Рубрика: Егінді бақылау

Біздің веб-сайттағы «Дәнді дақылдарды бақылау» бөлімі фермерлер мен ауыл шаруашылығы мамандарына дақылдарын бақылауға және оңтайландыруға көмектесетін ең жаңа ақпарат пен құралдарды ұсынуға арналған. Озық технологиялар мен деректерді талдаудың көмегімен бұл қазіргі заманғы егіншілікте маңызды тәжірибеге айналды, бұл фермерлерге ықтимал мәселелерді анықтап, олар үлкен мәселелерге айналмас бұрын оларды шешуге мүмкіндік береді.

Бұл бөлім фермерлерге өз дақылдары туралы хабардар шешім қабылдауға көмектесетін бірқатар ресурстар мен ақпаратты ұсынады. Ең үздік тәжірибелер мен жаңа технологиялар туралы мақалалардан бастап, заманауи мониторинг құралдары мен бағдарламалық жасақтамаға шолуларға дейін, біз дақылдарды бақылау ландшафтын жан-жақты және заманауи түрде қамтуды қамтамасыз етуге тырысамыз.

Сіз шағын фермер болсаңыз да, ірі агробизнес субъектісі болсаңыз да, бұл бөлімде ұсынар нәрсе бар. Біз жемістер, көкөністер, дәнді дақылдар және басқа да көптеген дақылдарды қамтимыз және біздің мазмұнымыз барлық деңгейдегі фермерлердің қажеттіліктерін қанағаттандыру үшін жасалған.

Біздің «Дәнді дақылдарды бақылау» бөлімінің негізінде фермерлерге өз жұмыстарында тиімділік пен тұрақтылықты арттыруға көмектесу міндеттемесі жатыр. Ең соңғы ақпарат пен құралдарды ұсыну арқылы біз фермерлерге қоршаған ортаға әсерін азайта отырып, өнімділікті арттыруға, қалдықтарды азайтуға және кірістілікті арттыруға көмектесуді мақсат етеміз.

Егістік мониторингі бойынша нұсқаулық және жаңартулар

Сонымен, сіз мұны енді ғана бастап жатсаңыз да, немесе соңғы трендтер мен технологиялардан хабардар болуға тырысатын тәжірибелі маман болсаңыз да, бұл бөлімде табысқа жету үшін қажеттінің бәрі бар.

Ұшқышсыз ұшу аппараттарына негізделген тиімді дақылдарды бақылау үшін орналастыруға бейімделген NAS жүйесінің рөлі

-де жарияланды Muhammad Farjad арқылы

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.

Өсімдіктерді бақылаудағы пилотсыз ұшу аппараттарының нысандарын анықтау талаптары

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.

Ұшқышсыз ұшу аппараттары платформаларына арналған жеңіл нысан детекторлары

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.

Орналастыруға бейім NAS: Негізгі қағидаттар

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.

Дәл ауыл шаруашылығын бақылаудағы орналастыруға бейімделген NAS жүйесінің рөлі

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.

Шынайы ауылшаруашылық жағдайларында оқыту және бағалау

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.

Жеңіл YOLOv5 анықтау жүйесі арқасында арпа өсіру серпін алады

-де жарияланды Muhammad Farjad арқылы

Қытайдың Цинхай-Тибет таулы платосының биік аймақтарында өсірілетін төзімді астық дақылы – таулы арпа жергілікті азық-түлік қауіпсіздігі мен экономикалық тұрақтылықты қамтамасыз етуде шешуші рөл атқарады. Ғылыми атауы Hordeum vulgare L., бұл дақыл экстремалды жағдайларда – жұқа ауада, оттегінің төмен деңгейінде және орташа жылдық температурасы 6,3°C – жақсы өседі, сондықтан ол қатал ортадағы қауымдастықтар үшін таптырмас.

Қытайда, негізінен Сицанг автономиялық аймағында оның өсірілуіне 270 000 гектардан астам жер бөлінген, таулы арпа аймақтағы егілген алқаптың жартысынан астамын және жалпы дән өндірісінің 701 TP3T-дан астамын құрайды. Арпа тығыздығын — бірлік аумаққа түсетін өсімдіктер немесе масақтар санын — дәл бақылау суару мен тыңайту сияқты ауылшаруашылық тәсілдерін оңтайландыру және өнімді болжау үшін өте маңызды.

Дегенмен, қолмен үлгі алу немесе спутниктік суретке түсіру сияқты дәстүрлі әдістер тиімсіз, еңбекке көп кететін немесе жеткілікті деңгейде егжей-тегжейлі емес болып шықты. Осы мәселелерді шешу үшін Фуцзянь ауыл шаруашылығы және орман шаруашылығы университеті мен Чэнду технологиялық университетінің зерттеушілері озық нысанды анықтау алгоритмі YOLOv5 негізіндегі инновациялық жасанды интеллект моделін әзірледі.

Олардың жұмысы жарияланған Өсімдік әдістері (2025) ерекше нәтижелерге қол жеткізді, соның ішінде жалпы анықтау дәлдігін өлшейтін орташа дәлдік көрсеткіші (mAP) 93.1% және есептеу шығындарын 75.6%-ға азайту, бұл оны нақты уақыттағы дрондарды қолдануға жарамды етеді.

Егінді бақылау саласындағы мәселелер мен инновациялар

Таулы арпаның маңызы тағам көзі ретіндегі рөлінен әлдеқайда асып түседі. Тек 2022 жылы арпа өсірумен айналысатын ірі өңір Риказе қаласында 60 000 гектар алқаптан 408 900 тонна арпа жиналып, бұл Тибеттің жалпы дән өнімінің жартысына жуығын құрады.

Мәдени және экономикалық маңызына қарамастан, арпа өнімін бағалау ұзақ уақыт бойы қиындық тудырып келеді. Дәстүрлі әдістер, мысалы қолмен санау немесе спутниктік суреттер, тым еңбекке сыйымды немесе жеке арпа шиелерін анықтауға қажетті ажыратымдылықтан айырылады — өсімдіктің дәндерін таситын бөлігі, әдетте ені небәрі 2–3 сантиметр.

Қолмен сынама алу фермерлерден егіс алқабының бөліктерін физикалық түрде тексеруді талап етеді — бұл үдеріс баяу, субъективті және ірі ауқымды шаруашылықтар үшін тиімсіз. Спутниктік суреттер кең ауқымды бақылаулар үшін пайдалы болғанымен, олардың төмен ажыратымдылығы (әдетте пиксельге шаққанда 10–30 метр) және жиі болатын ауа райы кедергілері, мысалы, Тибет сияқты таулы аймақтардағы бұлттылық, қиындық тудырады.

Осы шектеулерді еңсеру үшін зерттеушілер 20 мегапиксельді камералармен жабдықталған адамсыз ұшу аппараттарына (UAV), немесе дрондарға жүгінді. Бұл дрондар Риказе қаласындағы арпа алқаптарының өсудің екі маңызды кезеңінде 501 жоғары ажыратымдылықтағы суретті түсірді: 2022 жылғы тамыздағы өсу кезеңі, жасыл дамып келе жатқан масалармен сипатталатын, және 2023 жылғы тамыздағы пісіп-жетілу кезеңі, алтын-сары, жинауға дайын масалармен белгіленетін.

Риказе қаласындағы дрондар арқылы арпа егісін бақылау

Алайда, осы суреттерді талдау бірқатар қиындықтар туғызды, соның ішінде дрондағы қозғалыстан туындаған шекаралардың бұлыңғырлануы, әуеден түсірілген кадрлардағы арпа сабандарының кішкентай көлемі және тығыз егілген алқаптардағы сабандардың үсті-үстіне жабылуы.

Осы мәселелерді шешу үшін зерттеушілер әрбір жоғары ажыратымдылықтағы суретті 35 кіші суретке бөліп, бұлыңғыр жиектерді сүзгіден өткізу арқылы 2 970 жоғары сапалы кіші суретті оқытуға дайындады. Бұл алдын ала өңдеу кезеңі модельдің анық әрі пайдалы деректерге шоғырлануын қамтамасыз етіп, төмен сапалы аймақтардың назар аудартуына жол бермеді.

Объектілерді анықтаудағы техникалық жетістіктер

Осы зерттеудің негізгі бөлігі – YOLOv5 алгоритмі (You Only Look Once, 5-нұсқа), жылдамдығы мен модульдік құрылымымен танымал бір сатылы нысанды анықтау моделі. Faster R-CNN сияқты ескі екі сатылы модельдер алдымен қызықтыратын аймақтарды анықтап, содан кейін нысандарды жіктесе, YOLOv5 анықтауды бір ғана өтуде орындайды, бұл оны айтарлықтай жылдам етеді.

Негізгі YOLOv5n моделі 1,76 миллион параметрмен (ЖИ моделінің бапталатын компоненттері) және 4,1 миллиард FLOPs (жартылай жүздік операциялар, есептеу күрделілігін өлшеу бірлігі) көрсеткішімен қазірдің өзінде тиімді болды. Алайда ұсақ, бір-біріне үсті-үстіне түсетін арпа сабақтарын анықтау қосымша оңтайландыруды талап етті.

Зерттеу тобы модельге үш негізгі жаңарту енгізді: тереңдік бойынша бөлінетін конволюция (DSConv), елес конволюциясы (GhostConv) және конволюциялық блокқа арналған назар аудару модулі (CBAM).

Тереңдік бойынша бөлінетін конволюция (DSConv) стандартты конволюция процесін — кескіннен ерекшеліктерді анықтайтын математикалық операцияны — екі қадамға бөлу арқылы есептеу шығындарын азайтады. Алдымен тереңдік бойынша конволюция жеке түс арналарына (мысалы, қызыл, жасыл, көк) фильтрлерді қолдана отырып, әр арнаны бөлек талдайды.

Одан кейін арналар бойымен 1×1 ядроларын пайдалана отырып нәтижелерді біріктіретін нүктелік конволюция жүргізіледі. Бұл тәсіл параметрлер санын 75%-ге дейін қысқартады.

Тереңдік бойынша бөлінетін конволюцияда параметрлерді азайту

Мысалы, дәстүрлі 3×3 конволюция 64 кіріс және 128 шығыс арна үшін 73 728 параметр талап етеді, ал DSConv оны небәрі 8 768-ге дейін қысқартады — 88% азайту. Бұл тиімділік өңдеу қуаты шектеулі дрондарға немесе мобильді құрылғыларға модельдерді орналастыруда аса маңызды.

Ghost convolution (GhostConv) ресурс көп қажет ететін convolutions-тың орнына айналдыру немесе масштабтау сияқты қарапайым сызықты операциялар арқылы қосымша ерекшелік карталарын (сурет үлгілерінің ықшамдалған бейнелері) жасап, модельді одан әрі жеңілдетеді.

Дәстүрлі конволюциялық қабаттар артықша ерекшеліктер жасап, есептеу ресурстарын ысырап етеді. GhostConv бұған бар ерекшеліктерден “ghost” ерекшеліктерін жасау арқылы шешім табады, нәтижесінде кейбір қабаттардағы параметрлер саны тиімді түрде жартысына дейін қысқарады.

Мысалы, 64 кіріс және 128 шығыс арнасы бар қабат дәстүрлі түрде талап етеді 73 728 параметрлер, бірақ GhostConv оны мынадай етіп қысқартады 36,864 дәлдікті сақтай отырып. Бұл әдіс есептеу тиімділігі аса маңызды болатын арпа сабақтары сияқты кішігірім нысандарды анықтауда ерекше пайдалы.

Конволюциялық блокқа назар аудару модулі (CBAM) модельге тіпті шатасқан ортада да маңызды сипаттамаларға шоғырлануға көмектесу үшін енгізілді. Адамның көру жүйесінен шабыт алған назар аудару механизмдері AI модельдеріне суреттің маңызды бөліктерін басымдықпен қарауға мүмкіндік береді.

CBAM екі түрлі назарды пайдаланады: арналық назар маңызды түс арналарын анықтайды (мысалы, өсіп келе жатқан шиптер үшін жасыл), ал кеңістіктік назар суреттегі негізгі аймақтарды (мысалы, шиптер кластерлерін) айқындайды. Стандартты модульдерді DSConv және GhostConv-пен алмастырып, CBAM-ды енгізу арқылы зерттеушілер арпаны анықтауға арналған ықшам әрі дәлірек модель жасады.

Іске асыру және нәтижелер

Модельді оқыту үшін зерттеушілер 135 бастапқы суретті қолмен белгілеп, арпа сабандарының орнын белгілейтін тіктөртбұрышты жақтауларды пайдаланды және сабандарды өсу мен пісіп-жетілу кезеңдеріне жіктеді. Деректерді кеңейту әдістері — айналдыру, шу енгізу, жабу және өткірлеу — деректер жиынтығын 2 970 суретке дейін ұлғайтып, модельдің әртүрлі дала жағдайларында жалпылау қабілетін жақсартты.

Мысалы, суреттерді 90°, 180° немесе 270° бұру моделіне шұңқырларды әртүрлі бұрыштардан тануға көмектесті, ал шуды қосу шаң-тозаң мен көлеңке сияқты нақты әлемдегі кемшіліктерді имитациялады. Деректер жиынтығы оқыту жиынтығына (80%) және валидация жиынтығына (20%) бөлінді, бұл сенімді бағалауды қамтамасыз етті.

Оқыту жоғары өнімді жүйеде өтті: AMD Ryzen 7 процессоры, NVIDIA RTX 4060 бейнежады және 64 ГБ жедел жады қолданылып, терең оқытуға арналған танымал PyTorch фреймворкі пайдаланылды. 300-ден астам оқыту эпохында (мәліметтер жиынтығын толық өту) модельдің дәлдігі (дұрыс анықталғандардың дәлдігі), recall (барлық тиісті спайктерді табу қабілеті) және loss (қателік деңгейі) мұқият бақыланды.

Нәтижелер таң қалдырарлық болды. Жақсартылған YOLOv5 моделі дәлдігі 92,2% (базалықтағы 89,1%-ден жоғары) және еске алу көрсеткіші 86,2% (83,1%-ден жоғары) көрсетті, екі көрсеткіш бойынша да бастапқы YOLOv5n-нен 3,1%-ге озып түсті. Оның орташа жалпы дәлдігі (mAP) — барлық санаттар бойынша анықтау дәлдігін орташа есеппен өлшейтін жан-жақты көрсеткіш — 93,1%-ке жетті, оның ішінде өсу кезеңінің шыңдары үшін 92,7% және жетілу кезеңінің шыңдары үшін 93,5%.

YOLOv5 модельін оқыту нәтижелері

Сонымен қатар оның есептеу тиімділігі де бірдей таң қалдырды: модель параметрлері 70,61 есе қысқарды да 1,2 миллионға дейін төмендеді, ал FLOPS көрсеткіші 75,61 есе азайып, 3,1 миллиардқа дейін қысқарды. Faster R-CNN және YOLOv8n сияқты жетекші модельдермен салыстырмалы талдаулар оның артықшылығын көрсетті.

YOLOv8n сәл жоғары mAP (93,8%) көрсеткішіне қол жеткізгенімен, оның параметрлері (3,0 миллион) мен FLOPs (8,1 миллиард) тиісінше 2,5 және 2,6 есе көп болғандықтан, ұсынылған модель нақты уақыттағы қолданбалар үшін әлдеқайда тиімді.

Көзбен салыстыру осы жетістіктерді айқын көрсетті. Өсу кезеңіндегі суреттерде жетілдірілген модель бастапқы модельмен салыстырғанда 41 шыңды анықтады, ал бастапқы модель 28-ді анықтаған. Пісіп-жетілу кезеңінде ол 3 шыңды анықтады, ал бастапқы модель 2-ні анықтаған, сонымен қатар жіберіп алған анықтаулар (апельсин түсті жебелермен белгіленген) мен жалған оң нәтижелер (күлгін түсті жебелермен белгіленген) азайды.

Осы жетілдірулер өнімділікті болжау және ресурстарды оңтайландыру үшін дәл деректерге сүйенетін фермерлер үшін өте маңызды. Мысалы, дәл бүршік санын есептеу дән өнімін жақсырақ болжауға мүмкіндік береді, бұл орақ уақытын, сақтау және нарықты жоспарлау жөніндегі шешімдерді қабылдауға көмектеседі.

Болашақ бағыттар және практикалық салдары

Зерттеудің табыстарына қарамастан, оның шектеулері бар екені мойындалды. Өнімділік қатты түскі күн сәулесінің жарқылы немесе қою көлеңке сияқты экстремалды жарық жағдайларында төмендеді, олар шиптің бөлшектерін жасырып қалуы мүмкін. Сонымен қатар, тіктөртбұрышты шекаралық қораптар кейде дөрекі пішінді шиптерге сыймай, кішігірім дәлсіздіктерге әкелді.

Модель сондай-ақ ұшқышсыз ұшу аппаратының (UAV) суреттеріндегі бұлыңғыр жиектерді шығармайды, бұл қолмен алдын ала өңдеуді қажет етеді — бұл қадам уақыт пен күрделілікті арттырады.

Болашақ жұмыс осы мәселелерді таң сәріден, түстен және кеш батқан кезде түсірілген суреттерді деректер жиынтығына қосу, полигон пішінді аннотацияларды (бұрмаланған нысандарға жақсырақ сәйкес келетін икемді пішіндер) сынап көру және бұлыңғыр аймақтарды қолмен араласусыз жақсырақ өңдеуге арналған алгоритмдерді әзірлеу арқылы шешуді мақсат етеді.

Бұл зерттеудің маңызы зор. Тибет сияқты аймақтардағы фермерлер үшін бұл модель егін өнімділігін нақты уақыт режимінде бағалауды ұсынады, еңбекке сыйымды қолмен санауды дрондар негізіндегі автоматтандырумен алмастырады. Өсу кезеңдерін ажырату егін жинауды дәл жоспарлауға мүмкіндік береді, ерте немесе кешіктірілген орақтан келетін шығындарды азайтады.

Шоқтар тығыздығы туралы егжей-тегжейлі мәліметтер — мысалы, аз қоныстанған немесе тым тығыз аймақтарды анықтау — суару мен тыңайту стратегияларын жетілдіріп, су мен химикаттардың ысырап болуын азайтуға мүмкіндік береді. Арпадан бөлек, бұл жеңіл құрылым бидай, күріш немесе жеміс сияқты басқа да дақылдарға үміт күттіріп, дәл ауыл шаруашылығында кеңінен қолдануға жол ашады.

Қорытынды

Қорытындылай келе, бұл зерттеу ауыл шаруашылығындағы мәселелерді шешуде жасанды интеллекттің трансформативтік әлеуетін айқын көрсетеді. Зерттеушілер YOLOv5-ті инновациялық жеңіл әдістер арқылы жетілдіріп, дәлдік пен тиімділікті үйлестіретін құралды жасады, бұл ресурстары шектеулі нақты жағдайларда қолдану үшін аса маңызды.

mAP, FLOPs және назар аудару механизмдері сияқты терминдер техникалық болып көрінгенімен, олардың әсері терең практикалық: олар фермерлерге деректерге негізделген шешімдер қабылдауға, ресурстарды үнемдеуге және өнімділікті барынша арттыруға мүмкіндік береді. Климаттың өзгеруі мен халық санының өсуі жаһандық азық-түлік жүйелеріне қысымды күшейте түскен сайын, мұндай жетістіктер таптырмас болады.

Тибет пен одан тыс аймақтардағы фермерлер үшін бұл технология тек ауыл шаруашылығы тиімділігіндегі секіріс қана емес, белгісіз болашақтағы тұрақты азық-түлік қауіпсіздігіне үміт сәулесі болып табылады.

Дереккөз: Цай, М., Дэн, Х., Цай, Дж. және т.б. Жақсартылған YOLOv5 негізіндегі жеңіл таулы арпаны анықтау. Plant Methods 21, 42 (2025). https://doi.org/10.1186/s13007-025-01353-0

CMTNet дәстүрлі дақылдарды жіктеуден озып, дәл ауыл шаруашылығын жаңадан анықтайды.

-де жарияланды Muhammad Farjad арқылы

Дәл дақылдарды жіктеу заманауи дәл ауыл шаруашылығы үшін аса маңызды, себебі ол фермерлерге дақылдардың денсаулығын бақылауға, өнімділікті болжауға және ресурстарды тиімді бөлуге мүмкіндік береді. Алайда дәстүрлі әдістер ауыл шаруашылығы ортасының күрделілігіне жиі төтеп бере алмайды, себебі дақылдар түрі, өсу кезеңдері және спектрлік сипаттамалары бойынша кең ауқымда өзгереді.

Гиперспектрлік бейнелеу және CMTNet шеңбері дегеніміз не?

Гиперспектралды бейнелеу (HSI) – жүздеген тар, іргелес толқын ұзындықтары аралығындағы мәліметтерді жинайтын технология, ол осы саладағы ойынды түбегейлі өзгертетін жаңашылдық ретінде пайда болды. Стандартты RGB камералар мен бірнеше кең жолақта мәлімет жинайтын көпспектралды сенсорлардан айырмашылығы, HSI әр пиксель үшін егжей-тегжейлі “спектрлік саусақ ізін” ұсынады.

Мысалы, хлорофиллдің белсенділігіне байланысты сау өсімдіктер жақын инфрақызыл сәулені күшті шағылыстырады, ал стресс жағдайындағы дақылдар айқын сіңіру үлгілерін көрсетеді. 400-ден 1000 нанометрге дейінгі толқын ұзындықтарындағы осы нәзік өзгерістерді 0,043 метрге дейінгі жоғары кеңістіктік ажыратымдылықта тіркеу арқылы HSI дақыл түрлерін дәл ажыратуға, ауруларды анықтауға және топырақты талдауға мүмкіндік береді.

Осы артықшылықтарға қарамастан, қолданыстағы әдістер жапырақ текстурасы немесе топырақ үлгілері сияқты жергілікті егжей-тегжейлерді ірі ауқымды дақыл таралуы сияқты жалпы үлгілермен теңестіруде қиындықтарға тап болады. Бұл шектеу әсіресе шуылы көп немесе теңгерімсіз деректер жиындыларында айқын көрініп, дақылдар арасындағы нәзік спектрлік айырмашылықтар қате жіктеулерге әкелуі мүмкін.

Осы мәселелерді шешу үшін зерттеушілер әзірледі CMTNet (Конволюциялық-трансформаторлық желі), конволюциялық нейрондық желілердің (CNN) және трансформаторлардың артықшылықтарын біріктіретін жаңа терең оқыту шеңбері. CNN-дер кескін сияқты тор тәрізді деректерді өңдеуге арналған нейрондық желілер класы болып табылады; олар кеңістіктік иерархияларды (мысалы, жиектер, текстуралар) анықтайтын сүзгі қабаттарын пайдаланады.

CMTNet архитектурасы мен өнімділігі

Трансформаторлар бастапқыда табиғи тілді өңдеу үшін әзірленген және деректердегі ұзақ қашықтықтағы тәуелділіктерді модельдеу үшін өзіндік назар аудару механизмдерін пайдаланады, бұл оларға жаһандық үлгілерді анықтауда шеберлік береді. Жергілікті және жаһандық сипаттамаларды кезекпен өңдейтін ертеректегі модельдерден айырмашылығы, CMTNet екі түрлі ақпаратты бір уақытта алу үшін параллельді архитектураны қолданады.

Бұл тәсіл үш ірі ұшқышсыз ұшу аппаратына негізделген HSI деректер жиынтығында ең озық дәлдікке қол жеткізетінін дәлелдеді. Мысалы, WHU-Hi-LongKou деректер жиынтығында CMTNet жалпы дәлдігі (OA) 99,58%-ке жетіп, алдыңғы үздік модельден 0,19%-ке озып түсті.

Ауыл шаруашылығын классификациялауда дәстүрлі гиперспектралды бейнелеудің қиындықтары

Гиперспектрлік деректерді талдаудың ерте әдістері көбінесе спектрлік немесе кеңістіктік сипаттамаларға баса назар аударып, толық емес нәтижелерге әкелді. Спектрлік әдістер, мысалы, негізгі компоненттерді талдау (PCA), толқын ұзындығы туралы ақпаратқа назар аудара отырып деректердің күрделілігін төмендетсе де, пиксельдер арасындағы кеңістіктік байланыстарды ескермеді.

Мысалы, PCA жоғары өлшемді спектрлік деректерді ең көп дисперсияны түсіндіретін аз компоненттерге айналдырып, талдауды жеңілдетеді. Алайда бұл тәсіл дала егістерінің орналасуы сияқты кеңістіктік контексті ескермейді. Керісінше, математикалық морфология операторлары сияқты кеңістіктік әдістер дақылдардың физикалық орналасуындағы үлгілерді айқындаса да, маңызды спектрлік бөлшектерді назардан тыс қалдырады.

Математикалық морфология суреттерден пішіндер мен құрылымдарды, мысалы, алаңдар арасындағы шекараларды анықтау үшін дилация мен эрозия сияқты операцияларды қолданады. Уақыт өте келе конволюциялық нейрондық желілер (CNN) екі түрлі деректерді өңдеу арқылы жіктеуді жақсартты.

Алайда олардың бекітілген қабылдау алаңдары — желінің бір уақытта “көре” алатын кескін аймағы — ұзақ қашықтықтағы тәуелділіктерді анықтау мүмкіндігін шектеді. Мысалы, 3D-CNN спектрлік профильдері ұқсас, бірақ үлкен алқапта өсу үлгілері әртүрлі екі соя бұршақ сортының арасындағы айырмашылықты ажыратуда қиындыққа тап болуы мүмкін.

Трансформерлер, бастапқыда табиғи тілді өңдеуге арналған нейрондық желінің бір түрі, осы мәселені шешудің жолын ұсынды. Өзіндік назар аудару механизмдерін пайдалана отырып, трансформерлер деректердегі жаһандық қатынастарды модельдеуде ерекше нәтиже көрсетеді. Өзіндік назар аудару моделіне кіріс тізбегінің әртүрлі бөліктерінің маңыздылығын бағалауға мүмкіндік береді, осылайша ол маңызды аймақтарға (мысалы, зақымдалған өсімдіктер кластері) назар аударып, шуды (мысалы, бұлт көлеңкелерін) елемейді.

Дегенмен, олар жиі жапырақ жиектері немесе топырақ жарықтары сияқты ұсақ жергілікті бөлшектерді байқамай қалады. CTMixer тәрізді гибридті модельдер CNN-дер мен Transformer-лерді біріктіруге тырысқанымен, олар бұл процесті кезең-кезеңімен орындап, алдымен жергілікті ерекшеліктерді, кейін ғана жаһандық ерекшеліктерді өңдеді. Бұл тәсіл ақпаратты тиімсіз біріктіруге және күрделі ауылшаруашылық орталарында оңтайлы емес нәтижелерге әкелді.

CMTNet қалай жұмыс істейді: жергілікті және жаһандық ерекшеліктерді байланыстыру

CMTNet осы шектеулерді спектрлік-кеңістіктік, жергілікті және жаһандық ерекшеліктерді тиімді түрде шығарып, біріктіруге арналған бірегей үш бөліктен тұратын архитектура арқылы жеңеді.

1. Бірінші компонент, спектрлік-кеңістіктік ерекшеліктерді шығару модулі, 3D және 2D конволюциялық қабаттарды пайдалана отырып, шикі HSI деректерін өңдейді.

3D конволюциялық қабаттар кеңістіктік (биіктік × ені) және спектрлік (толқын ұзындығы) өлшемдерді бір уақытта талдап, дақыл жамылғысындағы белгілі бір толқын ұзындықтарының шағылысуы сияқты үлгілерді анықтайды. Мысалы, 3D ядросы сау жүгерінің жоғарғы жапырақтары төменгі жапырақтарына қарағанда жақын инфрақызыл сәулені көбірек шағылыстыратынын анықтай алады.

Содан кейін 2D қабаттар осы ерекшеліктерді өңдеп, далаға егілген өсімдіктердің орналасуы сияқты кеңістіктік бөлшектерге назар аударады. Бұл екі сатылы процесс спектрлік әртүрлілікті (мысалы, хлорофилл мөлшері) және кеңістіктік контексті (мысалы, қатар аралығы) сақтауды қамтамасыз етеді.

2. Екінші компонент, Жергілікті-жаһандық ерекшеліктерді шығару модулі, параллельді түрде жұмыс істейді. Бір тармақ жергілікті бөлшектерге, мысалы жеке жапырақтардың текстурасына немесе топырақ учаскелерінің пішініне назар аудару үшін нейрондық желілерді (CNN) қолданады. Бұл ерекшеліктер спектрлік профильдері ұқсас түрлерді, мысалы әртүрлі соя бұршақ сорттарын анықтауда шешуші рөл атқарады.

Екінші бағыт әлемдік байланыстарды модельдеу үшін Трансформаторларды қолданады, мысалы, дақылдардың кең аумақтарға қалай таралатынын немесе жақын маңдағы ағаштардың көлеңкесінің спектрлік өлшеулерге қалай әсер ететінін. Бұл ерекшеліктерді кезектеп емес, бір мезгілде өңдеу арқылы CMTNet ертеректегі гибридті модельдерді мазалайтын ақпараттың жоғалуын болдырмайды.

Мысалы, CNN тармағы мақта жапырақтарының тістелген жиектерін анықтаса, Transformer тармағы осы жапырақтардың кунжут өсімдіктерімен шектелген үлкен мақта алқабының бір бөлігі екенін таниды.

3. Үшінші компонент, көп шығысты шектеу модулі, жергілікті, жаһандық және біріктірілген ерекшеліктер бойынша теңдестірілген оқуды қамтамасыз етеді. Оқыту кезінде әрбір ерекшелік түріне бөлек шығын функциялары қолданылады, бұл желіні түсінігінің барлық аспектілерін жетілдіруге мәжбүрлейді.

Жоғалту функциясы болжанған және нақты мәндер арасындағы айырмашылықты санмен бағалап, модельді түзетуге бағыттайды. Мысалы, жергілікті ерекшеліктер бойынша жоғалту жапырақ жиектерін қате жіктегені үшін модельді жазалайды, ал жалпы жоғалту ауқымды дақыл таралуындағы қателерді түзетеді.

Бұл шығындарды дәлдігін барынша арттыру үшін әртүрлі салмақ комбинацияларын сынақтан өткізетін кездейсоқ іздеу арқылы оңтайландырылған салмақтармен біріктіреді. Бұл процесс әртүрлі ауылшаруашылық жағдайларын шешуге қабілетті берік әрі икемді модель жасайды.

БПЛА гиперспектрлік деректер жиынтығында CMTNet өнімділігін бағалау

CMTNet-ті бағалау үшін зерттеушілер оны Ухань университетінен алынған үш ұшқышсыз ұшу аппараты (УУА) арқылы жиналған гиперспектрлік деректер жиынтығында сынап көрді. Бұл деректер жиынтықтары жоғары сапасы мен алуан түрлілігі арқасында қашықтықтан зондтау саласында кеңінен қолданылатын эталондық үлгілер болып табылады:

  1. WHU-Hi-LongKou: Бұл деректер жиынтығы 550 × 400 пиксельді, 270 спектрлік жолақты және 0,463 метрлік кеңістіктік ажыратымдылықты қамтиды. 0,463 метрлік кеңістіктік ажыратымдылық әр пиксель жер бетіндегі 0,463 м × 0,463 м аумақты көрсетеді, бұл жеке өсімдіктерді анықтауға мүмкіндік береді. Оған жүгері, мақта және күріш сияқты тоғыз дақыл түрі кіреді, онда 1 019 оқыту үлгісі және 203 523 сынақ үлгісі бар.
  2. WHU-Hi-HanChuan: 0,109 метрлік ажыратымдылықта 1 217 × 303 пиксельді қамтитын бұл деректер жиынтығы құлпынай, соя бұршақтары және пластикалық парақтар сияқты 16 жер жамылғысы түрін қамтиды. Жоғары ажыратымдылық (0,109 м) жас және жетілген соя бұршақтарын ажырату сияқты ұсақ бөлшектерді көрсетуге мүмкіндік береді. Оқыту және тестілеу үлгілерінің саны тиісінше 1 289 және 256 241-ге тең.
  3. WHU-Hi-Хонгху940 × 475 пиксель және 270 жолақпен бұл жоғары ажыратымдылықтағы (0,043 метр) деректер жиынтығы мақта, рапс және сарымсақ бүршіктері сияқты 22 сыныпты қамтиды. 0,043 м ажыратымдылықта жеке жапырақтар мен топырақ жарықтары көрінеді, бұл оны ұсақ сыныптауға өте қолайлы етеді. Онда 1 925 оқыту үлгісі және 384 678 тестілеу үлгісі бар.

Жоғары ажыратымдылықтағы қашықтықтан зондтау деректер жиынтықтарын салыстыру

Модель PyTorch қолдана отырып, NVIDIA TITAN Xp GPU-ларында 0,001 үйрену жылдамдығы және 100 өлшемді топ көлемімен оқытылды. Үйрену жылдамдығы модельдің оқыту кезінде параметрлерін қаншалықты өзгертетінін анықтайды: тым жоғары болса, ол оңтайлы мәндерден асып кетуі мүмкін; тым төмен болса, оқыту баяулайды.

Әрбір тәжірибе сенімділікті қамтамасыз ету үшін он рет қайталанды, ал кіріс патчтары — толық суреттің шағын бөліктері — тор іздеу әдісі арқылы 13 × 13 пиксельге оңтайландырылды, бұл әдіс ең тиімді патч өлшемін табу үшін әртүрлі өлшемдерді сынақтан өткізеді.

CMTNet дақылдарды жіктеуде ең озық дәлдікке қол жеткізеді

CMTNet барлық деректер жиынтығында айтарлықтай нәтиже көрсетіп, жалпы дәлдік (OA) пен сыныптық көрсеткіштер бойынша қолданыстағы әдістерден озып түсті. OA барлық сыныптар бойынша дұрыс жіктелген пиксельдердің пайыздық үлесін өлшесе, орташа дәлдік (AA) әр сынып бойынша орташа дәлдікті есептеп, теңгерімсіздіктерді ескереді.

WHU-Hi-LongKou деректер жиынында CMTNet 99.58% жалпы дәлдікке (OA) қол жеткізіп, CTMixer-ден 0.19%-ға озып түсті. Оқыту деректері шектеулі қиын сыныптарда, мысалы мақта (41 үлгі), CMTNet әлі де 99.53% дәлдікке жетті. Ұқсас түрде, WHU-Hi-HanChuan деректер жиынында қарбыз (22 үлгі) үшін дәлдікті 82.42%-ден 96.11%-ге дейін арттырып, тиімді ерекшеліктерді біріктіру арқылы теңгерімсіз деректермен жұмыс істей алатын қабілетін көрсетті.

Сыныптау карталарын визуалды салыстыру 3D-CNN және Vision Transformer (ViT) сияқты модельдермен салыстырғанда фрагменттелген аймақтардың азайғанын және өрістер арасындағы шекаралардың бірқалыптырақ екенін көрсетті. Мысалы, көлеңкеге бейім WHU-Hi-HanChuan деректер жиынында CMTNet төмен күн бұрыштарынан туындайтын қателерді азайтса, ResNet соя бұршақтарын сұр шатырлар ретінде қате жіктеді.

Әртүрлі деректер жиынтығында CMTNet-тің көрсеткіштері

Көлеңкелер ерекше қиындық тудырады, себебі олар спектрлік белгілерді өзгертеді — көлеңкедегі соя өсімдігі жақын инфрақызыл сәулені аз шағылыстырып, өсімдік емес затқа ұқсайды. Жалпы контексті пайдалана отырып, CMTNet бұл көлеңкелі өсімдіктердің үлкен соя алқабының бір бөлігі екенін анықтап, қателерді азайтты.

WHU-Hi-HongHu деректер жиынында модель спектральды ұқсас дақылдарды, мысалы әртүрлі Brassica сорттарын ажыратуда жоғары нәтиже көрсетіп, 96,541 TP3T дәлдігіне жетті. Брассика парахинезис.

Аблация зерттеулері — компоненттерді алып тастау арқылы олардың әсерін бағалайтын эксперименттер — әрбір модульдің маңыздылығын растады. Тек көпшығыс шектеу модулін қосу WHU-Hi-HongHu жиынындағы жалпы дәлділікті (OA) 1,521 TP3T-ға арттырды, бұл оның ерекшеліктерді біріктіруді жетілдірудегі рөлін айқындайды. Бұл модуль болмаса, жергілікті және жаһандық ерекшеліктер ретсіз біріктіріліп, тұрақсыз жіктеулерге әкеледі.

Есептеулік компромистер мен практикалық ескертулер

CMTNet-тің дәлдігі теңдессіз болса да, оның есептеу шығыны дәстүрлі әдістерге қарағанда жоғары. WHU-Hi-HongHu деректер жиынтығында оқыту 1 885 секундқа созылды, ал Random Forest (RF) машинамен оқыту алгоритмі оқыту кезінде шешім ағаштарын құратындықтан, оған 74 секунд кетті.

Алайда дәлдік ауыл шаруашылығында бұл тиімділік-шығын қатынасы ақталған, себебі дәлдік өнім болжамдары мен ресурстарды бөлуге тікелей әсер етеді. Мысалы, ауруға шалдыққан дақылды сау деп қате жіктеу бақылаусыз зиянкестердің өршуіне әкеліп, бүкіл алқаптарды жойып жіберуі мүмкін.

Нақты уақыттағы қолданбалар үшін болашақ жұмыстарда өнімділіктен құрбандыққа бармай орындау уақытын қысқарту мақсатында модельді сығу әдістерін, мысалы артық нейрондарды қысқарту немесе салмақтарды кванттау (сандық дәлділікті төмендету) зерттеуге болады. Нейрондарды қысқарту нейрондық желіден маңызды емес байланыстарды алып тастайды, бұл ағаштың пішінін жақсарту үшін бұтақтарын кесуге ұқсайды, ал кванттау сандық есептеулерді жеңілдетіп, өңдеуді жеделдетеді.

CMTNet-пен гиперспектралды дақылдарды жіктеудің болашағы

Оның табыстылығына қарамастан, CMTNet шектеулерге тап болады. WHU-Hi-HanChuan деректер жиынында (жарықтандырылған LongKou-мен салыстырғанда 97,29% OA) көлеңке көп түскен аймақтарда өнімділік сәл төмендейді. Көлеңкелер жіктеуді күрделендіреді, себебі олар шағылысқан жарық интенсивтілігін азайтып, спектрлік профильдерді өзгертеді.

Сонымен қатар, өте аз оқыту үлгілері бар кластар, мысалы тар жапырақты соя (20 үлгі), мол деректері бар кластардан артта қалады. Шағын үлгілер саны модельге топырақ сапасына байланысты жапырақ пішініндегі әртүрлі өзгерістерді үйрену мүмкіндігін шектейді.

Болашақ зерттеулер көлеңкелер мен жабылуларға төзімділікті арттыру үшін LiDAR биіктік карталары немесе жылу камералары сияқты көпмодальды деректерді біріктіре алады. LiDAR (Light Detection and Ranging) лазерлік импульстерді пайдаланып 3D рельеф модельдерін жасайды, бұл биіктік айырмашылықтарын талдау арқылы дақылдарды көлеңкелерден ажыратуға көмектеседі.

Сонымен қатар, термалды бейнелеу жылу іздерін тіркеп, өсімдіктердің денсаулығы туралы қосымша мәліметтер береді — стресске ұшыраған дақылдар транспирацияның азаюына байланысты көлеңкелі қабат температурасы жиі жоғары болады. Жаппай бақылаусыз (мысалы, қолмен аннотацияланбаған ұшқышсыз ұшу аппараттарының суреттері) деректерді пайдаланатын жартылай бақылаусыз оқыту әдістері сирек кездесетін дақыл түрлері үшін де өнімділікті арттыруы мүмкін.

Үйлесімділік регенерациясын қолдану арқылы — бірдей суреттің сәл өзгертілген нұсқаларында тұрақты болжамдар жасауға модельді оқыту — зерттеушілер жалпылау қабілетін жақсарту үшін белгіленбеген деректерді пайдалана алады.

Соңында, CMTNet-ті GPU-мен жабдықталған дрондар сияқты шеткі құрылғыларға орналастыру шалғай далаларда нақты уақыттағы мониторинг жүргізуге мүмкіндік береді. Шеткі орналастыру бұлттық есептеуге тәуелділікті азайтып, кешігуді және деректерді жіберу шығындарын минималдайды. Алайда бұл шектеулі жад пен өңдеу қуаты үшін модельді оңтайландыруды қажет етеді, мысалы MobileNet сияқты жеңіл архитектуралар немесе білімді дистилляциялау әдісі арқылы, онда кіші “оқушы” модель үлкен “мұғалім” модельді еліктейді.

Қорытынды

CMTNet гиперспектралды дақылдарды жіктеуде айтарлықтай ілгерілеуді білдіреді. CNN-дер мен Transformer-лерді үйлестіре отырып, ол ерекшеліктерді шығару мен біріктірудегі ұзақ уақыттан бері шешілмей келе жатқан мәселелерді шешеді және фермерлер мен агрономдарға дәл ауыл шаруашылығы үшін қуатты құрал ұсынады.

Қолдану саласы нақты уақыттағы ауруларды анықтаудан бастап суару кестесін оңтайландыруға дейін созылады, бұл климаттың өзгеруі мен халық санының өсуі жағдайында тұрақты ауыл шаруашылығы үшін аса маңызды. БПЛА технологиясы қолжетімдірек болған сайын CMTNet сияқты модельдер жаһандық азық-түлік қауіпсіздігінде шешуші рөл атқарады.

Болашақтағы жетістіктер, мысалы жеңілірек құрылымдар мен көпмодальды деректерді біріктіру, олардың практикалық тиімділігін одан әрі арттыруы мүмкін. Тұрақты инновациялар арқасында CMTNet бүкіл әлемдегі ақылды ауыл шаруашылығы жүйелерінің негізгі тірегіне айналып, жерді тиімді пайдалану мен тағам өндірісінің тұрақтылығын келешек ұрпақтар үшін қамтамасыз ете алады.

Дереккөз: Гуо, С., Фэн, Ч. және Гуо, Ф. CMTNet: дәл ауыл шаруашылығында ұшқышсыз ұшу аппараты негізіндегі гиперспектрлік дақылдарды жіктеуге арналған гибридті CNN-трансформатор желісі. Sci Rep 15, 12383 (2025). https://doi.org/10.1038/s41598-025-97052-w

Өсімдік ауруларын ерте анықтауда терең оқытуға негізделген компьютерлік көру қолданбаларының рөлі

-де жарияланды Muhammad Farjad арқылы

Өсімдік аурулары жаһандық азық-түлік қауіпсіздігіне үнсіз қауіп төндіріп, жыл сайын өнімнің 10–16%-ын жойып, ауыл шаруашылығы саласына $220 миллиард шығын әкеледі. Қолмен тексеру мен зертханалық сынақтар сияқты дәстүрлі әдістер баяу, қымбат әрі жиі сенімсіз.

2025 жылғы жол ашатын зерттеу, “Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру” (Upadhyay және т.б.), AI арқылы өсімдік ауруларын анықтау мен компьютерлік көру негізіндегі ауыл шаруашылығы қалайша егіншілікті өзгертіп жатқанын көрсетеді.

Өсімдік ауруларын ерте анықтаудың жаһандық азық-түлік қауіпсіздігі үшін маңызы

Ауыл шаруашылығы жаһандық еңбек күшінің 28% бөлігін жұмыспен қамтады, ал егін өнімін өндіруде Үндістан, Қытай және АҚШ сияқты елдер алда тұр. Дегенмен саңырауқұлақтар, бактериялар және вирустар тудыратын өсімдік аурулары өнімділікті төмендетіп, экономикаға ауыр салмақ салады.

Мысалы, күріш blast ауруы зақымдалған аймақтарда өнімді 30–50 %-ға азайтады, ал цитрус жасылдандыруы 2005 жылдан бері Флоридадағы апельсин бақтарының 70 %-ын жойды. Ерте анықтау өте маңызды, бірақ көптеген фермерлерде озық құралдар мен маманданған біліктілікке қол жеткізу мүмкіндігі жоқ.

Міне осы жерде жасанды интеллект негізіндегі ауруларды анықтау жүйесі іске қосылып, дәстүрлі әдістерден артық жылдам, қолжетімді және дәл шешімдер ұсынады.

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Зерттеу жасанды интеллект негізіндегі өсімдік ауруларын анықтайтын жүйелердің қалай жұмыс істейтінін түсіндіру үшін 278 ғылыми мақаланы талдады. Алдымен камералар немесе сенсорлар дақылдардың кескіндерін түсіреді. Содан кейін бұл кескіндер ауру белгілерін анықтау үшін алгоритмдер арқылы өңделеді.

Мысалы, RGB камералары Түсті фотосуреттер жапырақ дақтары сияқты көрінетін белгілерді анықтауға мүмкіндік берсе, гиперспектралды камералар жүздеген жарық толқын ұзындықтарын талдау арқылы жасырын стресс сигналдарын анықтайды.

Суреттер түсірілгеннен кейін сапаны арттыру үшін алдын ала өңдеуден өтеді. Мысалы, шектілеу әдісі ауру ошақтарын түс бойынша бөліп көрсетеді, ал жиекті анықтау зақымданулар мен түссіздену шекараларын картаға түсіреді.

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Келесіде терең оқыту модельдері алдын ала өңделген деректерді талдайды. Конволюциялық нейрондық желілер (CNN-дер), Ауыл шаруашылығындағы ең көп тараған жасанды интеллект құралдары кескінді қабат-қабат сканерлеп, ерекше текстуралар мен түстер сияқты үлгілерді анықтайды.

2022 жылғы сот процесінде, ResNet50—CNN-нің танымал моделі — қызанақ ауруларын диагностикалау кезінде 99,07% дәлдікке қол жеткізді.

Осы арада, Вижн Трансформерлер (ViTs) Суреттерді бөліктерге бөліп, олардың арасындағы байланысты зерттеп, адамдардың контексті талдау тәсілін модельдейді. Бұл тәсіл 2020 жылғы зерттеуде жүзім тамырларын тазалайтын вирусты 71% дәлдікпен анықтауға көмектесті.

“Ауыл шаруашылығының болашағы адамдарды алмастыруда емес, оларды ақылды құралдармен қамтамасыз етуде.”

Қазіргі заманғы ауыл шаруашылығындағы озық сенсорлардың рөлі

Әртүрлі сенсорлар дәл ауыл шаруашылығы үшін бірегей артықшылықтарды ұсынады. RGB камералары, қолжетімді және пайдалануға оңай болғанымен, спектрлік егжей-тегжейдің шектеулі болуына байланысты ерте кезеңдегі аурулармен күресте қиындықтарға тап болады. Ал керісінше, Гиперспектралды камералар Жүздеген жарық толқын ұзындықтарында деректерді жинап, адам көзіне көрінбейтін кернеу сигналдарын анықтайды.

Мысалы, 2022 жылы зерттеушілер гиперспектралды бейнелеуді пайдаланып, алманың Вальса қатерлі дағын 98% дәлдікпен диагностикалады. Алайда, бұл камералардың бағасы 10,000–50 000, бұл шағын фермерлер үшін тым қымбат.

Термокамералар Инфекциялардың тудырған температура өзгерістерін өлшеу арқылы қосымша көзқарас ұсынуға болады. 2019 жылғы зерттеу цитрус жасылдандыру ауруына шалдыққан жапырақтардың ерекше жылу үлгілерін көрсететінін анықтап, ерте анықтауға мүмкіндік береді.

Осы арада, Көпспектрлі камералар—орташа нұсқа—өсімдіктің денсаулығын бағалау үшін хлорофилл деңгейін бақылау.

Бұл сенсорлар 2014 жылы бидайдың жолақты тот ауруын картаға түсіріп, фермерлерге өңдеу шараларын тиімдірек бағыттауға көмектесті. Олардың артықшылықтарына қарамастан, сенсорлардың құны мен жел немесе біркелкі емес жарықтандыру сияқты қоршаған орта факторлары әлі де қиындықтар тудырады.

Қоғамдық деректер жиынтықтары: жасанды интеллектті ауыл шаруашылығының тірегі

Сенімді жасанды интеллект модельдерін оқыту үшін үлкен көлемдегі белгіленген деректер қажет. PlantVillage деректер жиынтығы, 14 дақыл мен 26 аурудың 87 000 суреті бар тегін ресурс зерттеушілер үшін алтын стандартқа айналды.

Мақалада сілтеме жасалған зерттеулердің 90%-ден астамы өз модельдерін оқыту және сынау үшін осы деректер жиынтығын пайдаланды. Тағы бір маңызды ресурс, Кассава ауруларының деректер жиынтығы, кассава мозаика ауруының 11 670 суретін қамтиды және CNN модельдерімен 96% дәлдігіне қол жеткізді.

Дегенмен олқылықтар әлі де бар. Шырша нематоды сияқты сирек кездесетін аурулардың 100-ден аз белгіленген суреті бар, бұл оларды анықтауға жасанды интеллекттің мүмкіндігін шектейді. Сонымен қатар, деректер жиынтықтарының көпшілігі зертханада түсірілген суреттерден тұрады, олар ауа райы мен жарықтандыру сияқты нақты әлемдегі өзгергіштерді ескермейді.

Осы мәселені шешу үшін AI4Ag сияқты жобалар әлемнің түкпір-түкпіріндегі фермерлерден дала суреттерін жинап, сенімді әрі шынайы деректер жиынтығын құруды мақсат етеді.

ЖИ өнімділігін өлшеу: дәлдік, нақтылық және одан әрі

Жасанды интеллект негізіндегі өсімдік ауруларын анықтау жүйелерінің өнімділік көрсеткіштері

Зерттеушілер өсімдік ауруларын анықтайтын жасанды интеллект жүйелерін бағалау үшін бірнеше көрсеткішті қолданады. Дәлдік—дұрыс диагноздардың пайыздық үлесі—аралығында Ерте модельдерде 76.9% ке EfficientNet-B5 сияқты жетілдірілген жүйелерде 99.97%.

Дегенмен, дәлдіктің өзі адастыруы мүмкін. Прецизия жалған дабылдардан аулақ болып, белгіленген аурулардың қаншасы шынында бар екенін өлшейді, ал recall қанша нақты инфекция анықталғанын көрсетеді.

Мысалы, Mask R-CNN, Объектілерді анықтау моделі құлпынай антракнозын анықтауда 93,51 TP3T қайталанымдылыққа қол жеткізді, бірақ мақта тамыр шірігенін анықтауда тек 451 TP3T дәлдік көрсетті.

Оның F1-балл дәлдік пен recall-ды теңестіріп, көрсеткіштің жан-жақты көрінісін ұсынады. 2023 жылғы сынақта, PlantViT—гибридті жасанды интеллект моделі—PlantVillage деректер жиынында 98,61% F1-Score көрсеткішін көрсетті.

Объектілерді анықтау үшін, Орташа дәлдік (mAP) критикалық. Жылдам R-CNN, танымал модель, алма аурулары бойынша сынақтарда 73,07% mAP көрсеткішіне жетті, яғни инфекцияларды көп жағдайда дұрыс анықтап, жіктеді.

Ауыл шаруашылығындағы жасанды интеллектінің дамуына кедергі келтіретін қиындықтар

Өз әлеуетіне қарамастан, жасанды интеллект негізіндегі ауруларды анықтау бірқатар кедергілерге тап болады. Біріншіден, сирек кездесетін немесе жаңа пайда болған аурулар бойынша деректер тапшылығы байқалады.

  • Мысалы, 2021 жылғы зерттеу үшін қияр ұнтақты көгеруінің тек 20 суреті ғана қолжетімді болды, бұл модельдің сенімділігін шектеді.
  • Екіншіден, жел, көлеңке немесе жарық жағдайларының өзгеруі сияқты қоршаған орта факторлары далалық дәлдікті зертханалық жағдайларға қарағанда 20–30 %-ға төмендетеді.
  • Үшіншіден, жоғары шығындар енгізуге кедергі келтіреді. Гиперспектралды камералар қуатты болғанымен, шағын фермерлер үшін әлі де қолжетімсіз, ал жасанды интеллект құралдары смартфон немесе интернетке қосылуды талап етеді, бұл ауылдық жерлерде әлі де кедергі болып табылады.
  • Соңында сенім мәселелері әлі де сақталуда. 2023 жылғы сауалнама көрсеткендей, фермерлердің 68,1 %-ы AI-ды енгізуге оның “қара қорап” сипатына байланысты күмәнмен қарайды — олар шешімдер қалай қабылданатынын көре алмайды.

Осы мәселені шешу үшін зерттеушілер диагноздарды қарапайым тілмен түсіндіретін, мысалы жұқтырылған жапырақ аймақтарын белгілеу немесе симптомдарды тізімдеу арқылы түсіндіретін түсіндірілетін жасанды интеллектті әзірлеуде.

Ауыл шаруашылығының болашағы: назар аударуға тұрарлық 5 инновация

1. Нақты уақыттағы талдау үшін шеттік есептеуЖеңіл AI модельдері, мысалы MobileNetV2 (7 МБ көлемінде), смартфондарда немесе дрондарда жұмыс істеп, интернетсіз нақты уақытта ауруларды анықтайды. 2023 жылы бұл модель картоп ауруларын жіктеуде 99,42% дәлдікке қол жеткізіп, фермерлерге жедел шешім қабылдауға мүмкіндік берді.

2. Жылдам бейімделу үшін тасымалдауды оқытуPlantViT сияқты алдын ала оқытылған модельдерді аз ғана деректермен жаңа дақылдарға ұсақтап оқытуға болады. 2023 жылғы зерттеуде PlantViT-ті күріш blast ауруын анықтауға бейімдеп, небәрі 1 000 сурет пайдаланып 87,871 TP3T дәлдікке қол жеткізді.

3. Көру-тіл модельдері (VLMs)OpenAI-дың CLIP жүйесі сияқты жүйелер фермерлерге мәтін арқылы (мысалы, “Жапырақтардағы қоңыр дақтарды тауып көрсет”) жасанды интеллектке сұрау жіберуге мүмкіндік береді. Бұл табиғи өзара әрекеттесу күрделі технология мен күнделікті егіншілік арасындағы алшақтықты жояды.

4. Жалпы мақсаттағы жасанды интеллект үшін негізгі модельдерGPT-4 сияқты ірі модельдер аурулардың таралуын модельдей алады немесе емдеу әдістерін ұсына отырып, виртуалды агрономдар ретінде қызмет ете алады.

5. Бірлескен жаһандық дерекқорларPlantVillage және AI4Ag сияқты ашық бастапқы кодты платформалар әлемнің түкпір-түкпіріндегі фермерлер мен зерттеушілердің деректерін біріктіріп, инновацияны жеделдетеді.

Оқиғаға негізделген зерттеу: Үндістанда жасанды интеллект негізіндегі манго өсіру

2024 жылы зерттеушілер манго ауруларымен, мысалы антракноз бен ұнтақты көгерумен күресу үшін жеңіл DenseNet моделін әзірледі. 12 332 дала суретінде оқытылған модель 99,21 TP3T дәлдікке жетті — бұл көптеген зертханалық жүйелерден жоғары.

50% параметрлері аз болғандықтан, ол бюджеттік смартфондарда бірқалыпты жұмыс істейді. Үнді фермерлері қазір осы жасанды интеллект негізінде жасалған $10 қосымшасын қолданып, жапырақтарды сканерлеп, лезде диагноз алып, пестицидтерді 30%-ға азайтып, егінді сақтап қалады.

Қорытынды

Жасанды интеллект негізіндегі өсімдік ауруларын анықтау және дәл ауылшаруашылық технологиялары ауыл шаруашылығын түбегейлі өзгертіп, азық-түлік қауіпсіздігіне үміт сыйлайды. Ерте диагностика жүргізуге, химикаттарды азайтуға және шағын фермерлердің мүмкіндіктерін кеңейтуге мүмкіндік бере отырып, бұл құралдар әлемдік егін өнімділігін 20–30%-ға арттыруы мүмкін.

Осы әлеуетті жүзеге асыру үшін мүдделі тараптар сенсорлардың құнын шешуі, деректердің алуан түрлілігін арттыруы және білім беру арқылы фермерлердің сенімін нығайтуы тиіс.

ДереккөзУпадхьяй А., Чандел Н.С., Сингх К.П. және т.б. Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру: дәл ауыл шаруашылығындағы әдістер, модельдер және тенденциялар бойынша жан-жақты шолу. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x

Ұшқышсыз ұшу аппараттарына негізделген жоғары өнімді фенотиптеу қазіргі заманғы өсімдік селекциясын қалай өзгертіп жатыр

-де жарияланды Muhammad Farjad арқылы

2050 жылға қарай әлем халқының саны 9,8 миллиард адамға жетеді деп болжануда, бұл азық-түлікке деген сұранысты екі есеге арттырады. Дегенмен, бұл қажеттілікті қанағаттандыру үшін ауылшаруашылық жерлерін кеңейту тұрақсыз. 2000 жылдан бері құрылған 50%-ден астам жаңа егістік алқап ормандар мен табиғи экожүйелердің орнын басты, бұл климаттың өзгеруі мен биоәртүрліліктің жоғалуын күшейтті.

Бұл дағдарысты болдырмау үшін ғалымдар өсімдік селекциясына – жоғары өнімділікке, ауруға төзімділікке және климатқа төзімділікке ие дақылдарды өсіру ғылымына жүгінуде. Дегенмен, дәстүрлі селекция әдістері мәселенің өзектілігіне ілесе алмай, тым баяу жұмыс істейді.

Міне, осы жерде дрондар мен жасанды интеллект (ЖИ) ойын ережесін өзгертіп, жақсы дақылдарды өсірудің жылдам және ақылды жолын ұсынуда.

Неліктен дәстүрлі өсімдік селекциясы артта қалып отыр

Өсімдіктерді селекциялау құрғақшылыққа төзімділік немесе зиянкестерге төзімділік сияқты қалаулы қасиеттері бар өсімдіктерді таңдауға және оларды бірнеше ұрпақ бойы будандастыруға негізделген. Бұл процестегі ең үлкен кедергі - фенотиптеу, яғни өсімдіктің биіктігі, жапырақ денсаулығы немесе өнімділігі сияқты сипаттамаларын қолмен өлшеу.

Мысалы, 3000 учаскеден тұратын егістіктегі өсімдік биіктігін өлшеу бірнеше аптаға созылуы мүмкін, ал адами қателіктер 20% дейін сәйкессіздіктерге әкеледі. Сонымен қатар, дақылдардың өнімділігі жылына небәрі 0,5–1% деңгейінде жақсарып келеді, бұл 2050 жылғы сұранысты қанағаттандыру үшін қажетті 2,9% өсу қарқынынан әлдеқайда төмен.

Жүгері, миллиардтаған долларлық негізгі дақыл, бұл баяулауды көрсетеді: оның жылдық өнімділігінің өсуі 1960 жылдардағы 2,2%-ден бүгінгі таңда 1,33%-ге дейін төмендеді. Бұл алшақтықты жою үшін ғалымдарға деректер жинауды автоматтандыратын, қателіктерді азайтатын және шешім қабылдауды жеделдететін құралдар қажет.

Дрон технологиясы өсімдіктер селекциясын қалай өзгертіп жатыр

Жетілдірілген сенсорлармен және жасанды интеллектпен жабдықталған дрондар немесе пилотсыз ұшу жүйелері (ПҰЖ) ауыл шаруашылығында төңкеріс жасауда. Бұл құрылғылар егістіктердің үстінен ұшып, мыңдаған өсімдіктер туралы бірнеше минут ішінде дәл деректерді жинай алады, бұл процесс жоғары өнімділік фенотиптеу (ЖӨФ) деп аталады.

Дәстүрлі әдістерден айырмашылығы, дрондар бүкіл егістік алқаптар бойынша деректерді жинайды, бұл іріктеу кезіндегі қателікті болдырмайды. Олар өсімдік биіктігінен бастап судағы стресс деңгейіне дейінгі барлық нәрсені өлшеу үшін арнайы сенсорларды пайдаланады.

Мысалы, мультиспектральды сенсорлар сау жапырақтардан шағылысқан жақын инфрақызыл сәулені анықтайды, ал термиялық камералар шатыр температурасын өлшеу арқылы құрғақшылық стрессін анықтайды.

Деректерді жинауды автоматтандыру арқылы дрондар еңбек шығындарын азайтады және өсіру циклдарын жеделдетеді, бұл ондаған жылдар ішінде емес, жылдар ішінде жақсартылған дақыл сорттарын жасауға мүмкіндік береді.

Дрон сенсорлары мен деректерді жинаудың артындағы ғылым

Дрондар өсімдік туралы маңызды деректерді жинау үшін әртүрлі сенсорларға сүйенеді. Ең қолжетімді нұсқа болып табылатын RGB камералары көрінетін жарықты түсіріп, шатыр жамылғысын және өсімдіктің биіктігін өлшейді. Қант қамысы алқаптарында бұл камералар сабақтарды санауда қателікке бейім қолмен санауды алмастыра отырып, 64–69% дәлдігіне қол жеткізді.

Мультиспектрлі сенсорлар хлорофилл деңгейімен және өсімдіктердің денсаулығымен өзара байланысты жақын инфрақызыл сияқты көрінбейтін толқын ұзындықтарын анықтау арқылы одан әрі алға жылжиды. Мысалы, олар қант қамысының құрғақшылыққа төзімділігін 80%-ден астам дәлдікпен болжады.

  • RGB камералары: түрлі-түсті кескіндер жасау үшін қызыл, жасыл және көк жарықты түсіріңіз.
  • Көпспектрлі сенсорларКөрінетін спектрден тыс жарықты анықтау (мысалы, жақын инфрақызыл).
  • Жылулық сенсорларӨсімдіктер шығаратын жылуды өлшеңіз.
  • LiDARӨсімдіктердің 3D карталарын жасау үшін лазерлік импульстарды пайдаланады.
  • Гиперспектрлік сенсорлар: Ультра егжей-тегжейлі талдау үшін 200-ден астам жарық толқын ұзындығын түсіріңіз.

Жылу сенсорлары жылу белгілерін анықтап, судың жетіспеушілігінен зардап шегетін және сау өсімдіктерге қарағанда ыстық болып көрінетін өсімдіктерді анықтайды. Мақта алқаптарында жылу дрондары жердегі температураны өлшеу нәтижелерін 5% қателігінен аз сәйкестендірді.

LiDAR сенсорлары дақылдардың 3D карталарын жасау үшін лазерлік импульстарды пайдаланады, энергетикалық қамыс сынақтарында биомасса мен биіктікті 95% дәлдікпен өлшейді. Ең озық құралдар, гиперспектрлік сенсорлар, қоректік заттардың жетіспеушілігін немесе көзге көрінбейтін ауруларды анықтау үшін жүздеген жарық толқын ұзындығын талдайды.

Бұл сенсорлар зерттеушілерге бидайдың өнімділігін арттыратын қасиеттің баяу қартаюымен 28 жаңа генді байланыстыруға көмектесті.

Ұшудан түсінікке дейін: дрондар дақыл деректерін қалай талдайды

Дрондарды фенотиптеу процесі мұқият ұшуды жоспарлаудан басталады. Дрондар 30-100 метр биіктікте ұшып, толық қамтуды қамтамасыз ету үшін бір-бірінің үстінен түсірілген суреттерді түсіреді. Мысалы, 10 гектарлық егістікті 15-30 минут ішінде сканерлеуге болады.

Ұшудан кейін Agisoft Metashape сияқты бағдарламалық жасақтама 2D фотосуреттерді 3D модельдерге түрлендіретін Structure-from-Motion (SfM) әдісін пайдаланып мыңдаған кескіндерді егжей-тегжейлі карталарға тігеді. Бұл модельдер ғалымдарға түймені басу арқылы өсімдіктің биіктігі немесе шатырдың жабыны сияқты белгілерді өлшеуге мүмкіндік береді.

Содан кейін жасанды интеллект алгоритмдері деректерді талдап, өнімділікті болжайды немесе аурулардың өршуін анықтайды. Мысалы, дрондар қант қамысы егілген 3132 учаскені небәрі 7 сағат ішінде сканерледі — бұл тапсырма қолмен үш аптаға созылатын еді. Бұл жылдамдық пен дәлдік селекционерлерге маусымның басында өнімділігі төмен өсімдіктерді тастау сияқты жылдам шешімдер қабылдауға мүмкіндік береді.

Қазіргі ауыл шаруашылығындағы дрондардың негізгі қолданылуы

Дрондар егіншіліктің ең үлкен қиындықтарының бірін шешу үшін пайдаланылуда. Қолданылуының бір негізгі түрі - тікелей белгілерді өлшеу, мұнда дрондар қол еңбегін алмастырады. Жүгері егістіктерінде дрондар өсімдіктің биіктігін 90% дәлдігімен өлшейді, қателіктерді 0,5 метрден 0,21 метрге дейін қысқартады.

Олар сондай-ақ өсімдіктердің арамшөптерді басу үшін жерді қаншалықты жақсы көлеңкелейтінін көрсететін метрика болып табылатын шатыр жамылғысын бақылайды. Энергия қамысы селекционерлері бұл деректерді арамшөптердің өсуін 40%-ге азайтатын сорттарды анықтау үшін пайдаланды.

Тағы бір жетістік - болжамды селекция, мұнда жасанды интеллект модельдері дақылдардың өнімділігін болжау үшін дрон деректерін пайдаланады. Мысалы, көп спектрлі кескіндеу жүгері өнімділігін 80% дәлдігімен болжады, бұл дәстүрлі геномдық тестілеуден асып түседі.

Дрондар сонымен қатар гендерді ашуға көмектеседі, ғалымдарға қажетті қасиеттерге жауапты ДНҚ сегменттерін табуға көмектеседі. Бидайда дрондар шатырдың жасылдығын 22 жаңа генмен байланыстырды, бұл құрғақшылыққа төзімділікті арттыруы мүмкін.

Сонымен қатар, гиперспектрлік сенсорлар цитрустың көгалдануы сияқты ауруларды симптомдар пайда болғанға дейін бірнеше апта бұрын анықтайды, бұл фермерлерге әрекет етуге уақыт береді.

Дәлдік технологиясымен генетикалық жетістіктерді арттыру

Генетикалық пайда – селекцияға байланысты дақылдардың жыл сайынғы қасиеттерінің жақсаруы – қарапайым формула бойынша есептеледі:

(Сұрыптау қарқындылығы × Тұқым қуалаушылық × Белгілердің өзгергіштігі) ÷ Көбею циклінің уақыты.

Генетикалық өсім (ΔG) келесідей есептеледі:
ΔG = (i × h² × σp) / L

Қайда:

  • i = Селекция қарқындылығы (селекционерлердің қаншалықты қатал екендігі).
  • h² = Тұқым қуалаушылық (белгінің ата-анадан ұрпаққа қаншалықты берілетіні).
  • σp = Популяциядағы белгілердің өзгергіштігі.
  • L = Көбею цикліне кететін уақыт.

Неліктен бұл маңыздыДрондар барлық айнымалыларды жақсартады:

  1. i: Сканерлеу 10 есе көп өсімдіктер, қатаңырақ таңдауға мүмкіндік береді.
  2. h²Өлшеу қателіктерін азайту, тұқым қуалаушылық бағалауларын жақсарту.
  3. σp: Барлық өрістердегі нәзік белгілердің вариацияларын түсіру.
  4. LЦикл уақытын қысқарту 5 жылдан 2-3 жылға дейін ерте болжамдар арқылы.

Дрондар бұл теңдеудің әрбір бөлігін жақсартады. Тұтас егістіктерді сканерлеу арқылы олар селекционерлерге ең жақсы 10% орнына ең жақсы 1% өсімдіктерін таңдауға мүмкіндік береді, бұл таңдау қарқындылығын арттырады. Олар сондай-ақ өлшеу қателіктерін азайту арқылы тұқым қуалаушылықты бағалауды жақсартады.

Мысалы, өсімдік биіктігін қолмен бағалау 20% өзгергіштігін енгізеді, ал дрондар мұны 5%-ге дейін төмендетеді. Сонымен қатар, дрондар мыңдаған өсімдіктердегі нәзік белгілердің вариацияларын анықтап, белгілердің өзгергіштігін барынша арттырады.

Ең бастысы, олар ерте болжам жасауға мүмкіндік беру арқылы көбею циклдарын қысқартады. Дрондарды пайдаланатын қант қамысы өсірушілері дәстүрлі әдістермен салыстырғанда генетикалық жетістіктерін үш есеге арттырды, бұл технологияның трансформациялық әлеуетін дәлелдейді.

Қиындықтарды жеңу және болашаққа ұмтылу

Уәделеріне қарамастан, дронға негізделген фенотиптеу әлі де айтарлықтай қиындықтарға тап болып отыр. Жетілдірілген сенсорлардың жоғары құны негізгі кедергі болып қала береді – мысалы, гиперспектрлік камералар $50,000-нан асып кетуі мүмкін, бұл оларды көптеген шағын фермерлер үшін қолжетімді етпейді.

Жиналған деректердің үлкен көлемін өңдеу үшін айтарлықтай бұлттық есептеу ресурстары қажет, бұл шығындарды арттырады. AutoGIS сияқты жасанды интеллект платформалары деректерді талдауды автоматтандырып, қолмен енгізу қажеттілігін жояды.

Зерттеушілер сонымен қатар дрондарды топырақ сенсорларымен және метеостанциялармен біріктіріп, фермерлерді зиянкестер немесе құрғақшылық туралы ескертетін нақты уақыт режиміндегі мониторинг жүйесін жасауда. Бұл инновациялар деректерге негізделген шешімдер болжамдарды алмастыратын дәл ауыл шаруашылығының жаңа дәуіріне жол ашуда.

Қорытынды

Дрондар мен жасанды интеллект тек өсімдік шаруашылығын ғана өзгертіп қоймайды, олар тұрақты ауыл шаруашылығын қайта анықтайды. Құрғақшылыққа төзімді, жоғары өнімді дақылдарды тезірек дамытуға мүмкіндік беру арқылы бұл технологиялар ауылшаруашылық жерлерін кеңейтпей, 2050 жылға қарай азық-түлік өндірісін екі есеге арттыра алады.

Бұл Египеттің көлеміне тең 100 миллион гектардан астам орманды үнемдеуге және егіншіліктің көміртегі ізін азайтуға мүмкіндік береді. Дрондардың деректерін пайдаланатын фермерлер су мен пестицидтерді пайдалануды 30% дейін қысқартты, бұл экожүйелерді қорғап, шығындарды азайтты.

Бір зерттеуші атап өткендей, “Біз енді қай өсімдіктердің ең жақсы екенін болжай алмаймыз. Дрондар бізге айтады”. Үздіксіз инновациялармен биология мен технологияның бұл үйлесімі планетамызды қорғай отырып, миллиардтаған адамның азық-түлік қауіпсіздігін қамтамасыз ете алады.

Дереккөз: Khuimphukieo, I., & da Silva, JA (2025). Өсімдік селекционерлерінің құралы ретіндегі пилотсыз ұшу аппараттарына (ПҰА) негізделген далалық жоғары өнімділік фенотиптеу (ЖӨФ): кешенді шолу. Smart Agricultural Technology, 100888.

IoT дәл ауыл шаруашылығын қалай өзгертіп, қазіргі қиындықтарды қалай шешіп жатыр?

-де жарияланды Muhammad Farjad арқылы

Әлем халқы тез өсіп келеді, бағалаулар бойынша, 2050 жылға қарай ол 9,7 миллиардқа жетеді. Барлығын тамақтандыру үшін азық-түлік өндірісі 60%-ге артуы керек, бірақ топыраққа, көп суды пайдалануға және қол еңбегіне тәуелді дәстүрлі егіншілік әдістері оған ілесе алмай жатыр.

Климаттың өзгеруі, топырақтың деградациясы және су тапшылығы жағдайды одан сайын ушықтырып отыр. Мысалы, топырақ эрозиясы фермерлерге жыл сайын $40 миллиард өнімділіктің жоғалуына әкеледі, ал дәстүрлі суару ескірген тәжірибелерге байланысты 60% тұщы суды босқа жұмсайды.

Үндістанда соңғы онжылдықта болжауға келмейтін муссондар күріш өнімділігін 15%-ға төмендетті. Бұл қиындықтар шұғыл шешімдерді талап етеді, ал Заттар интернеті (IoT) және аэропоника арқылы жұмыс істейтін ақылды егіншілік құтқарушы күш болып табылады.

Қазіргі ауыл шаруашылығындағы IoT күші

Ақылды егіншіліктің негізінде нақты уақыт режимінде деректерді жинайтын және бөлісетін өзара байланысты құрылғылар желісі - IoT жатыр. Сымсыз сенсорлық желілер (ССН) бұл жүйенің негізгі бөлігі болып табылады.

Бұл желілер топырақтың ылғалдылығын, температурасын, ылғалдылығын және қоректік заттардың деңгейін бақылау үшін егістіктерге орналастырылған сенсорларды пайдаланады. Мысалы, DHT22 сенсоры ылғалдылықты бақылайды, ал TDS сенсорлары судағы қоректік заттардың концентрациясын өлшейді.

Бұл деректер LoRa немесе ZigBee сияқты төмен қуатты хаттамаларды пайдаланып ThingSpeak немесе AWS IoT сияқты бұлттық платформаларға жіберіледі. Талданғаннан кейін жүйе суару сорғыларын қосу немесе тыңайтқыш деңгейін реттеу сияқты әрекеттерді іске қоса алады.

Үндістанның Коимбатор қаласында 2022 жылы жүргізілген жоба IoT әлеуетін көрсетті. Сенсорлар қызанақ алқаптарындағы құрғақ топырақ аймақтарын анықтап, су шығынын 35%-ге азайтатын мақсатты суаруды қамтамасыз етті.

Сол сияқты, көп спектрлі камералармен жабдықталған дрондар зиянкестердің шабуылы немесе қоректік заттардың жетіспеушілігі сияқты мәселелерді анықтау үшін кең егістік алқаптарды сканерлейді.

2019 жылы жүргізілген зерттеу жүгері дақылдарындағы солтүстік жапырақ фитофторасын 98% дәлдігімен анықтау үшін дрондарды пайдаланды, бұл фермерлерді бір акрға $120 шығыннан құтқарды. Машиналық оқыту бұл жүйелерді одан әрі жақсартады.

Зерттеушілер ұнтақты зең сияқты ауруларды 99.53% дәлдігімен диагностикалау үшін мыңдаған жапырақ суреттерінде жасанды интеллект модельдерін оқытты, бұл фермерлерге дақылдар жойылып кетпес бұрын әрекет етуге мүмкіндік берді.

Аэропоника: топырақсыз азық-түлік өсіру

Заттар интернеті дәстүрлі егіншілікті оңтайландырса, аэропоника ауыл шаруашылығын толығымен қайта елестетеді. Бұл әдіс өсімдіктерді ауада өсіреді, олардың тамырларын су мен қоректік заттарды шашатын тұман толтырылған камераларға іліп қояды.

Топыраққа негізделген егіншіліктен айырмашылығы, аэропоника 95% аз суды пайдаланады және пестицидтерді қолданбайды. Тамырлар оттегін тиімдірек сіңіреді, бұл өсуді жеделдетеді.

Мысалы, 2018 жылғы зерттеуге сәйкес, аэропоникалық жолмен өсірілген салат топыраққа қарағанда 65% жылдамырақ дамиды.

Аэропоника әсіресе топырақы нашар қалаларда немесе аймақтарда өте құнды. Тік фермалар өсімдіктерді мұнараларға үйіп, дәстүрлі егістіктерге қарағанда шаршы метрге 10 есе көп азық өндіреді.

Мехико қаласында 2022 жылы шатырдағы аэропоникалық ферма бір шаршы метрге 3,8 кг салат жапырағын берді, бұл топырақ өңдеу өнімділігінен үш есе көп, ал бір килограмға небәрі 10 литр су пайдаланылды.

Сингапурдың Sky Greens компаниясы бұл мәселені одан әрі дамытып, 30 футтық мұнараларда күн сайын 1 тонна көкөніс өсіреді, бұл дәстүрлі фермаларға қарағанда 95% аз жерді пайдаланады.

IoT аэропониканы келесі деңгейге көтереді. Сенсорлар тамыр камераларын ылғалдылық, рН және қоректік заттар деңгейін бақылайды, бүрку циклдарын автоматты түрде реттейді.

2017 жылғы жобада зерттеушілер Raspberry Pi көмегімен аэропоникалық жүйені автоматтандырды, бұл еңбек шығындарын 50%-ге қысқартты. Фермерлер бұл жүйелерді AgroDecisor сияқты мобильді қосымшалар арқылы басқарады, ол қоректік заттардың теңгерімсіздігі сияқты мәселелер туралы ескертулер жібереді.

Прогресті баяулататын қиындықтар

Әлеуетіне қарамастан, IoT және аэропоника айтарлықтай кедергілерге тап болады. Жоғары шығындар негізгі кедергі болып табылады. Қарапайым IoT қондырғысы 1500-5000 тұрады, ал озық дрондар мен сенсорлар алдын ала 10 000-50 000 талап етеді - бұл дамушы елдердегі шағын фермерлердің қолы жетпейтін нәрсе. Сонымен қатар, техникалық қызмет көрсету жыл сайын тағы 15-20% қосады, бұл бюджетке одан әрі ауыртпалық түсіреді.

Байланыстағы олқылықтар мәселені одан сайын ушықтырады. Шамамен 40% ауылдық жерлерде сенімді интернет жоқ, бұл нақты уақыт режимінде деректерді беруді қиындатады.

Эфиопияда 2021 жылы IoT пилоттық жобасы 3G сигналдары орта өрісте төмендеп, суару кестесін бұзған кезде сәтсіздікке ұшырады. Қауіпсіздік тәуекелдері де үлкен. MQTT және CoAP сияқты IoT хаттамаларында көбінесе шифрлау болмайды, бұл жүйелерді хакерлерге осал етеді.

2021 жылы 62% ауылшаруашылық IoT жүйелері кибершабуылдар, соның ішінде сенсор көрсеткіштерін өзгертуге немесе жабдықты өшіруге мүмкіндік беретін деректердің бұзылуы туралы хабарлады.

Техникалық күрделілік тағы бір қиындық деңгейін қосады. Фермерлерге деректерді түсіндіру және жүйелердегі ақаулықтарды жою үшін оқыту қажет.

Колумбиядағы 2017 жылы жүргізілген аэропоникалық жоба дұрыс емес рН параметрлері дақылдарға зиян келтіріп, $12,000 көшетті ысырап еткендіктен сәтсіздікке ұшырады.

Тіпті қуат көзі де мәселе болып табылады — күн сенсорлары муссон кезінде істен шығады, ал дрондар бір зарядта 20-30 минут қана жұмыс істейді.

Ауыл шаруашылығының болашағы: көкжиектегі инновациялар

Осы қиындықтарға қарамастан, болашақ үміт күттіреді. 5G желілері байланыс саласында төңкеріс жасап, дрондарға үлкен фермаларды нақты уақыт режимінде бақылауға мүмкіндік береді.

Бразилияда 2023 жылы жүргізілген сынақ 5G-ге қосылған дрондарды пайдаланып, 1000-нан астам акр соя алқаптарын сканерлеп, ауруларды бірнеше күннің орнына 10 минут ішінде анықтады. Құрылғылардағы деректерді тікелей өңдейтін Edge AI бұлтқа тәуелділікті азайтады.

Мысалы, MangoYOLO жүйесі борттық камераларды пайдаланып, манголарды 91% дәлдігімен санайды, бұл деректерді жүктеудегі кідірістерді болдырмайды.

Блокчейн технологиясы тағы бір ойын ережесін өзгертеді. Фермадан тұтынушыға дейінгі өнімді бақылау арқылы ол ашықтықты қамтамасыз етеді және алаяқтықты азайтады.

eFarm қолданбасы органикалық сертификаттарды тексеру үшін краудсорсингтік деректерді пайдаланады, бұл алаяқтықты 30%-ге азайтты. Walmart блокчейн жүйесі 2022 жылы манго жеткізу тізбегіндегі қателіктерді 90%-ге азайтты.

Жасанды интеллектпен жұмыс істейтін жылыжайлар да дамып келеді. Бұл жүйелер өсімдіктердің денсаулығын 91.52% дәлдігімен бақылау үшін VGG19 сияқты модельдерді пайдаланады.

Жапонияда AGROBOT сияқты роботтар тәулік бойы құлпынай жинайды, бұл өнімділікті үш есеге арттырады. Қалалық жерлерде де аэропоника кеңінен қолданылады — Берлиннің Infarm компаниясы азық-түлік дүкендерінде шөптер өсіреді, бұл көлік шығарындыларын 95%-ге азайтады.

Үкіметтер мен компаниялар алға жылжуда. Үндістанның 2023 жылғы Агротехнологиялық бастамасы 500 000 шағын фермерге арналған IoT құралдарын субсидиялайды, ал Microsoft компаниясының FarmBeats компаниясы кениялық фермерлерге арзан дрондар ұсынады.

Табысқа жету жоспары

Заттар интернеті және аэропоника тек құралдар ғана емес, олар тұрақты болашақ үшін өте маңызды. 2030 жылға қарай бұл технологиялар:

  • Жылына 1,5 триллион литр су үнемдеңіз.
  • Парниктік газдар шығарындыларын жылына 1,5 гигатоннаға азайту.
  • Ауыл шаруашылығы жерлерін кеңейтпей, тағы 2 миллиард адамды тамақтандыру.

Бұған қол жеткізу үшін үкіметтер қолжетімді құралдарды субсидиялауы, ауылдық жерлерде интернетке қолжетімділікті кеңейтуі және киберқауіпсіздік стандарттарын сақтауы керек. Фермерлер бұл технологияларды тиімді пайдалану үшін оқытудан өтуі керек.

ФАО мәлімдегендей, “азық-түліктің болашағы бүгінгі инновацияларға байланысты”. Заттар интернеті мен аэропониканы қабылдау арқылы біз ешкім аш қалмайтын және ауыл шаруашылығы планетамызға зиян келтірмей, оны асырайтын әлемді қалыптастыра аламыз.

Дереккөз: Дханасекар, С. (2025). Дәл ауыл шаруашылығындағы Заттар интернетінің өзекті мәселелері мен жетістіктері бойынша кешенді шолу. Computer Science Review, 55, 100694.

Қашықтықтан зондтау темекі жапырақтарындағы никотинді бақылауды төңкеріске айналдырады

-де жарияланды Muhammad Farjad арқылы

Сигар жапырақтарындағы никотин деңгейін дәл бағалау үшін ұшқышсыз ұшу аппараттарының гиперспектрлік бейнелеуін және машиналық оқытуды пайдаланатын инновациялық зерттеу жүргізілді.

Әуе гиперспектрлік бейнелеудегі соңғы жетістіктер машиналық оқытумен бірге темекі жапырақтарындағы никотинді бақылауда төңкеріс жасады. Бұл озық тәсіл бағалау дәлдігін арттыра отырып, химиялық құрамы сапаға маңызды темекі өнеркәсібі үшін құнды түсініктер береді.

Сычуань ауылшаруашылық университетіндегі Тиан және т.б. жетекшілігімен зерттеушілер көбінесе дәлдік пен тиімділік жетіспейтін дәстүрлі қолмен сапаны тексерудің шектеулерін жеңуге тырысты. Олардың 2025 жылдың 2 ақпанында жарияланған зерттеуі азот тыңайтқыштарын пайдалану, ылғалдылық деңгейі және никотин концентрациясы арасындағы күшті корреляцияны анықтайды, бұл уақтылы және дәл бақылау әдістерінің маңыздылығын атап көрсетеді.

Зерттеу 2022 жылдың мамыр айынан қыркүйек айына дейін университеттің Заманауи ауылшаруашылық зерттеу базасында жүргізілді, онда зерттеушілер әртүрлі азот өңдеулері кезінде 15 түрлі темекі жапырағы сорттарынан жапырақ шағылысу спектрлерін түсіру үшін гиперспектрлік камералармен жабдықталған пилотсыз ұшу аппараттарын (ПҰА) пайдаланды.

Олардың зерттеу нәтижелері азот тыңайтқыштарын қолдану мен темекі жапырақтарындағы никотин деңгейі арасында тікелей корреляция бар екенін көрсетті. “Азот тыңайтқыштарын қолдану қарқынының артуымен темекі жапырақтарындағы никотин мөлшері артты”, - деп мәлімдеді авторлар, ауылшаруашылық тәжірибелерінің өнім сапасына әсерін атап өтті.

Ұшқышсыз ұшу аппараттары жинаған гиперспектрлік кескін деректерінің сапасын жақсарту үшін зерттеуде көп айнымалы шашырауды түзету, стандартты қалыпты түрлендіру және Савицкий-Голай конволюциясын тегістеу сияқты алдын ала өңдеу әдістері қолданылды. Содан кейін никотин мөлшерін дәл бағалауға қабілетті болжамды модельдерді әзірлеу үшін ішінара ең кіші квадраттар регрессиясы (PLSR) және кері таралу нейрон желілерін қоса алғанда, озық машиналық оқыту алгоритмдері қолданылды.

Анықталған ең тиімді модель MSC-SNV-SG-CARS-BP моделі болды, ол R² мәндері шамамен 0,797 және RMSE 0,078 болатын сынақ дәлдігіне қол жеткізді. “MSC-SNV-SG-CARS-BP моделі никотин құрамы бойынша ең жақсы болжамдық дәлдікке ие”, - деп атап өтті авторлар, оны болашақ зерттеулер мен дәл ауыл шаруашылығын қолдану үшін перспективалы құрал ретінде белгіледі.

Сигар жапырақтарының спектрлік қасиеттерін талдау үшін қашықтықтан зондтауды пайдалану арқылы фермерлер мен өндірушілер дақыл сапасын тез және бұзбай бағалай алады, бұл өндіріс пен жеткізу тізбегіндегі шешімдерді неғұрлым хабардар етуге мүмкіндік береді. Бұл тәсіл адами факторларға тәуелділікті азайту арқылы деректердің бірізділігін қамтамасыз ете отырып, төмен пайдалану шығындарымен кең қамтуды ұсынады.

Гиперспектрлік бейнелеу мен машиналық оқытудың интеграциясы дәстүрлі темекі өсіруді түбегейлі өзгертуге мүмкіндік береді, бұл никотин сапасын арттырып қана қоймай, сонымен қатар тұрақты және тиімді ауылшаруашылық тәжірибелерін дамытуға ықпал етеді. Зерттеушілер бұл технологияларды жетілдіру және оларды әртүрлі темекі сорттары мен басқа да дақылдарға бейімдеу үшін үздіксіз жетілдіру қажеттілігін атап өтеді.

Болашақ зерттеулер ұшу биіктігі, жарықтандыру жағдайлары және шуды азайту сияқты айнымалыларды ескере отырып, ең жоғары сапалы спектрлік деректерді алу үшін ұшқышсыз ұшу аппараттарының пайдалану жағдайларын оңтайландыруға бағытталады. Ауыл шаруашылығы тәжірибелері қоршаған ортаның тұрақтылығына басымдық бере отырып, нарықтық сұраныстарды қанағаттандыру үшін дамып келе жатқандықтан, осы факторларды ескеру өте маңызды.

Бұл зерттеу технология мен ауылшаруашылық ғылымы арасындағы синергияны көрсетеді, өнім сапасын жақсарту үшін инновациялық әдістердің кеңінен қолданылуын атап көрсетеді. Зерттеушілер ауыл шаруашылығында гиперспектрлік зондтауды кеңінен қолдануды жақтайды, технологияның өнімділікті, тиімділікті және қоршаған ортаға жауапкершілікті арттырудағы рөлін күшейтеді.

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

Дронды ұшу аппараттары арқылы шағын фермерлік шаруашылықты дамыту: дақылдарды бақылау

-де жарияланды Muhammad Farjad арқылы

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.

Өнімділік деректерін автоматтандырылған тазалау және калибрлеу

-де жарияланды Muhammad Farjad арқылы

Автоматтандырылған өнімділік деректерін тазалау және калибрлеу (AYDCC) - өнімділік деректеріндегі қателерді, мысалы, ауытқуларды, олқылықтарды немесе қателіктерді анықтау және түзету үшін алгоритмдер мен модельдерді пайдаланатын процесс. AYDCC өнімділік деректерінің сапасы мен сенімділігін жақсарта алады, бұл фермерлер үшін жақсы түсініктер мен ұсыныстарға әкелуі мүмкін.

Өнімділік деректеріне кіріспе

Өнімділік туралы деректер ХХІ ғасырдағы фермерлер үшін ең маңызды ақпарат көздерінің бірі болып табылады. Ол белгілі бір егістікте немесе аумақта өндірілген дақылдардың саны мен сапасын өлшейтін комбайндар, сепкіштер және жинайтын комбайндар сияқты әртүрлі ауылшаруашылық техникаларынан жиналған деректерге қатысты.

Бұл бірнеше себептерге байланысты өте маңызды. Біріншіден, ол фермерлерге ақпараттандырылған шешімдер қабылдауға көмектеседі. Егжей-тегжейлі өнімділік туралы деректермен қаруланған фермерлер өнімділікті барынша арттыру үшін өз тәжірибелерін жетілдіре алады.

Мысалы, егер белгілі бір егістік үнемі төмен өнім берсе, фермерлер топырақтың денсаулығы немесе суару мәселелері сияқты негізгі себептерді зерттеп, түзету шараларын қолдана алады.

Сонымен қатар, бұл дәл ауыл шаруашылығын жүргізуге мүмкіндік береді. Фермерлер өз егістіктеріндегі дақыл өнімділігінің ауытқуларын картаға түсіру арқылы тыңайтқыштар мен пестицидтер сияқты өздерінің енгізулерін белгілі бір аумақтарға бейімдей алады. Бұл мақсатты тәсіл ресурстарды пайдалануды оңтайландырып қана қоймай, сонымен қатар қоршаған ортаға әсерді азайтады.

Азық-түлік және ауыл шаруашылығы ұйымының (ФАО) мәліметтері бойынша, азық-түлікке деген өсіп келе жатқан сұранысты қанағаттандыру үшін жаһандық ауыл шаруашылығы өндірісі 2050 жылға қарай 60%-ге өсуі керек. Өнімділік туралы деректер, дақылдардың өнімділігін арттырудағы рөлі арқылы, бұл мақсатқа жетуде маңызды рөл атқарады.

Сонымен қатар, Бразилияда соя өсіруші өз егістіктері үшін өзгермелі мөлшерлемелі тыңайтқыш карталарын жасау үшін өнімділік деректерін топырақ сынамалары деректерімен бірге пайдаланды. Ол әр аймақтың топырақ құнарлылығы мен өнімділік әлеуетіне байланысты тыңайтқыштардың әртүрлі мөлшерлемелерін қолданды.

Ол сондай-ақ әртүрлі соя сорттарын салыстыру және өз жағдайларына ең жақсысын таңдау үшін өнімділік деректерін пайдаланды. Нәтижесінде ол орташа өнімділігін 12%-ге арттырды және тыңайтқыш шығындарын 15%-ге азайтты.

Сол сияқты, Үндістанда күріш өсіруші өз егістіктерінің суару кестесін түзету үшін ауа райы деректерімен қатар өнімділік деректер жиынтығын да пайдаланды. Ол сенсорлар мен спутниктік суреттерді пайдаланып, топырақтың ылғалдылық деңгейі мен жауын-шашын үлгілерін бақылады.

өнімділік туралы деректерді түсіну және пайдалану

Ол сондай-ақ оны әртүрлі күріш сорттарын салыстыру және өз жағдайларына ең жақсысын таңдау үшін пайдаланды. Нәтижесінде, ол орташа өнімділігін 10%-ге арттырып, суды пайдалануды 20%-ге азайтты.

Пайдасына қарамастан, өнімділік деректері оны әзірлеу және енгізу тұрғысынан әлі де кейбір қиындықтарға тап болады. Бұл қиындықтардың кейбіреулері:

  • Деректер сапасы: Оның дәлдігі мен сенімділігі сенсорлардың сапасына, жабдықты калибрлеуге, деректерді жинау әдістеріне және деректерді өңдеу және талдау әдістеріне байланысты. Деректердің сапасының төмендігі деректердің жарамдылығы мен пайдалылығына әсер етуі мүмкін қателіктерге, бұрмалануларға немесе сәйкессіздіктерге әкелуі мүмкін.
  • Деректерге қол жеткізу: Өнімділік туралы деректердің қолжетімділігі мен қолжетімділігі ауылшаруашылық техникасына, сенсорларға, деректерді сақтау құрылғыларына және деректер платформаларына қол жеткізуге және олардың меншігіне байланысты. Қолжетімділіктің немесе меншік құқығының болмауы фермерлердің өз деректерін жинау, сақтау, бөлісу немесе пайдалану мүмкіндігін шектеуі мүмкін.
  • Деректер құпиялылығы: Оның қауіпсіздігі мен құпиялылығы фермерлердің, техника өндірушілерінің, деректер жеткізушілерінің және деректерді пайдаланушылардың деректерді қорғауы мен реттеуіне байланысты. Қорғаудың немесе реттеудің болмауы деректерді ұрлау, манипуляциялау немесе пайдалану сияқты рұқсатсыз немесе этикалық емес пайдалануға ұшыратуы мүмкін.
  • Деректер сауаттылығы: Өнімділік туралы деректерді түсіну және пайдалану фермерлердің, кеңейту агенттерінің, кеңесшілердің және зерттеушілердің дағдылары мен біліміне байланысты. Дағдылардың немесе білімнің жетіспеушілігі бұл субъектілердің деректерді тиімді түсіндіру, жеткізу немесе қолдану қабілетіне кедергі келтіруі мүмкін.
комбайндар сияқты ауылшаруашылық машиналарын пайдаланып деректер жиынтығын жинау

Сондықтан, осы қиындықтарды жеңу және өнімділік деректерінің толық әлеуетін жүзеге асыру үшін өнімділік деректерін тазалау және калибрлеу маңызды.

Шығару деректерін тазалау және калибрлеуге кіріспе

Өнімділік туралы деректер дақылдардың өнімділігін талдағысы келетін, басқару аймақтарын анықтағысы келетін және шешім қабылдауды оңтайландырғысы келетін фермерлер мен зерттеушілер үшін құнды ақпарат көзі болып табылады. Дегенмен, олардың сенімділігі мен дәлдігін қамтамасыз ету үшін көбінесе тазалау және калибрлеу қажет.

“YieldDataset” калибрлеу - бұл мәндердің таралуын математикалық принциптерге сәйкес түзететін, деректердің жалпы тұтастығын жақсартатын функция. Бұл шешім қабылдау сапасын арттырады және деректер жиынтығын одан әрі терең талдау үшін құнды етеді.

GeoPard таза калибрлеу модулі

GeoPard өзінің Yield Clean-Calibration модулін пайдаланып, кірістілік деректер жиынтығын тазалауға және түзетуге мүмкіндік берді.

Біз сіздің өнім деректеріңіздің сапасын жақсартуды бұрынғыдан да оңайлаттық, фермерлерге сіз сенім арта алатын деректерге негізделген шешімдер қабылдауға мүмкіндік бердік.

GeoPard - өнімділікті тазалау және калибрлеу, далалық әлеуетті аймақтарға ұқсас

Калибрлеуден және тазалаудан кейін алынған өнімділік деректер жиынтығы біртекті болады, ауытқуларсыз немесе көршілес геометриялар арасында кенеттен өзгерістер болмайды.

Біздің жаңа модульмен сіз:

Жалғастыру үшін опцияны таңдаңыз
Жалғастыру үшін опцияны таңдаңыз
  • Зақымдалған, қабаттасқан және қалыпты емес деректер нүктелерін алып тастаңыз
  • Бірнеше машинадағы өнімділік мәндерін калибрлеу
  • Калибрлеуді бірнеше рет басу арқылы бастаңыз (пайдаланушы тәжірибесін жеңілдетеді) немесе байланысты GeoPad API соңғы нүктесін орындаңыз
GeoPard көмегімен автоматтандырылған деректер_тазалау_калибрлеуі (1)
GeoPard көмегімен автоматтандырылған деректер_тазалау_калибрлеуі (2)
GeoPard көмегімен автоматтандырылған деректер_тазалау_калибрлеуі (3)
GeoPard көмегімен автоматтандырылған деректер_шығысын_тазалау_калибрлеу (4)
GeoPard көмегімен автоматтандырылған деректер_шығысын_тазалау_калибрлеуі (5)
GeoPard көмегімен автоматтандырылған деректер_тазалау_калибрлеуі (6)
GeoPard көмегімен автоматтандырылған деректер_тазалау_калибрлеуі (7)

Автоматтандырылған өнімділік деректерін тазалау және калибрлеуді қолданудың ең көп таралған жағдайларына мыналар жатады:

  • Бірнеше комбайн бір мезгілде немесе бірнеше күн бойы жұмыс істеген кезде деректерді синхрондау, бірізділікті қамтамасыз ету.
  • Деректер жиынтығын вариацияларды тегістеу арқылы біртекті және дәл ету.
  • Деректер шуын және түсініктерді бұлыңғыр етуі мүмкін артық ақпаратты жою.
  • Далалық нақты үлгілер мен үрдістерді бұрмалауы мүмкін бұрылыстарды немесе қалыптан тыс геометрияларды жою.

Төмендегі суретте бір уақытта 15 комбайн жұмыс істеген алқапты көруге болады. Онда бастапқы өнімділік деректер жиынтығы мен GeoPard өнімділікті тазалау калибрлеу модулімен калибрленгеннен кейінгі жақсартылған деректер жиынтығының бір-бірінен мүлдем өзгеше және түсінікті болып көрінетіні көрсетілген.

GeoPard калибрлеу модулімен бастапқы және жақсартылған өнімділік деректер жиынтықтары арасындағы айырмашылық

Неліктен тазалау және калибрлеу маңызды?

Өнімділік туралы деректер комбайндарға бекітілген өнімділік мониторлары мен сенсорлары арқылы жиналады. Бұл құрылғылар жиналған өнімнің массалық ағын жылдамдығы мен ылғалдылығын өлшейді және деректерді геореференциялау үшін GPS координаттарын пайдаланады.

Дегенмен, бұл өлшемдер жабдықтың жұмысына немесе дақыл жағдайына әсер етуі мүмкін әртүрлі факторларға байланысты әрқашан дәл немесе сәйкес келе бермейді. Осы факторлардың кейбіреулері:

1. Жабдықтың нұсқалары: Ауыл шаруашылығы техникасының, мысалы, комбайндар мен астық жинау машиналарының, деректер жинаудағы сәйкессіздіктерге әкелуі мүмкін ішкі ауытқулары жиі болады. Бұл ауытқуларға сенсор сезімталдығының немесе техниканы калибрлеудегі айырмашылықтар кіруі мүмкін.

Мысалы, кейбір өнімділік мониторлары кернеу мен массалық ағын жылдамдығы арасындағы сызықтық байланысты, ал басқалары сызықтық емес байланысты пайдалануы мүмкін. Кейбір сенсорлар басқаларына қарағанда шаңға немесе кірге сезімтал болуы мүмкін. Бұл ауытқулар әртүрлі машиналар немесе өрістер бойынша өнімділік деректерінде сәйкессіздіктерді тудыруы мүмкін.

1-мысал: U-бұрылыстар, аялдамалар, пайдаланылған жабдық енінің жартысы
1-мысал: U-бұрылыстар, аялдамалар, пайдаланылған жабдық енінің жартысы
2-мысал: U-бұрылыстар, аялдамалар, пайдаланылған жабдық енінің жартысы
2-мысал: U-бұрылыстар, аялдамалар, пайдаланылған жабдық енінің жартысы

2. Қоршаған орта факторлары: Ауа райы жағдайлары, топырақ түрлері және жер бедері дақылдардың өнімділігінде маңызды рөл атқарады. Егер бұл қоршаған орта факторлары ескерілмесе, өнім туралы деректерге шу мен дәлсіздіктер әкелуі мүмкін.

Мысалы, құмды топырақтар немесе тік беткейлер сазды топырақтарға немесе жазық жерлерге қарағанда өнімділіктің төмендеуіне әкелуі мүмкін. Сол сияқты, дақыл тығыздығы жоғары жерлерде тығыздығы төмен жерлерге қарағанда өнімділік жоғары болуы мүмкін.

3. Сенсордың дәлсіздігі: Сенсорлар, дәлдігіне қарамастан, мінсіз емес. Олар уақыт өте келе ауытқып, үнемі калибрленбесе, дәл емес көрсеткіштерді көрсетуі мүмкін.

Мысалы, ақаулы жүктеме элементі немесе бос сымдар масса ағынының дәл емес көрсеткіштеріне әкелуі мүмкін. Лас немесе зақымдалған ылғал сенсоры қате ылғалдылық мәндерін беруі мүмкін. Оператор енгізген қате өріс атауы немесе идентификатор өнімділік деректерін қате өріс файлына тағайындауы мүмкін.

Бұл факторлар шулы, қате немесе сәйкессіз деректер жиынтығының пайда болуына әкелуі мүмкін. Егер бұл деректер дұрыс тазаланбаса және калибрленбесе, олар жаңылыстыратын қорытындыларға немесе шешімдерге әкелуі мүмкін.

Мысалы, өнімділік карталарын жасау үшін тазартылмаған өнімділік деректерін пайдалану егістіктегі жоғары немесе төмен өнімділіктегі алқаптарды жалған анықтауға әкелуі мүмкін.

Неліктен кірістілік деректер жиынтығын тазалау және калибрлеу маңызды?

Егістіктер немесе жылдар бойынша өнімділікті салыстыру үшін калибрленбеген өнімділік деректер жиынтығын пайдалану әділетсіз немесе дәл емес салыстыруларға әкелуі мүмкін. Қоректік заттардың балансын немесе дақылдардың кірісін есептеу үшін тазартылмаған немесе калибрленбеген өнімділік деректерін пайдалану тыңайтқыштарды немесе пестицидтерді шамадан тыс немесе жеткіліксіз қолдануға әкелуі мүмкін.

Сондықтан, өнімділік деректерін кез келген талдау немесе шешім қабылдау мақсатында пайдаланбас бұрын тазалау және калибрлеу өте маңызды. Өнімділік деректер жиынтығын тазалау - өнімділік мониторлары мен сенсорлары жинаған шикі өнімділік деректеріндегі кез келген қателерді немесе шуды жою немесе түзету процесі.

Өнімділік деректерін тазалау және калибрлеудің автоматтандырылған әдістері

Міне, осы жерде автоматтандырылған деректерді тазалау әдістері пайдалы болады. Автоматтандырылған деректерді тазалау әдістері - бұл деректерді тазалау тапсырмаларын адамның араласуынсыз немесе минималды түрде орындай алатын әдістер.

Калибрлеу қадамын конфигурациялау
Тазалау және калибрлеудің автоматтандырылған әдістері

Деректерді тазалаудың автоматтандырылған әдістері уақыт пен ресурстарды үнемдеуге, адами қателіктерді азайтуға және деректерді тазалаудың масштабталуы мен тиімділігін арттыруға мүмкіндік береді. Деректерді шығаруға арналған кең таралған автоматтандырылған деректерді тазалау әдістерінің кейбірі:

1. Ауытқуды анықтау: Ауытқулар - бұл нормадан айтарлықтай ауытқып кететін деректер нүктелері. Автоматтандырылған алгоритмдер бұл ауытқуларды деректер нүктелерін орташа, медиана және стандартты ауытқу сияқты статистикалық өлшемдермен салыстыру арқылы анықтай алады.

Мысалы, егер өнімділік деректер жиынтығы белгілі бір егістік үшін ерекше жоғары өнімділікті көрсетсе, ауытқуларды анықтау алгоритмі оны одан әрі зерттеу үшін белгілей алады.

2. Шуды азайту: Шуылдың шығу деректеріндегі шу қоршаған орта факторлары мен сенсорлардың дәлсіздігін қоса алғанда, әртүрлі көздерден туындауы мүмкін.

Тегістеу алгоритмдері сияқты автоматтандырылған шуды азайту әдістері тұрақсыз ауытқуларды сүзгіден өткізіп, деректерді тұрақты және сенімді етеді. Бұл деректердегі шынайы үрдістер мен заңдылықтарды анықтауға көмектеседі.

3. Деректерді импутациялауДеректердің жетіспеушілігі кірістілік деректер жиынтықтарында жиі кездесетін мәселе болып табылады. Деректерді енгізу әдістері деректердегі үлгілер мен қатынастарға негізделген жетіспейтін мәндерді автоматты түрде бағалайды және толтырады.

Мысалы, егер сенсор белгілі бір уақыт аралығында деректерді жаза алмаса, импутация әдістері көршілес деректер нүктелеріне негізделген жетіспейтін мәндерді бағалай алады.

Демек, деректерді тазартудың автоматтандырылған әдістері деректер сапасының кепілі болып табылады, бұл өнім деректерінің бүкіл әлемдегі фермерлер үшін сенімді және құнды актив болып қалуын қамтамасыз етеді.

Сонымен қатар, өнімділік деректерін автоматты түрде тазалап, реттей алатын көптеген ыңғайлы құралдар мен компьютерлік бағдарламалар бар, және GeoPard солардың бірі. GeoPard өнімділігін тазалау-калибрлеу модулі, ұқсас шешімдермен қатар, деректердің дәлдігі мен сенімділігін қамтамасыз ету үшін өте маңызды.

GeoPard - Өнімді тазалау және калибрлеу - 3 комбайн

Қорытынды

Автоматтандырылған өнімділік деректерін тазалау және калибрлеу (AYDCC) дәл ауыл шаруашылығында өте маңызды. Ол қателерді жою және сапаны жақсарту арқылы дақыл деректерінің дәлдігін қамтамасыз етеді, бұл фермерлерге ақпараттандырылған шешімдер қабылдауға мүмкіндік береді. AYDCC деректерге қатысты мәселелерді шешеді және сенімді нәтижелерге қол жеткізу үшін автоматтандырылған әдістерді пайдаланады. GeoPard компаниясының өнімділікті тазалау модулі сияқты құралдар фермерлер үшін бұл процесті жеңілдетеді, тиімді және өнімді егіншілік тәжірибесіне ықпал етеді.

Ауыл шаруашылығындағы ГИС (геоақпараттық жүйелер) қолданылуы

-де жарияланды Muhammad Farjad арқылы

Геоақпараттық жүйе (ГАЖ) кеңістіктік деректер мен ауыл шаруашылығындағы шешім қабылдау арасындағы алшақтықты жояды, фермерлерге ресурстарды тиімді пайдалануды оңтайландырып, экологиялық әсерді азайтуға мүмкіндік береді. Бұл технологиялық тәсіл дәл ауыл шаруашылығы әдістерін нақты алқап жағдайларына бейімдеуге көмектеседі, осылайша өнімділік пен тиімділікті арттырады.

Ауыл шаруашылығындағы геоақпараттық технологиялар

Топырақтың өзгергіштігі, ылғалдылық деңгейі және зиянкестердің таралуы сияқты дәл кеңістіктік ақпаратты талдау арқылы фермерлер жан-жақты ақпаратқа негізделген шешім қабылдап, жерлерінің әрбір учаскесіне қажетті нақты өңдеуді қамтамасыз ете алады.

Соңғы деректер көрсеткендей, бұл технология кеңінен қолданылады: оны фермер шаруашылықтарының 70,1 %-ы қандай да бір түрде пайдаланады. Геокеңістік деректерді біріктіру шағын ауқымды өзін-өзі қамтамасыз ету фермерлік шаруашылықтарынан бастап ірі коммерциялық операцияларға дейінгі әртүрлі салаларда шешім қабылдау процестерінде стандартты тәжірибеге айналуда.

Шаруалар спутниктік фотосуреттер мен жер үсті сенсорларының көмегімен өз дақылдарын нақты уақыт режимінде бақылай алады. Қалдықтар азайып, қоршаған ортаға тигізілетін теріс әсері төмендейтіндіктен, олар суды, тыңайтқышты және пестицидтерді дәл қажет жерге және қажет уақытта қолдана алады.

Австралиядағы CottonMap жобасы геоақпараттық технологияларды пайдаланып су пайдалануды бақылайды, нәтижесінде су тұтыну 40%-ға азайды. Жақсартылған ресурстарды басқару химиялық заттардың ағып кетуін және артық суаруды азайту арқылы экологиялық әсерді минималдайды.

Ауыл шаруашылығындағы геоақпараттық технологиялар

Өнімділікті арттыру жаһандық азық-түлік қауіпсіздігіне септігін тигізеді. Кеңістіктік деректерді пайдалана отырып егіс үлгілерін оңтайландыру арқылы фермерлер ауылшаруашылық жер көлемін ұлғайтпай-ақ өнімділікті арттыра алады.

Геоақпараттық жүйелер дегеніміз не?

Геоақпараттану, сондай-ақ географиялық ақпарат ғылымы (GIScience) деп те аталады, – география, картография, қашықтықтан зондтау, компьютерлік ғылым және ақпараттық технология элементтерін біріктіре отырып, географиялық және кеңістіктік деректерді жинау, талдау, түсіндіру және визуализациялаумен айналысатын көпсалалы сала.

Бұл сандық форматта кеңістіктік ақпаратты түсіруге, сақтауға, басқаруға, талдауға және ұсынуға бағытталған, Жер бетін және әртүрлі географиялық нысандар арасындағы байланыстарды жақсырақ түсінуге ықпал етеді. Бұл әртүрлі мақсаттарда қолдануға болатын қуатты құрал, соның ішінде:

1. Дәл ауыл шаруашылығы: Оны топырақ түрі, дақыл өнімділігі және зиянкестердің шабуылы сияқты әртүрлі факторлар бойынша деректер жинау үшін пайдалануға болады. Осы деректерді егіс алқабындағы өзгергіштік аймақтарын анықтау үшін талдауға болады. Бұл аймақтар анықталғаннан кейін фермерлер әрбір аймаққа арналған жеке басқару жоспарын әзірлеу үшін ГИС-ті пайдалана алады.

2. Экологиялық мониторинг: Оны орманның жойылуы, жерді пайдаланудың өзгеруі және су сапасы сияқты қоршаған ортадағы өзгерістерді бақылау үшін қолдануға болады. Бұл деректерді қоршаған орта саясатының ілгерілеуін қадағалау және қосымша қорғауды қажет ететін аймақтарды анықтау үшін пайдалануға болады.

3. Қалалық жоспарлау: Геоақпараттануды қалалық аймақтарды жоспарлау және басқару үшін қолдануға болады. Бұл деректерді дамуды қажет ететін аймақтарды анықтау, көлік желілерін жоспарлау және инфрақұрылымды басқару үшін пайдалануға болады.

4. Апаттарды басқару: Оны су тасқындары, жер сілкіністері және орман өрттері сияқты апаттарды басқару үшін пайдалануға болады. Бұл деректер апаттың барысын бақылауға, зардап шеккен аймақтарды анықтауға және көмек көрсету шараларын үйлестіруге қолданылуы мүмкін.

Геоақпараттану дегеніміз не? Геоақпараттанудың құрамдас бөліктері

Геоақпараттық жүйенің құрамдас бөліктері

Бұл компоненттер Жер бетінің әртүрлі аспектілері мен олардың өзара байланыстары туралы түсінік алу үшін бірге жұмыс істейді. Геоақпараттық ғылымның негізгі компоненттері мыналар:

  • Географиялық ақпараттық жүйелер (ГАЖ): ГИС географиялық деректерді жинау, сақтау, өңдеу, талдау және визуализациялау үшін бағдарламалық және аппараттық құралдарды пайдалануды қамтиды. Бұл деректер қабаттарға бөлініп ұйымдастырылған, бұл пайдаланушыларға карталар жасауға, кеңістіктік талдау жүргізуге және кеңістіктік қатынастарға негізделген ақпаратты шешімдер қабылдауға мүмкіндік береді.
  • Қашықтықтан зондтау: Қашықтықтан зондтау – әдетте спутниктер, ұшақтар немесе дрондар арқылы Жер беті туралы ақпаратты қашықтықтан жинауды қамтиды. Көбінесе сурет түріндегі қашықтықтан зондтау деректері жер жамылғысы, өсімдіктердің жағдайы, климаттық үлгілер және тағы басқалар туралы түсінік бере алады.
  • Жаһандық орналасу жүйелері (GPS)GPS технологиясы спутниктер желісі арқылы дәл орналасуды анықтауға және навигация жүргізуге мүмкіндік береді. ГИС-те GPS дәл орналасу деректерін жинау үшін қолданылады, бұл карталау, навигация және кеңістіктік талдау үшін өте маңызды.
  • Кеңістіктік талдау: Бұл географиялық деректердегі үлгілерді, байланыстарды және тенденцияларды түсіну үшін әртүрлі кеңістіктік талдау әдістерін қолдануға мүмкіндік береді. Оларға жақындық талдауы, интерполяция, қабатталған талдау және желілік талдау жатады.
  • КартографияКартография – географиялық деректердің карталарын және визуалды бейнелерін жасаумен айналысатын ғылым. Ол кеңістіктік ақпаратты тиімді жеткізетін, ақпараттық әрі көрнекі тартымды карталарды жобалауға арналған құралдар мен әдістерді ұсынады.
  • ГеодерекқорларГеодерекқорлар – географиялық мәліметтерді сақтау және басқаруға арналған құрылымдалған дерекқорлар. Олар кеңістіктік деректерді ұйымдастыруға арналған негізгі құрылымды қамтамасыз етіп, тиімді сақтау, алу және талдауға мүмкіндік береді.
  • Веб-карталау және геокеңістік қосымшаларГеоақпараттану веб-негізделген карталау мен қосымшаларға кеңейіп, пайдаланушыларға географиялық деректерге онлайн платформалар арқылы қол жеткізуге және олармен өзара әрекеттесуге мүмкіндік береді. Бұл түрлі орынға негізделген қызметтер мен құралдардың дамуына әкелді.
  • Геокеңістік модельдеуГеокеңістіктік модельдеу – нақты әлемдегі географиялық процестерді модельдеу үшін есептеу модельдерін құруды қамтиды. Бұл модельдер нәтижелерді болжауға, сценарийлерді модельдеуге және әртүрлі салаларда шешім қабылдауға көмектеседі.

8. Ауыл шаруашылығындағы геоақпараттық жүйелердің қолданбалары мен қолданылуы

Ауыл шаруашылығында ГИС-тің кейбір негізгі қолданбалары мен қолдану салалары:

1. Тұрақты ауыл шаруашылығы

Дәл ауыл шаруашылығы географиялық ақпараттық жүйелердің (ГАЖ) мүмкіндіктерін пайдалана отырып, фермерлерге өз алқаптары туралы егжей-тегжейлі түсінік береді. Бұл түсініктер өсімдік жамылғысы мен өнімділік бойынша егжей-тегжейлі карталардан дақылдарға арналған арнайы ақпаратқа дейінгі мәліметтерді қамтиды.

Осы тәсілдің негізі – деректерге негізделген шешім қабылдау, ол фермерлерге ең жоғары өнімділік пен тиімділікке қол жеткізу үшін өз тәжірибелерін оңтайландыруға мүмкіндік береді.

Ауыл шаруашылығындағы геоақпараттық технологиялардың қолданылуы

Өнімділік карталарын жасау арқылы GeoPard Crop Monitoring дәл егіншілік үшін маңызды шешім ұсынады. Бұл карталар алдыңғы жылдардың тарихи ақпараттарын пайдалана отырып, фермерлерге өз шаруашылықтары бойынша өнімділік үлгілерін анықтауға мүмкіндік береді. Фермерлер осы ақпаратты пайдаланып, өнімді және өнімсіз аймақтарды анықтай алады.

2. Егіннің денсаулығын бақылау

Егіннің денсаулығын бақылаудың маңызы аса зор. Егіннің жай-күйі тікелей өнімділікке, ресурстарды басқаруға және ауыл шаруашылығы экожүйесінің жалпы денсаулығына әсер етеді.

Дәстүрлі түрде кең алқаптардағы дақылдарды қолмен тексеру ауыр әрі көп уақытты талап ететін жұмыс болды. Алайда ГИС пен қашықтықтан зондтау сияқты озық технологиялардың пайда болуымен ауқымды өзгеріс орын алып, бұрын-соңды болмаған көлемде дәл бақылау жүргізуге мүмкіндік туды.

Геоақпараттық технологиялар дақылдардың денсаулығына әсер етуі мүмкін ықтимал мәселелерді ерте анықтауға көмектеседі. Қашықтықтан зондтау деректері мен спутниктік суреттерді талдау арқылы фермерлер қоректік заттардың тапшылығы немесе аурулардың өршуі сияқты стресс факторларын анықтап, мақсатты шаралар қолдана алады.

3. Егін өнімділігін болжау

Тарихи деректерді, топырақ құрамын, ауа райы үлгілерін және басқа да айнымалыларды біріктіре отырып, ол фермерлерге дақылдардың өнімділігін таң қалдырарлық дәлдікпен болжауға мүмкіндік береді. Бұл ақпарат оларға егу, ресурстарды бөлу және маркетинг стратегиялары бойынша ақпаратқа негізделген шешімдер қабылдауға мүмкіндік береді.

2019 жылғы өнімділік деректерінің картасы

Егін өнімділігін болжау саласында GeoPard жетекші жаңашылға айналды. GeoPard спутниктерден алынған тарихи және ағымдағы егін деректерін біріктіре отырып, 90,1 %-дан астам дәлдікке кепілдік беретін сенімді әдісті әзірледі. Бұл инновациялық тәсіл технологияның қазіргі заманғы ауыл шаруашылығын түбегейлі өзгерте алатынын дәлелдейді.

4. Геоақпараттық технологиялармен мал шаруашылығын мониторингтеу

Малға тағылған GPS трекерлерінен алынған кеңістік деректері жануарлардың қозғалысы мен мінез-құлқы туралы түсінік береді. Бұл құралдар фермерлерге ферма ішіндегі малдың нақты орналасқан жерін анықтауға мүмкіндік беріп, тиімді басқару мен күтімді қамтамасыз етеді.

Орналасу орнын бақылаудан басқа, ГИС ауыл шаруашылығы құралдары малдың денсаулығы, өсу үлгілері, көбею циклдері және қоректік заттарға қойылатын талаптар туралы жан-жақты көзқарас ұсынады.

Мал мониторингін қоса алғанда, дәл ауыл шаруашылығының жаһандық нарығы алдағы жылдары айтарлықтай бағалауға жетеді деп болжануда. Бұл үрдіс мал шаруашылығын басқаруды оңтайландыруда ГИС-тің трансформациялық әлеуетін айқындайды.

5. Құрт-құмырсқалар мен зиянкестерге қарсы күрес

Үлкен алқаптарды қолмен бақылау сияқты дәстүрлі әдістер уақытты көп қажет ететін әрі тиімсіз болып шықты. Алайда технологияның, атап айтқанда терең оқыту алгоритмдері мен спутниктік деректердің тоғысуы зиянкестерді анықтау мен басқаруда революция жасады.

Геоақпараттық жүйе зиянкестердің таралу карталарын жасауға көмектеседі, бұл пестицидтерді дәл қолдануға мүмкіндік береді. Белгілі аймақтарды нысанаға ала отырып, фермерлер химиялық заттарды қолдануды азайтып, қоршаған ортаға әсерін төмендетіп, пайдалы жәндіктерді қорғай алады.

GeoPard егінді бақылау – арамшөптердің жаппай таралуы мен дақыл аурулары сияқты әртүрлі қауіп-қатерлерді анықтаудың тиімді әдісі. Мүмкін болатын проблемалық аймақтар даладан жиналған өсімдік индекстерін зерттеу арқылы анықталады.

Мысалы, белгілі бір жердегі өсімдік жамылғысы индексінің төмен болуы мүмкін зиянкестер мен аурулардың белгісі болуы мүмкін. Бұл түсінік рәсімді жеңілдетіп, үлкен алқаптарды қолмен ұзақ уақыт бойы барлау жүргізу қажеттілігін жояды.

6. Суаруды басқару

ГИС негізіндегі деректер топырақтың ылғалдылық деңгейі туралы құнды түсініктер береді, фермерлерге суару кестесін жоспарлау бойынша ақпаратқа негізделген шешім қабылдауға көмектеседі. Бұл судың тиімді пайдаланылуын қамтамасыз етіп, артық суару мен құрғақшылық стрессінің алдын алады.

Өзгермелі нормамен суарудың маңызы

Ауыл шаруашылығындағы ГИС технологиясы су тапшылығына ұшыраған дақылдарды анықтауға арналған қуатты құралдар жиынтығын ұсынады. Шаруалар дақылдарының су жағдайы туралы көбірек білу үшін Нормаланған айырмашылық су индексі (NDWI) немесе Нормаланған айырмашылық ылғалдылық индексі (NDMI) сияқты индекстерді пайдалана алады.

GeoPard Crop Monitoring жүйесінің әдепкі компоненті – NDMI индексі -1-ден 1-ге дейінгі шкаланы ұсынады. Шамамен -1-ге жақын теріс мәндер су тапшылығын көрсетсе, 1-ге жақын оң мәндер су басуды білдіруі мүмкін.

7. Су басу, эрозия және құрғақшылықты бақылау

Сел, эрозия және құрғақшылық – ауылшаруашылық ландшафттарына айтарлықтай зиян келтіретін қауіпті қарсыластар. Физикалық жойылудан бөлек, бұл мәселелер судың қолжетімділігін, топырақтың саулығын және жалпы дақылдардың өнімділігін бұзады. Осы қауіптерді тиімді басқару азық-түлік қауіпсіздігін қамтамасыз ету, табиғи ресурстарды сақтау және тұрақты ауылшаруашылық тәжірибелерін дамыту үшін шешуші маңызға ие.

Геоақпараттық жүйелер ландшафттың су тасқынына, эрозияға және құрғақшылыққа осалдығын бағалауға көмектеседі. Топографиялық деректерді, жауын-шашын үлгілерін және топырақ қасиеттерін талдау арқылы фермерлер осы тәуекелдерді азайтуға арналған стратегияларды жүзеге асыра алады.

8. Ауыл шаруашылығындағы автоматтандыруда ГИС

Географиялық ақпараттық жүйелер (ГАЖ) дәстүрлі карталау құралдары ретіндегі рөлін артқа тастап, автоматтандырылған техниканы басқаруда маңызды құралға айналды. Бұл технология тракторлар мен дрондар сияқты әртүрлі ауылшаруашылық техникасын кеңістік деректері мен дәл навигация жүйелерімен қамтамасыз етеді.

Нәтижесінде егуден бастап бүрку мен жинауға дейінгі тапсырмалар бұрын-соңды болмаған дәлдікпен және адамның араласуын минималды етіп орындауға болады.

Ауыл шаруашылығындағы автоматтандыруда ГИС

Кең алқапқа дақыл егу тапсырылған тракторды елестетіңіз. GPS жүйесі мен ГИС технологиясымен жабдықталған трактор кеңістік деректерін пайдаланып, алдын ала белгіленген маршруттар бойымен жүріп, тұқымды біркелкі орналастырып, оңтайлы аралықты сақтайды. Бұл дәлдік тек дақыл өнімділігін арттырып қоймай, ресурстардың ысырап болуын да азайтады.

Дәл ауыл шаруашылығында геоақпараттанудың рөлі

Ол дәл егіншілікте маңызды рөл атқарады, фермерлерге дақылдарды басқару туралы ақпаратқа негізделген шешімдер қабылдау үшін қажетті деректер мен құралдарды ұсынады. Оны топырақ түрі, дақыл өнімділігі және зиянкестердің шабуылы сияқты әртүрлі факторлар бойынша деректер жинау үшін пайдалануға болады.

Бұл деректерді кейіннен талдап, даланың ішіндегі өзгергіштік аймақтарын анықтауға болады. Осы аймақтар анықталғаннан кейін фермерлер әрбір аймаққа арналған жеке басқару жоспарын әзірлеу үшін ГИС-ті пайдалана алады.

Дәл ауыл шаруашылығында геоақпараттық технологияларды қолдану бүкіл әлемде қарқынды түрде өсіп келеді. Мысалы, АҚШ-та дәл ауыл шаруашылығын қолдану соңғы бес жылда 50%-дан астамға артты. Ал Қытайда дәл ауыл шаруашылығын қолдану алдағы жылдары жылына 20%-дан астамға өседі деп күтілуде.

Зерттеулер көрсеткендей, геоақпараттық әдістер арқылы ресурстарды дәл қолдану өнімділікті 151 %-ға дейін арттырып, шығындарды 10–30 %-ға төмендетуге мүмкіндік береді.

Сонымен қатар, 2020 жылы Nature журналында жарияланған зерттеу бидай алқабында суаруды басқару үшін ГИС-ті пайдалану егін өнімділігін 201 %-ға арттырғанын анықтады. 2021 жылы Science журналында жарияланған тағы бір зерттеу жүгері алқабында тыңайтқышты дәлірек қолдану үшін ГИС-ті пайдалану егін өнімділігін 151 %-ға арттырғанын анықтады.

Оны дақыл өнімділігінің карталарын жасау үшін де қолдануға болады. Бұл карталар өнімділігі төмен аймақтарды анықтауға мүмкіндік береді, оларды зерттеп, мәселенің себебін анықтауға болады. Мәселенің себебі анықталғаннан кейін фермерлер сол аймақтарда өнімділікті арттыру үшін түзету шараларын қолдана алады.

Дәл ауыл шаруашылығында геоақпараттанудың рөлі

Мысалы, фермерлер оны топырақтың түрі мен құнарлылығын көрсететін карталарды жасау үшін пайдалана алады. Бұл карталар тыңайтқыштарды дәлірек қолдануға мүмкіндік беріп, егін өнімділігін арттыруға және қажетсіз қолданылатын тыңайтқыш мөлшерін азайтуға көмектеседі.

Деректерді жинау және талдаумен қатар, оны кеңістіктік деректерді визуализациялау үшін де қолдануға болады. Бұл фермерлерге топырақ түрі мен дақыл өнімділігі сияқты әртүрлі факторлардың алқап бойынша қалай тарағанын көруге көмектеседі. Сондай-ақ визуализация құралдары фермерлерге өз нәтижелерін дақыл жөніндегі кеңесшілерге немесе мемлекеттік қызметкерлерге түсіндіруге мүмкіндік береді.

Дәл ауыл шаруашылығында геоақпараттық технологиялардың нақты өмірдегі қолданылуы мол. Мысалы, Өзгермелі мөлшер технологиясы (VRT) кеңістік деректерін пайдаланып, дала бойымен су, тыңайтқыштар мен пестицидтерді әртүрлі мөлшерде жеткізеді.

Бұл тәсіл дақылдардың өсуі мен өнімділігін оңтайландыра отырып, оларға қажетті дәл қоректік заттарды алуын қамтамасыз етеді. Тағы бір мысалда, спутниктік суреттер мен дрондар дақылдардың денсаулығы мен ауруларды анықтау туралы құнды ақпарат береді, бұл жедел араласуға мүмкіндік береді.

GeoPard дақылдарды бақылау – ауыл шаруашылығы ГИС бағдарламалық қамтамасыз етуінің мысалы ретінде

Ауыл шаруашылығында қолданылатын ГИС бағдарламалық қамтамасыз ету оның қолдану мақсатына қарай әртүрлі болуы мүмкін екенін есте ұстау маңызды. Кейбір құралдар егуді таңдауға көмектесу үшін топырақтың ылғалдылық деңгейін көрсетсе, басқалары дақыл сорттарын, өнімділік пен таралымды көрсетеді.

Ағаш кесу мен орман шаруашылығының экономикасын салыстыруды да әртүрлі қосымшалар арқылы жүзеге асыруға болады. Сондықтан әрбір фермер немесе ауыл шаруашылығы менеджері жеріне қатысты ақылға қонымды шешім қабылдау үшін қажетті ақпаратты ұсынатын ең қолайлы ГИС шешімін табуы тиіс.

Алаңдық деректерге келгенде GeoPard-тың Crop Monitoring платформасының бірқатар артықшылықтары бар. Ол өсімдік жамылғысы мен топырақ ылғалдылығының динамикасы бойынша қысқаша шолуларды, тарихи өсімдік жамылғысы мен ауа райы деректерін және дәл 14 күндік ауа райы болжамдарын ұсынады.

GeoPard дақылдарды бақылауды автоматты түрде синхрондауды қамтамасыз етеді.

Бұл платформа іс-шараларды ұйымдастыру және нақты уақыттағы ақпарат алмасу үшін скауттық мүмкіндіктерді, сондай-ақ операцияларды жоспарлау және бақылау үшін далалық іс-әрекет журналын ұсынады, сондықтан ол тек ГИС негізіндегі деректерден әлдеқайда артық мүмкіндіктер ұсынады.

Қосымша дереккөздерден алынған мәліметтер де GeoPard-тың Crop Monitoring жүйесіне енгізілген. Мысалы, Data Manager құралы платформаға машиналық деректерді қосады. Ол SHP және ISO-XML сияқты танымал файл форматтарын қолдайды.

Дала техникасының деректерін пайдалана отырып, егін өнімділігін өлшеп, оны тыңайтқыш карталарымен салыстырып, тыңайтқыш қолдану тактикаларын талдап, өнімділікті арттыру жоспарларын жасай аласыз. Аграрлық кәсіпорындар ынтымақтас болатын және өздері де осы барлық функцияларды біріктіретін платформадан зор пайда көреді.

Дәл ауыл шаруашылығы мен геоақпараттанудағы мәселелер

Дәл егін шаруашылығы мен геоақпараттануды интеграциялау көптеген саяси салдарлар мен реттеушілік мәселелерді тудырады. Әлемнің түкпір-түкпіріндегі үкіметтер инновацияны қолдаумен қатар деректердің құпиялылығын, жерді пайдалану мен экологиялық тұрақтылықты қорғауды қамтамасыз ететін құрылымдарды әзірлеу жолдарын іздеумен айналысуда.

Мысалы, реттеуші актілер кеңістіктік деректерді жинау мен бөлісуді, дәл егіншілік технологияларына арналған зияткерлік меншік құқықтарын және ауыл шаруашылығында жасанды интеллектіні этикалық тұрғыдан пайдалануды реттей алады.

Еуропалық Одақтағы Бірлескен ауыл шаруашылығы саясаты (CAP) ауыл шаруашылығы өнімділігін арттыруда геоақпараттық жүйелерді қоса алғанда цифрлық технологиялардың рөлін мойындайды.

Қоршаған орта мен тұрақтылық мақсаттарына сәйкес келетін дәл егіншілік тәжірибелерін енгізуге фермерлерді ынталандыру үшін қаржылық ынталандырулар ұсынылады. Бұл мысал саясаттың технологияны ұжымдық пайда үшін енгізуді қалай ынталандыра алатынын көрсетеді.

Алайда ауыл шаруашылығында геоақпараттық технологияларды енгізу елеулі артықшылықтарға ие, бірақ ол әртүрлі ауқымдағы фермерлер үшін бірқатар қиындықтарды да тудырады. Шағын фермерлер көбіне қаржылық шектеулерге тап болып, технологияларды сатып алу мен оқытуға қажетті ресурстардан айырылады.

Үлкен шаруашылықтар өз қызметінің ауқымына байланысты деректерді басқаруда күрделіліктерге тап болады. Техникалық білімдегі олқылықтар жиі кездеседі, сондықтан геоақпараттық құралдарды тиімді пайдалану үшін шағын да, ірі де фермерлерге оқыту қажет.

Инфрақұрылымның шектеулі болуы мен байланыстың нашарлығы, әсіресе шалғай аймақтарда, қолжетімділікке кедергі келтіреді. Шешімдер шағын фермаларға сай келмеуі немесе ірі операцияларға оңай біріктірілмеуі салдарынан баптау кезінде қиындықтар туындайды.

Өзгерістерге мәдени қарсылық пен деректердің құпиялылығына қатысты алаңдаушылықтар оны кеңінен енгізуге кедергі келтіреді. Үкіметтік саясат, инвестициялық қайтарымының белгісіздігі және өзара үйлесімділік мәселелері прогресті одан әрі тежеп отыр.

Осы мәселелерді шешу үшін геоақпараттық технологиялардың пайдасын шаруашылық көлеміне қарамастан барлық фермерлерге жеткізуді қамтамасыз ететін арнайы әзірленген стратегиялар қажет.

Қорытынды

Геоақпараттық жүйені қазіргі заманғы ауыл шаруашылығына кедергісіз енгізу трансформациялық әлеуетке ие. Кеңістік деректерінің қуатын пайдалана отырып, фермерлер мен ауыл шаруашылығы мүдделі тараптары ақпаратқа негізделген шешімдер қабылдап, ресурстарды тиімді пайдаланып, тұрақты тәжірибелерді дамыта алады. Егін өнімділігін болжау, су ресурстарын басқару немесе дәл ауыл шаруашылығын жетілдіру болсын, ГИС бағдаршамы ретінде қызмет етіп, ауыл шаруашылығы саласының тиімдірек, төзімді және өнімді болашағын қалыптастырады.

wpChatIcon
wpChatIcon

    Тегін GeoPard демосын/кеңес беруді сұраңыз








    Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты. Сіздің өтінішіңізге жауап беру үшін ол қажет.

      Жазылу


      Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты

        Бізге ақпарат жіберіңіз


        Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты

        Біз сізге ең жақсы шолу тәжірибесін ұсыну, сайтымыздың мазмұнын жекелендіру, оның трафигін талдау және сізге тиісті жарнамаларды көрсету үшін cookie-файлдарды пайдаланамыз.
        Біздің көріңіз Жеке деректерді қорғау саясаты Қосымша ақпарат алу үшін.

        Барлығын қабылдау