мүмкіндік береді, бұл оны әлі көп спектрлі сенсор мүмкіндігі жоқ фермерлер үшін қолжетімді етеді.

Жарияланған зерттеулер ScienceDirect (2025) VARI-ді әртүрлі өсіру орталарында жүгері өнімділігін болжау үшін машиналық оқыту модельдеріндегі пайдалы VI кірістерінің бірі ретінде растады.

8. OSAVI (Топырақтың оңтайландырылған түзетілген өсімдік жамылғысының индексі)

OSAVI – жартылай шатыр жабу жағдайларына оңтайландырылған, бекітілген L мәні 0,16 болатын SAVI-дің жеңілдетілген нұсқасы: OSAVI = (NIR - Қызыл) / (NIR + Қызыл + 0,16).

Бұл нақты L мәні өсімдіктер тығыздығының кең ауқымындағы топырақ фонының әсерін азайту үшін эмпирикалық түрде анықталды. OSAVI V2-ден V6-ға дейін жақсы жұмыс істейді, бұл SAVI-дің ерте маусымдық пайдалылығы мен NDVI-дің шың маусымдық дәлдігі арасындағы алшақтықты жояды.

9. CI жасыл (хлорофилл индексі жасыл)

CI Green хлорофилл мөлшерін тікелей шағылысу коэффициенті бойынша бағалайды: CI жасыл = (NIR / Жасыл) − 1. Хлорофилл жапырақтардағы негізгі азот сақтайтын пигмент болғандықтан, CI Green қызыл жиек жолағын қажет етпей, шатырдың азот күйін бақылайды.

Бұл оны тек стандартты жасыл жолақ қолжетімді болған кезде, мысалы, Sentinel-2 суреттерінен алынған кезде құнды етеді және маусым ортасындағы азотты басқару шешімдері үшін V6-дан жібектеу кезінде сенімді жұмыс істейді.

10. CI қызыл жиегі (хлорофилл индексі қызыл жиегі)

CI Red Edge жасыл жолақты қызыл жиек жолағымен ауыстырады: CI қызыл жиегі = (NIR / қызыл жиек) − 1. Бұл алмастыру оны CI Green-ге қарағанда хлорофилл өзгерістеріне айтарлықтай сезімтал етеді, әсіресе вегетацияның ортасынан кешіне дейін, жасыл жолақ сигналы қаныға бастаған кезде, жамылғы тығыз болған кезде. CI Red Edge жүгерідегі егістік аймақтарындағы нәзік азот градиенттерін анықтаудың ең жақсы көрсеткіштерінің бірі болып табылады.

Жүгері мониторингі үшін өсімдік жамылғысының индекстерін салыстыру

1. Ерте өсуге арналған ең жақсы индекс

SAVI және MSAVI жүгерінің ерте дамуы кезінде (V4 арқылы өсу) NDVI және EVI-ден үнемі асып түседі, себебі олар топырақтың фондық шуын азайтады, бұл басқа жағдайда шатыр жамылғысы 40%-ден төмен болған кезде индекс сигналында басым болады. OSAVI топырақ жағдайлары егістік бойынша өзгермелі болған кезде пайдалы аралық нұсқаны ұсынады.

2. Азотты анықтаудың ең жақсы индексі

NDRE және CI Red Edge жүгерідегі азот жетіспеушілігін анықтаудың ең күшті көрсеткіштері болып табылады. Екеуі де қызыл жиек жолағының хлорофилл концентрациясына жоғары сезімталдығын пайдаланады. V6-дан V10-ға дейінгі кезеңде — азотты қолдану туралы шешімдер қабылдаудың ең маңызды кезеңінде — бұл индекстер NDVI өлшенетін жауапты көрсеткенге дейін 7-14 күн бұрын тапшылықты анықтайды, бұл түзету шаралары үшін айтарлықтай уақыт береді.

3. Биомассаны бағалаудың ең жақсы индексі

NDVI және EVI жүгерідегі жер үсті құрғақ биомассасын бағалау үшін ең тексерілген индекстер болып табылады. Ұшқышсыз ұшу аппараттарының көпспектрлі кескіндерін текстуралық ерекшеліктерімен біріктіріп зерттеу. ЖМК (2023) қызыл (650 нм), қызыл жиек (705 нм) және NIR (842 нм) жолақтарына негізделген өсімдік индекстері LAI-мен ең жоғары корреляцияны көрсетті, бұл вегетациялық кезеңде биомассаның жиналуымен тығыз байланысты прокси.

4. Тығыз шатырлар үшін ең жақсы индекс

Жүгері жамылғысы толығымен жабылған кезде, әдетте шашақтан бастап дәннің ерте толығуына дейін EVI ең қолайлы индекс болып табылады. NDVI шамамен 3 LAI-ден жоғары қаныққан кезде, EVI қосымша жапырақ ауданы мен хлорофиллдің өзгеруіне жауап беруді жалғастырады, себебі оның атмосфералық және топырақ түзету шарттары жоғары биомасса деңгейінде сигналдың қанығуына жол бермейді.

5. Құрғақшылық стрессінің ең жақсы индексі

NDWI (NIR және SWIR негізіндегі су индексі) және NDVI бірге қолданылатын жүгерідегі құрғақшылық стрессін анықтаудың ең тиімді үйлесімі болып табылады. NDWI тіндердегі су құрамының өзгеруін тікелей бақылайды, ал NDVI су стрессінің шатырдың жасылдығына екінші реттік әсерін түсіреді. SWIR мүмкіндігін қамтитын мультиспектральды сенсорлар мұнда ең көп құндылық қосады, дегенмен бұл сенсорлар стандартты бес жолақты мультиспектральды жүйелерге қарағанда қымбатырақ болып қала береді.

Жүгері өндірісінде өсімдік индекстерін қолдану

Өсімдік индексі тек ол мүмкіндік беретін шешім қаншалықты пайдалы болса, соншалықты пайдалы болады - мақсат әрқашан спектрлік деректерді өнімділікті арттыратын, шығындарды азайтатын немесе екеуін де біріктіретін далалық әрекетке айналдыру болып табылады.

1. Биомассаны бағалау

NDVI және EVI мәндері жүгерінің вегетациялық кезеңіндегі жер үсті құрғақ биомассасымен тығыз байланысты. Екі апталық аралықпен қайталанатын ұшқышсыз ұшулар немесе спутниктік жол өткелдері егістіктің өнімділік әлеуетіне қарай жүріп келе жатқанын немесе белгілі бір маусымға күтілетін өсу траекториясынан артта қалып жатқанын көрсететін биомасса жинақтау қисықтарын жасайды.

2. Хлорофиллді өлшеу

CI Green және CI Red Edge дақылдың фотосинтетикалық қабілетін бақылайтын бұзбайтын шатыр деңгейіндегі хлорофилл бағалауларын ұсынады. Зерттеу жарияланған ЖМК (2024) жүгерідегі UAV негізіндегі SPAD (хлорофилл өлшегішінің көрсеткіші) бағалауын пайдалану арқылы модификацияланған қызыл жиек қатынасы индексінің жеткенін растады. R² 0,87 қызыл жиекті индекстердің осы қолдану үшін беретін практикалық дәлдігін көрсететін, өсудің орта кезеңіндегі жапырақ хлорофиллінің мөлшерін болжау үшін.

3. Азот күйін бағалау

Азот - жүгері өнімділігін тікелей шектейтін қоректік зат, және оның мәртебесі маусым бойы дақылға деген сұраныс өзгерген сайын өзгеріп отырады. 2025 жылы жарияланған зерттеу Өсімдіктанудағы шекаралар 2024 жылы Sentinel-2A спутниктік суреттерін, пилотсыз ұшу аппараттарының мультиспектральды деректерін және жүгері өсу кезеңінің төрт кезеңіндегі жердегі бақылауларды біріктірді және жолақты түзетумен біріктірілген бірнеше өсімдік индекстерін қолдана отырып, аймақтық масштабтағы азот құрамының инверсиясының жаңа моделін жасады.

Бұл құрылым 48 тәуелсіз іріктеу нүктелерінде жоғары валидация дәлдігіне қол жеткізді, бұл спутниктік-ұшқышсыз ұшу аппараттарының бірігуі VI негізіндегі азотты басқарудың жеке егістіктерден тыс фермалар мен аймақтық масштабтарға дейін масштабталуын қалай кеңейтетінін көрсетті.

4. Су кернеуін анықтау

Жүгерідегі су стрессі алдымен устьица өткізгіштігін, содан кейін жапырақтағы су мөлшерін және соңында жасыл биомассаны төмендетеді — бұл әртүрлі спектрлік жолақтарға тізбектей әсер ететін үш процесс. NDVI төмендегенге дейін ерте сатыдағы су стрессі жылулық жолақ деректерінде және SWIR негізіндегі индекстерде көрінеді.

Дәннің толығу кезеңінде — су тапшылығы өнімділікке ең үлкен әсер ететін кезде — NDWI және NDVI үйлесімін бақылау суару кестесін күнтізбеге негізделген ережелерге емес, нақты дақыл сұранысына негіздеуге мүмкіндік береді.

5. Ауруларды бақылау

Жүгері жапырақтарының солтүстік күйігі және сұр жапырақ дақтары сияқты саңырауқұлақ аурулары адам көзіне үлкен зақымданулар көрінгенге дейін жұқтырған жапырақтардың спектрлік белгісін өзгертеді. Жұқтырған тіндерде NIR шағылысуының тән төмендеуі және қызыл жиектің орналасуының өзгеруі байқалады.

Көп уақыттық VI мониторингі аурудың пайда болу қысымын көрсететін жергілікті спектрлік ауытқуларды анықтауға мүмкіндік береді, бұл егістікке шашыратудың орнына фунгицидті мақсатты түрде қолдануға мүмкіндік береді.

6. Зиянкестердің зақымдануын анықтау

Зиянкестермен қоректенуден болатын жапырақтардың түсуі LAI-ді азайтады, бұл зақымдалған учаскелерде NDVI және EVI мәндерін тікелей төмендетеді. Мысалы, құрттардың инвазиясы көршілес егістік учаскелеріне таралмас бұрын дрондардан түсірілген суреттерден анықталатын индекстің төмендеуінің тән кеңістіктік үлгілерін жасайды.

Жоғары ажыратымдылықтағы ұшқышсыз ұшу аппараттарының ұшулары (жерден алынған үлгілерді алу қашықтығы 5 см-ден төмен) жәндіктердің зақымдануын шатырдың өзгеруінің басқа себептерінен ажырату үшін қажетті кеңістіктік егжей-тегжейлілікті қамтамасыз етеді.

7. Өнімділікті бағалау

Өсудің нақты маңызды кезеңдерінде, әсіресе V12, VT және R3 кезеңдерінде өлшенген өсімдік индексінің мәндері тарихи өнімділік карталарымен және ауа райы деректерімен біріктірілгенде, дәннің соңғы өнімділігінің сенімді болжаушылары болып табылады. Көп индексті біріктіру тәсілдері бір индексті модельдерден үнемі асып түседі.

Жүгері бойынша жарияланған зерттеулерде GNDVI, NDRE және SCCCI (жеңілдетілген шатыр хлорофиллінің құрамы индексі) гүлдену алдындағы кезеңде үйлесімі өнім болжауының ерекше дәлдігін көрсетті. ScienceDirect (2026).

Венгриядағы екі өсу маусымы бойынша жүргізілген зерттеулер жібектен кейінгі NDVI мен дәннің соңғы өнімділігі арасындағы корреляция коэффициенттерінің 0,638 және 0,634 екенін анықтады. NDRE және GNDVI қоса алғанда, көп индексті модельдердің болжам дәлдігі одан да жоғары.

8. Айнымалы мөлшерлемелі тыңайтқышты қолдану

Дрондар ұшуынан алынған VI негізіндегі шатыр карталары айнымалы жылдамдықты азот аппликаторларына арналған рецепт карталарын құру үшін тікелей қолданылады. Егістіктер индекс мәндеріне негізделген басқару аймақтарына бөлінеді және әрбір аймақ өзінің нақты дақылға деген сұранысына сәйкес калибрленген азот дозасын алады.

Қашықтықтан зондтау және айнымалы жылдамдықты технология бірге есепке алынды 2025 жылы дәл егіншілік технологиялары нарығының 58% үлесі (Precedence Research, 2026), бұл жұмыс процесінің коммерциялық жүгері өндірісінде қаншалықты маңызды рөл атқарғанын көрсетеді.

2025 жылы жүргізілген зерттеу Ауыл шаруашылығы (MDPI) орташа азот дозалары екенін анықтады 120–180 кг га⁻¹ жүгері үшін оңтайлы қоректік деңгейді қамтамасыз етіп, өнімділікті ... дейін арттырды 5,086 т га⁻¹ тыңайтылмаған бақылау түрлерімен салыстырғанда, NDVI негізіндегі мониторинг тек өнімділікті оңтайландыру үшін ғана емес, сонымен қатар учаскеге тән тыңайту стратегияларын бағыттау үшін де тиімді екенін дәлелдеді.

Жібектен кейінгі кезеңде (VI-шығымдылық корреляциясы шыңына жеткенде) NDVI негізіндегі азотты басқару дәстүрлі топырақты сынау арқылы ғана тыңайту тәсілдерін алмастыра алады және кіріс тиімділігі мен дән өнімділігін айтарлықтай жақсарта алады.

Өсімдік индексі деректерін жинау үшін пайдаланылатын платформалар

1. Спутниктік кескіндер

Sentinel-2 (10 м ажыратымдылық, 5 күндік қайта қарау) және Planet Labs спутниктері (3 м ажыратымдылық, күн сайын қайта қарау) сияқты жерсеріктер үлкен аумақтар бойынша біркелкі, ауа райына қолайлы спектрлік деректерді гектарына төмен шығынмен береді.

Sentinel-2-ге қызыл жиек жолақтарын (705, 740, 783 нм-де B5, B6, B7) қосу оны аймақтық жүгері мониторингі бағдарламалары бойынша NDRE және CI Red Edge есептеулері үшін ерекше құнды етеді. Шектеу бұлттылықта: маңызды өсу терезесі кезіндегі бұлтты кезең уақытша мониторингті үзетін деректер алшақтықтарын тудыруы мүмкін.

2. Дронға негізделген қашықтықтан зондтау

Мультиспектрлі камералармен жабдықталған қозғалмайтын қанатты және көп роторлы дрондар пиксельге 2-10 см ажыратымдылықпен далалық масштабтағы кескіндерді береді. Бұл егжей-тегжейлілік деңгейі жеке өсімдік қатарларын анықтайды, бұл қатар ішіндегі шатырдың денсаулығының өзгеруін өлшеуге мүмкіндік береді.

Дрондармен түсірілімдерді спутниктік жол өткелінің уақытына қарамастан, сұраныс бойынша жоспарлауға болады, бұл оларды азотты қосымша қолдану немесе суаруды жоспарлау терезелері сияқты дәл агрономиялық шешім қабылдау нүктелерінде деректерді жинау үшін өте қолайлы етеді.

3. Ұшқышсыз ұшу аппараттарының көпспектрлі камералары

MicaSense RedEdge, Parrot Sequoia және DJI Zenmuse P1 сияқты көп спектрлі камералар қызыл, жасыл, көк, қызыл жиек және NIR сияқты бес немесе одан да көп тар спектрлік диапазондарда бір уақытта кескіндерді түсіреді.

Бұл жүйелерге ұшу кезінде әртүрлі жарық жағдайлары үшін деректерді қалыпқа келтіруге арналған калибрленген шағылыстыру панелі және күн сәулесінің сенсоры кіреді, бұл салыстырмалы салыстырулардың орнына дәл, қайталанатын индекс мәндерін алу үшін маңызды.

4. Қолмен ұстауға арналған кесу сенсорлары

GreenSeeker және CropCircle сияқты белсенді оптикалық сенсорлар өздерінің жарық көзін шығарады және жақын қашықтықтағы жеке өсімдіктердің шағылысуын өлшейді, бұл айнымалы күн сәулесінің әсерін жояды.

Бұл сенсорлар белгілі бір сынама алу нүктелерінде далалық азот күйін жылдам бағалау үшін қолданылады. Олардың деректері белгілі орындардағы қашықтықтан зондтау индексінің мәндерін растайтын жердегі шындық өлшемдерін ұсыну арқылы дрондар мен спутниктік суреттерді толықтырады.

5. Тракторға орнатылған сенсорлар

Тракторға орнатылған John Deere Hagie және Trimble GreenSeeker RT сияқты белсенді сенсорлар трактор егістік алқапта қозғалған кезде жүгері жамылғысын үздіксіз сканерлейді және нақты уақыттағы NDVI деректерін тікелей айнымалы жылдамдықты контроллерге береді. Бұл тұйық циклді жүйе сенсор мен қолдану арасында бөлек деректерді өңдеу қадамынсыз, тірі дақылдардың жағдайы туралы деректерге негізделген тыңайтқыш мөлшерін жол жүріп бара жатқанда реттеуге мүмкіндік береді.

Жүгері алқаптарындағы өсімдік жамылғысы индексінің дәлдігіне әсер ететін факторлар

1. Топырақ фоны

Ашық топырақтың өзіндік спектрлік белгісі бар, ол өсімдік жамылғысының сигналымен үйлеседі, әсіресе жамылғы 50%-ден төмен болған кезде. Топыраққа бейімделген индекстер (SAVI, MSAVI, OSAVI) бұл әсерді азайтуға арналған, бірақ топырақтың түсі, ылғалдылығы және органикалық заттардың мөлшері ерте маусымдық суреттердегі индекс мәндеріне әсер етеді. Аймақтағы белгілі бір топырақ түрлері үшін индекс шектерін калибрлеу түсіндіру дәлдігін жақсартады.

2. Бұлтты жамылғы

Бұлттар күн радиациясын бөгейді және жерде әртүрлі көлеңкелерді тудырады, бұл жерсеріктер мен дрондардағы пассивті сенсорлар үшін шағылысу өлшемдерін сенімсіз етеді.

Белсенді сенсорлар бұлт жамылғысына төзімді, себебі олар өздерінің жарықтандыруын қамтамасыз етеді. Бұлт жамылғысы - өсу кезеңінде бұлт жиілігі жоғары аймақтарда спутниктік VI мониторингінің пайдалылығын шектейтін ең маңызды фактор.

3. Күн бұрышы

Төмен күн бұрыштары шатыр ішіндегі көлеңке үлесін арттырады, NIR шағылысуын жасанды түрде төмендетеді және индекс мәндерін бұрмалайды. Жергілікті күн уақыты бойынша сағат 10:00-ден 14:00-ге дейін орындалатын ұшқышсыз ұшу аппараттарының ұшулары көлеңке әсерлерін азайтады және біркелкі деректерді береді. Қайталанатын зерттеулер кезінде ұшу уақытының біркелкілігі абсолютті уақыт сияқты маңызды, себебі ол күндерді мағыналы салыстыруға мүмкіндік береді.

4. Дақыл тығыздығы

Өсімдіктер популяциясы шатырдың жабылуына және сондықтан VI мәндерінің отырғызудан бастап шатырдың жабылуына дейін қаншалықты тез өсетініне тікелей әсер етеді. Өсімдіктер популяциясы аз егістіктер шатырды кейінірек жабады, бұл топырақ фоны индекс көрсеткіштеріне кедергі келтіретін кезеңді ұзартады. Өсу суреттерінен алынған популяция карталары VI шектерін жергілікті тығыздықтың өзгеруіне реттеуге мүмкіндік береді.

5. Өсу кезеңі

Бірдей VI мәні әртүрлі өсу кезеңдерінде әртүрлі мағына береді. V6 кезіндегі NDVI 0,5 сау, жақсы дамып келе жатқан жамылғыны көрсетуі мүмкін, ал VT кезіндегі NDVI 0,5 айтарлықтай стрессті білдіреді.

Өсу кезеңін ескермей, VI мәндерін түсіндіру дақылдың жағдайын дұрыс емес жіктеуге әкеледі. Ағымдағы мәндерді күтілетін маусымдық қисықтармен салыстыратын уақыт қатарларын талдау дақылдың даму траекториясындағы әрбір көрсеткішті контекстке сәйкестендіру арқылы мұны түзетеді.

6. Сенсор ажыратымдылығы

Ірі ажыратымдылықтағы сенсорлар дақылдың, топырақтың және егістік шеттерінің спектрлік сигналдарын бір пиксель ішінде араластырады — бұл “аралас пиксельдер” деп аталатын мәселе. Sentinel-2-нің 10 м ажыратымдылығында бір пиксель 100 м² жерді жабады, бұл көбінесе бірнеше дақыл қатарларын және қатар аралық топырақты қамтиды.

Жоғары ажыратымдылықтағы дрон кескіндері (пиксельге 5 см) аралас пиксельдерді жояды және деректер көлемі мен өңдеу уақытын арттыру есебінен әлдеқайда таза шампурлық спектрлік сигнал береді.

Жүгері мониторингі үшін өсімдік жамылғысы индекстерінің шектеулері

1. Тығыз шатырлардағы қанықтылық

Ең көп қолданылатын индекс NDVI шамамен 3 м²/м² жоғары LAI мәндерінде қанығады, бұл жүгері әдетте V10-ға жетеді. Осы шектен жоғары болғанда, шатырдың жасылдығының немесе биомассаның қосымша артуы NDVI-де елеусіз өзгерістерге әкеледі. EVI, GNDVI және NDRE бұл шектеуді шешуге арналған, бірақ NDVI-ге қарағанда көбірек спектрлік жолақтарды қажет етеді және әрқашан арзан сенсорлардан қолжетімді бола бермейді.

2. Ауа райына тәуелділік

Пассивті қашықтықтан зондтау жүйелері тұрақты күн сәулесіне тәуелді. Бұлт жамылғысы, тұман және атмосфералық аэрозольдер кіретін күн радиациясын дақылға жеткенге дейін және қайтадан сенсорға қайтар жолда сіңіріп, шашыратады, шағылысу мәндерін бұрмалайды.

Деректерді өңдеу кезінде қолданылатын атмосфералық түзету алгоритмдері бұл әсерді азайтады, бірақ жоймайды. Ұзақ бұлтты маусымдары бар тропикалық жүгері өндіретін аймақтарда деректердегі алшақтықтар уақыт қатарларын бақылауды бұзатындай жиі болуы мүмкін.

3. Аралас пиксельдер

Төмен кеңістіктік ажыратымдылықта пиксельдер дақыл жамылғысынан да, топырақтан да, жолдардан да, суару жабдықтарынан да немесе егістік шекараларынан да сигналдарды қабылдайды. Нәтижесінде аралас пиксельдік шағылысу тек жамылғыны ғана көрсетпейтін индекс мәндерін береді. Егістік шекарасын бүркеу және ең жоғары мүмкін кеңістіктік ажыратымдылық сенсорын пайдалану бұл қатені азайтудың стандартты тәжірибелері болып табылады.

4. Калибрлеу талаптары

Дәл, қайталанатын индекс мәндерін алу үшін сенсорды радиометриялық калибрлеу, атмосфералық әсерлерді түзету және дрон ұшулары кезінде айнымалы жарықтандыруды қалыпқа келтіру қажет. Бұл қадамдарды өткізіп жіберу күндер арасында немесе өрістер арасында салыстыруға келмейтін салыстырмалы VI карталарын шығарады, бұл олардың уақыттық қатарларды бақылау және көп өрісті бенчмаркинг үшін пайдалылығын шектейді.

5. Шындықты растау қажеттілігі

Өсімдік индекстері жанама өлшемдер болып табылады. Олар дақылдардың қасиеттерін — хлорофилл, азот, биомасса — тікелей өлшеудің орнына спектрлік үлгілерді биологиялық айнымалылармен корреляциялау арқылы бағалайды.

Әрбір VI негізіндегі дақылдарды бағалау жердің шындығын тексеруден пайда көреді: жапырақ азотының физикалық өлшемдері, хлорофилл өлшегішінің көрсеткіштері немесе егістіктің әртүрлі жерлерінде алынған деструктивті биомасса үлгілері. Жердің шындығы туралы деректер қашықтықтан зондтау интерпретациясын бекітеді және дұрыс емес диагноз қоюдың алдын алады.

Жүгері алқаптарында өсімдік индекстерін пайдаланудың ең жақсы тәжірибелері

1. Дұрыс индексті таңдау

Индексті таңдау бақылау мақсатына және қолжетімді сенсорға сәйкес келуі керек. Азотты бағалау үшін, егер қызыл жиек жолағы болса, NDRE немесе CI Red Edge таңдаңыз. Маусымның басындағы егістік алқабын бағалау үшін SAVI немесе MSAVI пайдаланыңыз.

Ең жоғары маусымдық шатыр мониторингі және өнімділікті болжау үшін EVI немесе NDVI-ді GNDVI немесе NDRE-мен бірге пайдаланыңыз. Маусымның басында немесе шатыр тығыздығы жоғары болған кезде NDVI-ді жалғыз пайдаланудан аулақ болыңыз — екі сценарийде де оның шектеулері жақсы анықталған.

2. Дұрыс өсу кезеңін таңдау

Деректерді жинау уақытын агрономиялық шешім қабылдау нүктелеріне дейін бөлу VI деректерінің басқару құндылығын барынша арттырады. Жүгеріге арналған практикалық мониторинг кестесі мыналарды қамтиды:

1. V2–V4 (өсуді тексеру): Алқаптардың біркелкілігін бағалау және қайта отырғызу аймақтарын анықтау үшін SAVI немесе MSAVI пайдаланыңыз.
2. V6 (жанама киімді азот шешімі): Азот күйін картаға түсіру және айнымалы жылдамдықты рецепт жасау үшін NDRE немесе CI Red Edge пайдаланыңыз.
3. V10–V12 (шатырды жабу): Биомассаны бағалау және нашар жұмыс істейтін басқару аймақтарын белгілеу үшін NDVI және EVI пайдаланыңыз.
4. VT (шашқабықша): Шатырдың шыңын бағалау және тозаңдану кезінде стресс қаупі бар аймақтарды анықтау үшін NDVI және GNDVI пайдаланыңыз.
5. R3 (сүт сатысы): Су стрессін анықтау және дәннің толу барысын бағалау үшін NDVI және NDWI пайдаланыңыз.
6. R6 (жетілуі): Модельді калибрлеу үшін маусымдық VI траекториясын егін жинау өнімділігімен байланыстыру үшін индекс деректерін пайдаланыңыз.

3. Бірнеше индекстерді біріктіру

Жүгері дақылының жағдайының толық күрделілігін көрсететін бірде-бір индекс жоқ. Әртүрлі биологиялық сигналдарға бағытталған екі немесе одан да көп индекстерді біріктіру бай диагностикалық карталарды жасайды. Азот күйі үшін NDRE, жалпы биомасса үшін NDVI және су мөлшері үшін NDWI үйлесімі жүгері өндірісіндегі ең көп таралған үш шектеуші факторды қамтиды. Машиналық оқыту модельдеріндегі көп индексті біріктіру кез келген бір индексті тәсілге қарағанда өнімнің болжамының дәлдігін айтарлықтай арттырады.

4. Жердегі бақылауларды біріктіру

VI карталары әрқашан далалық барлау бақылауларымен қатар түсіндірілуі керек. Дрон картасында VI аномалиясы пайда болған кезде, сол жерге физикалық далалық бару спектрлік сигналдың нақты агрономиялық мәселені - азот жетіспеушілігін, тығыздалуын, батпақтануын, зиянкестердің зақымдануын - немесе сенсор шуының, көлеңкенің немесе топырақтың өзгеруінің артефактісін көрсететінін растайды. Жердегі бақылаулар сонымен қатар нақты будандар, топырақтар және басқару жүйелері үшін жергілікті VI шекті мәндерін калибрлеу үшін қажетті оқыту деректерін береді.

5. Уақыттық қатарларды талдауды қолдану

Бір VI кескін – бұл сурет. Пайда болудан жетілуге дейінгі кескіндердің уақыттық қатары – бұл бір оқиға. Уақыт бойынша индекс мәндерін сызу стресстік оқиғаларды олардың пайда болу күні, қаншалықты ауыр болғаны және қанша уақытқа созылғаны бойынша анықтайтын өсу траекторияларын көрсетеді. Уақыттық қатар деректері сонымен қатар ағымдағы маусым мен тарихи көрсеткіштерді салыстыруға мүмкіндік береді, бұл бір күндік кескіндер жеткізе алмайтын контекстті қамтамасыз етеді.

Жүгері өсуін бақылаудың болашақ үрдістері

1. Жасанды интеллект

Қазіргі уақытта агрономның пікірін талап ететін түсіндіру тапсырмаларын автоматтандыру үшін өсімдік индексі деректеріне жасанды интеллект алгоритмдері барған сайын қолданылуда. Үлкен VI деректер жиынтықтарында оқытылған терең оқыту модельдері стресс түрін, ауырлығын және кеңістіктік ауқымын бірнеше секунд ішінде көпспектрлі кескіндерден жіктей алады, әрбір кескінді толық қолмен талдауды талап етудің орнына агрономның шолуы үшін әрекет етуді қажет ететін аймақтарды белгілейді.

Ауыл шаруашылығы нарығындағы жасанды интеллект бағаланды 2023 жылы 2,1 миллиард АҚШ доллары және 2032 жылға дейін 24%-ден астам орташа жылдық өсіммен өседі деп болжануда. (GMI, 2025), бұл мүмкіндіктің қаншалықты тез коммерцияландырылып жатқанын көрсетеді.

2. Машиналық оқыту модельдері

Көп индексті, көп уақыттық деректер жиынтықтарына қолданылатын Random Forest, XGBoost және конволюциялық нейрондық желілер (CNN) дәстүрлі регрессияға негізделген VI-кірістілік модельдерінен үнемі асып түседі.

Жүгері өнімділігін болжау үшін GBM (градиенттік күшейткіш машиналар) көмегімен жүргізілген зерттеулерге қол жеткізілді R² мәндері 0,78 VI уақыттық қатарларын метеорологиялық деректермен біріктірген кезде, қарапайым регрессия тәсілдерінен асып түседі.

Бұл модельдер спектрлік үлгілер мен сызықтық модельдер түсіре алмайтын агрономиялық нәтижелер арасындағы күрделі, сызықтық емес қатынастарды зерттейді.

3. Гиперспектрлік бейнелеу

Гиперспектрлік сенсорлар шағылысу деректерін жүздеген тар спектрлік жолақтар арқылы бір уақытта түсіреді, бұл әдеттегі мультиспектрлік камералардың бес-он жолағымен салыстырғанда жоғары. Бұл спектрлік тығыздық кең жолақты сенсорларға көрінбейтін тар спектрлік терезелерге түсетін дақыл кернеуі сигналдарын анықтауға мүмкіндік береді.

Жүгері үшін ауруларды анықтаудың, ауыр металл стрессінің және микроэлементтердің жетіспеушілігінің гиперспектрлік көрсеткіштері белсенді түрде тексерілуде, ал коммерциялық пилотсыз ұшу аппараттарының гиперспектрлік жүйелері барған сайын қолжетімді бола түсуде.

4. Нақты уақыт режимінде дақылдарды бақылау

Сенсорлық миниатюризация, спутниктік шоқжұлдызды кеңейту және 5G қосылымының үйлесімі нақты уақыт режимінде дақылдардың жағдайын бақылауға бағытталған — мұнда VI деректері апта сайын немесе екі апта сайын емес, өсу кезеңінде үздіксіз қолжетімді болады.

Planet Labs компаниясының күнделікті спутниктік қайта оралу жиілігі және деректерді бұлттық платформаларға ағынмен жіберетін IoT қолдайтын өріс сенсорларын орналастыру ерте қолданушылар үшін нақты уақыт режимінде бақылау мүмкіндігін ұсынады.

DJI компаниясының дронға негізделген қашықтықтан зондтау жүйелері хабарлады Химиялық кіріс көлемінің 67.78% төмендеуі VI деректерін берудің айнымалы жылдамдықты бүрку жүйелерінен алынған рецепт карталары кезінде (Mordor Intelligence, 2026).

5. Дәлме-дәл ауыл шаруашылығы жүйелерімен интеграция

Жүгері VI мониторингінің келесі қадамы - деректерді жинау, өңдеу, түсіндіру және далалық іс-шаралар арасындағы үздіксіз интеграция. Бұлтқа негізделген фермаларды басқару платформалары қазірдің өзінде спутниктік және дрондық кескін құбырларын айнымалы жылдамдықты контроллер бағдарламалық жасақтамасына тікелей қосуда, бұл деректерді жинаудан далалық іс-шараларға дейінгі уақытты күннен сағатқа дейін қысқартады.

Бейне провайдерлері, агрономиялық бағдарламалық жасақтама және ауылшаруашылық жабдықтары арасындағы API стандартталған сайын, “дронмен ұшудан” “айнымалы мөлшерлемедегі рецепт қолданылғанға” дейінгі жұмыс процесі барлық деңгейдегі өндірушілер үшін қолжетімді болады.

Жиі қойылатын сұрақтар

Жүгері үшін қандай өсімдік индексі ең жақсы?
Ешқандай бір индекс әмбебап ең жақсы емес. NDRE азотты бағалау үшін, SAVI ерте кезеңдегі мониторинг үшін, EVI тығыз шатыр жағдайлары үшін және NDVI жалпы биомасса мен өнімділік корреляциясы үшін ең жақсы нәтиже көрсетеді. Мониторинг мақсатына бейімделген екі немесе үш индексті біріктіру кез келген бір индекстен үнемі асып түседі.

Өсімдік индекстерін қаншалықты жиі бақылау керек?
Жүгеріні толық маусымдық басқару үшін V4-тен R3-ке дейінгі кезеңде әрбір 7-14 күн сайын бақылау аралығы ұсынылады. Маңызды шешім қабылдау терезелері (азот үшін V6, стрессті бағалау үшін VT, суару үшін R3) стандартты бақылау кестесіне қарамастан ұшуларды немесе спутниктік деректерді алуды ақтайды.

Жүгерінің ерте өсуі кезінде қандай өсімдік индексі жақсы жұмыс істейді?
SAVI және MSAVI өскін шыққаннан бастап V4-ке дейін ең жақсы нәтиже көрсетеді, себебі олар ашық топырақтың индекс мәніне әсерін азайтады, тіпті жер жамылғысы 30%-ден төмен болған кезде де маңызды шатыр өлшемдерін береді.

Өсімдік индекстері ауруды симптомдар пайда болғанға дейін анықтай ала ма?
Зерттеулер жапырақ аурулары көрінетін зақымданулар пайда болғанға дейін жұқтырған жапырақтардың спектрлік белгісін өзгертетінін көрсетеді. Қызыл жиекке негізделген индекстер ауруды ерте анықтау үшін ең сезімтал болып табылады, себебі олар жұқтырған тіндердегі хлорофиллдің ыдырауына жауап береді. Анықтауға дейінгі уақыт аурудың түрі мен ауырлығына байланысты, бірақ бақыланатын зерттеулерде көрінетін симптомдар пайда болғанға дейін 5-10 күн бұрын ерте анықтау көрсетілген.

Қорытынды

Жүгері өсуін бақылауға арналған өсімдік индекстері зерттеу қызығушылығынан әлдеқайда асып түсті. Олар қазір фермерлер мен агрономдарға дақылдардың күйзелісін, азот жетіспеушілігін және өнімділікті шектейтін жағдайларды бұл мәселелер көрінетінге дейін және олар қайтымсыз өнімділіктің төмендеуіне әкелмес бұрын бірнеше апта бұрын көруге мүмкіндік беретін практикалық, далалық сынақтан өткен құралдар болып табылады. Әрбір өсу кезеңі үшін дұрыс индексті таңдау кішігірім техникалық бөлшек емес; бұл нақты мәселені анықтау мен жаңылыстыратын деректерді жасау арасындағы айырмашылық. Бірнеше индекстерді біріктіру — азот үшін NDRE, тығыз шатырлы биомасса үшін EVI, судың жай-күйі үшін NDWI — ешбір өлшеу бере алмайтын диагностикалық көріністі береді. Бұл спектрлік көріністі физикалық далалық бақылаулармен біріктіру деректерді агрономиялық шындыққа негіздейді және тек қашықтықтан зондтауға сүйенуден туындайтын қате түсіндірудің алдын алады.

Пилотсыз ұшу аппараттары (ПҰА) немесе дрондар егістіктердің жылдам, әуеден көріністерін қамтамасыз ету арқылы заманауи ауыл шаруашылығын түбегейлі өзгертуде. Олар дақылдардың денсаулығын, өсу кезеңін, зиянкестерді, арамшөптерді және өнімділікті бағалауды тексеру үшін қолданылады. Мысалы, Қытайда қазір 250 000-нан астам ауыл шаруашылығы дрондары жұмыс істейді, ал Тайландта 2023 жылға қарай шамамен 301 ТП3 Т ауыл шаруашылығы алқабы дронмен бүрку немесе бақылау арқылы қамтылды. Бұл ПҰА жерде байқалмайтын мәселелерді (мысалы, зиянкестердің өршуі немесе су тапшылығы) тез анықтау арқылы егіншілікті тиімдірек етеді.

Дегенмен, шағын ұшқышсыз ұшу аппараттарының борттық есептеу қуаты мен батареяның қызмет ету мерзімі өте шектеулі. Сондықтан оларда нақты уақыт режимінде күрделі жасанды интеллект көру алгоритмдерін іске қосу қиындық тудырады. Дәстүрлі жеңіл нысандарды анықтау модельдері (мысалы, кішкентай YOLO немесе MobileNet негізіндегі детекторлар) бұл қажеттіліктерді тек ішінара қанағаттандыра алады: олар көбінесе дәлдіктен немесе жылдамдықтан бас тартады және қолмен баптауды айтарлықтай қажет етеді. Бұл олқылық орналастыруға бейімделген нейрондық архитектураны іздеуді (NAS) ынталандырады: терең оқыту модельдерін далалық орналастырылған ұшқышсыз ұшу аппараттарының нақты талаптарына бейімдейтін автоматтандырылған жобалау әдісі.

Қазіргі заманғы дәл ауыл шаруашылығы егістіктерді зерттеу және егістік жағдайын бақылау үшін дрондарды (ҰҰА) пайдаланады. Үлкен аумақтардың үстінен ұшу арқылы дрондар өсімдіктердің, топырақтың және егістік үлгілерінің жоғары ажыратымдылықтағы суреттерін жинай алады. Бұл суреттер дақылдар арасындағы арамшөптерді анықтайтын, өнімділікті бағалайтын (мысалы, жемістерді немесе бастарды санайтын) немесе аурудың немесе қоректік заттардың жетіспеушілігінің алғашқы белгілерін анықтайтын компьютерлік көру алгоритмдеріне беріледі. Мысалы, дрондар арамшөптерге гербицидтерді мақсатты түрде шашуға мүмкіндік береді, бұл химиялық заттарды пайдалану мен шығындарды азайтады.

Дегенмен, дрондардағы шағын борттық компьютерлер (көбінесе бірнеше ватт қуатпен шектеледі) ұшу жылдамдығында үлкен нейрондық желілерді іске қосуда қиындықтарға тап болады. Бұл нақты уақыт режимінде талдау жүргізуді қиындатады: егер дрон ақауды байқаса, батарея таусылғанға дейін тез әрекет етуі немесе деректерді тіркеуі керек. Қазіргі жеңіл детекторлар (мысалы, YOLOv8 nano, YOLO-tiny, MobileNets) қолмен жасалған және көбінесе компромисстерді қамтиды: модельді кішірейту оны жылдамдатады, бірақ дәлдікке зиян келтіруі мүмкін.

Нәтижесінде, ҰҰА шектеулерін ескере отырып, ең жақсы модельді автоматты түрде табатын әдістерге деген қажеттілік жоғары. Орналастыруға бейім NAS нақты ҰҰА жағдайларында анықтау дәлдігі мен ресурстарды пайдалануды (кідіріс, қуат, жад) бірлесіп оңтайландыратын нейрондық желі архитектураларын іздеу арқылы осы қажеттілікті қанағаттандырады. Бұл тәсіл дрон аппараттық құралдарында тиімді жұмыс істейтін, бірақ дақылдарды бақылау тапсырмалары үшін жоғары дәлдікті сақтайтын мамандандырылған модельдерді ұсына алады.

Өсімдіктерді бақылаудағы пилотсыз ұшу аппараттарының нысандарын анықтау талаптары

Ауыл шаруашылығына арналған ұшқышсыз ұшу аппараттары әртүрлі визуалды анықтау міндеттерін орындайды, олардың әрқайсысының өзіндік талаптары бар:

1. Өсімдік денсаулығы және стрессті анықтау: Дрондар күйзеліске ұшыраған өсімдіктерді, қоректік заттардың жетіспеушілігін немесе ауру белгілерін анықтау үшін RGB, жылулық немесе көп спектрлі камераларды пайдаланады. Нақты уақыт режиміндегі алгоритмдер суаруды немесе тыңайтқыштарды басқаруды басқара отырып, егістіктердің өзгергіштігін картаға түсіре алады. Өсімдіктердің күйзеліс белгілерін дәл анықтау өнімділікті сақтау үшін уақтылы араласуға мүмкіндік береді.

2. Арамшөптерді анықтау: Егін алқаптарындағы арамшөптерді анықтау фермерлерге тек қажетсіз өсімдіктерді шашуға мүмкіндік береді, бұл гербицидтерді үнемдейді. Мысалы, мақта алқаптарында жүргізілген зерттеуде YOLOv7 негізіндегі детекторы бар ұшқышсыз ұшу аппараттарының суреттері пайдаланылды және арамшөптерді мақтадан ажыратуда шамамен 83% дәлдігіне қол жеткізілді. Дегенмен, визуалды түрде ұқсас арамшөптер мен дақылдарды шатасқан далалық суреттерде ажырату қиын болып қала береді.

3. Зиянкестер мен ауруларды анықтау: Ұшқышсыз ұшу аппараттары (ҰҰА) адамдарға қарағанда індеттерді (мысалы, шегірткелер, жәндіктер немесе саңырауқұлақ ауруы) ертерек анықтай алады. Дрондар сонымен қатар зиянкестер көп таралған аймақтарды көп спектрлі бейнелеу арқылы картаға түсіруді қолдайды, бұл тек RGB көмегімен жақсарады. Таралудың алдын алу үшін зиянкестерді жылдам, дәл анықтау өте маңызды.

4. Өнімділікті бағалау: Жемістерді, дәнді дақылдардың бастарын немесе өсімдіктерді ауадан санау егін жинау көлемін болжауға көмектеседі. Ұшқышсыз ұшу аппараттарының суреттерінде алма, қауын немесе бидай бастарын анықтауға үйретілген модельдер өнімділікті бағалауды жеделдете алады. Мысалы, дрон суреттеріндегі нейрондық желілер егістіктердегі қарбыз бен қауын дақылдарын санау үшін пайдаланылды.

5. Геодезиялық түсіру және картаға түсіру: Дрондар сонымен қатар егістік жоспарлауға көмектесетін далалық карталарды (топография, топырақ айырмашылықтары) жасайды. Нысандарды анықтау қатаң түрде болмаса да, бұл ҰҰА мониторингінің бөлігі болып табылады.

Бұл тапсырмалар көбінесе нақты уақыт режимінде қорытынды жасауды талап етеді: егістіктердің үстінен ұшатын дрон бейне кадрларды ұшу кезінде (секундына бірнеше кадр) өңдеуі қажет болуы мүмкін, осылайша басқару шешімдері (биіктікті реттеу немесе бүріккішті іске қосу сияқты) дереу қабылдануы мүмкін. Басқа жағдайларда, қонғаннан кейін деректер тіркеліп, талданса, аздаған кідірістер (секундтар) қолайлы болуы мүмкін.

Маңыздысы, ҰҰА көру қабілеті қоршаған ортаның өзгергіштігіне бейімделуі керек: жарқын күн сәулесі, көлеңкелер, жел тудыратын қозғалыстың бұлыңғырлығы, жапырақтардың бір-біріне қабаттасып бітелуі немесе биіктік пен бұрыштың өзгеруі. Нысандардың өлшемдері әртүрлі (жақын арамшөптер және алыстағы зиянкестер шоғырлары), сондықтан детекторлар көп масштабты ерекшеліктерді басқаруы керек.

Соңында, ауылшаруашылық пилотсыз ұшу аппараттарының миссиялары дәлдік, кідіріс және энергия арасында қатаң ымыраға келуді талап етеді. Арамшөптер мен зиянкестердің жоғалып кетуіне жол бермеу үшін жоғары анықтау дәлдігі қажет, бірақ өте терең желіні іске қосу батареяны тез таусуы мүмкін. Сондықтан анықтау моделі жылдам және энергияны үнемдейтін, сонымен бірге тапсырманы орындау үшін жеткілікті дәл болуы керек. Бұл қатаң талаптар ауылшаруашылығындағы пилотсыз ұшу аппараттары үшін мамандандырылған модель дизайнының неліктен қажет екенін көрсетеді.

Ұшқышсыз ұшу аппараттары платформаларына арналған жеңіл нысан детекторлары

Жеңіл нысан детекторлары - шектеулі жабдықта жұмыс істеуге арналған нейрондық желілер. Олар көбінесе шағын магистральдарды (мысалы, MobileNet немесе ShuffleNet), қабат енін азайтқанды немесе мойын/бас дизайнын жеңілдеткенді пайдаланады. Мысалы, YOLO тұқымдас модельдеріне параметрлері аз және операцияларды аз қажет ететін (FLOP) “нано” және “кішкентай” нұсқалар (мысалы, YOLOv8n, YOLOv5s) кіреді.

Мұндай детекторлар NVIDIA Jetson Nano немесе Google Coral сияқты ендірілген аппараттық құралдарда секундына ондаған кадр жылдамдығымен жұмыс істей алады. Мысалы, Ag-YOLO пальма плантацияларына арналған арнайы YOLO негізіндегі детектор болды, ол Intel Neural Compute Stick 2 құрылғысында секундына 36,5 кадр жылдамдықпен жұмыс істеді (тек 1,5 Вт қуатты пайдаланып) және жоғары дәлдікке қол жеткізді (F1 = 0,9205). Бұл модель YOLOv3-Tiny-ге қарағанда жылдамдығын екі есеге арттыра отырып, шамамен 12 есе аз параметрлерді пайдаланды.

Бұл мысалдар модель дизайнындағы ымыраларды көрсетеді: модельдің өлшемін немесе күрделілігін азайту (мысалы, қабаттарды немесе арналарды азайту) әдетте қорытынды жасауды жылдамдатады және энергияны тұтынуды азайтады, бірақ дәлдікті төмендетуі мүмкін. Ag-YOLO жылдамдық пен тиімділікті арттыру үшін кейбір мүмкіндіктерден бас тартты, бірақ тапсырмасында 0,92 жоғары F1 ұпайын сақтап қалды.

Сол сияқты, арамшөптерді анықтау үшін үш YOLOv7 нұсқасы салыстырылды: толық YOLOv7 83% дәлдігіне қол жеткізді, ал кішірек YOLOv7-w6 торы 63% дәлдігіне дейін төмендеді. Бұл жалпы жеңіл детекторлардың шектеуін көрсетеді: бір ортаға немесе нысан түріне бапталған модельдер басқасында нашар жұмыс істеуі мүмкін. Жылдамдық үшін кішірейтілген детектор нәзік белгілерді (мысалы, кішкентай немесе жасырын арамшөптер) жіберіп алуы мүмкін, бұл әртүрлі жағдайларда беріктікке зиян келтіреді.

Ауыл шаруашылығында бұл жалпы жеңіл желілер қосымша реттеусіз оңтайлы болмауы мүмкін. Мысалы, жалпы деректер жиынтығында алдын ала дайындалған YOLOv7 моделі дақыл кескіндерінің бірегей текстуралары мен масштабтарын мінсіз өңдей алмауы мүмкін. Демек, модель архитектурасын тапсырмаға және платформаға тән оңтайландыру қажет. Әрбір жаңа дрон түрі немесе дақыл сорты үшін қолмен баптау (қабаттарды, сүзгілерді және т.б. ауыстыру) көп еңбекті қажет етеді. Бұл берілген дрон платформасы мен ауыл шаруашылығы қолданбасы үшін өлшем, дәлдік және беріктіктің ең жақсы тепе-теңдігін табуға автоматтандырылған әдістерді - мысалы, орналастыруға бейім NAS - ынталандырады.

Ұшқышсыз ұшу аппараттарына негізделген көру жүйелерінде нейрондық архитектураны іздеу

Нейрондық архитектураны іздеу (NAS) - нейрондық желі архитектураларын жобалаудың автоматтандырылған әдісі. NAS қабаттар, сүзгілер және қосылымдар санын қолмен орнатудың орнына, ықтимал дизайндар кеңістігін зерттеу және таңдалған мақсатты (мысалы, дәлдікті) оңтайландыратындарды табу үшін алгоритмдерді (күшейтуді оқыту, эволюциялық әдістер немесе градиентке негізделген іздеу) пайдаланады.

NAS мобильді құрылғыларға ыңғайлы желілерді құру үшін қолданылған. Мысалы, Google компаниясының MnasNet жүйесі мақсатқа нақты құрылғының кідірісін тікелей қосқан алғашқы “платформаға бейім” NAS болды. MnasNet іздеу кезінде әрбір үміткер моделі үшін Google Pixel телефонында қорытынды уақытын өлшеді және осы өлшенген кідіріске қарсы дәлдікті теңестірді. Нәтижесінде мобильді жабдықта жылдам және дәл жұмыс істейтін CNN сериясы пайда болды, олар ImageNet-те қолмен жасалған MobileNets және NASNet модельдерінен асып түсті.

Дегенмен, MnasNet сияқты жалпы NAS тәсілдері жалпы көру тапсырмаларына (ImageNet жіктемесі немесе COCO анықтау) және жалпы аппараттық құралдарға (мысалы, ұялы телефондар) бағытталған. Ұшқышсыз ұшу аппараттарының дақылдарын бақылау үшін мәселе мамандандырылған. Біз детекторлардың белгілі бір объектілер кластарына (өсімдіктер, арамшөптер, зиянкестер) оңтайландырылғанын және Ұшқышсыз ұшу аппараттарының сенсорлары мен ұшу профиліне бейімделгенін қалаймыз. Тек дәлдік немесе жалпы кідіріс үшін оңтайландыратын стандартты NAS шағын объектілерді анықтау немесе энергия шектеулері сияқты нюанстарды ескермеуі мүмкін.

Сонымен қатар, дәстүрлі NAS әдістері есептеу тұрғысынан өте қымбат болуы мүмкін (көбінесе үлкен GPU кластерлерінде бірнеше күн жұмыс істеуді қажет етеді), бұл ауыл шаруашылығы зерттеушілері үшін әрқашан практикалық бола бермейді. Сондықтан, ҰҰА көру үшін тапсырмаға тән NAS құрылымдары қажет. Олар ҰҰА-ға қатысты критерийлерді қамтуы және мүмкіндігінше тиімді болуы керек.

Барлық жағдайларда шектеулерді білу өте маңызды: NAS нысана құрылғысының шектеулерін (MnasNet-ке ұқсас) және ұшу кезіндегі ҰҰА тапсырмаларының нақты уақыт режиміндегі талаптарын білуі керек. Егер іздеу тым баяу болса немесе энергия шығынын ескермесе, алынған модель іс жүзінде далада жақсы жұмыс істемеуі мүмкін.

Іс жүзінде, UAV көру үшін NAS іздеу метрикасына аппараттық кідіріс пен энергияны тікелей қосады. Мысалы, нақты дрон компьютерінде (мысалы, NVIDIA Jetson) кандидат детекторының кадр жиілігін өлшеп, оны балл ретінде пайдалануға болады. Бұл нақты жылдамдықты түсірмейтін FLOP сияқты қарапайым проксилерді пайдаланудан айырмашылығы бар.

Осылайша, NAS құрылғының мүмкіндіктерін ең жақсы пайдаланатын архитектураларды таба алады. Қорытындылай келе, NAS ұшқышсыз ұшу аппараттарына арналған детекторларды автоматты түрде жобалау тәсілін ұсынады, бірақ ол ұшқышсыз ұшу аппараттарына тән тапсырмалар мен тиімділік талаптарын ескере отырып бейімделуі керек.

Орналастыруға бейім NAS: Негізгі қағидаттар

Орналастыруға бейім NAS жобалау процесіне орналастыру контексті мен қоршаған орта шектеулерін қосу арқылы аппараттық құралдарға бейім NAS-ты кеңейтеді. Басқаша айтқанда, ол тек дронның аппараттық құралдарын (CPU/GPU жылдамдығы, жад шектеулері, энергия бюджеті) ғана емес, сонымен қатар дронның далада нақты кездесетін нәрселерін де ескереді. Бұл мақсатты құрылғыдағы болжамдық кідіріс, қуат тұтыну және жад көлемі сияқты көрсеткіштерді нақты оңтайландыруды білдіреді, сонымен бірге жоғары анықтау дәлдігін іздейді.

Мысалы, NAS кезінде әрбір үміткер моделін ұшқышсыз ұшу аппаратына бекітілген Jetson Nano құрылғысына орналастыруға және оның нақты әлемдегі уақыт пен энергияны пайдалану туралы қорытындысын жазуға болады. Бұл эмпирикалық кері байланыс орналастыру критерийлеріне шынымен сәйкес келетін модельдерді іздеуге бағыт береді.

Аппараттық құралдарға бейімделген NAS (MnasNet сияқты) құрылғы көрсеткіштеріне баса назар аударады, ал орналастыруға бейімделген NAS одан әрі қарай жүреді: ол сенсордың кіріс сипаттамаларын (мысалы, кескін ажыратымдылығы, көп спектрлі арналар) және қолданбаның кідіріс мақсаттарын (секундына кадрлар қажет) ескеруі мүмкін. Ол тіпті максималды рұқсат етілген жад сияқты ұшу шектеулерін немесе желдің сілкінісі немесе қозғалыс бұлыңғырлығын модельдеу кезіндегі бағалауларды қамтуы мүмкін.

Орналастыруға бейім NAS, мысалы, 5 Вт қуат тұтынудан асатын немесе дронға қарағанда көбірек жадты қажет ететін архитектураларды жазалауы мүмкін. Осылайша, іздеу, әрине, ҰҰА-ның далалық жұмысына арналған практикалық модельдерге бағытталған. Негізінде, орналастыруға бейім NAS модель дизайны мен нақты өмірде пайдалану арасындағы ілмекті жабу туралы. Архитектураны оқшау таңдап, оның жұмыс істеуін үміттенудің орнына, ол іздеу кезінде нақты құрылғыны жүйелі түрде сынақтан өткізуді қамтиды.

Мысалы, Керек және т.б. (2026) осындай құрылымды пайдаланып, ҰҰА детекторын іздеді: олар YOLOv8n базалық деңгейіне сүйенді, бірақ іздеуге Jetson Nano кідірісі мен энергиясын қосты. Нәтижесінде алынған модельде YOLOv8n-ге қарағанда 37% аз GFLOP және 61% аз параметрлер болды, mAP тек 1,96% төмендеді. Бұл орналастыру шектеулерінің NAS-ты әлдеқайда жеңіл және жылдам желіге қалай бағыттағанын анық көрсетеді.

Дәл ауыл шаруашылығын бақылаудағы орналастыруға бейімделген NAS жүйесінің рөлі

Орналастыруға бейім NAS детекторларды ауылшаруашылық жағдайларына бейімдеу арқылы ҰҰА дақылдарын бақылауды айтарлықтай жақсарта алады. Мысалы, іздеу кішкентай, жұқа нысандарды (мысалы, тар арамшөптер немесе жұқа жүгері көшеттері) анықтауда немесе өсімдіктерді топырақ фондан ажыратуда ерекшеленетін архитектураларға қол жеткізуге мүмкіндік береді. Ол желінің тереңдігін және қабылдау өрістерін әдеттегі ұшу биіктігіне реттей алады: төмен биіктікте нысандар кескінді толтырады және ұсақ бөлшектерді қажет етуі мүмкін, ал жоғары биіктікте желі шағын көлемде анықтауда жақсы болуы керек. Орналастыруға бейім NAS бұл талаптарды өзінің іздеу кеңістігіне кодтай алады.

Жылдамдық далада өте маңызды. Дрон зиянкестердің таралуын анықтағанын елестетіп көріңіз; егер модель, айталық, 30 кадр/сек жылдамдықпен бейнені өңдеуге жеткілікті жылдам болса, ол ұшқышты ескерте алады немесе дереу емдеу әрекетін бастайды. Сынақтарда NAS жасаған модель оңтайландырылған архитектурасының арқасында Jetson Nano-да стандартты YOLOv8n-ге қарағанда 28% жылдамырақ жұмыс істеді. Сондай-ақ, ONNX жұмыс уақытында 18,5% аз энергия жұмсады, яғни дрон бір батареямен ұзағырақ ұша алады. Бұл жетістіктер ұшу кезінде шешім қабылдауды мүмкін етеді және миссияның ұзақтығын ұзартады.

Беріктік - тағы бір артықшылығы. Орналастыруға бейімделген NAS нақты құрылғыны бағалауды қамтитындықтан, іздеу әртүрлі жағдайларда сынақтарды қамтуы мүмкін. Мысалы, ол аз жарықты модельдеуі немесе таң атқаннан және ымырттан жаттығу кескіндерін қамтуы мүмкін, бұл соңғы детектордың нақты ауа райы мен жарықтандыру өзгерістерінде дәлдікті сақтауын қамтамасыз етеді. Жұмыс NAS-тан алынған детектордың жақсы жалпыланғанын көрсетті: олар оны екі түрлі дақыл деректер жиынтығында (бидай бастары мен мақта көшеттері) сынап көрді және екеуінде де жақсы өнімділік тапты.

Бұл орналастыруға бейімделген NAS ауыл шаруашылығы үшін ортақ, пайдалы мүмкіндіктерді табуға көмектескенін, жаңа салаларға жалпылауды жақсартқанын көрсетеді. Жалпы алғанда, орналастыруға бейімделген NAS дәлдікті ұшу уақытын ұзартумен теңестіруге көмектеседі. Есептеуді қысқарту арқылы дрондар аз қуат пайдаланады және батарея заряды бойынша көбірек аумақты қамти алады, сонымен бірге дақылдар мен зиянкестерді сенімді түрде анықтайды.

Ауыл шаруашылығына арналған ұшқышсыз ұшу аппараттарының детекторларына арналған ғарыштық дизайнды іздеу

Орналастыруға бейімделген NAS жүйесінің маңызды бөлігі - іздеу кеңістігі, ол қарастыратын мүмкін желілік дизайндар жиынтығы. Ұшқышсыз ұшу аппараттарының дақыл детекторлары үшін іздеу кеңістігін осы сала үшін перспективалы архитектураларды қамтитындай етіп жасауға болады. Негізгі бөліктерге мыналар жатады:

1. Арқалық құрылымы: Негізгі құрылым - мүмкіндіктерді ажыратқыш. Ұшқышсыз ұшу аппараттары үшін тереңдік бойынша бөлінетін иірімдер (MobileNet-те қолданылатындай) немесе төңкерілген қалдық блоктар сияқты жеңіл иірім құрылымдық блоктарды қамтуы мүмкін. Төңкерілген қалдықтар мен сызықтық бөгеттер (MobileNetV2 стилі) мобильді тиімділігімен танымал. Іздеу кеңістігі Ұшқышсыз ұшу аппаратының есептеу бюджетіне сәйкес келетін әрбір блоктың енін (арналар санын) және тереңдігін өзгертуге мүмкіндік береді. Егер Ұшқышсыз ұшу аппараты оларды төмен қуатта сатып ала алса, назар аудару немесе трансформаторға негізделген модульдер де қосылуы мүмкін.

2. Мойын дизайны: Көптеген нысан детекторлары көп масштабты мүмкіндіктерді біріктіру үшін мүмкіндік пирамидаларын (FPN) немесе жол агрегация желілерін пайдаланады. Іздеу жеңілдетілген FPN немесе жеңіл мүмкіндік агрегациясын зерттей алады. Мысалы, бір масштабты бастарды және көп масштабты бастарды пайдалану нұсқалар болуы мүмкін. Бұл кеңістік қабаттарды біріктіруге немесе әртүрлі өлшемдегі нысандарды анықтауға көмектесетін қосылымдарды өткізіп жіберуге мүмкіндік беруі мүмкін.

3. Бастың дизайны: Анықтау басын (жіктеу және қорап регрессиясының қабаттары) да өзгертуге болады. Біркелкі өрістерді қарайтын ұшқышсыз ұшу аппараттары үшін қарапайым басы жеткілікті болуы мүмкін. Бірақ ұсақ арамшөптерді аулау үшін іздеуге қосымша иілу қабаттары немесе әртүрлі бекіту схемалары кіруі мүмкін.

4. Жеңіл операциялар: Іздеу кеңістігі тек арзан операцияларға ғана рұқсат ете алады. Мысалы, 3×3 конверсияны арзанырақ 1×3+3×1 факторизацияланған конверсиямен таңдау немесе GhostNet модульдерін қосу. Сондай-ақ, есептеуді шектеу үшін ядроның кіші өлшемдеріне немесе кішірейтілген өлшемдерге рұқсат ете алады. Бұл таңдаулардың барлығы аппараттық құралдармен басқарылады. Кеңістік дронның жад шегінен немесе күтілетін энергия шегінен асатын кез келген қабат конфигурациясына тыйым салуы мүмкін.

Осы іздеу кеңістігін мұқият жобалау арқылы NAS процесі тиімді, бірақ тиімді архитектураларға бағытталады. Нәтижесінде стандартты модельдерде қарастырылмаған блоктардың жаңа үйлесімі пайда болуы мүмкін. Ең жақсы табылған детектор GFLOP-тарды YOLOv8n-мен салыстырғанда 37%-ге және параметрлерді 61%-ге қысқартатын арнайы блок таңдауларын пайдаланды.

Бұл мүмкін болды, себебі NAS ұшқышсыз ұшу аппараттарының шектеулері бойынша магистральдық және бас элементтерін араластырып, сәйкестендіре алды. Қорытындылай келе, ауылшаруашылық ұшқышсыз ұшу аппараттарының детекторларын іздеу кеңістігі борттық жабдықтың шектеулері шегінде масштабталатын, жеңіл құрылыс блоктарына және көп масштабты басқаруға бағытталған.

Оңтайландыру мақсаттары мен шектеулері

Орналастыруға бейім NAS бірнеше мақсаттарды үйлестіруі керек. Негізгі мақсат әдетте дақылдарды бақылау деректер жиынтықтарында өлшенгендей анықтау дәлдігі (мысалы, орташа орташа дәлдік, mAP). Мысалы, mAP@50 (50% IOU дәлдік) кең таралған метрика болып табылады. NAS-пен оңтайландырылған модельде базалық YOLOv8n-мен салыстырғанда mAP@50-де тек 1,96% төмендеу болды, бұл қол жеткізілген жетістіктер үшін өте аз шығын. Негізгі кластар (арамшөптер, дақылдар) бойынша дәлдік және еске түсіру (немесе F1 ұпайы) да ескеріледі.

Сонымен қатар, кідіріс пен энергияны оңтайландыру қажет. Кідіріс - бұл бір кескінге шаққандағы қорытынды уақыты; ендірілген GPU үшін ол 20-50 мс немесе одан да көп болуы мүмкін. Төмен кідіріс кадр жиілігінің жоғарылауын білдіреді. Энергия тұтынуы (кадрға шаққандағы джоуль) ұшу төзімділігі үшін өте маңызды. Жад ізі (параметрлер саны, модель өлшемі) тағы бір шектеу болып табылады; модельдер құрылғының жедел жадына сәйкес келуі керек. Сондықтан, NAS әдетте бұл шектеулер үшін мақсат немесе айыппұл белгілейді.

Мысалы, белгілі бір шекті деңгейден баяу немесе параметр бюджетінен жоғары кез келген модель төмендетілуі мүмкін. Бұл NAS-ты көп мақсатты оңтайландыру мәселесіне айналдырады: кідіріс, энергия және өлшемді азайта отырып, дәлдікті барынша арттыру.

Іс жүзінде мұны мақсаттардың салмақталған қосындысы немесе қатаң шектеулер арқылы жасауға болады. Кейбір әдістер кез келген үміткерге ҰҰА қуат шегінен асып түссе, үлкен айыппұл салады. Басқалары энергия метрикасын анық есептейді: модельдер “энергия тиімділігін” өлшеу үшін ONNX жұмыс уақыты бойынша сыналды, ал ең жақсы модель YOLOv8n-ге қарағанда +18.5% энергия тиімдірек болды. Бұл олардың іздеуін басқаратын мақсаттардың бірі болды.

Табылған ымыраларды Парето шекарасында көруге болады: бір жағынан, дәлдігі төмен өте жылдам шағын модельдер; екінші жағынан, дрон үшін тым баяу немесе қуатты көп қажет ететін үлкен дәлдіктегі модельдер. Орналастыруға бейім NAS осы шекарада нақты миссия басымдықтарына сәйкес келетін жақсы орынды табуға тырысады (мысалы, үлкен жылдамдық үшін дәлдіктің аздап жоғалуы). Қорытындылай келе, NAS дәлдік көрсеткіштерін (mAP, F1) және қорытынды шектеулерін (кадрға мс, кадрға джоуль, жад) бірге қарастыруы керек. Бұл теңдестірілген оңтайландыру модельді ҰҰА пайдалануға шынымен дайын етеді.

Шынайы ауылшаруашылық жағдайларында оқыту және бағалау

NAS-та табылған детекторлардың жақсы жұмыс істеуі үшін оларды нақты ауылшаруашылық деректері бойынша оқыту және тексеру қажет. Бұл нақты егістіктердің өзгергіштігін көрсететін деректер жиынтығын пайдалануды білдіреді: әртүрлі дақыл түрлері, өсу кезеңдері, жыл мезгілдері, жарықтандыру жағдайлары және биіктіктер. Мысалы, тек жас жүгері өскіндері бойынша оқыту піскен бидай бастарына жалпыламауы мүмкін. Егістік репрезентативті деректер жиынтығы модельдің фермада маңызды ерекшеліктерді үйренуін қамтамасыз етеді. Дрондардың қозғалысы мен жарықтандыруын имитациялау үшін оқыту кезінде деректерді көбейтуді (кездейсоқ дақылдар, жарықтықтың өзгеруі, қозғалыстың бұлыңғырлығы) да қолдануға болады.

Бағалау кезінде модельді мүмкіндігінше нақты жағдайларда сынақтан өткізу маңызды. Модельдеу құралдары көмектесе алады (мысалы, виртуалды дронды 3D өрістерінде ұшу), бірақ нақты ұшу сынақтары алтын стандарт болып табылады. Борттық бенчмаркинг модельді нақты дрон аппараттық құралдарында іске қосу арқылы жүзеге асырылады. NAS-тан кейін олар кандидатты Jetson Nano-ға орналастырды және 28.1% жылдамырақ қорытынды шығарды (базалық YOLOv8n-мен салыстырғанда) және энергияны жақсырақ пайдалануды өлшеді. Нақты құрылғыдан кері байланыстың бұл түрі іздеудің талаптарға шынымен сәйкес келетін модельді шығарғанын растайды.

Жалпылау да өте маңызды. Модельді бір дақыл бойынша (мысалы, бидай) іздеуге және оқытуға болады, бірақ фермерлерге егістік алқаптарында жұмыс істейтін детекторлар қажет. Зерттеу дақылдар арасындағы күшті жалпылауды көрсетті: бір тапсырма бойынша оқытудан өткен NAS-тан алынған детектор қайта оқытусыз басқа дақылдар деректер жиынтығында (мақта көшеттері) жақсы жұмыс істеді. Бұл орналастыруға бейім NAS сенімді архитектуралар бере алатынын көрсетеді. Дегенмен, домендік ауысулар (мысалы, жүгері алқаптарынан бақшаларға көшу) әлі де жетілдіруді немесе одан әрі іздеуді қажет етуі мүмкін. Маусымаралық тестілеу (жазғы және күзгі бейнелер) де ұсынылады.

Соңында, әрбір жаңа модель орналастыру алдында ҰҰА платформасында салыстырмалы түрде тексерілуі керек. Бұған оның дәлдігі мен жылдамдығын дрондарда тіркеу, жабдықтың қызып кетпеуін қамтамасыз ету және қуат тұтынуын тексеру кіреді. Тек сонда ғана фермерлер оған маңызды мониторинг үшін сене алады. Далалық жұмысқа қатысты оқыту мен жабдықты мұқият бағалауды біріктіру арқылы орналастыруға бейім NAS тек теориялық тұрғыдан тиімді ғана емес, сонымен қатар далада дәлелденген детекторларды береді.

Қолмен жасалған PUA детекторларынан артықшылықтары

Орналастыруға бейімделген NAS дәстүрлі, қолмен жасалған ұшқышсыз ұшу аппараттарының модельдерімен салыстырғанда бірнеше айқын артықшылықтарды ұсынады:

1. Жақсы өнімділік компромисстері: NAS-та табылған модельдер дәлдік-жылдамдық-энергия тиімділігінің жоғары үйлесімдерін қамтамасыз етуге бейім. Мысалы, ең жақсы модель Jetson Nano-да қолмен таңдалған YOLOv8n базалық деңгейіне қарағанда 28% жылдамырақ жұмыс істеді және 18,5% аз энергия жұмсады, ал анықтау mAP-та тек ~2% жоғалтты. Мұндай тепе-теңдікке қол жеткізу өте қиын болар еді.

2. Жалпылауды жақсарту: NAS анықтаған модельдер жаңа жағдайларға бейімделгіш болуы мүмкін, себебі іздеу әртүрлі деректерді немесе мақсаттарды қамтуы мүмкін. Автоматты түрде жасалған детектор әртүрлі дақыл түрлеріне (бидай және мақта) және жарықтандыру жағдайларына жақсы сәйкес келеді. Ұшулар күтпеген жағдайларға тап болған кезде бұл кең беріктік өте маңызды.

3. Инженерлік күш-жігердің азаюы: NAS көптеген сынақ және қателіктерді автоматтандырады. Қабат өлшемдерін қолмен өзгертудің және көптеген кандидаттарды сынаудың орнына, орналастыруды білетін NAS таңдауларды қайталап зерттейді және сіз үшін ең жақсы дизайнды табады. Бұл әзірлеу уақыты мен тәжірибесін үнемдейді, детекторларды жаңа тапсырмалар немесе жабдық үшін жаңартуды жеңілдетеді.

4. Масштабталу: Орнатылғаннан кейін, NAS құрылымын әртүрлі ҰҰА платформалары немесе миссиялары үшін пайдалануға болады. Мысалы, сол орналастыруды білетін NAS шектеу енгізулерін өзгерту арқылы басқа камера ажыратымдылығына немесе дрон моделіне реттелген детекторды іздей алады. Бұл әр сценарий үшін желілерді нөлден бастап қайта жобалаудан әлдеқайда масштабталатын.

Қиындықтар мен шектеулер

Орналастыруға бейімделген NAS қуатты, бірақ сиқырлы оқ емес. Оны ресурстарға деген сұранысты және мақсатты ортаның өзгергіштігін ескере отырып, ойластырылған түрде қолдану керек. Уәдесіне қарамастан, орналастыруға бейімделген NAS келесі қиындықтарға тап болады:

1. Іздеудің жоғары құны: NAS айтарлықтай есептеулерді қажет етуі мүмкін. Тиімді алгоритмдер болғанның өзінде, архитектура кеңістігін іздеу GPU-да көптеген сағаттарды (немесе мамандандырылған есептеулерді) алуы мүмкін. Егер мұқият басқарылмаса, іздеу шығындары кейбір командалар үшін өте жоғары болуы мүмкін.

2. Деректердің ауытқуы және доменнің ығысуы: NAS тек пайдаланылған деректер сияқты жақсы. Егер жаттығу кескіндері далалық жағдайларды көрсетпесе, табылған архитектура іс жүзінде нашар жұмыс істеуі мүмкін. Мысалы, бір дақыл түріне немесе бір географиялық аймаққа бейімделген модель одан әрі бейімделмей екіншісіне мінсіз ауыса алмауы мүмкін.

3. Аппараттық құралдардың гетерогенділігі: Ұшқышсыз ұшу аппараттарының жабдықтары әртүрлі нұсқаларда келеді (әртүрлі ендірілген графикалық процессорлар, процессорлар, FPGA). Бір платаға оңтайландырылған модель басқа платада оңтайлы болмауы мүмкін. Орналастыруға бейім NAS әр платформа үшін іздеуді қайта іске қосуы немесе барлығына сәйкес келетін консервативті шектеулерді пайдалануы керек, бұл өнімділікті шектеуі мүмкін.

4. Практикалық шектеулер: Ауыл шаруашылығын нақты орналастыру желіні әуе арқылы жаңарту, жүйені ұшуды басқарумен біріктіру және қауіпсіздік сертификаттау сияқты мәселелерді қамтиды. Тіпті ең жақсы NAS моделі де толық дрон жүйесіне біріктірілуі керек. Модель жаңартуларын үйлестіру, реттеуші органдардың мақұлдауы және фермерлерді оқыту техникалық емес кедергілер болып табылады.

Болашақ бағыттар

Болашақта модель дизайнының, сенсорлық технологияның және ұшқышсыз ұшу аппараттарын басқарудың одан да тығыз интеграциясы болады. Орналастыруға бейімделген NAS осы бірлескен жобалау процесінде негізгі құрал болып қала береді. Болашаққа көз жүгіртсек, бірнеше қызықты бағыттар пайда болады:

1. Онлайн және бейімделгіш NAS: Бір реттік офлайн іздеудің орнына, болашақ жүйелер желіні нақты уақыт режимінде немесе ұшулар арасында реттеуі мүмкін. Мысалы, дрон базалық модельден басталып, жеңіл NAS алгоритмдерін пайдаланып, жаңа жарықтандыруды немесе жер бедерінің жағдайларын ұшу кезінде өңдеу үшін өзін реттей алады. Бұл “құрылғыдағы NAS” өте қиын, бірақ бейімделуді айтарлықтай жақсарта алады.

2. Сенсорлар мен модельдерді бірлесіп жобалау: Болашақтағы дәл ауыл шаруашылығы жүйелері камераны (RGB, көпспектрлі, инфрақызыл) және нейрондық желіні таңдауды бірлесіп оңтайландыра алады. Орналастыруға бейім NAS іздеуге сенсор параметрлерін (мысалы, пайдаланылатын спектрлік жолақтар) қосу арқылы аппараттық құрал мен модельдің ең жақсы үйлесімін таба алады.

3. Мультиспектрлік/гиперспектрлік интеграция: Мақта ауруын зерттеу көрсеткендей, көп спектрлі кескіндерді біріктіру, әсіресе ерте кезеңдегі мәселелерді анықтауды жақсарта алады. Болашақ NAS өсімдіктердің нәзік өзгерістерін сенімдірек анықтау үшін RGB және жақын инфрақызыл арналарды біріктіретін көп ағынды модельдерді зерттей алады.

4. Автономды шешім қабылдау құбырлары: Түптеп келгенде, NAS-пен оңтайландырылған детекторлар толық автономияға қол жеткізе алады. Мысалы, дрон белгілі бір жағдайларды анықтаған жағдайда автоматты түрде бүрку жоспарын жасай алады немесе ферма басшыларына ескерту жасай алады. Орналастыруға бейім NAS жүйесін бүкіл жүйені оңтайландыра отырып, толық құбырларға (анықтау + әрекет модельдері) кеңейтуге болады.

5. Этикалық және экологиялық мәселелер: Ұшқышсыз ұшу аппараттарының мүмкіндіктері артқан сайын, біз құпиялылықты, әуе кеңістігінің қауіпсіздігін және ауыл шаруашылығындағы еңбекке әсерін ескеруіміз керек (Агравал мен Арафат атап өткендей). NAS-пен оңтайландырылған дрондардың ауыл шаруашылығында жауапкершілікпен пайдаланылуын қамтамасыз ету - болашақтағы маңызды мақсат.

Қорытынды

Орналастыруға бейім NAS жеңіл нысан детекторларын UAV негізіндегі дақылдарды бақылау үшін бейімдеудің қуатты тәсілін ұсынады. Іздеуге UAV аппараттық құралдары мен тапсырма шектеулерін енгізу арқылы ол дәлдікті көп жоғалтпай есептеу мен энергияны үнемдейтін модельдер жасайды. Мысалы, жақында жүргізілген жұмыстар NAS жобалаған детектордың YOLOv8n анықтамалық нұсқасына қарағанда 37% аз FLOP және 61% аз параметрлерді пайдаланатынын көрсетті, бірақ оның mAP мәні тек ~2%-ге төмендеді.

Нақты дрон жабдықтарында бұл 28% жылдамырақ қорытынды жасауды және 18% энергия тиімділігін арттыруды білдірді. Мұндай жетістіктер ұшу уақытын ұзартуға, талдауды жылдамдатуға және ауыл шаруашылығын қолдауға көбірек жауап береді. Қолмен жасалған модельдермен салыстырғанда, орналастыруға бейім NAS өнімділікті жақсырақ жалпылауды, қолмен баптау күш-жігерін азайтуды және жаңа ҰҰА платформаларына масштабталуды қамтамасыз етеді.

Дәл егіншілік тұрғысынан бұл жетілдірулер дрондармен дақылдарды бақылауды практикалық және тиімдірек ете алады. NAS-пен оңтайландырылған детекторлармен жабдықталған дрондар арамшөптерді, зиянкестерді немесе күйзелісті сенімдірек анықтай алады, бұл ресурстарды үнемдеуге және өнімділікті арттыруға уақтылы араласуға мүмкіндік береді. Ауыл шаруашылығы дрондар мен жасанды интеллектті енгізуді жалғастырған сайын, орналастыруға бейім NAS сол дрондарда жұмыс істейтін модельдердің тиімді, дәл және егістікке дайын болуын қамтамасыз етуде маңызды рөл атқарады. Ол заманауи нейрондық желілік зерттеулер мен фермерлердің практикалық қажеттіліктері арасындағы алшақтықты жояды, деректерге негізделген, дәл егіншіліктің болашағын дамытуға көмектеседі.

Шағын фермерлер жаһандық азық-түлік өндірісінде шешуші рөл атқарады, бірақ олар ресурстардың шектеулілігінен бастап болжанбайтын қоршаған орта факторларына дейін көптеген қиындықтарға тап болады. Технологиялық прогресс дәуірінде дрондар деп аталатын пилотсыз ұшу аппараттары (ПҰА) шағын фермерлік шаруашылықта түбегейлі өзгеріс күшіне айналды.

Бұл әуе көліктері ауыл шаруашылығы тәжірибесін төңкеріске ұшыратып, шағын фермерлердің өмірін жақсарта алатын шешімдер ұсынады.

Ұсақ шаруашылықтардағы дрондардың әлеуеті мен әсерін шынымен түсіну үшін зерттеушілер осы саладағы бар зерттеулер мен үрдістерді терең талдау жүргізді. Олар алған түсініктер ауыл шаруашылығындағы инновациялардағы дрондардың қызықты рөлін айқындай түсті.

Зерттеулер шағын фермерлік шаруашылықтарда дрондарды пайдаланудың артып келе жатқанын көрсетеді. Соңғы бірнеше жылда бұл технологияға қызығушылық пен инвестицияның айтарлықтай артуы байқалды. 2016 жылдан бері жылдық өсу қарқыны шамамен 31% құрайтын бұл үрдіс дрондардың ауыл шаруашылығындағы құндылығының артып келе жатқанын білдіреді.

Жетекші ынтымақтастық және әсер

Ауыл шаруашылығында дрондарды пайдалану зерттеулердің негізгі бағытына айналуда, және бұл академиялық қоғамдастықта көрініс табуда. “Дрондар” және “Қашықтықтан зондтау” сияқты журналдар ауыл шаруашылығындағы дрондарға қатысты зерттеулерді жариялауда көшбасшыларға айналды, осы саладағы жалпы жарияланымдардың шамамен 35%-сы жарық көрді. Осы журналдардың ішінде “Дрондар” ең көп дәйексөз санымен ерекшеленеді, бұл оның маңыздылығын көрсетеді.

Шағын фермерлік шаруашылықтарда пилотсыз ұшу аппараттарын қолданудың жаһандық ландшафтында зерттеушілер 14 елді белсенді қатысушылар ретінде анықтады. Атап айтқанда, Қытай, Оңтүстік Африка, Нигерия, Швейцария және АҚШ бұл зерттеудің алдыңғы қатарында.

Қытай дәйексөздер бойынша үздік бестікте үнемі тұр, бұл оның осы саладағы күшті ықпалын көрсетеді. Зерттеулердің көпшілігі ұлттық шекаралар ішінде жүргізілсе де, кейбір халықаралық ынтымақтастықтар пайда бола бастады.

Сонымен қатар, зерттеу осы салаға 23 басылымымен айтарлықтай әсер еткен 131 автордың үлесін атап өтеді. Вимбайи Чимоньо, Алистер Клулов, Тафадзванаше Мабхаудхи және Мбулиси Сибанда сияқты танымал авторлар шағын фермерлік шаруашылықтарда дрондарды пайдалануды дамытуға белсенді қатысты.

Дәйексөздерге келетін болсақ, Ола Холл мен Магнус Йирстрём ең танымалдардың қатарында, бұл олардың осы тақырыпқа айтарлықтай ықпал еткенін көрсетеді.

Егінді бақылауды революциялық жолмен жүргізу

Ұшқышсыз ұшу аппараттарын шағын шаруашылықтарда негізгі қолдану ретінде дақылдардың дамуын бақылау және өнімділікті бағалау пайда болады. Дрондар өсу кезеңінде дақылдардың денсаулығы мен күшін бағалау үшін бірегей бақылау нүктесін ұсынады.

Олар су тапшылығы, аурулар және қоректік заттардың жетіспеушілігі сияқты мәселелерді анықтай алады. Дақылдардан алынған шағылысу деректерін талдау арқылы шағын фермерлер ерте араласып, өнімнің айтарлықтай жоғалуының алдын ала алады. NDVI, EVI және SAVI сияқты ұшқышсыз ұшу аппараттарынан алынған өсімдік индекстері дақылдардың дамуын бағалауда маңызды рөл атқарады.

1. Тыңайтқыштарды басқаруды дәл баптау

Тыңайтқыштарды пайдалануды оңтайландыру дәл ауыл шаруашылығының маңызды аспектісі болып табылады. Ұшқышсыз ұшу аппараттары жапырақ азотымен тығыз байланысты жапырақ хлорофиллінің мөлшерін бағалау арқылы шағын фермерлерге осы мақсатта көмектесуде.

Бұл ақпарат фермерлерге тыңайтқыштарды қолдану туралы хабардар шешім қабылдауға бағыт береді. Зерттеулер көрсеткендей, ұшқышсыз ұшу аппараттарынан алынған деректер тыңайтқыш тиімділігін шамамен 10%-ге арттыра алады.

2. Тиімді басқару үшін дақылдарды картаға түсіру

Дәл картаға түсіру - дрондардың жетістікке жететін тағы бір саласы. Жоғары ажыратымдылықтағы кескіндер мен машиналық оқытудың көмегімен дрондар шағын фермерлерге өз егістіктерін дәл картаға түсіруге көмектеседі. Бұл технология жерді пайдалану мен дақылдарды картаға түсіруге негіз болатындықтан, дәл ауыл шаруашылығында маңызды рөл атқарады.

Қарастырылған зерттеулерде алгоритмдерді оқыту әдістері әдетте жер бетіндегі зерттеулерді немесе жоғары ажыратымдылықтағы кескіндерді пайдалануды қамтиды. Кескіндерді жіктеу үшін кездейсоқ орман, тірек векторлық машиналар және терең нейрондық желілер сияқты алгоритмдер қолданылады, бұл дақылдарды картаға түсіруді дәлірек етеді.

Қиындықтар мен мүмкіндіктер

Ұсақ шаруашылықтарда дрондардың әлеуеті айқын болғанымен, оларды енгізумен байланысты қиындықтарды мойындау маңызды.

1. Жергілікті деректердің жеткіліксіздігіКөптеген модельдер әзірлеу және тексеру үшін сапалы in-situ деректерінің қолжетімділігіне байланысты. Мұндай деректер әрқашан оңай қолжетімді бола бермейді және олардың ауқымы шектеулі болуы мүмкін.

2. Әртүрлі пилотсыз ұшу аппараттарының түрлері және пайдалы жүктемелері: Дрондар әртүрлі өлшемдер мен түрлерде болады, әрқайсысының өзіндік мүмкіндіктері бар. Олардың ұшу уақыты мен пайдалы жүк көтергіштігі ірі көлемді ауыл шаруашылығы қолданбаларына жарамсыз болуы мүмкін.

3. Ауа райына сезімталдықАуа райы жағдайлары дрондардың деректер жинауына айтарлықтай әсер етуі мүмкін. Қатты жел мен жаңбыр деректер жинауда қиындықтар тудыруы мүмкін.

4. ҚолжетімділікДрондарды басқару және деректерді өңдеу бағдарламалық жасақтамасын сатып алу, әсіресе ақшасы аз шағын фермерлер үшін қымбатқа түсуі мүмкін.

5. Техникалық сараптама: Дрондарды пайдалану және техникалық қызмет көрсету, деректерді өңдеумен қатар, әрқашан қолжетімді бола бермейтін арнайы дағдыларды қажет етеді.

6. Реттеуші құрылымдарҰшқышсыз ұшу аппараттарын пайдаланумен байланысты ықтимал тәуекелдерге негізделген қатаң ережелер оларды пайдалануды шектеуі немесе ұшқыш лицензияларын алуды қажет етуі мүмкін.

7. Есептеу ресурстарыДрондар шығаратын деректердің үлкен көлемін өңдеу есептеулерді көп қажет етуі мүмкін, бұл қосымша ресурстар мен оқытуды қажет етуі мүмкін.

Дегенмен, бұл қиындықтар көптеген мүмкіндіктермен қатар жүреді:

1. Дәл ауыл шаруашылығындағы әртүрлі қолданыстар: Дрондар дәл ауыл шаруашылығында дақылдарды бақылау мен картаға түсіруден басқа, арамшөптерді кешенді басқару, суды пайдалануды бағалау, суару суының сапасы мен мөлшерін бағалау, топырақ атрибуттарын картаға түсіру және пестицидтерді басқаруға арналған айнымалы тарифтік рецепт карталарын қоса алғанда, әртүрлі қолданбаларды ұсынады.

2. Шешім қабылдауды қолдауға арналған көп қырлы деректер: Дрондар ұсынатын алуан түрлі деректер бір уақытта бірнеше мақсаттарды шеше алатын шешім қабылдауды қолдау құралдарын әзірлеуге мүмкіндік береді.

3. Кеңейтілген бұлттық есептеу платформаларыGoogle Earth Engine сияқты платформалар ұшқышсыз ұшу аппараттарының деректерін өңдеу және талдау үшін жаңа мүмкіндіктер ұсынады.

4. Дрондар мен спутниктер арасындағы синергияДрондар мен жер серіктері әртүрлі қолданбалар үшін қосымша деректерді бере алады, және олардың әлеуетті синергиясын ашу үшін зерттеулер қажет.

5. Деректер тапшылығы бар орталарға арналған тәсілдер: Инновациялар деректердің тапшылығын кедергісіз етуде, бұл жергілікті деректерді және оқыту әдістерін минималды түрде талап ететін тәсілдерден көрінеді.

6. Шығындар мен пайданы талдау: Дрон технологиялары мен басқа да қашықтықтан зондтау әдістерінің құнын салыстыру олардың қолжетімділігі мен артықшылықтарын анықтауға көмектеседі.

7. Ауыл шаруашылығындағы әйелдердің құқықтары мен мүмкіндіктерін кеңейту: Дрондар арқылы жүзеге асырылатын дәл ауыл шаруашылығын енгізу шағын фермерлік шаруашылықтардағы әйелдерге мүмкіндік беріп, олардың қиындықтар мен болашақтағы белгісіздіктерді шешу мүмкіндіктерін арттыра алады.

8. Жастардың қатысуы: Ауыл шаруашылығын ұшқышсыз ұшу аппараттарына негізделген дәлдіктегі ауыл шаруашылығымен жаңғырту жастардың ауыл шаруашылығына деген қызығушылығын оятып, сол арқылы саланың ұзақ мерзімділігі мен тұрақтылығын арттыра алады.

Қорытынды

Қорытындылай келе, дрондарды шағын фермерлік шаруашылыққа біріктіру миллиондаған шағын фермерлердің өмір сүруін өзгертуге мүмкіндік береді. Дәнді дақылдарды бақылау, тыңайтқыштарды басқару және картаға түсіру үшін инновациялық шешімдерді ұсыну арқылы дрондар фермерлерге ақпараттандырылған шешім қабылдау үшін құнды түсініктер береді. Қиындықтарға қарамастан, дрондармен шағын фермерлік шаруашылықтың болашағы мүмкіндіктерге толы. Жылдам дамып келе жатқан технология шығындардың төмендеуімен бірге ауыл шаруашылығы секторы үшін жаңа есіктер ашады және бүкіл әлемдегі фермерлік қауымдастықтар үшін азық-түлік қауіпсіздігі, экологиялық тұрақтылық және экономикалық әл-ауқат уәдесін ұсынады.