Kategorija: Pasėlių stebėjimas

Kukurūzai yra daugiausiai pasaulyje užauginama javų kultūra pagal kiekį, vien Jungtinėse Valstijose jų apsėjama per maždaug 35 milijonai hektarų ir 2023 m. pagamins 390 milijonų metrinių tonų derlių. Tokio masto pasėlių priežiūra reikalauja daugiau nei žvalgybos pėsčiomis. Vegetacijos indeksai kukurūzų augimui stebėti – matematinės formulės, gautos iš to, kaip augalų lajos atspindi ir sugeria šviesą, – tapo šiuolaikinio pasėlių valdymo kertiniu akmeniu, nes jie spektrinius duomenis paverčia veiksminga informacija apie pasėlių sveikatą. Jie tai daro greitai, dideliu mastu ir neliesdami nė vieno lapo.

Nuotolinio stebėjimo technologija, dabar prieinama per palydovus, dronus ir nešiojamus jutiklius, kiekviename kukurūzų auginimo sezono etape į šiuos indeksus tiekia realaus laiko spektrinius duomenis. Ūkininkas arba agronomas gali aptikti azoto stresą V6, kol lapai nepagelsta, pastebėti vandens trūkumą grūdų užsipildymo metu, kol nesumažės derlius, arba sukalibruoti kintamos normos trąšų naudojimą, naudodamas lajų žemėlapius, sugeneruotus tą pačią savaitę, kai pasėlius reikia tręšti.

Kas yra augmenijos indeksai? Kaip jie veikia?

Augalijos indeksas (VI) yra bematė, kiekybinė vertė, apskaičiuojama matematiškai sujungiant dviejų ar daugiau jutiklio užfiksuotų spektrinių juostų atspindžio vertes. Rezultatas yra vienas skaičius, kuris išskiria ir sustiprina specifines augalo lajos biologines savybes, tokias kaip chlorofilo koncentracija, lapų plotas ar vandens kiekis, kartu slopindamas dirvožemio, atmosferos ir šešėlio trukdžius.

Augalijos indekso galia slypi jo gebėjime standartizuoti matavimus skirtinguose jutikliuose, laukuose ir datose. Užuot lyginęs neapdorotus atspindžio skaičius, kurie kinta priklausomai nuo apšvietimo sąlygų, VI pateikia santykį arba skirtumą, kuris yra stabilesnis ir biologiškai reikšmingesnis. Tai leidžia palyginti medžių lajų sveikatą skirtinguose laukuose, metų laikais ir net palydovinėse platformose.

Augalai sugeria tam tikrus šviesos bangos ilgius fotosintezei, o kitus atspindi. Sveika žalia augmenija sugeria didžiąją dalį raudonos šviesos (apie 660–680 nm), kurią lemia chlorofilo sukelta fotosintezė, ir dėl savo ląstelinės struktūros stipriai atspindi artimojo infraraudonojo spektro (NIR) šviesą.

Įtemptas arba retas laja sugeria mažiau raudonos šviesos ir daugiau atspindi, o artimoji infraraudonoji spinduliuotė (NIR) – mažiau. Augalijos indeksai matematiškai užfiksuoja šį kontrastą, kad kiekybiškai įvertintų, koks laja yra žalias, tankus ir sveikas tam tikru momentu.

Spektrinės juostos, naudojamos augmenijos indeksuose

Skirtingos spektro juostos teikia skirtingą diagnostinę informaciją apie pasėlius. Kiekviena juosta skirta skirtingam biologiniam procesui, todėl daugiajuosčiai jutikliai teikia išsamesnius duomenis nei paprastos RGB kameros. Šešios juostos, svarbiausios kukurūzų stebėjimui, yra šios:

• Raudona (620–700 nm): Stipriai absorbuojamas chlorofilo. Raudonos spalvos absorbcijos sumažėjimas rodo sumažėjusį fotosintezės aktyvumą, o tai rodo stresą, maistinių medžiagų trūkumą arba ankstyvą lajos senėjimą.
• Žalia (520–560 nm): Augalai labiau atspindi žalią šviesą nei raudoną, todėl jie atrodo žali. Žalios spalvos atspindėjimas koreliuoja su chlorofilo koncentracija ir naudojamas tokiuose indeksuose kaip GNDVI ir VARI.
• Mėlyna (450–490 nm): Sugeria karotenoidai ir chlorofilas. Dažniausiai naudojamas RGB pagrįstuose indeksuose, tokiuose kaip VARI, kur matomos tik matomos juostos.
• Artimasis infraraudonasis spinduliavimas (NIR, 750–900 nm): Stipriai atsispindi nuo sveikų lapų viduje esančio kempinės pavidalo mezofilo audinio. Niurinių infraraudonųjų spindulių atspindys yra NDVI, EVI ir daugumos plačiajuosčio ryšio indeksų pagrindas. Tankus, sveikas kukurūzų vainikas pasižymi dideliu Niurinių infraraudonųjų spindulių atspindžiu.
• Raudonasis kraštas (700–740 nm): Pereinamoji zona tarp raudonos sugerties ir artimojo infraraudonojo spinduliavimo atspindžio. Chlorofilo koncentracija ir azoto būsena daro didelę įtaką šiai juostai, todėl ji yra labai jautri ankstyvosios stadijos maistinių medžiagų streso nustatymui, kol jis tampa vizualiai pastebimas.
• Trumpabangis infraraudonasis spindulys (SWIR, 1 400–2 500 nm): Sugeria skystas vanduo augalo audiniuose. SWIR pagrįsti indeksai matuoja lajos vandens kiekį ir nustato sausros stresą, todėl jie yra vertingi grūdų dauginimosi metu, kai vandens trūkumas tiesiogiai veikia derlių.

Kodėl vegetacijos indeksai yra svarbūs kukurūzų augimo stebėsenai

1. Pasėlių sveikatos stebėjimas

Pasėlių sveikata apima daug persidengiančių veiksnių: chlorofilo koncentraciją, lapų ploto indeksą (LAI – bendro lapų ploto ir žemės ploto santykis), augalų vandens būklę ir lajos temperatūrą. Nė vienas lauko patikrinimas negali užfiksuoti visų šių veiksnių vienu metu šimtuose hektarų.

Vegetacijos indeksai suspaudžia šį sudėtingumą į išmatuojamas vertes, kurias galima pakartotinai stebėti per visą vegetacijos sezoną, siekiant nustatyti nykimą, kol jis netampa derliaus nuostoliais.

Tyrimas, paskelbtas m. Žemės ūkis (2023 m.) stebėjo tris kukurūzų hibridus sausros ir drėkinamomis sąlygomis, naudodami prie bepiločių orlaivių (UAV) pritvirtintus NDVI jutiklius. Tyrėjai kas savaitę stebėjo lajos sveikatą nuo sudygimo iki brandos ir nustatė, kad NDVI vertės reikšmingai skyrėsi tarp drėkinamų ir lietaus laistomų sklypų jau nuo V8, likus kelioms savaitėms iki matomų streso simptomų atsiradimo. Toks ankstyvas diferencijavimas leidžia laiku įsikišti.

2. Augalų gyvybingumo matavimas

Augalo gyvybingumas – bendras augimo greitis ir pasėlio biomasės kaupimasis – tiesiogiai prognozuoja derliaus potencialą. Tokie rodikliai kaip NDVI ir EVI yra stipriai koreliuojami su LAI ir antžemine sausa biomase kukurūzuose.

Augimo greičio stebėjimas pagrindinėse vegetacijos stadijose leidžia agronomams nustatyti nepakankamai produktyvias lauko zonas ir atitinkamai koreguoti sąnaudas, užuot taikant vienodus valdymo sprendimus visoje erdvėje kintančioje žemėje.

3. Streso nustatymas prieš pasireiškiant regos simptomams

Tai bene komerciškai vertingiausia vegetacijos indeksų savybė. Kukurūzų augalas, patiriantis azoto trūkumą, vandens stresą arba ankstyvą ligų spaudimą, pirmiausia parodo savo spektrinio atspindžio pokyčius, ypač raudonojo krašto ir artimojo infraraudonojo spinduliavimo juostose, likus kelioms dienoms ar savaitėms iki to, kai lapai pagelsta, vysta ar atsiranda matomų pažeidimų.

Raudonojo krašto indeksai, ypač NDRE ir CI Red Edge, yra ypač jautrūs subvizualiam azoto stresui ir chlorofilo sumažėjimui. Jang ir kt. (ScienceDirect, 2024) nustatė, kad derinant NDVI, NDRE ir GNDVI indeksai naudojant daugybinę tiesinę regresiją žymiai pagerino kukurūzų derliaus prognozavimo rezultatus, palyginti su bet kuriuo atskiru indeksu.

Augintojai, besiremiantys vienu indeksu, praranda adityviąją prognozavimo galią, kurią suteikia kelių indeksų metodai, ypač kritiniais reprodukcijos etapais.

4. Derliaus prognozavimo gerinimas

Strateginiais augimo etapais, ypač kutų ir šilko formavimosi laikotarpiu, surinkti vegetacijos indeksai yra patikimi galutinio grūdų derliaus prognozavimo rodikliai. Tyrimas paskelbtas žurnale „... Nuotoliniai tyrimai (2023 m.) sujungė daugialaikius bepiločių orlaivių (UAV) duomenis, įskaitant NDVI, NDRE, SAVI ir EVI, vegetacinėse ir reprodukcinėse stadijose, ir sukūrė kukurūzų derliaus prognozavimo modelį su R² yra 0,78, o rRMSE – 8,27%, pranoksta modelius, sukurtus remiantis vieno etapo duomenimis.

Pagrindinė įžvalga: naudojant kelis indeksus keliuose augimo etapuose, galima užfiksuoti daug platesnį derlių lemiančių veiksnių spektrą nei naudojant vieną momentinę matavimo kopiją.

5. Tiksliosios žemdirbystės rėmimas

Tikslioji žemdirbystė remiasi erdvinio kintamumo duomenimis, kad nustatytų konkrečiai vietai būdingus veiksnius. Iš dronų arba palydovinių vaizdų sudaryti vegetacijos indekso žemėlapiai atskleidžia pasėlių derliaus kintamumą lauko viduje, kurį vidutiniai lauko matavimai užgožia.

Šie žemėlapiai tiesiogiai įtraukiami į kintamo kiekio trąšų sistemas, todėl ūkininkai gali naudoti daugiau trąšų ten, kur pasėliams jų reikia, ir mažiau ten, kur nereikia, taip sumažinant išlaidas ir poveikį aplinkai.

Kukurūzų augimo etapai, kai vegetacijos indeksai yra naudingiausi

“Tinkamas indeksas tinkamame augimo etape atskleidžia informaciją apie pasėlius, kurios bendro pobūdžio žvalgyba tiesiog negali suteikti – o duomenų rinkimo laikas yra toks pat svarbus, kaip ir pasirinktas indeksas.”

1. Atsiradimo etapas

Dygimo metu augalų danga yra reta, o vaizde dominuoja dirvožemis. Standartinis NDVI čia veikia prastai, nes dirvožemio foninis triukšmas užgožia silpną lajos signalą. Šiame etape tinkami įrankiai yra dirvožemio pakoreguoti indeksai, tokie kaip SAVI ir MSAVI.

Jie taiko korekcijos koeficientą, kad sumažintų atviro dirvožemio įtaką indekso vertei, ir taip leidžia prasmingai išmatuoti augalų tankumą ir ankstyvą įsišaknijimo vienodumą.

2. Vegetatyvinis augimas (V stadijos)

Nuo V3 iki V12 kukurūzų laja sparčiai plečiasi. Tai yra svarbiausias azoto valdymo laikotarpis, nes pasėlių azoto poreikis smarkiai padidėja.

NDRE ir CI Green indeksai šiuo laikotarpiu yra jautriausi, nes raudona krašto juosta aptinka nedidelį chlorofilo sumažėjimą prieš platesnius NDVI signalo pokyčius. Bepiločių orlaivių skrydžiai V6 ir V10 dažniais, suderinti su azoto paskirstymo sprendimais, duoda didžiausią duomenų investicijų grąžą.

3. Kutų ir šilko vėrimas

Kutų susidarymas (VT) ir šilkinis susiformavimas (R1) yra jautriausi derliui etapai visame kukurūzų gyvavimo cikle. Šiuo metu lajos užsidarymas beveik baigtas, o tai reiškia, kad NDVI ir EVI dabar gali nuskaityti visą lają be dirvožemio įsikišimo.

Abu indeksai sveikuose pasėliuose pasiekia savo piką ties VT. Bet koks indekso verčių stabilizavimasis arba ankstyvas sumažėjimas šiame etape yra patikimas streso rodiklis, dėl kurio gali atsirasti branduolių nutrūkimas ir derliaus nuostoliai.

4. Grūdų įdaras

Grūdų daugėjimo laikotarpiu (R3–R5) pagrindinis rūpestis dėl valdymo pereina prie vandens streso ir ligų. NDWI (normalizuotas vandens skirtumo indeksas, apskaičiuojamas pagal NIR ir SWIR juostas) ir terminiai indeksai papildo standartinį rinkinį šiame etape, nustatydami lajos vandens kiekio sumažėjimą, kuris vyksta prieš matomą vytimą.

NDVI vertės pradeda natūraliai mažėti pasėliui bręstant, todėl norint interpretuoti indekso trajektorijas, reikia palyginti jas su numatomu auginamo hibrido sezoniniu modeliu.

5. Branda

Pasiekus fiziologinę brandą (R6), visi pagrindiniai augmenijos rodikliai mažėja, senstant lajai ir mažėjant chlorofilo kiekiui. Brandos metu gauti indekso duomenys daugiausia naudojami retrospektyviai analizei – sezoninių VI trajektorijų koreliacijai su faktiniais derliaus duomenimis, siekiant patvirtinti prognozavimo modelius ir pagerinti būsimų sezonų lyginamuosius rodiklius. Indekso kreivių laiko eilučių analizė nuo sudygimo iki brandos suteikia išsamiausią duomenų pagrindą konkrečiam laukui būdingų derliaus modelių kūrimui.

Įprasti vegetacijos indeksai, naudojami kukurūzų augimo stebėsenai

1. NDVI (normalizuotas diferencinis vegetacijos indeksas)

NDVI yra plačiausiai žemės ūkyje naudojamas augmenijos indeksas. Jis matuoja kontrastą tarp artimojo infraraudonojo spinduliavimo ir raudonojo atspindžio ir apskaičiuojamas taip:

NDVI = (NIR − raudona) / (NIR + raudona)

NDVI vertės svyruoja nuo −1 iki +1. Sveikų, tankių kukurūzų lajų žalumo piko metu balai paprastai būna nuo 0,7 iki 0,9. Geriausi šio metodo taikymo sritys apima lajų vystymosi stebėjimą nuo V6 iki kutų formavimosi, prasčiau veikiančių lauko zonų nustatymą ir koreliaciją su LAI bei antžemine biomase.

Pagrindinis NDVI apribojimas yra prisotinimas tankiuose medžių lajose – kai LAI viršija maždaug 3 m²/m², papildomas lapų plotas mažina NDVI signalo pokyčius, sumažindamas jautrumą esant didžiausiam lajos tankumui.

2024 m. paskelbtame tyrime Žemės ūkis (MDPI), naudodamas bepiločių orlaivių (UAV) pagrindu veikiančią NDVI stebėseną per du vegetacijos sezonus Vengrijoje, nustatė, kad stipriausia NDVI ir derliaus koreliacija įvyko po šilko susidarymo stadijoje (R2 = 0,638 2023 m. ir R2 = 0,634 2024 m.), tai patvirtina NDVI, kaip sezono derliaus rodiklio, patikimumą tuo konkrečiu augimo laikotarpiu.

2. GNDVI (žaliasis NDVI)

GNDVI pakeičia raudoną juostą žalia juostele: GNDVI = (NIR − Žalia) / (NIR + Žalia). Žalias kanalas yra jautresnis chlorofilo koncentracijai nei raudonas kanalas, todėl GNDVI geriau aptinka vidutinius chlorofilo pokyčius brandžiuose, tankiuose medžių vainikėliuose, kur NDVI yra prisotintas.

Pagrindinis jo pritaikymas kukurūzuose yra azoto būklės įvertinimas vegetacijos viduryje ir reprodukcinėje stadijose. Tyrimai paskelbti žurnale „... ScienceDirect (2024 m.) patvirtino, kad GNDVI, derinamas su NDRE daugiaindeksiniuose regresijos modeliuose, žymiai pagerino kukurūzų derliaus prognozavimo tikslumą, ypač priešžydėjimo stadijose.

3. EVI (pagerintas augmenijos indeksas)

EVI pagerina NDVI, įtraukdama mėlynąją juostą ir taikydama atmosferos korekcijos koeficientus: EVI = 2,5 × [(NIR − raudona) / (NIR + 6 × raudona − 7,5 × mėlyna + 1)]. Ši formulė vienu metu sumažina atmosferos triukšmą ir dirvožemio foninius trukdžius, todėl EVI yra jautresnis nei NDVI tankių augalų lajų sąlygomis, kai NDVI prisotina.

EVI yra pageidaujamas indeksas kukurūzų lajos struktūrai stebėti nuo kutų susidarymo iki ankstyvo grūdų užsipildymo, kai augalų danga beveik visiškai padengta augalija. Tai yra pagrindinis MODIS palydovinių produktų indeksas ir yra plačiai naudojamas regioninio masto kukurūzų stebėsenai.

Tyrimas Žemės ūkis (2024 m.), naudodamas MODIS MOD09A1 duomenis Dzilino provincijoje, Kinijoje, nustatė, kad Sujungus kelis augmenijos indeksus, įskaitant EVI, su formos modeliu, žymiai pagerėjo fenologinės stadijos nustatymo tikslumas pagrindiniais kukurūzų augimo laikotarpiais, palyginti su vieno indekso metodais.

Didelio masto regioniniam pasėlių stebėjimui EVI sujungimas su kitais laiko eilučių modelių indeksais užtikrina patikimesnį fenologinį stebėjimą nei bet kuris vienas indeksas.

4. SAVI (Dirvožemio pakoreguotas augmenijos indeksas)

SAVI į NDVI formulę įtraukia dirvožemio ryškumo korekcijos koeficientą (L): SAVI = [(NIR − Raudona) / (NIR + Raudona + L)] × (1 + L), kur L = 0,5, esant tipiškoms dirvožemio sąlygoms. Slopindama plikos dirvos atspindžio įtaką, SAVI atlieka tikslesnius lajos matavimus ankstyvosiose kukurūzų augimo stadijose, kai žemės danga yra mažesnė nei 50%. Tai standartinis pasirinkimas augalų įsitvirtinimui, medynų vienodumui ir ankstyvojo sezono gyvybingumui stebėti nuo sudygimo iki V4.

5. NDRE (normalizuoto skirtumo raudonas kraštas)

NDRE naudoja raudonojo krašto ir artimojo infraraudonojo spektro juostas: NDRE = (NIR − raudonoji briauna) / (NIR + raudonoji briauna). Raudonoji kraštinė juosta yra spektrinėje srityje, kurioje nedideli chlorofilo koncentracijos pokyčiai sukelia didelius atspindžio pokyčius, todėl NDRE yra jautresnis azoto sukeltam chlorofilo pokyčiui nei NDVI.

Tyrimas, paskelbtas m. Jutikliai (2024 m.) LSU AgCenter tyrimų stotyje, naudodamas bepiločių orlaivių fotogrametriją, nustatė, kad NDRE, praėjus 87 dienoms po pasodinimo, prognozavo kukurūzų grūdų derlių, kai R² yra 0,9097., išskirtinai stiprus ryšys, pabrėžiantis NDRE vertę vėlyvojo sezono azoto valdymui ir derliaus prognozavimui.

6. MSAVI (Modifikuotas dirvožemio pakoreguotas augmenijos indeksas)

MSAVI patobulina SAVI, nes L koeficientas yra dinaminis, o ne fiksuotas, todėl jis automatiškai prisitaiko prie augmenijos dangos laipsnio: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − raudona))] / 2.

Dėl šio savaiminio koregavimo MSAVI yra tikslesnis nei SAVI visame lajos vystymosi diapazone – nuo plikos dirvos išdygimo iki visiško padengimo kutų susidarymo metu. Tam nereikia jokių prielaidų apie dirvožemio šviesumą, todėl jį lengviau pritaikyti skirtingoms lauko sąlygoms ir dirvožemio tipams.

7. VARI (matomo atmosferinio atsparumo indeksas)

VARI naudoja tik matomas juostas (raudoną, žalią, mėlyną): VARI = (Žalia − Raudona) / (Žalia + Raudona − Mėlyna). Jo vertė slypi tame, kad jį galima apskaičiuoti naudojant standartines RGB kameras – tokias, kurias už mažą kainą nešiojasi dauguma komercinių dronų.

Nors VARI neturi tokio jautrumo azotui ir biomasei, kaip daugiaspektriniai indeksai, jis suteikia naudingą pirmojo etapo lajos žalumo vertinimą, todėl yra prieinamas ūkininkams, kurie dar neturi daugiaspektrinių jutiklių galimybių.

Tyrimas paskelbtas ScienceDirect (2025 m.) patvirtino, kad VARI yra vienas iš naudingų VI įvesties duomenų mašininio mokymosi modeliuose, skirtuose kukurūzų derliui prognozuoti įvairiose auginimo aplinkose.

8. OSAVI (Optimizuotas dirvožemio pakoreguotas augmenijos indeksas)

OSAVI yra supaprastinta SAVI versija su fiksuota L verte 0,16, optimizuota dalinio medžių lajos dangos sąlygoms: OSAVI = (NIR – raudona) / (NIR + raudona + 0,16).

Ši specifinė L vertė buvo empiriškai nustatyta siekiant sumažinti dirvožemio fono poveikį esant įvairiam augmenijos tankumui. OSAVI gerai veikia nuo V2 iki V6, panaikindamas atotrūkį tarp SAVI ankstyvojo sezono naudingumo ir NDVI tikslumo piko sezono metu.

9. CI žalia (chlorofilo indekso žalia)

CI Green tiesiogiai apskaičiuoja chlorofilo kiekį pagal atspindžio koeficientą: CI Žalia = (NIR / Žalia) − 1. Kadangi chlorofilas yra pagrindinis azotą kaupiantis pigmentas lapuose, „CI Green“ seka lajos azoto būseną nenaudodamas raudonos kraštinės juostos.

Dėl to jis vertingas, kai prieinama tik standartinė žalia juosta, pavyzdžiui, iš „Sentinel-2“ vaizdų, ir patikimai veikia nuo V6 iki šilkininio efekto, priimant sprendimus dėl azoto valdymo sezono viduryje.

10. CI raudonasis kraštas (chlorofilo indekso raudonasis kraštas)

CI Red Edge pakeičia žalią juostą raudona krašto juosta: CI raudonasis kraštas = (NIR / raudonasis kraštas) − 1. Dėl šio pakeitimo jis yra žymiai jautresnis chlorofilo pokyčiams nei CI Green, ypač vidurinėje ir vėlyvojoje vegetacijos stadijose, kai laja yra pakankamai tanki, kad žaliosios juostos signalas pradeda sodrėti. CI Red Edge yra vienas geriausiai veikiančių indeksų, skirtų aptikti subtilius azoto gradientus kukurūzų lauko tvarkymo zonose.

Vegetacijos indeksų palyginimas kukurūzų monitoringui

1. Geriausias ankstyvojo augimo indeksas

SAVI ir MSAVI nuosekliai lenkia NDVI ir EVI ankstyvojo kukurūzų vystymosi metu (sudygimo iki V4), nes sumažina dirvožemio foninį triukšmą, kuris kitu atveju dominuotų indeksiniame signale, kai lajos danga yra mažesnė nei 40%. OSAVI siūlo naudingą tarpinį variantą, kai dirvožemio sąlygos lauke yra įvairios.

2. Geriausias azoto aptikimo indeksas

NDRE ir CI „Red Edge“ yra stipriausi indeksai azoto trūkumui kukurūzuose nustatyti. Abu šie indeksai išnaudoja didelį raudonojo krašto juostos jautrumą chlorofilo koncentracijai. V6–V10 stadijoje – svarbiausiame lange priimant sprendimus dėl azoto naudojimo – šie indeksai aptinka trūkumą 7–14 dienų anksčiau, nei NDVI parodo bet kokį išmatuojamą atsaką, todėl lieka pakankamai laiko imtis korekcinių veiksmų.

3. Geriausias biomasės įvertinimo indeksas

NDVI ir EVI yra labiausiai patvirtinti indeksai antžeminės sausosios biomasės įvertinimui kukurūzuose. Tyrimai naudojant bepiločių orlaivių (UAV) daugiaspektrinius vaizdus kartu su tekstūros ypatybėmis. PMC (2023) nustatė, kad augmenijos indeksai, pagrįsti raudona (650 nm), raudonojo krašto (705 nm) ir artimojo infraraudonojo spinduliavimo (842 nm) juostomis, parodė didžiausią koreliaciją su LAI – glaudžiai susijusiu biomasės kaupimosi vegetaciniu laikotarpiu rodikliu.

4. Geriausias tankių lajų indeksas

EVI yra pageidaujamas indeksas, kai kukurūzų laja visiškai užsidaro, paprastai nuo kutų susidarymo iki ankstyvo grūdų užsipildymo. Kai NDVI prisotinamas, kai LAI yra didesnis nei maždaug 3, EVI toliau reaguoja į papildomą lapų plotą ir chlorofilo pokyčius, nes jo atmosferos ir dirvožemio korekcijos terminai neleidžia signalui prisotintis esant dideliam biomasės lygiui.

5. Geriausias sausros streso indeksas

NDWI (NIR ir SWIR pagrįstas vandens indeksas) ir NDVI, naudojami kartu, yra efektyviausias sausros streso nustatymo kukurūzuose derinys. NDWI tiesiogiai seka audinių vandens kiekio pokyčius, o NDVI fiksuoja antrinį vandens streso poveikį lajos žalumui. Čia didžiausią vertę suteikia daugiaspektriai jutikliai, turintys SWIR funkciją, nors šie jutikliai išlieka brangesni nei standartinės penkių juostų daugiaspektrinės sistemos.

Vegetacijos indeksų taikymas kukurūzų auginime

Augalijos indeksas yra toks pat naudingas, koks yra sprendimas, kurį jis leidžia priimti – tikslas visada yra spektrinius duomenis paversti lauko veiksmais, kurie pagerina derlių, sumažina sąnaudas arba atlieka abu šiuos veiksmus.

1. Biomasės įvertinimas

NDVI ir EVI vertės stipriai koreliuoja su antžemine sausa biomase per visą kukurūzų vegetacijos laikotarpį. Pakartotiniai bepiločių orlaivių skrydžiai arba palydovų praskridimai kas dvi savaites sukuria biomasės kaupimo kreives, kurios parodo, ar laukas artėja prie savo derliaus potencialo, ar atsilieka nuo numatomos augimo trajektorijos tam tikru sezonu.

2. Chlorofilo matavimas

„CI Green“ ir „CI Red Edge“ teikia neardomuosius lajos lygio chlorofilo įvertinimus, kurie seka augalo fotosintezės pajėgumą. Tyrimas paskelbtas žurnale „... PMC (2024 m.) atlikus UAV pagrįstą SPAD (chlorofilo matuoklio rodmenų) vertinimą kukurūzuose, buvo patvirtinta, kad modifikuotas raudonojo krašto santykio indeksas pasiekė R² 0,87 lapų chlorofilo kiekiui prognozuoti vidurinėje augimo stadijoje, parodant praktinį tikslumą, kurį raudonojo krašto indeksai suteikia šiam tikslui.

3. Azoto būklės įvertinimas

Azotas yra maistinė medžiaga, kuri labiausiai riboja kukurūzų derlių, o jos kiekis kinta visą sezoną, keičiantis pasėlių poreikiams. 2025 m. žurnale paskelbtame tyrime Augalų mokslo ribos 2024 m. integravo „Sentinel-2A“ palydovinius vaizdus, bepiločių orlaivių (UAV) daugiaspektrinius duomenis ir antžeminius stebėjimus keturiuose kukurūzų augimo etapuose ir sukūrė naują regioninio masto azoto kiekio inversijos modelį, naudodamas kelis vegetacijos indeksus kartu su juostos korekcija.

Sistema pasiekė aukštą patvirtinimo tikslumą 48 nepriklausomuose mėginių ėmimo taškuose, parodydama, kaip palydovų ir bepiločių orlaivių sintezė išplečia VI pagrindu veikiančio azoto valdymo mastelio keitimą ne tik atskiruose laukuose, bet ir ūkių bei regioniniu mastu.

4. Vandens streso nustatymas

Vandens stresas kukurūzuose pirmiausia sumažina žiotelių laidumą, tada lapų vandens kiekį ir galiausiai žaliąją biomasę – tris procesus, kurie nuosekliai veikia skirtingas spektro juostas. Ankstyvosios stadijos vandens stresas matomas terminių juostų duomenyse ir SWIR pagrįstuose indeksuose prieš mažėjant NDVI.

NDWI ir NDVI derinio stebėjimas per visą grūdų užsipildymo laikotarpį, kai vandens stresas daro didžiausią įtaką derliui, leidžia drėkinimo planavimą grįsti faktiniu pasėlių poreikiu, o ne kalendorinėmis taisyklėmis.

5. Ligų stebėsena

Grybelinės ligos, tokios kaip šiaurinė kukurūzų lapų maras ir pilkoji lapų dėmėtligė, pakeičia užkrėstų lapų spektrinį parašą dar prieš tai, kai žmogaus akiai matomi dideli pažeidimai. Užkrėstame audinyje būdingas artimojo infraraudonųjų spindulių atspindžio sumažėjimas ir raudonojo krašto padėties poslinkis.

Daugialaikis VI stebėjimas leidžia aptikti lokalizuotas spektrines anomalijas, rodančias kylantį ligų spaudimą, ir leidžia naudoti tikslinį fungicidų naudojimą, o ne purkšti visame lauke.

6. Kenkėjų padarytos žalos aptikimas

Kenkėjų maitinimosi sukelta defoliacija sumažina LAI, o tai tiesiogiai sumažina NDVI ir EVI vertes paveiktose vietose. Pavyzdžiui, armijos kirmėlių užkrėtimas sukuria būdingus erdvinius indekso mažėjimo modelius, kuriuos galima aptikti dronų vaizduose prieš užkrėtimui išplintant į gretimus lauko ruožus.

Didelės skiriamosios gebos bepiločių orlaivių (UAV) skrydžiai (atstumas tarp žemės ir mažesnio nei 5 cm) suteikia erdvinį detalumą, reikalingą vabzdžių daromai žalai atskirti nuo kitų lajos kitimo priežasčių.

7. Derliaus įvertinimas

Vegetacijos indekso vertės, išmatuotos konkrečiuose kritiniuose augimo etapuose, ypač V12, VT ir R3, yra patikimi galutinio grūdų derliaus prognozavimo rodikliai, derinami su istoriniais derliaus žemėlapiais ir orų duomenimis. Daugiaindeksiniai susiliejimo metodai nuolat pranoksta vieno indekso modelius.

GNDVI, NDRE ir SCCCI (supaprastinto lajos chlorofilo kiekio indekso) derinys prieš žydėjimą parodė ypač didelį derliaus prognozavimo tikslumą paskelbtuose kukurūzų tyrimuose. ScienceDirect (2026).

Vengrijoje atliktų dviejų auginimo sezonų tyrimų metu nustatyti 0,638 ir 0,634 koreliacijos koeficientai tarp NDVI po žydėjimo ir galutinio grūdų derliaus. Daugiaindeksiniai modeliai, įskaitant NDRE ir GNDVI, dar labiau padidina prognozavimo tikslumą.

8. Kintamo kiekio trąšų naudojimas

Iš dronų skrydžių sugeneruoti VI pagrįsti lajų žemėlapiai naudojami tiesiogiai kuriant kintamo kiekio azoto purkštuvų receptinių trąšų žemėlapius. Laukai suskirstomi į valdymo zonas pagal indekso vertes, o kiekviena zona gauna azoto dozę, sukalibruotą pagal konkretaus pasėlio poreikius.

Nuotolinis stebėjimas ir kintamo greičio technologija kartu sudarė 58% tiksliojo ūkininkavimo technologijų rinkos dalis 2025 m. („Precedence Research“, 2026 m.), atspindintis, koks svarbus šis darbo procesas tapo komercinėje kukurūzų gamyboje.

2025 m. atliktas tyrimas Žemės ūkis (MDPI) nustatė, kad vidutinės azoto dozės 120–180 kg ha⁻¹ užtikrino optimalų kukurūzų mitybos lygį, padidindamas derlių iki 5,086 t ha⁻¹ palyginti su netręštais kontroliniais augalais, NDVI pagrįsta stebėsena pasirodė esanti veiksminga ne tik derliaus optimizavimui, bet ir konkrečiai taikant konkrečioms vietai skirtas tręšimo strategijas.

Azoto valdymas NDVI pagrindu po žydėjimo (kai VI ir derliaus koreliacija pasiekia piką) gali pakeisti tradicinius tręšimo metodus, pagrįstus tik dirvožemio tyrimais, ir žymiai pagerinti tiek sąnaudų efektyvumą, tiek grūdų derlių.

Platformos, naudojamos augmenijos indekso duomenims rinkti

1. Palydoviniai vaizdai

Tokie palydovai kaip „Sentinel-2“ (10 m skiriamoji geba, 5 dienų pakartotinis apsilankymas) ir „Planet Labs“ (3 m skiriamoji geba, kasdienis pakartotinis apsilankymas) teikia nuoseklius, oro sąlygas atitinkančius spektrinius duomenis dideliuose plotuose už nedidelę kainą už hektarą.

Tai, kad ’Sentinel-2“ teleskopas turi raudonas kraštines juostas (B5, B6, B7 ties 705, 740, 783 nm), daro jį ypač vertingu NDRE ir CI raudonųjų kraštų skaičiavimams regioninėse kukurūzų stebėsenos programose. Apribojimas yra debesuotumas: debesuotas laikotarpis kritinio augimo laikotarpio metu gali sukelti duomenų spragas, kurios sutrikdo laikinąjį stebėjimą.

2. Dronais pagrįstas nuotolinis stebėjimas

Fiksuotų sparnų ir daugiarotoriai dronai su daugiaspektrinėmis kameromis teikia lauko mastelio vaizdus, kurių skiriamoji geba yra 2–10 cm vienam pikseliui. Toks detalumo lygis išskiria atskiras augalų eiles, todėl galima išmatuoti augalų lajos sveikatos skirtumus eilėse.

Dronų tyrimus galima suplanuoti pagal poreikį, neatsižvelgiant į palydovo praskriejimo laiką, todėl jie idealiai tinka duomenims rinkti tiksliuose agronominių sprendimų priėmimo taškuose, tokiuose kaip azoto tręšimas šoninėmis trąšomis ar drėkinimo planavimas.

3. Bepiločių orlaivių (UAV) daugiaspektrinės kameros

Daugiaspektrinės kameros, tokios kaip „MicaSense RedEdge“, „Parrot Sequoia“ ir „DJI Zenmuse P1“, vienu metu fiksuoja vaizdus penkiose ar daugiau siaurų spektro juostų, įskaitant raudoną, žalią, mėlyną, raudoną kraštą ir artimąjį infraraudonąjį spindulį.

Šios sistemos apima kalibruotą atspindžio plokštę ir saulės šviesos jutiklį, skirtus duomenims normalizuoti pagal kintančias apšvietimo sąlygas skrydžio metu, o tai yra būtina norint gauti tikslias, atkuriamas indekso vertes, o ne santykinius palyginimus.

4. Nešiojamieji pasėlių jutikliai

Aktyvūs optiniai jutikliai, tokie kaip „GreenSeeker“ ir „CropCircle“, skleidžia savo šviesos šaltinį ir matuoja atskirų augalų atspindėjimą artimu atstumu, pašalindami kintančios saulės šviesos poveikį.

Šie jutikliai naudojami greitam azoto būklės įvertinimui lauke tam tikrose mėginių ėmimo vietose. Jų duomenys papildo dronų ir palydovų vaizdus, pateikdami tikslius antžeminius matavimus, kurie patvirtina nuotolinio stebėjimo indekso vertes žinomose vietose.

5. Ant traktoriaus montuojami jutikliai

Traktoriuje montuojami aktyvūs jutikliai, tokie kaip „John Deere Hagie“ ir „Trimble GreenSeeker RT“, nuolat skenuoja kukurūzų lajas, traktoriui važiuojant lauku, ir perduoda realaus laiko NDVI duomenis tiesiai į kintamos normos valdiklį. Ši uždaro ciklo sistema leidžia trąšų normą koreguoti kelyje, remiantis realiais pasėlių būklės duomenimis, be atskiro duomenų apdorojimo etapo tarp jutiklių gavimo ir naudojimo.

Augalijos indekso tikslumą kukurūzų laukuose įtakojantys veiksniai

1. Dirvožemio fonas

Atviras dirvožemis turi savo spektrinį parašą, kuris susilieja su augalų lajos signalu, ypač kai danga yra mažesnė nei 50%. Dirvožemio atžvilgiu pakoreguoti indeksai (SAVI, MSAVI, OSAVI) yra sukurti siekiant sumažinti šį poveikį, tačiau dirvožemio spalva, drėgmė ir organinių medžiagų kiekis vis tiek turi įtakos indekso vertėms ankstyvojo sezono vaizduose. Kalibruojant indekso slenksčius konkretiems dirvožemio tipams regione, padidėja interpretavimo tikslumas.

2. Debesuotumas

Debesys blokuoja saulės spinduliuotę ir sukelia kintamą šešėlį ant žemės, todėl pasyviųjų jutiklių, esančių palydovuose ir dronuose, atspindžio matavimai yra nepatikimi.

Aktyvūs jutikliai yra atsparūs debesuotumui, nes jie patys tiekia apšvietimą. Debesuotumas yra svarbiausias veiksnys, ribojantis palydovinio VI stebėjimo naudingumą regionuose, kuriuose vegetacijos metu dažnai vyrauja debesuotumas.

3. Saulės kampas

Maži saulės kampai padidina šešėlio dalį šviesmečių skliaute, dirbtinai sumažindami artimojo infraraudonojo spinduliavimo atspindį ir iškreipdami indekso vertes. Bepiločių orlaivių skrydžiai, atliekami nuo 10 iki 14 val. vietos saulės laiku, sumažina šešėlių poveikį ir pateikia nuoseklesnius duomenis. Skrydžio laiko nuoseklumas atliekant pakartotinius tyrimus yra toks pat svarbus kaip ir absoliutus laikas, nes tai leidžia prasmingai palyginti datas.

4. Pasėlių tankumas

Augalų populiacija tiesiogiai veikia lajos užsidarymą ir todėl, kaip greitai VI vertės didėja nuo pasodinimo iki lajos užsidarymo. Laukuose, kuriuose augalų populiacija mažesnė, laja užsidaro vėliau, todėl pailgėja laikotarpis, kai dirvožemio fonas trukdo indekso rodmenims. Iš dygimo vaizdų gauti populiacijos žemėlapiai leidžia koreguoti VI ribas pagal vietinius tankumo pokyčius.

5. Augimo etapas

Ta pati VI vertė skirtinguose augimo etapuose reiškia skirtingus dalykus. 0,5 NDVI V6 etape gali rodyti sveiką, gerai besivystantį vainiką, o 0,5 NDVI VT etape reikštų didelį stresą.

VI verčių interpretavimas neatsižvelgiant į augimo stadiją lemia klaidingą pasėlių būklės klasifikavimą. Laiko eilučių analizė, kuri lygina dabartines vertes su numatomomis sezoninėmis kreivėmis, tai ištaiso, kontekstualizuodama kiekvieną rodmenį pasėlių vystymosi trajektorijoje.

6. Jutiklio skiriamoji geba

Didesnės skiriamosios gebos jutikliai viename pikselyje sumaišo pasėlių, dirvožemio ir lauko pakraščių spektrinius signalus – ši problema vadinama “mišriais pikseliais”. Esant 10 m skiriamajai gebai, ’Sentinel-2“ vienas pikselis padengia 100 m² žemės plotą, kuriame dažnai būna kelios pasėlių eilės ir tarpueiliai.

Didesnės raiškos dronų vaizdai (5 cm pikseliui) pašalina mišrius pikselius ir suteikia daug grynesnį drono kupolo spektrinį signalą, tačiau padidina duomenų kiekį ir apdorojimo laiką.

Augalijos indeksų, skirtų kukurūzų monitoringui, apribojimai

1. Sotumas tankiuose medžių vainikėliuose

NDVI, plačiausiai naudojamas indeksas, prisotina save, kai LAI vertės yra didesnės nei maždaug 3 m²/m², o kukurūzai šią vertę paprastai pasiekia iki V10. Viršijus šią ribą, papildomas lajos žalumo ar biomasės padidėjimas sukelia nežymius NDVI pokyčius. EVI, GNDVI ir NDRE yra sukurti siekiant išspręsti šį apribojimą, tačiau jiems reikia daugiau spektrinių juostų nei NDVI ir jie ne visada pasiekiami iš pigesnių jutiklių.

2. Priklausomybė nuo oro sąlygų

Pasyvios nuotolinio stebėjimo sistemos priklauso nuo nuolatinio saulės apšvietimo. Debesuotumas, migla ir atmosferos aerozoliai sugeria ir išsklaido saulės spindulius prieš jiems pasiekiant pasėlius ir vėl grįžtant į jutiklį, iškreipdami atspindžio vertes.

Duomenų apdorojimo metu taikomi atmosferos korekcijos algoritmai sumažina, bet nepašalina šio poveikio. Atogrąžų kukurūzų auginimo regionuose, kuriuose užsitęsia debesuotumas, duomenų spragos gali būti pakankamai dažnos, kad pakenktų laiko eilučių stebėjimui.

3. Mišrūs pikseliai

Esant mažai erdvinei skiriamajai gebai, pikseliai fiksuoja signalus tiek iš pasėlių lajos, tiek iš dirvožemio, kelių, drėkinimo įrangos ar lauko ribų. Gautas mišrus pikselių atspindys sukuria indekso vertes, kurios neatspindi vien lajos. Lauko ribų maskavimas ir didžiausios įmanomos erdvinės skiriamosios gebos jutiklio naudojimas yra standartinė praktika, siekiant sumažinti šią paklaidą.

4. Kalibravimo reikalavimai

Norint gauti tikslias ir atkuriamas indekso vertes, reikia atlikti jutiklio radiometrinį kalibravimą, atmosferos poveikio korekciją ir normalizavimą pagal kintamą apšvietimą dronų skrydžių metu. Praleidus šiuos veiksmus, gaunami santykiniai VI žemėlapiai, kurių negalima palyginti tarp datų ar laukų, todėl jų naudingumas laiko eilučių stebėjimui ir kelių laukų lyginamajai analizei yra ribotas.

5. Būtinybė patvirtinti faktinę tiesą

Augalijos indeksai yra netiesioginiai matavimai. Jie įvertina pasėlių savybes – chlorofilą, azotą, biomasę – koreliuodami spektrinius modelius su biologiniais kintamaisiais, o ne matuodami juos tiesiogiai.

Kiekvienas VI pagrįstas pasėlių vertinimas yra pagrįstas faktiniu patvirtinimu: fiziniais lapų azoto matavimais, chlorofilo matuoklio rodmenimis arba destruktyvios biomasės mėginiais, paimtais reprezentatyviame lauko vietų pogrupyje. Faktiniai duomenys įtvirtina nuotolinio stebėjimo interpretaciją ir užkerta kelią klaidingai diagnozei.

Geriausia vegetacijos indeksų naudojimo kukurūzų laukuose praktika

1. Tinkamo indekso pasirinkimas

Indekso pasirinkimas turėtų atitikti stebėsenos tikslą ir turimą jutiklį. Azoto vertinimui pasirinkite NDRE arba CI Red Edge, jei yra raudona krašto juosta. Ankstyvojo sezono medynų vertinimui naudokite SAVI arba MSAVI.

Sezono piko metu medžių lajų stebėjimui ir derliaus prognozavimui naudokite EVI arba NDVI kartu su GNDVI arba NDRE. Sezono pradžioje arba esant dideliam lajų tankumui venkite naudoti vien NDVI – jo apribojimai abiem atvejais yra gerai žinomi.

2. Tinkamo augimo etapo pasirinkimas

Duomenų rinkimo laiko parinkimas agronominių sprendimų priėmimo momentams maksimaliai padidina VI duomenų valdymo vertę. Praktinis kukurūzų stebėsenos grafikas apimtų:

1. V2–V4 (dygimo patikra): medynų vienodumui įvertinti ir atsodinimo zonoms nustatyti naudokite SAVI arba MSAVI.
2. V6 (azoto kiekio nustatymas pagal šalutinį kiekį): naudokite NDRE arba CI Red Edge, kad nustatytumėte azoto būseną ir sugeneruotumėte kintamos normos receptą.
3. V10–V12 (lajų uždarymas): naudokite NDVI ir EVI biomasei įvertinti ir nepakankamai gerai veikiančioms valdymo zonoms pažymėti.
4. VT (kuotmedžių formavimasis): naudokite NDVI ir GNDVI, kad įvertintumėte lajos aukštį ir nustatytumėte sritis, kurioms kyla streso rizika apdulkinimo metu.
5. R3 (pieno stadija): naudokite NDVI ir NDWI vandens stresui nustatyti ir grūdų užsipildymo progresui įvertinti.
6. R6 (brandumas): naudokite indekso duomenis sezoninei VI trajektorijai susieti su derliaus kiekiu modelio kalibravimui.

3. Kelių indeksų sujungimas

Nė vienas indeksas neatspindi viso kukurūzų pasėlių būklės sudėtingumo. Sujungus du ar daugiau indeksų, skirtų skirtingiems biologiniams signalams, gaunami išsamesni diagnostiniai žemėlapiai. NDRE azoto būklei, NDVI bendrajai biomasei ir NDWI vandens kiekiui derinys apima tris dažniausiai pasitaikančius kukurūzų auginimo ribojančius veiksnius. Kelių indeksų sujungimas mašininio mokymosi modeliuose užtikrina išmatuojamai didesnį derliaus prognozavimo tikslumą nei bet kuris vieno indekso metodas.

4. Antžeminių stebėjimų integravimas

VI žemėlapiai visada turėtų būti interpretuojami kartu su lauko stebėjimais. Kai dronų žemėlapyje atsiranda VI anomalija, fiziškai apsilankius toje vietoje, patvirtinama, ar spektrinis signalas atspindi realią agronominę problemą – azoto trūkumą, sutankinimą, užmirkimą, kenkėjų padarytą žalą – ar jutiklių triukšmo, šešėlio ar dirvožemio pokyčių artefaktą. Antžeminiai stebėjimai taip pat suteikia mokymo duomenis, reikalingus vietinėms VI riboms kalibruoti konkretiems hibridams, dirvožemiams ir valdymo sistemoms.

5. Laiko eilučių analizės naudojimas

Vienas VI vaizdas yra momentinė nuotrauka. Laiko eilutė, sudaryta iš vaizdų nuo sudygimo iki brandos, yra istorija. Indekso verčių braižymas laikui bėgant atskleidžia augimo trajektorijas, kurios identifikuoja streso įvykius pagal jų datą, sunkumą ir trukmę. Laiko eilučių duomenys taip pat leidžia palyginti dabartinį sezoną ir istorinius etalonus, suteikdami kontekstą, kurio negali pateikti vienos datos vaizdai.

Kukurūzų augimo stebėsenos ateities tendencijos

1. Dirbtinis intelektas

Dirbtinio intelekto algoritmai vis dažniau taikomi augmenijos indekso duomenims, siekiant automatizuoti interpretavimo užduotis, kurioms šiuo metu reikalinga agronomo nuomonė. Giliojo mokymosi modeliai, apmokyti naudojant didelius VI duomenų rinkinius, gali per kelias sekundes klasifikuoti streso tipą, stiprumą ir erdvinį mastą iš daugiaspektrinių vaizdų, pažymėdami veiksmų reikalaujančias zonas agronomui peržiūrėti, užuot reikėję atlikti išsamią rankinę kiekvieno vaizdo analizę.

Dirbtinis intelektas žemės ūkio rinkoje buvo įvertintas 2,1 mlrd. JAV dolerių 2023 m. ir prognozuojama, kad iki 2032 m. jis augs daugiau nei 241 mln. per metus (metinis augimo tempas) (GMI, 2025), atspindintis, kaip sparčiai šis pajėgumas yra komercializuojamas.

2. Mašininio mokymosi modeliai

Daugiaindeksiniams, daugialaikiams duomenų rinkiniams taikomi „Random Forest“, „XGBoost“ ir konvoliuciniai neuroniniai tinklai (CNN) nuolat pranoksta tradicinius regresijos pagrindu veikiančius VI pajamingumo modelius.

Tyrimai, naudojant GBM (gradiento didinimo mašinas) kukurūzų derliaus prognozavimui, atlikti R² vertės 0,78 integruojant VI laiko eilutes su meteorologiniais duomenimis, paprastesni regresiniai metodai yra geresni.

Šie modeliai išmoksta sudėtingus, netiesinius ryšius tarp spektrinių modelių ir agronominių rezultatų, kurių tiesiniai modeliai negali užfiksuoti.

3. Hiperspektrinis vaizdavimas

Hiperspektriniai jutikliai vienu metu fiksuoja atspindžio duomenis šimtuose siaurų spektrinių juostų, palyginti su penkiomis–dešimčia įprastų multispektrinių kamerų juostų. Toks spektrinis tankis leidžia aptikti pasėlių streso signalus, kurie patenka į siaurus spektrinius langus, nematomus plačiajuosčiams jutikliams.

Kukurūzams aktyviai patvirtinami hiperspektriniai ligų aptikimo, sunkiųjų metalų streso ir mikroelementų trūkumo rodikliai, o komercinės bepiločių orlaivių hiperspektrinės sistemos tampa vis labiau prieinamos.

4. Pasėlių stebėjimas realiuoju laiku

Jutiklių miniatiūrizacijos, palydovų konsteliacijos išplėtimo ir 5G ryšio derinys skatina pasėlių būklės stebėjimą realiuoju laiku – kai VI duomenys yra prieinami nuolat auginimo sezono metu, o ne kas savaitę ar kas dvi savaites.

’Planet Labs“ kasdienis palydovų pakartotinių apsilankymų dažnis ir daiktų internetu pagrįstų lauko jutiklių, kurie perduoda duomenis į debesijos platformas, diegimas jau suteikia beveik realiuoju laiku stebimos sistemos galimybes ankstyviesiems naudotojams.

DJI dronais pagrįstos nuotolinio stebėjimo sistemos pranešė apie 67,78% cheminių medžiagų sąnaudų kiekio sumažinimas kai iš VI duomenų gauti receptų žemėlapiai tiekiami kintamo kiekio purškimo sistemoms („Mordor Intelligence“, 2026).

5. Integracija su tiksliosios žemdirbystės sistemomis

Kitas kukurūzų VI stebėsenos žingsnis – sklandi duomenų rinkimo, apdorojimo, interpretavimo ir lauko veiksmų integracija. Debesijos pagrindu veikiančios ūkių valdymo platformos jau jungia palydovinių ir dronų vaizdų srautus tiesiai prie kintamos normos valdiklio programinės įrangos, taip sutrumpinant laiką nuo duomenų rinkimo iki lauko veiksmų nuo dienų iki valandų.

Standartizuojant vaizdų teikėjų, agronominės programinės įrangos ir ūkio įrangos API, darbo eiga nuo “drono skrydžio” iki “kintamo kiekio nurodymo taikymo” taps prieinama visų lygių gamintojams.

Dažnai užduodami klausimai

Kuris vegetacijos indeksas yra geriausias kukurūzams?
Nė vienas indeksas nėra universaliai geriausias. NDRE geriausiai veikia vertinant azotą, SAVI – ankstyvosios stadijos stebėsenai, EVI – tankioms lajoms, o NDVI – bendrai biomasės ir derliaus koreliacijai. Dviejų ar trijų stebėsenos tikslui pritaikytų indeksų derinys nuosekliai pranoksta bet kurį vieną indeksą.

Kaip dažnai reikėtų stebėti augmenijos rodiklius?
Visą sezoną auginant kukurūzus, rekomenduojamas stebėjimo intervalas V4–R3 laikotarpiu yra kas 7–14 dienų. Kritiniai sprendimų langai (V6 azotui, VT streso vertinimui, R3 drėkinimui) pateisina skrydžių ar palydovinių duomenų rinkimą, neatsižvelgiant į standartinį stebėjimo grafiką.

Kuris vegetacijos indeksas geriausiai veikia ankstyvojo kukurūzų augimo metu?
SAVI ir MSAVI geriausiai veikia nuo sudygimo iki V4, nes sumažina atviro dirvožemio įtaką indekso vertei, todėl gaunami reikšmingi lajos matavimai net tada, kai žemės danga yra mažesnė nei 30%.

Ar augmenijos indeksai gali aptikti ligą prieš pasirodant simptomams?
Tyrimai rodo, kad lapų ligos pakeičia užkrėstų lapų spektrinį parašą dar prieš atsirandant matomiems pažeidimams. Raudonojo krašto indeksai yra jautriausi ankstyvam ligų nustatymui, nes jie reaguoja į chlorofilo skaidymą užkrėstame audinyje. Aptikimo laikas priklauso nuo ligos tipo ir sunkumo, tačiau kontroliuojamuose tyrimuose buvo įrodyta, kad ligos gali būti aptiktos anksti – 5–10 dienų iki vizualinių simptomų atsiradimo.

Išvada

Vegetacijos indeksai, skirti kukurūzų augimui stebėti, gerokai peržengė mokslinių tyrimų smalsumo ribas. Dabar tai praktiški, lauke išbandyti įrankiai, suteikiantys ūkininkams ir agronomams galimybę pamatyti pasėlių stresą, azoto trūkumą ir derlių ribojančias sąlygas likus kelioms savaitėms iki šių problemų atsiradimo ir iki joms sukeliant negrįžtamą derliaus praradimą. Tinkamo indekso parinkimas kiekvienam augimo etapui nėra nedidelė techninė detalė; tai yra skirtumas tarp realios problemos aptikimo ir klaidinančių duomenų gavimo. Kelių indeksų – NDRE azotui, EVI tankiai lajos biomasei, NDWI vandens būklei – derinimas leidžia gauti diagnostinį vaizdą, kurio negali pateikti joks vienas matavimas. Šio spektrinio vaizdo integravimas su fiziniais lauko stebėjimais pagrindžia duomenis agronomine realybe ir užkerta kelią klaidingam interpretavimui, kylančiam dėl pasikliavimo vien nuotoliniais tyrimais.

B(eronaučiai orlaiviai (UAV), dar vadinami dronais, pakeičia modernųjį žemės ūkį, suteikdami greitus vaizdus iš oro. Jie naudojami pasėliams stebėti dėl jų sveikatos, augimo stadijos, kenkėjų, piktžolių ir derliaus įvertinimo. Pavyzdžiui, Kinijoje šiuo metu veikia daugiau nei 250 000 žemės ūkio dronų, o Tailande apie 30% dirbamų laukų buvo padengta dronų purškimo arba stebėjimo paslaugomis iki 2023 m. Šie UAV daro žemės ūkį efektyvesnį, greitai aptikdami problemas (pvz., kenkėjų protrūkius ar vandens trūkumą), kurios gali būti nepastebėtos ant žemės.

Tačiau nedideli bepiločiai orlaiviai turi labai ribotą borto skaičiavimo galią ir akumuliatoriaus veikimo laiką. Todėl sudėtingų dirbtinio intelekto regos algoritmų paleidimas juose realiuoju laiku yra iššūkis. Tradiciniai lengvi objektų aptikimo modeliai (pavyzdžiui, mažyčiai YOLO arba "MobileNet" grindžiami detektoriai) gali tik iš dalies patenkinti šiuos poreikius: dėl jų dažnai prarandamas tikslumas arba greitis, be to, juos reikia gerokai derinti rankiniu būdu. Ši spraga motyvuoja dislokacijos poreikius atitinkančią neuroninės architektūros paiešką (NAS): automatinio projektavimo metodą, kuriuo gilaus mokymosi modeliai pritaikomi prie tikslių dislokuotų bepiločių orlaivių reikalavimų.

Šiuolaikinėje tiksliojoje žemdirbystėje, la.

Tačiau maži dronų borto kompiuteriai (dažnai apriboti kelių vatų galia) sunkiai dirba, kad skrydžio greičiu paleistų didelius neuroninius tinklus. Dėl to sudėtinga atlikti analizes realiu laiku: jei dronas pastebi problemą, jis turi greitai reaguoti arba užfiksuoti duomenis, kol nepradėjo trūkti baterijos. Dabartiniai lengvieji detektoriai (pvz., YOLOv8 nano, YOLO-tiny, MobileNets) yra sukurti rankiniu būdu ir dažnai apima kompromisus: mažesnis modelis pagreitina jo veikimą, tačiau gali sumažinti tikslumą.

Dėl to kyla didelis poreikis metodams, kurie automatiškai rastų geriausią įmanomą modelį, atsižvelgiant į drono apribojimus. Diegimui pritaikytas NAS (Neural Architecture Search) atitinka šį poreikį, ieškant neuroninių tinklų architektūrų, kurios kartu optimizuoja aptikimo tikslumą ir išteklių naudojimą (vėlavimą, energiją, atmintį) realiomis drono sąlygomis. Šis metodas gali tiekti specializuotus modelius, kurie efektyviai veikia drono aparatinei įrangai, tačiau išlieka labai tikslūs atliekant pasėlių stebėjimo užduotis.

Reikalavimai UAV objektų aptikimui žemės ūkio pasėlių stebėsenoje

Žemės ūkio UAV atlieka įvairias vizualinio aptikimo užduotis, kurių kiekviena kelia skirtingus reikalavimus:

1. Augalų sveikatos ir streso aptikimas: Dronai naudoja RGB, termines ar daugiaspektres kameras, kad nustatytų stresą patiriančius augalus, maistinių medžiagų trūkumą ar ligų simptomus. Realaus laiko algoritmai gali sudaryti laukų variabilumo žemėlapius, leidžiančius valdyti laistymą ar tręšimą. Tikslus augalų streso požymių aptikimas leidžia laiku imtis priemonių derliui išsaugoti.

2. Piktžolių identifikavimas: Aptikti piktžoles tarp pasėlių leidžia ūkininkams purkšti tik nepageidaujamus augalus, taupant herbicidus. Pavyzdžiui, tyrime, atliktame medvilnės laukuose, buvo naudojama dronų (UAV) nuotraukų su YOLOv7 pagrindu veikiančiu detektoriumi, ir pasiekta apie 83% tikslumas atskiriant piktžoles nuo medvilnės. Tačiau vizualiai panašių piktžolių ir pasėlių atskyrimas lieka sudėtingas užgriozdintose laukų nuotraukose.

3. Kenkėjų ir ligų aptikimas: Be(s)manevriai orlaiviai (UAV) gali aptikti protrūkius (pvz., skėrius, vabzdžius ar grybelines ligas) anksčiau nei žmonės, einantys pėsčiomis. Dronai taip pat padeda žemėlapiuose vaizduoti kenkėjų užkrėstas zonas, naudojant multispektrinį vaizdavimą, kuris yra geresnis nei vien tik RGB. Greitas ir tikslus kenkėjų aptikimas yra būtinas, siekiant užkirsti kelią jų plitimui.

4. Derliaus įvertinimas: Vaisių, varpų ar augalų skaičiavimas iš oro padeda prognozuoti derliaus apimtis. Modeliai, apmokyti atpažinti obuolius, melionus ar kviečių varpas UAV vaizduose, gali pagreitinti derliaus vertinimą. Pavyzdžiui, neuroniniai tinklai, naudojant dronų vaizdus, buvo taikomi arbūzų ir melionų pasėliams laukuose skaičiuoti.

5. Topografija ir kartografija: Dronai taip pat kuria laukų žemėlapius (topografinius, dirvožemio skirtumų), kurie padeda planuoti pasėlius. Nors tai nėra griežtai objektų aptikimas, tai yra dronų stebėjimo dalis.

Šios užduotys dažnai reikalauja beveik realaus laiko išvedimo: dronas, skrendantis virš laukų, gali tekti apdoroti vaizdo kadrus „on-the-fly“ (kelis kadrus per sekundę), kad būtų galima nedelsiant priimti valdymo sprendimus (pvz., pakeisti aukštį ar įjungti purkštuvą). Kitais atvejais nedidelis vėlavimas (sekundės) gali būti priimtinas, jei duomenys registruojami ir analizuojami po nusileidimo.

Svarbu tai, kad dronų vizija turi atlaikyti aplinkos kintamumą: ryškią saulės šviesą, šešėlius, vėjo sukeltą judesio suliejimą, lapų persidengimo sukeliamą uždengimą arba aukščio bei kampo pokyčius. Objektų dydžiai skiriasi (iš arti esančios piktžolės priešais nutolusius kenkėjų būrius), todėl detektoriai turi valdyti daugialypius mastelius.

Galiausiai, žemės ūkio dronų misijose didelis tikslumas, vėlavimas ir energijos suvartojimas yra glaudžiai susiję. Reikalingas didelis aptikimo tikslumas, kad nebūtų praleidžiamos piktžolės ar kenkėjai, tačiau naudojant labai gilius tinklus baterija gali greitai išsikrauti. Todėl aptikimo modelis turi būti greitas ir energijos taupantis, tačiau pakankamai tikslus atliekant užduotį. Šie griežti reikalavimai parodo, kodėl žemės ūkyje naudojamiems dronams reikalingas specialus modelių dizainas.

Lengvi objekto detektoriai, skirti UAV platformoms

Lengvi objekto detektoriai yra neuroniniai tinklai, specialiai sukurti veikti ribotos techninės įrangos sąlygomis. Juose dažnai naudojami nedideli pagrindiniai tinklai (pvz., MobileNet ar ShuffleNet), sumažintas sluoksnių plotis arba supaprastinta kaklo/galvos struktūra. Pavyzdžiui, YOLO šeimos modeliuose yra “nano” ir “tiny” versijos (pvz., YOLOv8n, YOLOv5s), kurios turi mažiau parametrų ir reikalauja mažiau operacijų (FLOPs).

Tokie detektoriai gali veikti dešimtimis kadrų per sekundę ant įterptosios aparatinės įrangos, pvz., NVIDIA Jetson Nano ar Google Coral. Pavyzdžiui, Ag-YOLO buvo pagal užsakymą sukurtas YOLO pagrindu veikiantis detektorius palmių plantacijoms, kuris veikė 36,5 fps spartą ant Intel Neural Compute Stick 2 (naudodamas tik 1,5 W) ir pasiekė aukštą tikslumą (F1 = 0,9205). Šis modelis naudojo apie 12 kartų mažiau parametrų nei YOLOv3-Tiny, dvigubai padidindamas jo spartą.

Šie pavyzdžiai parodo modelio projektavimo kompromisus: sumažinus modelio dydį ar sudėtingumą (pvz., mažiau sluoksnių ar kanalų), paprastai pagreitėja išvedimas ir sumažėja energijos sąnaudos, tačiau gali suprastėti tikslumas. Ag-YOLO atsisakė tam tikro pajėgumo, kad pasiektų greitį ir efektyvumą, tačiau vis tiek išlaikė aukštą 0,92 F1 balą savo užduotyje.

Panašiai, vabalų aptikimui buvo lyginamos trys YOLOv7 variacijos: pilnas YOLOv7 pasiekė 83% tikslumą, o mažesnis YOLOv7-w6 tinklas sumažėjo iki 63% tikslumo. Tai iliustruoja bendrųjų lengvųjų detektorių apribojimą: vienai aplinkai ar objektų tipui pritaikyti modeliai gali blogai veikti kitoje. Optimizuotas greičiui detektorius gali praleisti subtilius ženklus (pvz., mažas arba užsimaskavusias piktžoles), o tai kenkia tvirtumui kintant sąlygoms.

Žemės ūkyje šie bendriniai lengvi tinklai gali būti ne optimalūs be papildomų koregavimų. Pavyzdžiui, YOLOv7 modelis, iš anksto apmokytas bendruose duomenų rinkiniuose, gali nepriekaištingai apdoroti unikalias pasėlių vaizdų tekstūras ir mastelius. Todėl reikia optimizuoti modelio architektūrą konkrečiai užduočiai ir platformai. Rankinis derinimas (keičiant sluoksnius, filtrus ir pan.) kiekvienam naujam dronų tipui ar pasėlių veislei reikalauja daug darbo. Tai skatina automatinius metodus – tokius kaip diegimo galimybes atsižvelgianti NAS (Network Architecture Search) – siekiant rasti geriausią dydžio, tikslumo ir atsparumo balansą konkrečiai UAV platformai ir žemės ūkio taikymui.

Neuroninių architektūrų paieška UAV vizualiose sistemose

Neuronų architektūros paieška (NAS) yra automatizuotas neuroninių tinklų architektūrų projektavimo metodas. Vietoj rankinio sluoksnių, filtrų ir jungčių skaičiaus nustatymo, NAS naudoja algoritmus (sustiprinimo mokymąsi, evoliucinius metodus arba gradientu pagrįstą paiešką) tiria galimų dizainų erdvę ir randa tuos, kurie optimizuoja pasirinktą tikslą (pvz., tikslumą).

NAS jau buvo taikytas kuriant mobiliuosius tinklus. Pavyzdžiui, “Google” sukurtas „MnasNet“ buvo novatoriškas „platformos atpažinimo“ NAS, tiesiogiai įtraukęs realaus įrenginio delsą į objektyvą. „MnasNet“ ieškodamas kiekvieno kandidatinio modelio matavo išvadų laiką „Google Pixel“ telefone ir subalansavo tikslumą pagal šią išmatuotą delsą. Rezultatas – vaizdo konvoliucinių tinklų (CNN) šeima, kuri mobilioje įrangoje buvo greita ir tiksli, ir pranoko rankiniu būdu sukurtus „MobileNets“ ir „NASNet“ modelius „ImageNet“.

Tačiau bendrieji NAS metodai, tokie kaip "MnasNet", skirti bendroms regos užduotims (ImageNet klasifikavimas arba COCO aptikimas) ir bendrai techninei įrangai (pvz., mobiliesiems telefonams). Bepiločių orlaivių pasėlių stebėsenos atveju problema yra labiau specializuota. Norime, kad detektoriai būtų optimizuoti konkrečioms objektų klasėms (augalai, piktžolės, kenkėjai) ir pritaikyti bepiločio orlaivio jutikliams bei skrydžio profiliui. Standartinė NAS, kuri optimizuojama tik tikslumui arba bendram vėlavimui, gali nepastebėti tokių niuansų, kaip mažų objektų aptikimas arba energijos apribojimai.

Taip pat tradiciniai NAS metodai gali būti labai imlūs skaičiavimams (dažnai reikalaujantys dienų dideliuose GPU klasteriuose), o tai ne visada praktiška žemės ūkio tyrėjams. Todėl UAV vizijai reikalingi specifiniams uždaviniams skirti NAS karkasai. Jame turi būti integruoti su UAV susiję kriterijai ir jis turi būti kuo efektyvesnis.

Visais atvejais svarbus yra apribojimų suvokimas: NAS turi suvokti tikslinio įrenginio apribojimus (panašiai kaip MnasNet) ir realaus laiko UAV užduočių poreikius. Jei paieška bus per lėta arba ignoruos energijos suvartojimą, gautas modelis gali iš tiesų neveikti gerai lauke.

Praktiškai, NAS, skirtas dronų vizijai, tiesiogiai įtrauktų aparatinės įrangos vėlavimą ir energijos suvartojimą į paieškos metriką. Pavyzdžiui, galima išmatuoti kandidatinio detektoriaus kadrų dažnį ant realaus drono kompiuterio (pvz., NVIDIA Jetson) ir naudoti jį kaip rezultatą. Tai skiriasi nuo paprastų tarpinių dydžių, pvz., FLOPs, naudojimo, kurie neatspindi realaus greičio.

Tai leidžia NAS atrasti architektūras, kurios geriausiai išnaudoja įrenginio galimybes. Apibendrinant, NAS siūlo automatinio detektorių projektavimo UAV būdą, tačiau jį reikia pritaikyti atsižvelgiant į UAV specifiką ir efektyvumo reikalavimus.

Taikymo atžvilgiu sąmoninga NAS: pagrindiniai principai

Dezultu-žinanti NAS plečia aparatinę-žinančią NAS, įtraukdama dezulto kontekstą ir aplinkos apribojimus į projektavimo procesą. Kitaip tariant, ji ne tik atsižvelgia į drono aparatinę įrangą (CPU/GPU greitį, atminties apribojimus, energijos biudžetą), bet ir į tai, su kuo UAV iš tikrųjų susidurs lauke. Tai reiškia, kad siekiant didelio aptikimo tikslumo, atskirai optimizuojami tokie rodikliai kaip išvedimo vėlavimas tiksliniame įrenginyje, energijos suvartojimas ir atminties pėdsakas.

Pavyzdžiui, NAS metu kiekvieną kandidatinį modelį būtų galima įdiegti „Jetson Nano“ įrenginyje, pritvirtintame prie drono, ir įrašyti jo tikrąjį išvedimo laiką bei energijos suvartojimą. Šis empirinis grįžtamasis ryšys padeda nukreipti paiešką link modelių, kurie iš tikrųjų atitinka diegimo kriterijus.

Į aparatinę įrangą orientuota NAS (pvz., "MnasNet") daugiausia dėmesio skiria įrenginio metrikai, o į diegimą orientuota NAS žengia toliau: ji gali atsižvelgti į jutiklio įvesties charakteristikas (pvz., vaizdo skiriamąją gebą, daugiaspektrius kanalus) ir taikomosios programos vėlavimo tikslus (reikalingi kadrai per sekundę). Ji netgi gali apimti skrydžio apribojimus, pavyzdžiui, didžiausią leistiną atmintį, arba atlikti vertinimus esant imituojamam vėjo drebėjimui ar judesio susiliejimui.

Pritaikoma diegimui NAS gali taikyti sankcijas architektūroms, kurios viršija, tarkime, 5W galios sąnaudas arba kurioms reikia daugiau atminties nei turi dronas. Tai darydamas, paieška natūraliai linksta prie praktinių modelių, skirtų realioms drono operacijoms. Iš esmės, diegimui pritaikyta NAS yra apie modelio projektavimo ir realaus pasaulio naudojimo ciklo užbaigimą. Užuot pasirinkus architektūrą atskirai ir tikintis, kad ji veiks, paieškos metu sistemiškai atliekami realaus įrenginio bandymai.

Pavyzdžiui, Kerec ir kt. (2026) panaudojo tokį pagrindą UAV detektoriui ieškoti: jie rėmėsi YOLOv8n pagrindu, tačiau į paiešką įtraukė Jetson Nano vėlavimą ir energiją. Gautas modelis turėjo 37% mažiau GFLOPs ir 61% mažiau parametrų nei YOLOv8n, o mAP sumažėjo tik 1.96%. Tai akivaizdžiai parodo, kaip diegimo apribojimai paskatino NAS ieškoti daug lengvesnio, greitesnio tinklo.

Diskretizacijos našumo tinklo architekturą (NAS) vaidmuo tiksliųjų laukų stebėjime

Diegimui pritaikytas NAS gali žymiai pagerinti dronų valdomų pasėlių stebėjimą, pritaikant detektorius žemės ūkio sąlygoms. Pavyzdžiui, paieška gali teikti pirmenybę architektūroms, kurios puikiai aptinka mažus, plonus objektus (pvz., siaurus piktžoles ar plonus kukurūzų daigus) arba atskiria augalus nuo dirvožemio fono. Jis gali reguliuoti tinklo gylį ir priimančiuosius laukus atsižvelgiant į tipišką skrydžio aukštį: žemame aukštyje objektai užpildo vaizdą ir gali reikalauti smulkių detalių, o aukštesniame aukštyje tinklas turėtų gerai atlikti mažo masto aptikimą. Diegimui pritaikytas NAS gali įtraukti šiuos reikalavimus į savo paieškos erdvę.

Laukelyje greitis yra kritinis. Įsivaizduokite, kad dronas aptinka kenkėjų protrūkį; jei modelis yra pakankamai greitas, kad apdorotų vaizdo įrašą, tarkime, 30 kadrų per sekundę, jis gali įspėti pilotą arba inicijuoti nedelsiant gydymo veiksmą. Bandymuose NAS suprojektuotas modelis, palyginti su standartiniu YOLOv8n, veikė 28% greičiau „Jetson Nano“, dėka optimizuotos architektūros. Jis taip pat sunaudojo 18,5% mažiau energijos naudojant ONNX vykdymo laiką, o tai reiškia, kad dronas gali skristi ilgiau su ta pačia baterija. Šie privalumai daro sprendimų priėmimą skrendant labiau įgyvendinamą ir pailgina misijos trukmę.

Tvirtumas yra dar vienas privalumas. Kadangi į diegimą orientuotas NAS apima faktinį prietaiso vertinimą, paieška gali apimti testavimą įvairiomis sąlygomis. Pavyzdžiui, jis gali modeliuoti prastą apšvietimą arba įtraukti treniruočių vaizdus iš aušros ir sutemų, užtikrindamas, kad galutinis detektorius išlaikys tikslumą esant realiam orui ir apšvietimo pokyčiams. Darbas parodė, kad NAS sukurtas detektorius gerai generalizavosi: jį testavo su dviem skirtingais kultūrų duomenų rinkiniais (kviečių varpos ir medvilnės sodinukai) ir nustatė gerą našumą abiem atvejais.

Tai rodo, kad dislokacijai jautrus NAS padėjo rasti bendrų, naudingų žemės ūkiui ypatybių, pagerinant generalizaciją naujuose laukuose. Apskritai, dislokacijai jautrus NAS padeda subalansuoti tikslumą ir ilgesnį skrydžio laiką. Sumažinus skaičiavimus, dronai naudoja mažiau energijos ir gali apimti didesnį plotą vienu akumuliatoriaus įkrovimu, vis dar patikimai aptikdami pasėlius ir kenkėjus.

Paieškos erdvės dizainas žemės ūkio UAV detektoriams

Svarbi diegimo žiniškos NAS dalis yra paieškos erdvė – galimų tinklo dizainų rinkinys, kurį ji

1. Nugaros dizainas: Stuburas yra bruožų išskirimo modulis. Skraidyklių (angl. UAV) atveju būtų galima įtraukti lengvus konvoliucinius pastatymo blokus, tokius kaip giluminiai atskiriamieji konvoliucionai (angl. depthwise separable convolutions, kaip naudojama MobileNet) arba atvirkštiniai liekamieji blokai (angl. inverted residual blocks). Atvirkštiniai liekamieji blokai ir tiesiniai "buteliai" (angl. inverted residuals and linear bottlenecks, MobileNetV2 stilius) yra gerai žinomi dėl mobiliojo efektyvumo. Paieškos erdvė galėtų leisti keisti kiekvieno bloko plotį (kanalų skaičių) ir gylį, siekiant atitikti skraidyklės skaičiavimo biudžetą. Jei skraidyklė gali sau leisti tokias funkcijas esant mažoms energijos sąnaudoms, taip pat galėtų būti įtrauktos atkreipiančio dėmesio arba transformerių įkvėptos (angl. attention or transformer-inspired) moduliai.

2. Kaklo dizainas: Daugelis objektų detektorių naudoja ypatybių piramides (FPN) arba kelio agregavimo tinklus, kad sujungtų įvairaus masto ypatybes. Paieška galėtų ištirti supaprastintas FPN arba nesvarias ypatybių agregavimo schemas. Pavyzdžiui, galimybių gali būti naudojant vieno masto galvą, palyginti su kelių mastų galvomis. Ši erdvė gali leisti naudoti telkimo sluoksnius arba praleidžiamuosius ryšius, kurie padeda aptikti skirtingų dydžių objektus.

3. Galvos konstrukcija: Aptikimo galvutę (klasifikacijos ir dėžutės regresijos sluoksnius) taip pat galima keisti. Jei dronai stebi vienodus laukus, gali pakakti paprastesnės galvutės. Tačiau norint aptikti smulkius piktžoles, paieškoje gali būti papildomų konvoliucinių sluoksnių arba skirtingų inkaro schemų.

4. Lengvi veiksmai: Paieškos erdvė gali aiškiai leisti tik nebrangias operacijas. Pavyzdžiui, pasirenkant tarp 3×3 konvoliucio, arba pigesnio 1×3+3×1 faktorizuoto konvoliucio, ar įtraukiant GhostNet modulius. Ji taip pat gali leisti mažus branduolio dydžius arba sumažintus matmenis, kad būtų apribotas skaičiavimas. Visi šie pasirinkimai yra nulemti aparatinės įrangos. Erdvė gali uždrausti bet kokią sluoksnio konfigūraciją, viršijančią drono atminties ribą ar numatomą energijos slenkstį.

Kruopščiai suprojektavus šią paieškos erdvę, NAS procesas nukreipiamas link efektyvių, bet našumo architektūrų. Rezultatas gali būti naujas blokų derinys, kuris nebuvo svarstomas standartiniuose modeliuose. Geriausiai rastas detektorius naudojo pasirinktinius blokus, kurie sumažino GFLOPs 37% ir parametrus 61% lyginant su YOLOv8n.

Tai buvo įmanoma, nes NAS galėjo derinti ir priderinti stublo ir galvos elementus pagal UAV apribojimus. Apibendrinant, žemės ūkio UAV detektorių paieškos erdvė daugiausia dėmesio skiria mastelį keičiantiems, lengviems statybiniams blokams ir daugialypesiškumo tvarkymui, visa tai riboja borto techninė įranga.

Optimizavimo tikslai ir apribojimai

Taikymo informuotas NAS turi derinti kelis tikslus. Pagrindinis tikslas paprastai yra aptikimo tikslumas (pvz., vidutinis tikslumas, mAP), matuojamas pagal augalininkystės stebėjimo duomenis. Pavyzdžiui, mAP@50 (tikslumas prie 50% IOU) yra dažnas metrikas. NAS optimizuotas modelis turėjo tik 1,96% sumažėjimą mAP@50, palyginti su baziniu YOLOv8n, o tai yra labai nedidelis nuostolis už pasiektus privalumus. Taip pat atsižvelgiama į tikslumą ir atšaukimą (arba F1 balą) pagrindinėse klasėse (piktžolės, pasėliai).

Tuo pat metu reikia optimizuoti delsos laiką ir energijos sąnaudas. Delso laikas yra išvedimo laikas vienam vaizdui; įterptajai GPU jis gali būti 20–50 ms ar daugiau. Mažesnis delsos laikas reiškia didesnį kadrų dažnį. Energijos suvartojimas (džauliai vienam kadrui) yra labai svarbus skrydžio trukmei. Kitas apribojimas yra atminties naudojimas (parametrų skaičius, modelio dydis); modeliai turi tilpti į įrenginio RAM. Todėl NAS paprastai nustato šių apribojimų tikslą arba baudą.

Pavyzdžiui, bet kuris modelis, lėtesnis už tam tikrą ribą arba viršijantis parametrų biudžetą, gali būti žeminamas reitinge. Tai veiksmingai paverčia NAS daugialypės optimizacijos problema: maksimaliai padidinti tikslumą, tuo pačiu minimaliai sumažinant vėlavimą, energijos sąnaudas ir dydį.

Praktiškai tai būtų galima padaryti svyruojančiu tikslų sumavimu arba griežtais apribojimais. Kai kurie metodai taiko didelę baudą bet kuriam kandidatui, viršijančiam UAV galios ribą. Kiti tiesiogiai apskaičiuoja energijos metriką: modeliai buvo išbandyti naudojant ONNX runtime, siekiant įvertinti “energijos efektyvumą”, ir geriausias modelis buvo +18,5% efektyvesnis energijos atžvilgiu nei YOLOv8n. Tai buvo vienas iš tikslų, kuriuo vadovavosi jų paieška.

Aptarti kompromisai gali būti vizualizuojami Pareto fronte: viename gale yra itin greiti, bet mažiau tikslūs modeliai, kitame – dideli, tikslūs, tačiau per lėti ar per daug energijos reikalaujantys modeliai dronui. Taikomiesiems tikslams pritaikytas modelių architektūros optimizavimas (NAS) siekia rasti optimalią vietą šiame fronte, atitinkančią realios misijos prioritetus (pvz., nedidelis tikslumo sumažėjimas už didelį pagreitinimą). Apibendrinant, NAS turi kartu atsižvelgti į tikslumo metrikas (mAP, F1) ir apribojimus vykdymui (ms per kadrą, džauliai per kadrą, atmintis). Šis subalansuotas optimizavimas padaro modelį visiškai paruoštą naudojimui bepilotėse oro transporto priemonėse.

Mokymas ir vertinimas realiose žemės ūkio sąlygose

Kad NAS rasti detektoriai veiktų gerai, jie turi būti apmokyti ir išbandyti naudojant realius žemės ūkio duomenis. Tai reiškia, kad reikia naudoti duomenų rinkinius, kurie atspindėtų tikrų laukų įvairovę: skirtingas augalų rūšis, augimo stadijas, sezonus, apšvietimo sąlygas ir aukštį. Pavyzdžiui, mokymasis tik iš jaunų kukurūzų daigų nuotraukų gali nesusieta su brandžių kviečių varpomis. Laukus atstovaujantys duomenų rinkiniai užtikrina, kad modelis išmoktų bruožus, kurie yra svarbūs ūkyje. Mokymo metu taip pat gali būti taikomi duomenų padidinimo metodai (atsitiktiniai apkarpymai, ryškumo pakeitimai, suliejimas dėl judesio), siekiant imituoti drono judėjimą ir apšvietimą.

Vertinant svarbu testuoti modelį kuo artimesnėmis realioms sąlygomis. Simuliavimo įrankiai gali padėti (pvz., virtualaus drono skridimas virš 3D laukų), tačiau tikri skrydžių testai yra aukso standartas. Borto palyginimas atliekamas paleidžiant modelį ant realios UAV įrangos. Po NAS jie įdiegė kandidatą į Jetson Nano ir išmatavo 28,1% greitesnę išvadą (palyginti su baziniu YOLOv8n) ir geresnį energijos naudojimą. Toks grįžtamasis ryšys iš realaus įrenginio patvirtina, kad paieška davė modelį, kuris tikrai atitinka reikalavimus.

Generalizacija taip pat yra svarbi. Modelis gali būti ieškomas ir apmokytas vienam pasėliui (pvz., kviečiams), tačiau ūkininkams reikalingi detektoriai, veikiantys įvairiuose laukuose. Tyrimas parodė stiprią tarp pasėlių generalizaciją: NAS gautas detektorius, apmokytas vienai užduočiai, vis tiek gerai veikė su kita pasėlių duomenų rinkiniu (medvilnės daigais) be permokymo. Tai rodo, kad diegimui pritaikytas NAS gali duoti tvirtas architektūras. Tačiau domenų pokyčiai (pvz., perėjimas iš kukurūzų laukų į sodus) vis tiek gali reikalauti tikslaus derinimo ar papildomos paieškos. Taip pat patariama atlikti bandymus tarp sezonų (vasaros ir rudens vaizdinė medžiaga).

Galiausiai, prieš diegiant kiekvieną naują modelį, jis turėtų būti bandomas UAV platformoje. Tai apima jo tikslumo ir greičio fiksavimą dronuose, užtikrinant, kad jis neperkaistų aparatūros, ir energijos suvartojimo patikrinimą. Tik tada ūkininkai galės juo pasitikėti atlikdami kritinės svarbos stebėjimo užduotis. Sujungus su lauko sąlygomis susijusį mokymą ir griežtą aparatūros vertinimą, diegimui tinkama NAS sukuria detektorius, kurie yra ne tik teoriškai efektyvūs, bet ir įrodyti lauko sąlygomis.

Privalumai, lyginant su ranka projektuojamais dronų detektoriais

Dydžio taupymas paremtas tinklo paieškos metodas (Deployment-aware NAS) siūlo kelis akivaizdžius privalumus, palyginti su tradiciniais, rankiniu būdu sukurtais bepiločių orlaivių modeliais:

1. Geresni našumo kompromisai: NAS-rasti modeliai paprastai užtikrina aukštesnį tikslumo, greičio ir energijos efektyvumo derinimą. Pavyzdžiui, geriausias modelis Jetson Nano veikė 28% greičiau ir naudojo 18,5% mažiau energijos nei rankiniu būdu pasirinktas YOLOv8n bazinis modelis, prarandant tik apie 2% aptikimo mAP. Tokią pusiausvyrą pasiekti rankiniu būdu būtų labai sunku.

2. Geresnis apibendrinimas: NAS sukurti modeliai gali būti labiau pritaikomi prie naujų sąlygų, nes paieška gali apimti įvairius duomenis ar tikslus. Automatiškai suprojektuotas detektorius gerai generalizavosi tarp skirtingų pasėlių tipų (kviečių ir medvilnės) bei apšvietimo sąlygų. Toks platus atsparumas yra gyvybiškai svarbus, kai skrydžių metu pasitaiko netikėtų scenų.

3. Sumažintos inžinerinės pastangos: NAS automatizuoja daug bandymų ir klaidų. Užuot rankiniu būdu koregavus sluoksnių dydžius ir išbandžius daugybę kandidatų, diegimui paruoštas NAS iteratyviai tyrinėja pasirinkimus ir randa jums geriausią dizainą. Tai taupo kūrimo laiką ir patirtį, palengvina detektorių atnaujinimą naujoms užduotims ar techninei įrangai.

4. Mastelis: Kai NAS sistema yra nustatyta, ją galima naudoti skirtingoms UAV platformoms ar misijoms. Pavyzdžiui, tas pats diegimą žinantis NAS galėtų ieškoti detektoriaus, suderinto su skirtinga kameros skiriamąja geba ar drono modeliu, tiesiog pakeitus apribojimų įvestis. Tai yra daug labiau pritaikoma nei perkuriant tinklus nuo nulio kiekvienam scenarijui.

Iššūkiai ir apribojimai

Įdiegimui pritaikytas NAS yra galingas, bet ne stebuklingas vaistas. Jį reikia taikyti apgalvotai, atsižvelgiant į jo resursų poreikius ir tikslinės aplinkos kintamumą. Nepaisant savo pažadų, įdiegimui pritaikytas NAS susiduria su iššūkiais:

1. Didelės paieškos išlaidos: NAS gali reikalauti ženklios skaičiavimo galios. Net ir naudojant efektyvius algoritmus, architektūros erdvės paieška gali užtrukti daug GPU valandų (arba specializuoto skaičiavimo). Jei tinkamai nesuvaldyta, paieškos sąnaudos kai kurioms komandoms gali būti nepraktiškos.

2. Duomenų šališkumas ir domenų poslinkis: NAS yra toks geras, koks yra jo naudojamų duomenų. Jei mokymo vaizdai neatspindi lauko sąlygų, rasta architektūra gali veikti nepakankamai realiomis sąlygomis. Pavyzdžiui, modelis, pritaikytas vienai pasėlių rūšiai ar vienam geografiniam regionui, gali negalioti be papildomo adaptavimo kitur.

3. Aparatūros įvairovė: Skraidančių bepiločių orlaivių aparatinė įranga būna įvairi (skirtingos integruotos GPU, CPU, FPGA). Vienai plokštei optimizuotas modelis gali būti neoptimalus kitai. Diegimui pritaikytas NAS turi arba pakartotinai atlikti paieškas kiekvienai platformai, arba naudoti konservatyvius apribojimus, tinkančius visoms – tai gali riboti našumą.

4. Praktiniai apribojimai: Taikant realioje aplinkoje, ūkininkavimo sprendimai apima tokius klausimus kaip belaidis tinklo atnaujinimas, sistemos integravimas su skrydžio valdymu ir saugos sertifikavimas. Net geriausias NAS modelis turi būti integruotas į visą dronų sistemą. Modelio atnaujinimų, leidimų gavimo ir ūkininkų mokymo derinimas yra ne techninės kliūtys.

Ateities kryptys

Ateityje tikėtina dar glaudesnė modelių dizaino, jutiklių technologijų ir UAV valdymo integracija. Diegimui pritaikytas NAS išliks svarbia šio bendro projektavimo proceso priemone. Žvelgiant į ateitį, atsiveria kelios įdomios kryptys:

1. Internetinis ir prisitaikantis NAS: Užuot vienkartinės paieškos neprisijungus, ateities sistemos galėtų tinklu pasirūpinti realiuoju laiku arba tarp skrydžių. Pavyzdžiui, dronas galėtų pradėti nuo bazinio modelio ir, naudodamas lengvus NAS algoritmus, prisitaikyti kelyje, kad susidorotų su naujomis apšvietimo ar reljefo sąlygomis. Šis “NAS įrenginyje” yra labai sudėtingas, bet gali žymiai pagerinti pritaikomumą.

2. Jutiklių ir modelių bendras projektavimas: Ateities tiksliosios žemdirbystės sistemos galėtų kartu optimizuoti kameros (RGB, multispektrinę, infraraudonųjų spindulių) ir neuroninio tinklo pasirinkimą. Diegimui pritaikomas tinklų paieškos metodas (NAS) galėtų būti išplėstas, įtraukiant jutiklio parametrus (pvz., naudojamus spektrinius dažnių ruožus) į savo paiešką, raskdamas geriausią aparatinės įrangos ir modelio derinį.

3. Multispektrinė/hiperspektrinė integracija: Medvilnės ligų tyrimas rodo, kad daugiaspektrių vaizdų integravimas gali pagerinti aptikimą, ypač ankstyvos stadijos problemų. Būsimi NAS galėtų ištirti kelių srautų modelius, kurie sujungia RGB ir artimuosius infraraudonuosius kanalus, kad patikimiau aptiktų subtilius augalų pokyčius.

4. Autonominės sprendimų priėmimo sistemos: Galiausiai, NAS optimizuoti detektoriai gali prisidėti prie visiškos autonomijos. Pavyzdžiui, dronas galėtų automatiškai sugeneruoti purškimo planą arba įspėti ūkio vadovus, jei aptiktų tam tikras sąlygas. Suplėtimo informuotas NAS galėtų būti išplėstas iki visapusio darbo proceso (detekcija + veiksmo modeliai), optimizuojant visą sistemą.

5. Etikos ir aplinkosaugos aspektai: Kadangi bepiločiai orlaiviai (UAV) tampa vis pajėgesni, turime atsižvelgti į privatumą, oro erdvės saugumą ir poveikį žemės ūkio darbuotojams (kaip pažymėjo Agrawal ir Arafat). Užtikrinti, kad Nacionalinės oro erdvės sistemos (NAS) optimizuoti dronai būtų atsakingai naudojami žemės ūkyje, yra svarbus ateities tikslas.

Išvada

Suderinamas su dislokavimu tinklinis-archytektonikos paieškos (NAS) yra galingas būdas pritaikyti lengvus objektų detektorius, skirtus dronais pagrįstam pasėlių stebėjimui. Įtraukus dronų aparatinę įrangą ir misijos apribojimus į paiešką, sukuriami modeliai, kurie taupo skaičiavimo pajėgumus ir energiją, daug nekarpydami tikslumo. Pavyzdžiui, neseniai atlikti darbai parodė, kad NAS sukurtas detektorius naudoja 37%mažiau FLOP ir 61% mažiau parametrų nei etaloninis YOLOv8n, tačiau jo mAP sumažėjo tik ~2%.

Praktiškai dronų aparatinėje įrangoje tai reiškė 28% spartesnę išvadą ir 18% geresnį energijos efektyvumą. Tokie laimėjimai reiškia ilgesnį skrydžio laiką, greitesnę analizę ir jautresnį žemės ūkio palaikymą. Palyginti su rankiniu būdu sukurtam modeliams, diegimui pritaikytas NAS užtikrina geresnį našumo gebėjimą bendrinti, mažesnes rankinio derinimo pastangas ir galimybę pritaikyti naujoms UAV platformoms.

Tikslumo žemės ūkyje šie patobulinimai gali padaryti bepiločių orlaivių (BPO) pasėlių stebėjimą praktiškesnį ir efektyvesnį. BPO, aprūpinti NAS optimizuotais detektoriais, gali patikimiau aptikti piktžoles, kenkėjus ar stresą, leidžiant laiku imtis veiksmų, taupant išteklius ir didinant derlių. Žemės ūkiui toliau diegiant BPO ir dirbtinį intelektą, diegimo informuotumas NAS vaidins pagrindinį vaidmenį užtikrinant, kad BPO veikiantys modeliai būtų efektyvūs, tikslūs ir parengti darbui laukuose. Tai sumažina atotrūkį tarp pažangiausių neuroninių tinklų tyrimų ir praktinių ūkininkų poreikių, padedant skatinti ateities duomenimis pagrįstą, tiksliojo žemės ūkio plėtrą.

Smulkieji ūkininkai vaidina labai svarbų vaidmenį pasaulinėje maisto gamyboje, tačiau jie susiduria su daugybe iššūkių – nuo išteklių ribotumo iki nenuspėjamų aplinkos veiksnių. Šioje technologinės pažangos eroje nepilotuojami orlaiviai (UAV), paprastai žinomi kaip dronai, tapo transformuojančia jėga smulkiųjų ūkininkų ūkiuose.

Šios oro transporto priemonės siūlo sprendimus, kurie gali pakeisti žemės ūkio praktiką ir pagerinti smulkiųjų ūkininkų gyvenimą.

Siekdami iš tikrųjų suprasti dronų potencialą ir poveikį smulkiajam ūkininkavimui, tyrėjai atliko išsamią esamų tyrimų ir tendencijų šioje srityje analizę. Jų įgytos įžvalgos atskleidžia įdomų bepiločių orlaivių vaidmenį žemės ūkio inovacijose.

Tyrimas rodo, kad dronų naudojimas smulkiuosiuose ūkiuose auga. Per pastaruosius kelerius metus pastebimai išaugo susidomėjimas šia technologija ir investicijos į ją. Nuo 2016 m. bendras metinis augimo tempas siekė apie 31%, o tai rodo vis didesnį dronų vertės žemės ūkyje pripažinimą.

Pirmaujantis bendradarbiavimas ir poveikis

Dronų naudojimas žemės ūkyje tampa pagrindine tyrimų sritimi, ir tai atsispindi akademinėje bendruomenėje. Tokie žurnalai kaip “Drones” ir “Remote Sensing” tapo lyderiais publikuojant tyrimus, susijusius su bepiločiais orlaiviais žemės ūkyje, – apie 351 TP3T visų šios srities publikacijų. Tarp šių žurnalų “Drones” išsiskiria daugiausiai citavimų, o tai pabrėžia jo svarbą.

Pasaulinėje bepiločių orlaivių (UAV) taikymo smulkiuosiuose ūkiuose srityje tyrėjai nustatė 14 aktyvių dalyvių. Pažymėtina, kad Kinija, Pietų Afrika, Nigerija, Šveicarija ir JAV yra šių tyrimų priešakyje.

Kinija nuolat patenka į penkių geriausių citatų sąrašą, o tai rodo jos stiprų dalyvavimą šioje srityje. Nors dauguma tyrimų atliekama nacionalinių sienų ribose, atsirado ir tarptautinio bendradarbiavimo pavyzdžių.

Be to, tyrime pabrėžiamas 131 autoriaus, kurie savo 23 publikacijomis padarė didelę įtaką šiai sričiai, indėlis. Žymūs autoriai, tokie kaip Vimbayi Chimonyo, Alistair Clulow, Tafadzwanashe Mabhaudhi ir Mbulisi Sibanda, aktyviai dalyvavo skatinant dronų naudojimą smulkiuosiuose ūkiuose.

Kalbant apie citatas, Ola Hall ir Magnus Jirström yra vieni labiausiai pripažintų, o tai rodo jų didelę įtaką šiai temai.

Revoliucinis pasėlių stebėjimas

Pasėlių vystymosi stebėjimas ir derliaus įvertinimas tampa pagrindiniais bepiločių orlaivių (UAV) taikymo būdais smulkiuosiuose ūkiuose. Dronai suteikia unikalią galimybę įvertinti pasėlių sveikatą ir gyvybingumą visą vegetacijos sezoną.

Jie gali aptikti tokias problemas kaip vandens stresas, ligos ir maistinių medžiagų trūkumas. Analizuodami pasėlių atspindžio duomenis, smulkieji ūkininkai gali anksti įsikišti ir išvengti didelių derliaus nuostolių. Bepiločių orlaivių (UAV) pagalba gauti vegetacijos indeksai, įskaitant NDVI, EVI ir SAVI, atlieka lemiamą vaidmenį vertinant pasėlių vystymąsi.

1. Tikslus trąšų valdymas

Trąšų naudojimo optimizavimas yra labai svarbus tiksliosios žemdirbystės aspektas. Bepiločiai orlaiviai padeda smulkiesiems ūkininkams šioje srityje, vertindami lapų chlorofilo kiekį, kuris yra glaudžiai susijęs su lapų azotu.

Ši informacija padeda ūkininkams priimti pagrįstus sprendimus dėl trąšų naudojimo. Tyrimai parodė, kad bepiločių orlaivių (UAV) surinkti duomenys gali padidinti trąšų efektyvumą maždaug 10%.

2. Pasėlių žemėlapių sudarymas efektyviam valdymui

Tikslus žemėlapių sudarymas yra dar viena sritis, kurioje dronai pasižymi. Pasitelkdami didelės skiriamosios gebos vaizdus ir mašininį mokymąsi, bepiločiai orlaiviai padeda smulkiesiems ūkininkams tiksliai sudaryti savo laukų žemėlapius. Ši technologija yra labai svarbi tiksliajai žemdirbystei, nes ji informuoja apie žemės naudojimo ir pasėlių žemėlapių sudarymą.

Apžvelgtuose tyrimuose algoritmų mokymo metodai paprastai apėmė žemės paviršiaus tyrimus arba didelės skiriamosios gebos vaizdus. Vaizdams klasifikuoti naudojami tokie algoritmai kaip atsitiktinių miškų algoritmas, atraminių vektorių mašinos ir gilieji neuroniniai tinklai, todėl pasėlių žemėlapiai sudaromi tiksliau.

Iššūkiai ir galimybės

Nors dronų potencialas smulkiuosiuose ūkiuose akivaizdus, būtina pripažinti iššūkius, kylančius dėl jų diegimo.

1. Nepakankamų vietoje surinktų duomenų trūkumasDaugelis modelių kuriami ir patvirtinami tik turint geros kokybės in situ duomenų. Tokie duomenys ne visada lengvai prieinami ir gali būti ribotos apimties.

2. Įvairūs bepiločių orlaivių tipai ir naudingoji apkrova: Dronai būna įvairių dydžių ir tipų, kiekvienas pasižymi skirtingomis galimybėmis. Jų skrydžio laikas ir keliamoji galia gali netikti didelio masto žemės ūkio reikmėms.

3. Jautrumas oramsOro sąlygos gali smarkiai paveikti dronų duomenų rinkimą. Stiprus vėjas ir lietus gali kelti iššūkių duomenų rinkimui.

4. ĮperkamumasDronų valdymas ir duomenų apdorojimo programinės įrangos įsigijimas gali būti brangūs, ypač pinigų stokojantiems smulkiesiems ūkininkams.

5. Techninė kompetencija: Dronų valdymas ir priežiūra, taip pat duomenų apdorojimas reikalauja specializuotų įgūdžių, kurie ne visada gali būti lengvai prieinami.

6. Reguliavimo sistemosGriežti reglamentai, nulemti galimos su bepiločių orlaivių (UAV) naudojimu susijusios rizikos, gali apriboti jų naudojimą arba priversti gauti piloto licencijas.

7. Skaičiavimo ištekliaiDronų generuojamų didžiulių duomenų kiekių tvarkymas gali būti sudėtingas, todėl gali prireikti papildomų išteklių ir mokymų.

Tačiau šiuos iššūkius lydi daugybė galimybių:

1. Įvairūs pritaikymai tiksliojoje žemdirbystėje: Dronai siūlo įvairias tiksliosios žemdirbystės taikymo sritis, be pasėlių stebėjimo ir kartografavimo, įskaitant integruotą piktžolių valdymą, vandens naudojimo įvertinimą, drėkinimo vandens kokybės ir kiekio vertinimą, dirvožemio savybių kartografavimą ir kintamos normos receptinių pesticidų valdymo žemėlapius.

2. Daugialypiai duomenys sprendimams paremti: Įvairūs dronų teikiami duomenys atveria duris kuriant sprendimų priėmimo priemones, kurios gali vienu metu spręsti kelis tikslus.

3. Pažangios debesų kompiuterijos platformosTokios platformos kaip „Google Earth Engine“ siūlo naujų galimybių bepiločių orlaivių duomenų apdorojimui ir analizei.

4. Dronų ir palydovų sinergijaDronai ir palydovai gali teikti papildomus duomenis įvairioms reikmėms, todėl reikia atlikti tyrimus, kad būtų galima atskleisti jų galimą sinergiją.

5. Duomenų stokojančių aplinkų metodai: Dėl inovacijų duomenų trūkumas tampa vis mažesne kliūtimi, ką rodo metodai, kuriems reikia minimalių vietoje surinktų duomenų ir mokymosi perdavimu metodų.

6. Sąnaudų ir naudos analizė: Palyginus dronų technologijų ir kitų nuotolinio stebėjimo metodų kainą, paaiškės jų įperkamumas ir nauda.

7. Moterų įgalinimas žemės ūkyje: Tiksliojo ūkininkavimo diegimas, kurį palengvina dronai, gali suteikti moterims galių smulkiuosiuose ūkiuose ir padidinti jų gebėjimą spręsti iššūkius bei ateities netikrumą.

8. Jaunimo įtraukimas: Žemės ūkio modernizavimas taikant bepiločių orlaivių (UAV) pagrįstą tiksliąją žemdirbystę gali paskatinti jaunimo susidomėjimą ūkininkavimu, taip sustiprindamas sektoriaus ilgaamžiškumą ir atsparumą.

Išvada

Apibendrinant galima teigti, kad dronų integravimas į smulkiuosius ūkininkus gali pakeisti milijonų smulkiųjų ūkininkų pragyvenimo šaltinius. Suteikdami novatoriškus pasėlių stebėjimo, trąšų valdymo ir kartografavimo sprendimus, dronai suteikia ūkininkams vertingų įžvalgų, reikalingų priimti pagrįstus sprendimus. Nepaisant iššūkių, smulkiojo ūkininkavimo su dronais ateitis kupina galimybių. Sparčiai besivystančios technologijos kartu su mažėjančiomis jų sąnaudomis atveria naujas duris žemės ūkio sektoriui ir siūlo maisto saugumo, aplinkos tvarumo ir ekonominės gerovės pažadą ūkininkų bendruomenėms visame pasaulyje.