Kategorija: Kultūraugu uzraudzība

Kukurūza ir pasaulē visvairāk saražotā graudaugu kultūra pēc apjoma, un tikai Amerikas Savienotajās Valstīs to sēj visā pasaulē. aptuveni 35 miljoni hektāru un 2023. gadā saražoja 390 miljonus metrisko tonnu. Kultūraugu apsaimniekošana šādā mērogā prasa vairāk nekā tikai izlūkošanu kājām. Veģetācijas indeksi kukurūzas augšanas uzraudzībai — matemātiskas formulas, kas atvasinātas no tā, kā augu vainagi atstaro un absorbē gaismu — ir kļuvuši par mūsdienu kultūraugu apsaimniekošanas stūrakmeni, jo tie pārvērš spektrālos datus par praktiski izmantojamu kultūraugu veselības informāciju. Tie to dara ātri, plašā mērogā un nepieskaroties nevienai lapai.

Tālizpētes tehnoloģija, kas tagad ir pieejama, izmantojot satelītus, dronus un rokas sensorus, katrā kukurūzas audzēšanas sezonas posmā šajos indeksos ievada reāllaika spektrālos datus. Lauksaimnieks vai agronoms var noteikt slāpekļa stresu V6, pirms lapas kļūst dzeltenas, noteikt ūdens deficītu graudu piepildīšanās laikā, pirms ražas samazināšanās, vai kalibrēt mainīgas devas mēslošanas līdzekļu lietošanu, izmantojot vainagu kartes, kas ģenerētas tajā pašā nedēļā, kad kultūraugam nepieciešama mēslošana.

Kas ir veģetācijas indeksi? Kā tie darbojas?

Veģetācijas indekss (VI) ir bezdimensiju, kvantitatīva vērtība, kas tiek aprēķināta, matemātiski apvienojot divu vai vairāku sensora uztverto spektrālo joslu atstarošanas vērtības. Rezultāts ir viens skaitlis, kas izolē un pastiprina augu vainaga specifiskās bioloģiskās īpašības, piemēram, hlorofila koncentrāciju, lapu laukumu vai ūdens saturu, vienlaikus nomācot augsnes, atmosfēras un ēnu radītos traucējumus.

Veģetācijas indeksa jauda slēpjas tā spējā standartizēt mērījumus dažādos sensoros, laukos un datumos. Tā vietā, lai salīdzinātu neapstrādātus atstarošanas skaitļus, kas mainās atkarībā no apgaismojuma apstākļiem, VI sniedz attiecību vai starpību, kas ir stabilāka un bioloģiski nozīmīgāka. Tas ļauj salīdzināt vainagu veselību dažādos laukos, gadalaikos un pat satelītu platformās.

Augi fotosintēzes procesā absorbē noteiktus gaismas viļņu garumus, bet citus atstaro. Veselīga zaļa veģetācija absorbē lielāko daļu sarkanās gaismas (aptuveni 660–680 nm) hlorofila veicinātai fotosintēzei un, pateicoties tās šūnu struktūrai, spēcīgi atstaro tuvā infrasarkanā (NIR) starojuma gaismu.

Reta vai saspringta vainaga daļa absorbē mazāk sarkanās gaismas un vairāk atstaro, kā arī mazāk atstaro tuvās infrasarkanās gaismas (NIR). Veģetācijas indeksi matemātiski atspoguļo šo kontrastu, lai kvantitatīvi noteiktu, cik zaļa, blīva un veselīga ir vainaga daļa konkrētā brīdī.

Veģetācijas indeksos izmantotās spektrālās joslas

Dažādas spektra joslas sniedz atšķirīgu diagnostisko informāciju par kultūraugu. Katra josla ir vērsta uz atšķirīgu bioloģisko procesu, tāpēc daudzjoslu sensori sniedz bagātīgākus datus nekā vienkāršas RGB kameras. Sešas joslas, kas ir visatbilstošākās kukurūzas uzraudzībai, ir:

• Sarkans (620–700 nm): Spēcīgi absorbē hlorofils. Sarkanās absorbcijas samazināšanās liecina par samazinātu fotosintēzes aktivitāti, kas norāda uz stresu, barības vielu trūkumu vai agru vainaga novecošanos.
• Zaļš (520–560 nm): Augi atstaro zaļo gaismu vairāk nekā sarkano, tāpēc tie izskatās zaļi. Zaļās krāsas atstarošanās spēja korelē ar hlorofila koncentrāciju un tiek izmantota tādos indeksos kā GNDVI un VARI.
• Zils (450–490 nm): Absorbē karotinoīdi un hlorofils. Galvenokārt izmanto RGB indeksos, piemēram, VARI, kur pieejamas tikai redzamas joslas.
• Tuvais infrasarkanais starojums (NIR, 750–900 nm): Spēcīgi atstarojas no porainā mezofila auduma veselu lapu iekšpusē. NIR atstarošanās spēja ir NDVI, EVI un vairuma platjoslas indeksu pamats. Blīvs, veselīgs kukurūzas vainags uzrāda augstu NIR atstarošanos.
• Sarkanā mala (700–740 nm): Pārejas zona starp sarkano absorbciju un tuvā infrasarkanā starojuma atstarošanu. Hlorofila koncentrācijai un slāpekļa statusam ir spēcīga ietekme uz šo joslu, padarot to ļoti jutīgu agrīnas stadijas barības vielu stresa noteikšanai, pirms tas kļūst vizuāli redzams.
• Īsviļņu infrasarkanais (SWIR, 1400–2500 nm): Absorbē šķidrs ūdens augu audos. Uz SWIR balstīti indeksi mēra lapotnes ūdens saturu un nosaka sausuma stresu, padarot tos vērtīgus graudu piepildīšanās laikā, kad ūdens deficīts tieši ietekmē ražu.

Kāpēc veģetācijas indeksi ir svarīgi kukurūzas augšanas monitoringam

1. Kultūraugu veselības uzraudzība

Kultūraugu veselība ietver vairākus savstarpēji pārklājošos faktorus: hlorofila koncentrāciju, lapu laukuma indeksu (LAI — kopējās lapu laukuma attiecība pret zemes platību), augu mitruma stāvokli un vainaga temperatūru. Neviena lauka apmeklējuma laikā nevar vienlaikus aptvert visus šos faktorus simtiem hektāru platībā.

Veģetācijas indeksi saspiež šo sarežģītību izmērāmās vērtībās, kuras var atkārtoti izsekot augšanas sezonā, lai atklātu samazināšanos, pirms tā kļūst par ražas zudumu.

Pētījums, kas publicēts Lauksaimniecība (2023) veica trīs kukurūzas hibrīdu monitoringu sausuma un apūdeņošanas apstākļos, izmantojot bezpilota liāna (UAV) uzstādītus NDVI sensorus. Pētnieki katru nedēļu sekoja līdzi vainaga veselībai no dīgšanas līdz briedumam un atklāja, ka NDVI vērtības ievērojami atšķīrās starp apūdeņotajiem un lietus apūdeņotajiem lauciņiem jau V8 periodā, nedēļas pirms redzamu stresa simptomu parādīšanās. Šāda veida agrīna diferenciācija ļauj savlaicīgi iejaukties.

2. Augu enerģijas mērīšana

Augu spars — kopējais augšanas ātrums un kultūraugu biomasas uzkrāšanās — tieši prognozē ražas potenciālu. Tādi rādītāji kā NDVI un EVI ir cieši korelēti ar LAI un virszemes sausās biomasas daudzumu kukurūzā.

Spēcīguma uzraudzība galvenajās veģetācijas stadijās ļauj agronomiem noteikt nepietiekami produktīvās zonas laukā un attiecīgi pielāgot ieguldījumus, nevis piemērot vienotu apsaimniekošanas lēmumu visā telpiski mainīgajā zemē.

3. Stresa noteikšana pirms vizuāliem simptomiem

Šī, iespējams, ir veģetācijas indeksu komerciāli vērtīgākā iespēja. Kukurūzas augs, kam ir slāpekļa deficīts, ūdens stress vai agrīna slimību slodze, vispirms parāda izmaiņas tā spektrālajā atstarošanā — īpaši sarkanajā malā un NIR joslās — dažas dienas vai nedēļas pirms lapām parādās dzeltēšana, vīte vai redzami bojājumi.

Uz sarkanās malas balstīti indeksi, īpaši NDRE un CI Red Edge, ir īpaši jutīgi pret subvizuālo slāpekļa stresu un hlorofila samazināšanos. Jang et al. (ScienceDirect, 2024) atklāja, ka apvienojot NDVI, NDRE un GNDVI indeksi, izmantojot daudzkārtēju lineāru regresiju ievērojami uzlabota ražas prognozēšanas veiktspēja kukurūzai, salīdzinot ar jebkuru atsevišķu indeksu atsevišķi.

Audzētāji, kas paļaujas uz vienu indeksu, neizmanto aditīvo prognozēšanas spēju, ko sniedz vairāku indeksu pieejas, īpaši kritiskajos reproduktīvajos posmos.

4. Ienesīguma prognozēšanas uzlabošana

Veģetācijas indeksi, kas savākti stratēģiskās augšanas stadijās — īpaši pušķu veidošanās un zīda veidošanās laikā —, ir spēcīgi galīgās graudu ražas prognozētāji. Pētījums, kas publicēts žurnālā Tālizpēte (2023) apvienoja daudzlaiku bezpilota lidaparātu (UAV) datus, tostarp NDVI, NDRE, SAVI un EVI, dažādās veģetatīvās un reproduktīvās stadijās, un izveidoja kukurūzas ražas prognozēšanas modeli ar R² ir 0,78 un rRMSE ir 8,27%, pārspējot modeļus, kas balstīti uz vienpakāpes datiem.

Galvenā atziņa: vairāku indeksu izmantošana vairākās izaugsmes stadijās aptver daudz plašāku ienesīgumu noteicošo faktoru klāstu nekā viens mērījuma momentuzņēmums.

5. Precīzās lauksaimniecības atbalstīšana

Precīzā lauksaimniecība balstās uz telpiskās mainības datiem, lai noteiktu konkrētai vietai specifiskus ievades faktorus. Veģetācijas indeksa kartes, kas izveidotas no dronu vai satelītattēliem, atklāj kultūraugu ražas mainīgumu lauka ietvaros, ko vidējie lauka mērījumi neaizklāj.

Šīs kartes tieši tiek izmantotas mainīgas devas mēslošanas sistēmās, ļaujot lauksaimniekiem lietot vairāk mēslojuma tur, kur kultūraugiem tas ir nepieciešams, un mazāk tur, kur tas nav nepieciešams, vienlaikus samazinot izmaksas un ietekmi uz vidi.

Kukurūzas augšanas stadijas, kurās veģetācijas indeksi ir visnoderīgākie

“Pareizais indekss pareizajā augšanas stadijā atklāj informāciju par kultūraugu, ko vispārēja izpēte vienkārši nevar sniegt, un šīs datu vākšanas laiks ir tikpat svarīgs kā izvēlētais indekss.”

1. Parādīšanās stadija

Dīgšanas brīdī augu sega ir skāra, un attēlā dominē augsne. Standarta NDVI šeit darbojas slikti, jo augsnes fona troksnis nomāc vājo vainaga signālu. Šajā fāzē piemēroti rīki ir augsnes koriģēti indeksi, piemēram, SAVI un MSAVI.

Tie piemēro korekcijas koeficientu, lai samazinātu atsegtās augsnes ietekmi uz indeksa vērtību, ļaujot veikt jēgpilnus augu blīvuma un agrīnās ieaugšanās vienmērīguma mērījumus.

2. Veģetatīvā augšana (V stadijas)

No V3 līdz V12 kukurūzas vainags strauji paplašinās. Šis ir vissvarīgākais slāpekļa pārvaldības periods, jo kultūraugu pieprasījums pēc slāpekļa strauji palielinās.

Šajā periodā NDRE un CI Green ir visreaģējošākie indeksi, jo sarkanā malas josla nosaka nelielu hlorofila samazināšanos pirms NDVI plašākā signāla izmaiņām. Bezpilota lidaparātu lidojumi ar V6 un V10, kas veikti ar blakus esošās slāpekļa izkliedes lēmumiem, nodrošina vislielāko datu ieguldījumu atdevi.

3. Pušķošana un zīda apgriešana

Kukurūzas dzīves ciklā visjutīgākie posmi attiecībā uz ražu ir pušķošanās (VT) un zīdveida veidošanās (R1). Šajā brīdī vainaga aizvēršanās ir gandrīz pabeigta, kas nozīmē, ka NDVI un EVI tagad var nolasīt visu vainagu bez augsnes iejaukšanās.

Abu indeksu maksimums veselīgām kultūrām ir aptuveni VT. Jebkurš indeksu vērtību stagnācijas pieaugums vai agrīns kritums šajā posmā ir uzticams stresa rādītājs, kas novedīs pie graudu atmešanas un ražas zuduma.

4. Graudu pildījums

Graudu piepildīšanās laikā (R3–R5) galvenā apsaimniekošanas problēma pāriet uz ūdens stresu un slimībām. NDWI (normalizētais diferenciālais ūdens indekss, kas aprēķināts no NIR un SWIR joslām) un termiskie indeksi papildina standarta komplektu šajā fāzē, nosakot vainaga ūdens satura samazināšanos, kas notiek pirms redzamas vītes.

NDVI vērtības sāk dabiski samazināties, kultūraugam nogatavojoties, tāpēc indeksu trajektoriju interpretācijai ir nepieciešams salīdzināt tās ar audzējamā hibrīda paredzamo sezonālo modeli.

5. Briedums

Fizioloģiskā brieduma sasniegšanas brīdī visi galvenie veģetācijas indeksi samazinās, jo vainags noveco un hlorofils degradējas. Brieduma brīdī iegūtie indeksu dati galvenokārt tiek izmantoti retrospektīvai analīzei — sezonālo VI trajektoriju korelēšanai ar faktiskajiem ražas datiem, lai validētu prognozēšanas modeļus un uzlabotu turpmākās sezonas etalonus. Indeksu līkņu laikrindu analīze no dīgtspējas līdz briedumam nodrošina bagātīgāko datu bāzi konkrētam laukam paredzētu ražas modeļu veidošanai.

Bieži sastopamie veģetācijas indeksi, ko izmanto kukurūzas augšanas monitoringā

1. NDVI (normalizētais diferenciālais veģetācijas indekss)

NDVI ir visplašāk izmantotais veģetācijas indekss lauksaimniecībā. Tas mēra kontrastu starp NIR un sarkano atstarošanos un tiek aprēķināts šādi:

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

NDVI vērtības svārstās no −1 līdz +1. Veselīgas, blīvas kukurūzas vainagi parasti sasniedz maksimālā zaļuma pakāpi no 0,7 līdz 0,9. Tā labākie pielietojumi ietver vainagu attīstības izsekošanu no V6 līdz pušķu veidošanai, nepietiekami efektīvu lauka zonu identificēšanu un korelāciju ar LAI un virszemes biomasu.

NDVI galvenais ierobežojums ir piesātinājums blīvās vainagos — tiklīdz LAI pārsniedz aptuveni 3 m²/m², papildu lapu platība rada mazākas NDVI signāla izmaiņas, samazinot jutību pie maksimālā vainaga.

2024. gadā publicēts pētījums Lauksaimniecība (MDPI), izmantojot bezpilota lidaparātu (UAV) NDVI monitoringu divu augšanas sezonu laikā Ungārijā, atklāja, ka spēcīgākā NDVI un ražas korelācija notika pēc zīda veidošanās stadijā (R2 = 0,638 2023. gadā un R2 = 0,634 2024. gadā), kas apstiprina NDVI uzticamību kā sezonas ražas indikatoru konkrētajā augšanas logā.

2. GNDVI (zaļā NDVI)

GNDVI aizstāj sarkano joslu ar zaļo joslu: GNDVI = (NIR − Zaļš) / (NIR + Zaļš). Zaļais kanāls ir jutīgāks pret hlorofila koncentrāciju nekā sarkanais kanāls, padarot GNDVI labāku mērenas hlorofila variācijas nobriedušos, blīvos koku vainagos, kur NDVI ir piesātināts.

Tā galvenais pielietojums kukurūzā ir slāpekļa stāvokļa novērtēšana veģetācijas vidusposmā un reproduktīvajā stadijā. Pētījums publicēts 2016. gada maijā. ScienceDirect (2024) apstiprināja, ka GNDVI, apvienojumā ar NDRE daudzindeksu regresijas modeļos, ievērojami uzlaboja kukurūzas ražas prognozēšanas precizitāti, īpaši pirmsziedēšanas stadijās.

3. EVI (Uzlabots veģetācijas indekss)

EVI uzlabo NDVI, iekļaujot zilo joslu un piemērojot atmosfēras korekcijas koeficientus: EVI = 2,5 × [(NIR − Sarkans) / (NIR + 6 × Sarkans − 7,5 × Zils + 1)]. Šī formula vienlaikus samazina atmosfēras troksni un augsnes fona traucējumus, padarot EVI jutīgāku nekā NDVI blīva koku lapotuma apstākļos, kur NDVI piesātinās.

EVI ir vēlamais indekss kukurūzas vainaga struktūras uzraudzībai, sākot no pušķu veidošanās līdz agrīnai graudu piepildīšanai, kad augu sega ir gandrīz pilnīga. Tas ir pamatindekss MODIS satelītu produktos un tiek plaši izmantots reģionālā mēroga kukurūzas uzraudzībai.

Pētījums par Lauksaimniecība (2024. gadā), izmantojot MODIS MOD09A1 datus par Dzjiliņas provinci Ķīnā, atklāja, ka Apvienojot vairākus veģetācijas indeksus, tostarp EVI, ar formas modeli, ievērojami uzlabojās fenoloģiskās stadijas noteikšanas precizitāte. galvenajos kukurūzas augšanas periodos, salīdzinot ar viena indeksa pieejām.

Liela mēroga reģionālā kultūraugu monitoringā EVI apvienošana ar citiem indeksiem laika rindu modeļos nodrošina uzticamāku fenoloģisko izsekošanu nekā jebkurš atsevišķs indekss atsevišķi.

4. SAVI (augsnes koriģētais veģetācijas indekss)

SAVI NDVI formulā ievieš augsnes spilgtuma korekcijas koeficientu (L): SAVI = [(NIR − Sarkanais) / (NIR + Sarkanais + L)] × (1 + L), kur L = 0,5 tipiskiem augsnes apstākļiem. Samazinot kailas augsnes atstarošanas ieguldījumu, SAVI nodrošina precīzākus vainaga mērījumus agrīnās kukurūzas augšanas stadijās, kad zemes segums ir mazāks par 50%. Tā ir standarta izvēle augu izveidošanās, audzes vienmērīguma un agrīnās sezonas spēka uzraudzībai no dīgšanas līdz V4.

5. NDRE (normalizēta diferenciālā sarkanā mala)

NDRE izmanto sarkano malu un NIR joslas: NDRE = (NIR − sarkanā mala) / (NIR + sarkanā mala). Sarkanā malas josla atrodas spektra apgabalā, kur nelielas hlorofila koncentrācijas izmaiņas rada lielas atstarošanas izmaiņas, padarot NDRE jutīgāku nekā NDVI pret slāpekļa izraisītām hlorofila izmaiņām.

Pētījums, kas publicēts Sensori (2024. gadā), izmantojot bezpilota lidaparātu fotogrammetriju LSU AgCenter pētniecības stacijā, atklāja, ka NDRE 87 dienas pēc iesēšanas prognozēja kukurūzas graudu ražu ar R² 0,9097., ārkārtīgi spēcīga saistība, kas uzsver NDRE vērtību slāpekļa apsaimniekošanā vēlīnā sezonā un ražas prognozēšanā.

6. MSAVI (Modificēts augsnes koriģēts veģetācijas indekss)

MSAVI uzlabo SAVI, padarot L faktoru dinamisku, nevis fiksētu, tāpēc tas automātiski pielāgojas veģetācijas seguma pakāpei: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Sarkanā))] / 2.

Šī pašregulācija padara MSAVI precīzāku nekā SAVI visā vainaga attīstības diapazonā, sākot no kailas augsnes parādīšanās līdz pilnīgai aizsegšanai pušķu veidošanās laikā. Tai nav nepieciešami pieņēmumi par augsnes spilgtumu, padarot to vieglāk pārnesamu dažādos lauka apstākļos un augsnes tipos.

7. VARI (redzamās atmosfēras izturības indekss)

VARI izmanto tikai redzamās joslas (sarkanu, zaļu, zilu): VARI = (Zaļa − Sarkana) / (Zaļa + Sarkana − Zila). Tā vērtība slēpjas apstāklī, ka to var aprēķināt no standarta RGB kamerām — tādām, kādas ir lielākajā daļā komerciālo dronu par zemām izmaksām.

Lai gan VARI trūkst multispektrālo indeksu jutības attiecībā uz slāpekli un biomasu, tas nodrošina izmantojamu vainagu zaļuma pirmās pakāpes novērtējumu, padarot to pieejamu lauksaimniekiem, kuriem vēl nav multispektrālo sensoru iespēju.

Pētījums publicēts ScienceDirect (2025) apstiprināja VARI kā vienu no noderīgajiem VI ievades datiem mašīnmācīšanās modeļos kukurūzas ražas prognozēšanai dažādās augšanas vidēs.

8. OSAVI (Optimizēts augsnes koriģēts veģetācijas indekss)

OSAVI ir vienkāršota SAVI versija ar fiksētu L vērtību 0,16, kas optimizēta daļējas vainaga seguma apstākļiem: OSAVI = (NIR — sarkans) / (NIR + sarkans + 0,16).

Šī specifiskā L vērtība tika empīriski noteikta, lai līdz minimumam samazinātu augsnes fona ietekmi plašā veģetācijas blīvuma diapazonā. OSAVI labi darbojas no V2 līdz V6, samazinot atšķirību starp SAVI agrīnās sezonas lietderību un NDVI sezonas precizitāti.

9. CI Zaļš (hlorofila indeksa zaļš)

CI Green aprēķina hlorofila saturu tieši no atstarošanas koeficienta: CI Zaļš = (NIR / Zaļš) − 1. Tā kā hlorofils ir galvenais slāpekļa uzkrāšanas pigments lapās, CI Green izseko vainaga slāpekļa statusu, neizmantojot sarkano malas joslu.

Tas padara to vērtīgu, ja pieejama tikai standarta zaļā josla, piemēram, no Sentinel-2 attēliem, un tas uzticami darbojas no V6 līdz zīdīšanai, lai pieņemtu lēmumus par slāpekļa pārvaldību sezonas vidū.

10. CI sarkanā mala (hlorofila indeksa sarkanā mala)

CI Red Edge aizstāj zaļo joslu ar sarkano malas joslu: CI sarkanā mala = (NIR / sarkanā mala) − 1. Šī aizvietošana padara to ievērojami jutīgāku pret hlorofila izmaiņām nekā CI Green, īpaši vidējā un vēlīnā veģetācijas stadijā, kad vainags ir pietiekami blīvs, ka zaļās joslas signāls sāk piesātināties. CI Red Edge ir viens no vislabāk funkcionējošajiem indeksiem smalku slāpekļa gradientu noteikšanai kukurūzas lauka apsaimniekošanas zonās.

Veģetācijas indeksu salīdzināšana kukurūzas monitoringā

1. Labākais agrīnās izaugsmes indekss

SAVI un MSAVI konsekventi pārspēj NDVI un EVI agrīnās kukurūzas attīstības laikā (dīgšana līdz V4), jo tie samazina augsnes fona troksni, kas citādi dominētu indeksa signālā, kad vainaga segums ir zem 40%. OSAVI piedāvā noderīgu starpposma iespēju, ja augsnes apstākļi visā laukā ir mainīgi.

2. Labākais slāpekļa noteikšanas indekss

NDRE un CI Red Edge ir spēcīgākie indeksi slāpekļa deficīta noteikšanai kukurūzā. Abi izmanto sarkanās malas joslas augsto jutību pret hlorofila koncentrāciju. V6 līdz V10 stadijā — vissvarīgākajā laika posmā slāpekļa lietošanas lēmumu pieņemšanai — šie indeksi nosaka deficītu 7 līdz 14 dienas pirms NDVI uzrāda jebkādu izmērāmu reakciju, nodrošinot ievērojamu laiku korektīviem pasākumiem.

3. Labākais biomasas novērtēšanas indekss

NDVI un EVI ir visapstiprinātākie indeksi kukurūzas virszemes sausās biomasas novērtēšanai. Pētījumi, kuros izmantoti bezpilota lidaparātu (UAV) multispektrālie attēli apvienojumā ar tekstūras iezīmēm. PMC (2023) atklāja, ka veģetācijas indeksi, kuru pamatā ir sarkanā (650 nm), sarkanās malas (705 nm) un tuvā infrasarkanā starojuma (842 nm) joslas, uzrādīja visaugstāko korelāciju ar lokālo indeksu (LAI) — cieši saistītu biomasas uzkrāšanās rādītāju veģetācijas periodā.

4. Labākais blīvu lapotņu indekss

EVI ir vēlamais indekss, kad kukurūzas vainags ir pilnībā aizvēries, parasti no pušķu veidošanās līdz agrīnam graudu piepildījumam. Ja NDVI piesātinājums pārsniedz LAI aptuveni 3, EVI turpina reaģēt uz papildu lapu platības un hlorofila izmaiņām, jo tā atmosfēras un augsnes korekcijas faktori novērš signāla piesātinājumu augstā biomasas līmenī.

5. Labākais sausuma stresa indekss

NDWI (uz NIR un SWIR balstīts ūdens indekss) un NDVI kopā izmantošana ir visefektīvākā kombinācija sausuma stresa noteikšanai kukurūzā. NDWI tieši izseko audu ūdens satura izmaiņām, savukārt NDVI uztver ūdens stresa sekundāro ietekmi uz vainagu zaļumu. Šeit vislielāko vērtību sniedz multispektrālie sensori, kas ietver SWIR iespējas, lai gan šie sensori joprojām ir dārgāki nekā standarta piecu joslu multispektrālās sistēmas.

Veģetācijas indeksu pielietojums kukurūzas ražošanā

Veģetācijas indekss ir tikpat noderīgs, cik noderīgs ir lēmums, ko tas ļauj pieņemt — mērķis vienmēr ir spektrālos datus pārvērst lauka darbībās, kas uzlabo ražu, samazina izmaksas vai abus.

1. Biomasas novērtēšana

NDVI un EVI vērtības ir cieši saistītas ar virszemes sausās biomasas daudzumu visā kukurūzas veģetācijas periodā. Atkārtoti bezpilota lidaparātu (UAV) lidojumi vai satelītu pārlidojumi ar divu nedēļu intervālu ģenerē biomasas uzkrāšanās līknes, kas atklāj, vai lauks virzās uz savu ražas potenciālu vai atpaliek no paredzētās augšanas trajektorijas konkrētajā sezonā.

2. Hlorofila mērīšana

CI Green un CI Red Edge nodrošina nesagraujošus lapotnes līmeņa hlorofila aprēķinus, kas izseko kultūraugu fotosintēzes spēju. Pētījums publicēts žurnālā PMC (2024. gadā), izmantojot uz bezpilota lidaparātiem balstītu SPAD (hlorofila mērītāja rādījumu) novērtējumu kukurūzā, apstiprināja, ka modificētais sarkanās malas attiecības indekss sasniedza R² 0,87 lapu hlorofila satura prognozēšanai vidējā augšanas stadijā, demonstrējot praktisko precizitāti, ko sarkanās malas indeksi nodrošina šajā pielietojumā.

3. Slāpekļa stāvokļa novērtējums

Slāpeklis ir barības viela, kas vistiešāk ierobežo kukurūzas ražu, un tās statuss sezonas laikā svārstās, mainoties kultūraugu pieprasījumam. 2025. gadā publicēts pētījums Augu zinātnes robežas 2024. gadā integrēja Sentinel-2A satelītattēlus, bezpilota lidaparātu (UAV) multispektrālos datus un zemes novērojumus četrās kukurūzas augšanas stadijās un izstrādāja jaunu reģionālā mēroga slāpekļa satura inversijas modeli, izmantojot vairākus veģetācijas indeksus apvienojumā ar joslu korekciju.

Sistēma sasniedza augstu validācijas precizitāti 48 neatkarīgos paraugu ņemšanas punktos, demonstrējot, kā satelītu un bezpilota lidaparātu saplūšana paplašina uz VI balstītas slāpekļa pārvaldības mērogojamību ārpus atsevišķiem laukiem līdz saimniecību un reģionālām mērogām.

4. Ūdens stresa noteikšana

Ūdens stress kukurūzā vispirms samazina atvārsnīšu vadītspēju, tad lapu ūdens saturu un visbeidzot zaļo biomasu — trīs procesus, kas secīgi ietekmē dažādas spektra joslas. Agrīnās stadijas ūdens stress ir redzams termisko joslu datos un uz SWIR balstītajos indeksos, pirms NDVI samazinās.

NDWI un NDVI kombinācijas uzraudzība visā graudu piepildīšanas periodā — kad ūdens stresam ir vislielākā ietekme uz ražu — ļauj apūdeņošanas plānošanu balstīt uz faktisko kultūraugu pieprasījumu, nevis uz kalendāra noteikumiem.

5. Slimību uzraudzība

Sēnīšu slimības, piemēram, ziemeļu kukurūzas lapu iedega un pelēkā lapu plankumainība, maina inficēto lapu spektrālo raksturu, pirms cilvēka acs var saskatīt lielus bojājumus. Inficētajiem audiem ir raksturīgs tuvā infrasarkanā starojuma (NIR) atstarošanās samazinājums un sarkanās malas pozīcijas nobīde.

Vairāku laika periodu VI monitorings ļauj noteikt lokalizētas spektrālās anomālijas, kas norāda uz jaunu slimības spiedienu, ļaujot mērķtiecīgi lietot fungicīdus, nevis veikt smidzināšanu visā laukā.

6. Kaitēkļu radīto bojājumu noteikšana

Kaitēkļu barošanās izraisīta defoliācija samazina LAI, kas tieši pazemina NDVI un EVI vērtības skartajos apgabalos. Piemēram, armijas tārpu invāzijas rada raksturīgus indeksa samazināšanās telpiskos modeļus, ko var noteikt no dronu attēliem, pirms invāzija izplatās uz blakus esošajām lauka daļām.

Augstas izšķirtspējas bezpilota lidaparātu (UAV) lidojumi (paraugu ņemšanas attālums uz zemes ir mazāks par 5 cm) nodrošina telpisko detalizāciju, kas nepieciešama, lai atšķirtu kukaiņu bojājumus no citiem lapotuma izmaiņu cēloņiem.

7. Ienesīguma novērtējums

Veģetācijas indeksa vērtības, kas izmērītas noteiktos kritiskos augšanas posmos — īpaši V12, VT un R3 —, ir uzticami galīgās graudu ražas prognozētāji, ja tās tiek kombinētas ar vēsturiskajām ražas kartēm un laika apstākļu datiem. Vairāku indeksu sapludināšanas pieejas konsekventi pārspēj viena indeksa modeļus.

GNDVI, NDRE un SCCCI (vienkāršotā vainaga hlorofila satura indeksa) kombinācija pirmsziedēšanas periodā ir uzrādījusi īpaši augstu ražas prognozēšanas precizitāti publicētajos kukurūzas pētījumos no ScienceDirect (2026).

Pētījumos, kas veikti divu veģetācijas sezonu laikā Ungārijā, tika konstatēti korelācijas koeficienti 0,638 un 0,634 starp NDVI pēc zīdīšanas un galīgo graudu ražu. Daudzindeksu modeļi, tostarp NDRE un GNDVI, nodrošina vēl lielāku prognozēšanas precizitāti.

8. Mainīgas devas mēslojuma lietošana

No dronu lidojumiem ģenerētās uz VI balstītas vainagu kartes tiek tieši izmantotas, lai izveidotu recepšu kartes mainīgas devas slāpekļa smidzinātājiem. Lauki tiek sadalīti apsaimniekošanas zonās, pamatojoties uz indeksa vērtībām, un katra zona saņem slāpekļa devu, kas kalibrēta atbilstoši tās konkrētajām kultūraugu vajadzībām.

Tālizpēte un mainīga ātruma tehnoloģija kopā veidoja 58% no precīzās lauksaimniecības tehnoloģiju tirgus daļas 2025. gadā (Precedence Research, 2026), kas atspoguļo to, cik centrāla šī darbplūsma ir kļuvusi komerciālajā kukurūzas ražošanā.

2025. gadā veikts pētījums Lauksaimniecība (MDPI) atklāja, ka mērenas slāpekļa devas 120–180 kg ha⁻¹ nodrošināja optimālu kukurūzas barības vielu līmeni, palielinot ražu līdz pat 5,086 t ha⁻¹ salīdzinot ar nemēslotu kontroli, un uz NDVI balstīta uzraudzība ir izrādījusies efektīva ne tikai ražas optimizēšanai, bet arī konkrētai vietai paredzētu mēslošanas stratēģiju vadīšanai.

Uz NDVI balstīta slāpekļa pārvaldība pēc zīdīšanas stadijā (kad VI un ražas korelācija sasniedz maksimumu) var aizstāt tradicionālās mēslošanas metodes, kurās tiek izmantotas tikai augsnes pārbaudes, un ievērojami uzlabot gan ievades efektivitāti, gan graudu ražu.

Platformas, ko izmanto veģetācijas indeksa datu apkopošanai

1. Satelītattēli

Tādi satelīti kā Sentinel-2 (10 m izšķirtspēja, 5 dienu atkārtošanās) un Planet Labs (3 m izšķirtspēja, ikdienas atkārtošanās) nodrošina konsekventus, laikapstākļiem atbilstošus spektrālos datus plašās teritorijās par zemām izmaksām uz hektāru.

Sentinel-2 iekļautās sarkanās malas joslas (B5, B6, B7 pie 705, 740, 783 nm) padara to īpaši vērtīgu NDRE un CI sarkanās malas aprēķiniem reģionālajās kukurūzas monitoringa programmās. Ierobežojums ir mākoņu sega: mākoņains periods kritiskā augšanas logā var radīt datu nepilnības, kas pārtrauc laika monitoringu.

2. Uz droniem balstīta tālizpēte

Fiksētu spārnu un daudzrotoru droni, kas aprīkoti ar multispektrālām kamerām, nodrošina lauka mēroga attēlus ar izšķirtspēju 2–10 cm uz pikseli. Šis detalizācijas līmenis izšķir atsevišķas augu rindas, ļaujot izmērīt vainaga veselības atšķirības rindas ietvaros.

Dronu apsekojumus var ieplānot pēc pieprasījuma neatkarīgi no satelīta pārlidojuma laika, padarot tos ideāli piemērotus datu iegūšanai precīzos agronomisko lēmumu pieņemšanas punktos, piemēram, slāpekļa mēslojuma lietošanas vai apūdeņošanas plānošanas logos.

3. Bezpilota lidaparātu (UAV) multispektrālās kameras

Multispektrālās kameras, piemēram, MicaSense RedEdge, Parrot Sequoia un DJI Zenmuse P1, vienlaikus uztver attēlus piecās vai vairākās šaurās spektra joslās, tostarp sarkanā, zaļā, zilā, sarkanās malas un NIR.

Šīs sistēmas ietver kalibrētu atstarošanas paneli un saules gaismas sensoru, lai normalizētu datus mainīgiem gaismas apstākļiem lidojuma laikā, kas ir būtiski precīzu, reproducējamu indeksa vērtību, nevis relatīvu salīdzinājumu iegūšanai.

4. Rokas kultūraugu sensori

Aktīvie optiskie sensori, piemēram, GreenSeeker un CropCircle, izstaro savu gaismas avotu un mēra atsevišķu augu atstarošanos nelielā attālumā, novēršot mainīgas saules gaismas ietekmi.

Šie sensori tiek izmantoti ātrai slāpekļa stāvokļa novērtēšanai uz lauka noteiktos paraugu ņemšanas punktos. To dati papildina dronu un satelītattēlus, nodrošinot patiesus mērījumus uz zemes, kas apstiprina tālizpētes indeksa vērtības zināmās vietās.

5. Uz traktora uzstādītie sensori

Uz traktora uzstādītie aktīvie sensori, piemēram, John Deere Hagie un Trimble GreenSeeker RT, nepārtraukti skenē kukurūzas vainagu, traktoram pārvietojoties pa lauku, un reāllaika NDVI datus tieši pievada mainīgas devas regulatoram. Šī slēgtās cilpas sistēma ļauj veikt mēslojuma devas korekcijas kustības laikā, pamatojoties uz faktiskajiem kultūraugu stāvokļa datiem, bez atsevišķas datu apstrādes darbības starp sensoru un pielietošanu.

Faktori, kas ietekmē veģetācijas indeksa precizitāti kukurūzas laukos

1. Augsnes fons

Atsegtajai augsnei ir savs spektrālais paraksts, kas saplūst ar augu vainagu signālu, īpaši, ja segums ir zem 50%. Ar augsni koriģēti indeksi (SAVI, MSAVI, OSAVI) ir izstrādāti, lai mazinātu šo efektu, taču augsnes krāsa, mitrums un organisko vielu saturs joprojām ietekmē indeksa vērtības agrīnās sezonas attēlos. Indeksa sliekšņu kalibrēšana konkrētiem augsnes tipiem reģionā uzlabo interpretācijas precizitāti.

2. Mākoņu sega

Mākoņi bloķē saules starojumu un rada mainīgas ēnas uz zemes, padarot atstarošanas mērījumus neuzticamus pasīvajiem sensoriem uz satelītiem un droniem.

Aktīvie sensori ir imūni pret mākoņu segumu, jo tie paši nodrošina apgaismojumu. Mākoņu sega ir vissvarīgākais faktors, kas ierobežo satelītu VI monitoringa lietderību reģionos ar augstu mākoņu biežumu augšanas sezonā.

3. Saules leņķis

Zems saules leņķis palielina ēnu daļu vainagā, mākslīgi samazinot tuvā infrasarkanā starojuma (NIR) atstarošanos un kropļojot indeksa vērtības. Bezpilota lidaparātu lidojumi, kas tiek veikti laikā no plkst. 10:00 līdz 14:00 pēc vietējā Saules laika, samazina ēnu efektus un sniedz konsekventākus datus. Lidojuma laika konsekvence atkārtotos apsekojumos ir tikpat svarīga kā absolūtais laiks, jo tas ļauj jēgpilni salīdzināt datumus.

4. Kultūraugu blīvums

Augu populācija tieši ietekmē vainaga slēgšanos un līdz ar to to, cik ātri VI vērtības pieaug no stādīšanas līdz vainaga slēgšanai. Lauki ar zemāku augu populāciju aizver vainagu vēlāk, kas pagarina periodu, kurā augsnes fons traucē indeksa rādījumus. Populāciju kartes, kas iegūtas no dīgšanas attēliem, ļauj pielāgot VI robežvērtības vietējām blīvuma izmaiņām.

5. Izaugsmes stadija

Viena un tā pati VI vērtība dažādās augšanas stadijās nozīmē dažādas lietas. NDVI 0,5 V6 stadijā var liecināt par veselīgu, labi attīstītu vainagu, savukārt NDVI 0,5 VT stadijā liecinātu par ievērojamu stresu.

VI vērtību interpretācija, neņemot vērā augšanas stadiju, noved pie kultūraugu stāvokļa nepareizas klasifikācijas. Laikrindu analīze, kurā pašreizējās vērtības tiek salīdzinātas ar paredzamajām sezonālajām līknēm, to koriģē, kontekstualizējot katru rādījumu kultūraugu attīstības trajektorijā.

6. Sensora izšķirtspēja

Rupjākas izšķirtspējas sensori vienā pikselī sajauc kultūraugu, augsnes un lauka malu spektrālos signālus — šo problēmu sauc par “jauktajiem pikseļiem”. Sentinel-2 10 m izšķirtspējā viens pikselis pārklāj 100 m² zemes, kas bieži vien ietver vairākas kultūraugu rindas un augsni starp rindām.

Augstākas izšķirtspējas dronu attēli (5 cm uz pikseli) novērš jauktos pikseļus un nodrošina daudz tīrāku lapotnes spektrālo signālu, taču tas palielina datu apjomu un apstrādes laiku.

Veģetācijas indeksu ierobežojumi kukurūzas monitoringā

1. Piesātinājums blīvās lapotnēs

NDVI, visplašāk izmantotais indekss, piesātinās pie LAI vērtībām virs aptuveni 3 m²/m², ko kukurūza parasti sasniedz līdz V10. Virs šī sliekšņa papildu vainaga zaļuma vai biomasas pieaugums rada niecīgas NDVI izmaiņas. EVI, GNDVI un NDRE ir paredzēti, lai risinātu šo ierobežojumu, taču tiem ir nepieciešams vairāk spektra joslu nekā NDVI, un tie ne vienmēr ir pieejami no lētākiem sensoriem.

2. Atkarība no laikapstākļiem

Pasīvās tālizpētes sistēmas ir atkarīgas no pastāvīga saules apgaismojuma. Mākoņu sega, dūmaka un atmosfēras aerosoli absorbē un izkliedē ienākošo saules starojumu, pirms tas sasniedz kultūraugus un atkal atgriežas pie sensora, kropļojot atstarošanas vērtības.

Datu apstrādes laikā piemērotie atmosfēras korekcijas algoritmi samazina, bet nenovērš šo efektu. Tropu kukurūzas ražošanas reģionos ar ilgstošām mākoņainām sezonām datu nepilnības var būt tik biežas, ka tās var apdraudēt laikrindu uzraudzību.

3. Jaukti pikseļi

Pie zemas telpiskās izšķirtspējas pikseļi uztver signālus gan no kultūraugu vainaga, gan no augsnes, ceļiem, apūdeņošanas iekārtām vai lauka malām. Iegūtā jauktā pikseļu atstarošanās spēja rada indeksa vērtības, kas neatspoguļo tikai vainagu. Lauka robežu maskēšana un visaugstākās iespējamās telpiskās izšķirtspējas sensora izmantošana ir standarta prakse, lai samazinātu šo kļūdu.

4. Kalibrēšanas prasības

Lai iegūtu precīzas un reproducējamas indeksa vērtības, ir nepieciešama sensora radiometriskā kalibrēšana, atmosfēras ietekmes korekcija un normalizācija mainīgam apgaismojumam dronu lidojumu laikā. Izlaižot šīs darbības, tiek iegūtas relatīvas VI kartes, kuras nevar salīdzināt starp datumiem vai starp laukiem, ierobežojot to lietderību laika rindu uzraudzībai un vairāku lauku salīdzinošajai novērtēšanai.

5. Nepieciešamība pēc pamatota patiesuma apstiprinājuma

Veģetācijas indeksi ir netieši mērījumi. Tie novērtē kultūraugu īpašības — hlorofilu, slāpekli, biomasu —, korelējot spektrālos modeļus ar bioloģiskajiem mainīgajiem, nevis mērot tos tieši.

Katrs uz VI balstīts kultūraugu novērtējums gūst labumu no zemes patiesuma validācijas: lapu slāpekļa fiziski mērījumi, hlorofila mērītāja rādījumi vai destruktīvās biomasas paraugi, kas ņemti reprezentatīvā apgabalu apakškopā visā laukā. Zemes patiesuma dati nostiprina tālizpētes interpretāciju un novērš nepareizu diagnozi.

Labākā prakse veģetācijas indeksu izmantošanai kukurūzas laukos

1. Pareizā indeksa izvēle

Indeksa izvēlei jāatbilst monitoringa mērķim un pieejamajam sensoram. Slāpekļa novērtēšanai izvēlieties NDRE vai CI Red Edge, ja ir pieejama sarkanā malas josla. Agrīnas sezonas audzes novērtēšanai izmantojiet SAVI vai MSAVI.

Sezonas laikā vainagu monitoringam un ražas prognozēšanai izmantojiet EVI vai NDVI kombinācijā ar GNDVI vai NDRE. Izvairieties no NDVI lietošanas atsevišķi sezonas sākumā vai liela vainagu blīvuma gadījumā — tā ierobežojumi abos scenārijos ir labi zināmi.

2. Pareizā augšanas posma izvēle

Datu vākšanas laika izvēle atbilstoši agronomisko lēmumu pieņemšanas brīžiem maksimāli palielina VI datu pārvaldības vērtību. Praktisks kukurūzas monitoringa grafiks ietvertu:

1. V2–V4 (dīgšanas pārbaude): Izmantojiet SAVI vai MSAVI, lai novērtētu audzes viendabīgumu un noteiktu pārstādīšanas zonas.
2. V6 (slāpekļa piedevu noteikšana): izmantojiet NDRE vai CI Red Edge, lai kartētu slāpekļa statusu un ģenerētu mainīgas devas recepti.
3. V10–V12 (vainagvaja slēgšana): Izmantojiet NDVI un EVI, lai novērtētu biomasu un atzīmētu nepietiekami funkcionējošas apsaimniekošanas zonas.
4. VT (pušķošana): Izmantojiet NDVI un GNDVI, lai novērtētu vainaga virsotni un noteiktu vietas, kurām apputeksnēšanas laikā ir stresa risks.
5. R3 (piena stadija): Izmantojiet NDVI un NDWI, lai noteiktu ūdens stresu un novērtētu graudu piepildīšanās progresu.
6. R6 (briedums): Izmantojiet indeksa datus, lai korelētu sezonālo VI trajektoriju ar ražas apjomu modeļa kalibrēšanai.

3. Vairāku indeksu apvienošana

Neviens atsevišķs indekss neaptver kukurūzas ražas stāvokļa pilno sarežģītību. Apvienojot divus vai vairākus indeksus, kas vērsti uz dažādiem bioloģiskajiem signāliem, tiek iegūtas bagātīgākas diagnostikas kartes. NDRE slāpekļa statusam, NDVI kopējai biomasai un NDWI ūdens saturam kombinācija aptver trīs visizplatītākos ierobežojošos faktorus kukurūzas ražošanā. Vairāku indeksu sapludināšana mašīnmācīšanās modeļos nodrošina izmērāmi augstāku ražas prognozēšanas precizitāti nekā jebkura viena indeksa pieeja.

4. Zemes novērojumu integrēšana

VI kartes vienmēr jāinterpretē kopā ar lauka izlūkošanas novērojumiem. Kad drona kartē parādās VI anomālija, fiziska lauka apmeklējuma laikā šajā vietā tiek apstiprināts, vai spektrālais signāls atspoguļo reālu agronomisku problēmu — slāpekļa deficītu, sablīvēšanos, slapjo augsni, kaitēkļu radītus bojājumus — vai sensoru trokšņa, ēnas vai augsnes variāciju artefaktu. Novērojumi uz zemes sniedz arī apmācības datus, kas nepieciešami, lai kalibrētu vietējos VI robežvērtības konkrētiem hibrīdiem, augsnēm un pārvaldības sistēmām.

5. Laikrindu analīzes izmantošana

Viens VI attēls ir momentuzņēmums. Attēlu laikrinda no parādīšanās līdz briedumam ir vesels stāsts. Indeksa vērtību attēlošana laika gaitā atklāj augšanas trajektorijas, kas identificē stresa notikumus pēc to rašanās datuma, smaguma pakāpes un ilguma. Laikrindu dati ļauj arī salīdzināt pašreizējo sezonu ar vēsturiskiem kritērijiem, sniedzot kontekstu, ko viena datuma attēli nevar sniegt.

Kukurūzas augšanas uzraudzības nākotnes tendences

1. Mākslīgais intelekts

Mākslīgā intelekta algoritmi arvien vairāk tiek piemēroti veģetācijas indeksa datiem, lai automatizētu interpretācijas uzdevumus, kuriem pašlaik nepieciešams agronoma vērtējums. Dziļās mācīšanās modeļi, kas apmācīti ar lieliem VI datu kopumiem, var dažu sekunžu laikā klasificēt stresa veidu, smagumu un telpisko izplatību no multispektrāliem attēliem, atzīmējot zonas, kurās nepieciešama rīcība agronoma pārskatīšanai, nevis pieprasot pilnīgu katra attēla manuālu analīzi.

Mākslīgais intelekts lauksaimniecības tirgū tika novērtēts par 2,1 miljards ASV dolāru 2023. gadā, un tiek prognozēts, ka līdz 2032. gadam tā pieaugs ar vidējo gada pieauguma tempu (CAGR) vairāk nekā 241 TP3 triljonu apmērā. (GMI, 2025), kas atspoguļo to, cik ātri šī spēja tiek komercializēta.

2. Mašīnmācīšanās modeļi

Daudzindeksu un daudzlaiku datu kopām pielietotie Random Forest, XGBoost un konvolucionālie neironu tīkli (CNN) pastāvīgi pārspēj tradicionālos uz regresiju balstītos VI-ienesīguma modeļus.

Pētījums, kurā izmantotas gradienta pastiprināšanas iekārtas (GBM) kukurūzas ražas prognozēšanai, ir pabeigts. R² vērtības 0,78 integrējot VI laika rindas ar meteoroloģiskajiem datiem, pārspējot vienkāršākas regresijas pieejas.

Šie modeļi apgūst sarežģītas, nelineāras attiecības starp spektrālajiem modeļiem un agronomiskajiem rezultātiem, ko lineārie modeļi nevar aptvert.

3. Hiperspektrālā attēlveidošana

Hiperspektrālie sensori vienlaikus uztver atstarošanas datus simtiem šauru spektra joslu, salīdzinot ar piecām līdz desmit joslām, ko izmanto tipiskas multispektrālās kameras. Šis spektrālais blīvums ļauj noteikt kultūraugu stresa signālus, kas ietilpst šauros spektra logos, kas nav redzami platjoslas sensoriem.

Kukurūzai tiek aktīvi validēti hiperspektrālie indeksi slimību noteikšanai, smago metālu stresa un mikroelementu deficīta noteikšanai, un komerciālās bezpilota lidaparātu (UAV) hiperspektrālās sistēmas kļūst arvien pieejamākas.

4. Kultūraugu uzraudzība reāllaikā

Sensoru miniaturizācijas, satelītu zvaigznāja paplašināšanas un 5G savienojamības kombinācija virzās uz kultūraugu stāvokļa uzraudzību reāllaikā, kur VI dati ir pieejami nepārtraukti augšanas sezonā, nevis reizi nedēļā vai divās nedēļās.

Planet Labs ikdienas satelītu atkārtotu apmeklējumu biežums un lietu interneta (IoT) iespējotu lauka sensoru izvietošana, kas straumē datus uz mākoņplatformām, jau nodrošina gandrīz reāllaika uzraudzības iespējas pirmajiem lietotājiem.

DJI dronu bāzes tālizpētes sistēmas ir ziņojušas par 67,78% ķīmisko ievades apjomu samazinājums kad no VI datiem iegūtās recepšu kartes tiek izmantotas mainīgas devas izsmidzināšanas sistēmām (Mordor Intelligence, 2026).

5. Integrācija ar precīzās lauksaimniecības sistēmām

Nākamais solis kukurūzas vistas piesārņojuma monitoringā ir nemanāma integrācija starp datu ieguvi, apstrādi, interpretāciju un darbībām uz lauka. Mākonī balstītas saimniecību pārvaldības platformas jau tagad tieši savieno satelītu un dronu attēlu plūsmas ar mainīgas devas kontrollera programmatūru, samazinot laiku no datu ieguves līdz darbībām uz lauka no dienām līdz stundām.

Tā kā attēlu nodrošinātāju, agronomiskās programmatūras un lauksaimniecības tehnikas API kļūst standartizētas, darbplūsma no “drona lidojuma” līdz “mainīgas devas receptes piemērošanai” kļūs pieejama ražotājiem visos līmeņos.

Biežāk uzdotie jautājumi

Kurš veģetācijas indekss ir vislabākais kukurūzai?
Neviens atsevišķs indekss nav universāli labākais. NDRE vislabāk darbojas slāpekļa novērtēšanā, SAVI agrīnās stadijas monitoringā, EVI blīvu vainagu apstākļos un NDVI vispārējās biomasas un ražas korelācijā. Apvienojot divus vai trīs indeksus, kas pielāgoti monitoringa mērķim, konsekventi pārspēj jebkuru atsevišķu indeksu.

Cik bieži jāuzrauga veģetācijas indeksi?
Pilnas sezonas kukurūzas audzēšanai ieteicams monitoringa intervāls ik pēc 7 līdz 14 dienām V4 līdz R3 periodā. Kritiskie lēmumu pieņemšanas logi (V6 slāpeklim, VT stresa novērtēšanai, R3 apūdeņošanai) attaisno lidojumus vai satelītu datu iegūšanu neatkarīgi no standarta monitoringa grafika.

Kurš veģetācijas indekss vislabāk darbojas agrīnās kukurūzas augšanas laikā?
SAVI un MSAVI vislabāk darbojas no dīgšanas perioda līdz V4, jo tie samazina atsegtas augsnes ietekmi uz indeksa vērtību, iegūstot jēgpilnus vainaga mērījumus pat tad, ja zemsedzes līmenis ir zem 30%.

Vai veģetācijas indeksi var atklāt slimību pirms simptomu parādīšanās?
Pētījumi liecina, ka lapotnes slimības maina inficēto lapu spektrālo signatūru, pirms parādās redzami bojājumi. Sarkanās malas indeksi ir visjutīgākie agrīnai slimības noteikšanai, jo tie reaģē uz hlorofila degradāciju inficētajos audos. Noteikšanas laiks ir atkarīgs no slimības veida un smaguma pakāpes, taču kontrolētos pētījumos ir pierādīta agrīna atklāšana 5 līdz 10 dienas pirms vizuālo simptomu parādīšanās.

Secinājums

Veģetācijas indeksi kukurūzas augšanas monitoringam ir krietni pārsnieguši pētniecisko ziņkāri. Tagad tie ir praktiski, lauka apstākļos pārbaudīti rīki, kas dod lauksaimniekiem un agronomiem iespēju redzēt kultūraugu stresu, slāpekļa deficītu un ražu ierobežojošus apstākļus nedēļas pirms šīs problēmas kļūst redzamas un pirms tās izraisa neatgriezeniskus ražas zudumus. Pareizā indeksa izvēle katrai augšanas stadijai nav mazsvarīga tehniska detaļa; tā ir atšķirība starp reālas problēmas atklāšanu un maldinošu datu ģenerēšanu. Vairāku indeksu — NDRE slāpeklim, EVI blīvas vainaga biomasai, NDWI ūdens stāvoklim — apvienošana sniedz diagnostisku ainu, ko nevar sniegt neviens atsevišķs mērījums. Šī spektrālā attēla integrēšana ar fiziskajiem lauka novērojumiem pamato datus agronomiskajā realitātē un novērš nepareizu interpretāciju, kas rodas, paļaujoties tikai uz tālizpēti.

Bezpilota lidaparāti (UAV) jeb droni pārveido mūsdienu lauksaimniecību, nodrošinot ātrus lauku attēlus no gaisa. Tos izmanto, lai skenētu kultūraugus, lai noteiktu to veselību, augšanas stadiju, kaitēkļus, nezāles un novērtētu ražu. Piemēram, Ķīnā pašlaik darbojas vairāk nekā 250 000 lauksaimniecības dronu, un Taizemē līdz 2023. gadam aptuveni 301 000 t lauksaimniecības zemes tika pārklāta ar dronu miglošanu vai uzraudzību. Šie UAV padara lauksaimniecību efektīvāku, ātri atklājot problēmas (piemēram, kaitēkļu uzliesmojumus vai ūdens trūkumu), kuras uz zemes var nepamanīt.

Tomēr maziem bezpilota lidaparātiem (UAV) ir ļoti ierobežota iebūvētā skaitļošanas jauda un akumulatora darbības laiks. Tāpēc sarežģītu mākslīgā intelekta redzes algoritmu palaišana tajos reāllaikā ir izaicinājums. Tradicionālie vieglie objektu noteikšanas modeļi (piemēram, niecīgie YOLO vai MobileNet balstīti detektori) var tikai daļēji apmierināt šīs vajadzības: tie bieži vien upurē precizitāti vai ātrumu un prasa ievērojamu manuālu regulēšanu. Šī plaisa motivē izvietošanai pielāgotu neironu arhitektūras meklēšanu (NAS): automatizētu projektēšanas metodi, kas pielāgo dziļās mācīšanās modeļus precīzām lauka apstākļos izvietotu bezpilota lidaparātu prasībām.

Mūsdienu precīzā lauksaimniecība izmanto bezpilota lidaparātus (dronus), lai apsekotu laukus un uzraudzītu kultūraugu stāvokli. Lidojot virs lielām platībām, droni var uzņemt augstas izšķirtspējas augu, augsnes un lauka modeļu attēlus. Šie attēli tiek padoti datorredzes algoritmiem, kas atklāj nezāles starp kultūraugiem, novērtē ražu (piemēram, skaitot augļus vai galviņas) vai pamana agrīnas slimības vai barības vielu trūkuma pazīmes. Piemēram, droni ļauj mērķtiecīgi izsmidzināt herbicīdus uz nezāļu plankumiem, samazinot ķīmisko vielu lietošanu un izmaksas.

Tomēr dronu mazajiem borta datoriem (kuru jauda bieži vien ir ierobežota līdz dažiem vatiem) ir grūtības darbināt lielus neironu tīklus lidojuma ātrumā. Tas apgrūtina reāllaika analīzes veikšanu: ja drons pamana problēmu, tam ir ātri jāreaģē vai jāreģistrē dati, pirms izlādējas akumulators. Pašreizējie vieglie detektori (piemēram, YOLOv8 nano, YOLO-tiny, MobileNets) tiek izstrādāti ar roku, un bieži vien ir saistīti ar kompromisiem: mazāka modeļa izgatavošana to paātrina, bet var kaitēt precizitātei.

Tā rezultātā ir liela vajadzība pēc metodēm, kas automātiski atrod vislabāko iespējamo modeli, ņemot vērā bezpilota lidaparāta (UAV) ierobežojumus. Izvietošanas ziņā apzinīgs NAS atbilst šai vajadzībai, meklējot neironu tīkla arhitektūras, kas kopīgi optimizē noteikšanas precizitāti un resursu izmantošanu (latentumu, jaudu, atmiņu) reālos bezpilota lidaparātu apstākļos. Šī pieeja var nodrošināt specializētus modeļus, kas efektīvi darbojas dronu aparatūrā, vienlaikus saglabājot augstu precizitāti kultūraugu uzraudzības uzdevumiem.

Bezpilota lidaparātu objektu noteikšanas prasības kultūraugu uzraudzībā

Lauksaimniecības bezpilota lidaparāti veic virkni vizuālās noteikšanas uzdevumu, katram no tiem ir savas prasības:

1. Kultūraugu veselības un stresa noteikšana: Droni izmanto RGB, termiskās vai multispektrālās kameras, lai identificētu stresa skartus augus, barības vielu trūkumu vai slimību simptomus. Reāllaika algoritmi var kartēt lauka mainīgumu, vadot apūdeņošanu vai mēslošanu. Precīza augu stresa pazīmju noteikšana ļauj savlaicīgi iejaukties, lai saglabātu ražu.

2. Nezāļu identificēšana: Nezāļu noteikšana starp kultūraugiem ļauj lauksaimniekiem apsmidzināt tikai nevēlamus augus, tādējādi ietaupot herbicīdus. Piemēram, pētījumā par kokvilnas laukiem tika izmantoti bezpilota lidaparātu attēli ar YOLOv7 bāzes detektoru, un tika sasniegta aptuveni 83% precizitāte nezāļu atdalīšanā no kokvilnas. Tomēr vizuāli līdzīgu nezāļu un kultūraugu atšķiršana pārblīvētos lauka attēlos joprojām ir sarežģīta.

3. Kaitēkļu un slimību atklāšana: Bezpilota lidaparāti (UAV) var pamanīt uzliesmojumus (piemēram, siseņus, kukaiņus vai sēnīšu iedegu) agrāk nekā cilvēki, kas pārvietojas kājām. Droni atbalsta arī kaitēkļu invadēto zonu kartēšanu, izmantojot multispektrālo attēlveidošanu, kas uzlabo tikai RGB. Ātra un precīza kaitēkļu noteikšana ir ļoti svarīga, lai novērstu izplatīšanos.

4. Ienesīguma novērtējums: Augļu, graudu galviņu vai augu skaitīšana no gaisa palīdz prognozēt ražas apjomus. Modeļi, kas apmācīti noteikt ābolus, melones vai kviešu galviņas bezpilota lidaparātu attēlos, var paātrināt ražas novērtēšanu. Piemēram, neironu tīkli dronu attēlos ir izmantoti, lai laukos saskaitītu arbūzu un meloņu ražu.

5. Mērniecība un kartēšana: Droni arī veido lauka kartes (topogrāfiju, augsnes atšķirības), kas palīdz plānot kultivēšanu. Lai gan tā nav tikai objektu noteikšana, tā ir daļa no bezpilota lidaparātu (UAV) uzraudzības.

Šie uzdevumi bieži vien prasa gandrīz reāllaika secinājumus: dronam, kas lido virs laukiem, var būt nepieciešams apstrādāt video kadrus reāllaikā (vairākus kadrus sekundē), lai vadības lēmumus (piemēram, augstuma pielāgošanu vai smidzinātāja aktivizēšanu) varētu pieņemt nekavējoties. Citos gadījumos nelielas kavēšanās (sekundes) varētu būt pieņemamas, ja dati tiek reģistrēti un analizēti pēc nosēšanās.

Svarīgi ir tas, ka bezpilota lidaparātu (UAV) redzei jātiek galā ar vides mainīgumu: spilgtu saules gaismu, ēnām, vēja izraisītu kustību izplūšanu, pārklājošu lapu aizsegumu vai augstuma un leņķa izmaiņām. Objektu izmēri atšķiras (tuvplāna nezāles pretstatā attālām kaitēkļu grupām), tāpēc detektoriem jāspēj tikt galā ar daudzmēroga elementiem.

Visbeidzot, lauksaimniecības bezpilota lidaparātu (UAV) misijas ietver stingrus kompromisus starp precizitāti, latentumu un enerģiju. Lai nepamanītu nezāles vai kaitēkļus, ir nepieciešama augsta noteikšanas precizitāte, taču ļoti dziļa tīkla darbība var ātri iztukšot akumulatoru. Tāpēc noteikšanas modelim ir jābūt ātram un energoefektīvam, vienlaikus pietiekami precīzam uzdevuma veikšanai. Šīs stingrās prasības izceļ, kāpēc lauksaimniecībā izmantojamiem bezpilota lidaparātiem ir nepieciešams specializēts modeļu dizains.

Vieglie objektu detektori bezpilota lidaparātu platformām

Vieglie objektu detektori ir neironu tīkli, kas īpaši izstrādāti darbībai ar ierobežotu aparatūru. Tie bieži izmanto mazus mugurkaulus (piemēram, MobileNet vai ShuffleNet), samazinātu slāņu platumu vai vienkāršotu kakla/galvas dizainu. Piemēram, YOLO saimes modeļos ietilpst “nano” un “tiny” versijas (piemēram, YOLOv8n, YOLOv5s), kurām ir mazāk parametru un nepieciešamas mazāk darbību (FLOP).

Šādi detektori var darboties ar desmitiem kadru sekundē iegultās aparatūras, piemēram, NVIDIA Jetson Nano vai Google Coral, ierīcēs. Piemēram, Ag-YOLO bija pielāgots YOLO bāzes detektors palmu plantācijām, kas darbojās ar ātrumu 36,5 kadri sekundē uz Intel Neural Compute Stick 2 (izmantojot tikai 1,5 W) un sasniedza augstu precizitāti (F1 = 0,9205). Šis modelis izmantoja aptuveni 12 reizes mazāk parametru nekā YOLOv3-Tiny, vienlaikus divkāršojot tā ātrumu.

Šie piemēri parāda kompromisus modeļa dizainā: modeļa izmēra vai sarežģītības samazināšana (piemēram, mazāk slāņu vai kanālu) parasti paātrina secinājumu izdarīšanu un samazina enerģijas patēriņu, bet var samazināt precizitāti. Ag-YOLO upurēja zināmu jaudu, lai palielinātu ātrumu un efektivitāti, tomēr savā uzdevumā joprojām saglabāja augstu F1 rezultātu - 0,92.

Līdzīgi tika salīdzināti trīs YOLOv7 varianti nezāļu noteikšanai: pilnais YOLOv7 sasniedza 83% precizitāti, savukārt mazāks YOLOv7-w6 tīkls sasniedza 63% precizitāti. Tas ilustrē vispārīgu vieglmetāla detektoru ierobežojumu: modeļi, kas noregulēti vienai videi vai objekta tipam, var darboties sliktāk citā. Detektors, kas ir sašaurināts ātruma dēļ, var palaist garām smalkas norādes (piemēram, mazas vai maskētas nezāles), tādējādi ietekmējot noturību dažādos apstākļos.

Lauksaimniecībā šie vispārīgie vieglie tīkli var nebūt optimāli bez papildu pielāgošanas. Piemēram, YOLOv7 modelis, kas iepriekš apmācīts ar bieži izmantotiem datu kopumiem, var nepilnīgi apstrādāt kultūraugu attēlu unikālās tekstūras un mērogus. Tādēļ ir nepieciešama modeļa arhitektūras optimizācija atbilstoši uzdevumiem un platformai. Manuāla regulēšana (slāņu, filtru utt. maiņa) katram jaunam drona tipam vai kultūraugu šķirnei ir darbietilpīga. Tas motivē automatizētas metodes, piemēram, izvietošanai pielāgotus NAS, lai atrastu labāko izmēra, precizitātes un robustuma līdzsvaru konkrētai bezpilota lidaparātu platformai un lauksaimniecības pielietojumam.

Neironu arhitektūras meklēšana bezpilota lidaparātu (UAV) balstītās redzes sistēmās

Neironu arhitektūras meklēšana (NAS) ir automatizēta metode neironu tīklu arhitektūru projektēšanai. Tā vietā, lai manuāli iestatītu slāņu, filtru un savienojumu skaitu, NAS izmanto algoritmus (pastiprināšanas mācīšanos, evolūcijas metodes vai gradientu meklēšanu), lai izpētītu iespējamo dizainu telpu un atrastu tādus, kas optimizē izvēlēto mērķi (piemēram, precizitāti).

NAS jau ir ticis izmantots mobilajām ierīcēm draudzīgu tīklu izveidei. Piemēram, Google MnasNet bija novatorisks “platformu apzinošs” NAS, kas mērķī tieši iekļāva reālu ierīces latentumu. MnasNet meklēšanas laikā katram kandidāta modelim izmērīja secinājumu laiku Google Pixel tālrunī un salīdzināja precizitāti ar šo izmērīto latentumu. Rezultāts bija CNN saime, kas bija gan ātra, gan precīza mobilajā aparatūrā, pārspējot manuāli izstrādātus MobileNets un NASNet modeļus ImageNet platformā.

Tomēr vispārīgas NAS pieejas, piemēram, MnasNet, koncentrējas uz vispārīgiem redzes uzdevumiem (ImageNet klasifikācija vai COCO noteikšana) un vispārīgu aparatūru (piemēram, mobilajiem tālruņiem). Bezpilota lidaparātu (UAV) kultūraugu uzraudzībai problēma ir specializētāka. Mēs vēlamies detektorus, kas ir optimizēti konkrētām objektu klasēm (augiem, nezālēm, kaitēkļiem) un pielāgoti bezpilota lidaparāta sensoriem un lidojuma profilam. Standarta NAS, kas optimizē tikai precizitāti vai vispārīgu latentumu, var nepamanīt tādas nianses kā mazu objektu noteikšana vai enerģijas ierobežojumi.

Turklāt tradicionālās NAS metodes var būt ļoti dārgas skaitļošanas ziņā (bieži vien prasa vairākas dienas lielos GPU klasteros), kas lauksaimniecības pētniekiem ne vienmēr ir praktiski. Tāpēc bezpilota lidaparātu (UAV) redzei ir nepieciešami uzdevumam specifiski NAS ietvari. Tiem jāietver ar UAV saistīti kritēriji un jābūt pēc iespējas efektīvākiem.

Visos gadījumos ierobežojumu apzināšanās ir kritiski svarīga: NAS ir jāapzinās mērķa ierīces ierobežojumi (līdzīgi kā MnasNet) un bezpilota lidaparātu uzdevumu reāllaika prasības lidojuma laikā. Ja meklēšana ir pārāk lēna vai ignorē enerģijas patēriņu, iegūtais modelis var nedarboties labi lauka apstākļos.

Praksē NAS bezpilota lidaparātu (UAV) redzei meklēšanas metrikā iekļautu aparatūras latentumu un enerģiju. Piemēram, varētu izmērīt kandidāta detektora kadru ātrumu faktiskajā drona datorā (piemēram, NVIDIA Jetson) un izmantot to kā rādītāju. Tas atšķiras no vienkāršu starpniekservera, piemēram, FLOP, izmantošanas, kas neuztver reālo ātrumu.

Tādējādi NAS var atklāt arhitektūras, kas vislabāk izmanto ierīces iespējas. Rezumējot, NAS piedāvā veidu, kā automātiski izstrādāt detektorus bezpilota lidaparātiem (UAV), taču tas ir jāpielāgo, lai ņemtu vērā bezpilota lidaparātiem raksturīgos uzdevumus un efektivitātes prasības.

Izvietošanai pielāgota NAS: pamatprincipi

Izvietošanai pielāgots NAS paplašina aparatūrai pielāgotu NAS, iekļaujot izvietošanas kontekstu un vides ierobežojumus projektēšanas procesā. Citiem vārdiem sakot, tas ņem vērā ne tikai drona aparatūru (procesora/grafiskā procesora ātrumu, atmiņas ierobežojumus, enerģijas budžetu), bet arī to, ar ko bezpilota lidaparāts faktiski saskarsies laukā. Tas nozīmē skaidru optimizāciju tādiem rādītājiem kā secinājumu latentums mērķa ierīcē, enerģijas patēriņš un atmiņas izmantošana, vienlaikus cenšoties sasniegt augstu noteikšanas precizitāti.

Piemēram, NAS laikā katru kandidāta modeli varētu izvietot uz bezpilota lidaparātam pievienotas Jetson Nano ierīces un reģistrēt tā reālo secinājumu laiku un enerģijas patēriņu. Šī empīriskā atgriezeniskā saite palīdz meklēt modeļus, kas patiešām atbilst izvietošanas kritērijiem.

Aparatūras līmenī strādājošas NAS (piemēram, MnasNet) koncentrējas uz ierīces metriku, savukārt izvietošanas līmenī strādājošas NAS iet tālāk: tās var ņemt vērā sensoru ievades raksturlielumus (piemēram, attēla izšķirtspēju, multispektrālos kanālus) un lietojumprogrammu latentuma mērķus (nepieciešamie kadri sekundē). Tās var pat iekļaut lidojuma ierobežojumus, piemēram, maksimāli pieļaujamo atmiņu, vai novērtējumus simulētas vēja vibrācijas vai kustības izplūšanas apstākļos.

Izvietošanai paredzēts NAS varētu sodīt arhitektūras, kas pārsniedz, piemēram, 5 W jaudas patēriņu vai kurām nepieciešams vairāk atmiņas nekā dronam. Tādējādi meklēšana dabiski tiek novirzīta uz praktiskiem modeļiem bezpilota lidaparāta (UAV) darbības laukā. Būtībā izvietošanai paredzēts NAS ir par modeļa dizaina un reālās lietošanas saiknes noslēgšanu. Tā vietā, lai izvēlētos arhitektūru atsevišķi un cerētu, ka tā darbosies, meklēšanas laikā tas sistemātiski ietver testēšanu reālās ierīcēs.

Piemēram, Kerec et al. (2026) izmantoja šādu sistēmu, lai meklētu bezpilota lidaparātu detektoru: viņi balstījās uz YOLOv8n bāzes līniju, bet meklēšanā iekļāva Jetson Nano latentumu un enerģiju. Iegūtajam modelim bija par 37% mazāk GFLOP un par 61% mazāk parametru nekā YOLOv8n, un mAP kritums bija tikai 1,96%. Tas skaidri parāda, kā izvietošanas ierobežojumi virzīja NAS uz daudz vieglāku un ātrāku tīklu.

Izvietošanas ziņā apzinīgu NAS loma precīzās lauksaimniecības uzraudzībā

Izvietošanai pielāgota NAS sistēma var ievērojami uzlabot bezpilota lidaparātu (UAV) kultūraugu uzraudzību, pielāgojot detektorus lauksaimniecības apstākļiem. Piemēram, meklēšana var dot priekšroku arhitektūrām, kas izceļas ar spēju noteikt mazus, plānus objektus (piemēram, šauras nezāles vai tievus kukurūzas stādus) vai atšķirt augus no augsnes fona. Tā var pielāgot tīkla dziļumu un uztveres laukus tipiskajam lidojuma augstumam: zemā augstumā objekti aizpilda attēlu un var būt nepieciešamas sīkas detaļas, savukārt lielākā augstumā tīklam vajadzētu būt labam maza mēroga noteikšanā. Izvietošanai pielāgota NAS sistēma var iekodēt šīs prasības savā meklēšanas telpā.

Ātrums ir kritiski svarīgs lauka apstākļos. Iedomājieties, ka drons atklāj kaitēkļu uzliesmojumu; ja modelis ir pietiekami ātrs, lai apstrādātu video, piemēram, ar 30 kadriem sekundē, tas var brīdināt pilotu vai ierosināt tūlītēju ārstēšanas darbību. Testos NAS izstrādāts modelis darbojās par 28% ātrāk uz Jetson Nano nekā standarta YOLOv8n, pateicoties tā optimizētajai arhitektūrai. Tas arī patērēja par 18,5% mazāk enerģijas ONNX darbības laikā, kas nozīmē, ka drons var lidot ilgāk ar to pašu akumulatoru. Šie ieguvumi padara lēmumu pieņemšanu lidojuma laikā vieglāku un pagarina misijas ilgumu.

Vēl viena priekšrocība ir robustums. Tā kā izvietošanai pielāgots NAS ietver faktisku ierīces novērtēšanu, meklēšana var ietvert testus dažādos apstākļos. Piemēram, tā var simulēt vāju apgaismojumu vai iekļaut apmācības attēlus no rītausmas un krēslas, nodrošinot, ka galīgais detektors saglabā precizitāti reālos laika apstākļos un apgaismojuma izmaiņās. Darbs parādīja, ka no NAS iegūtais detektors ir labi vispārināms: viņi to pārbaudīja ar diviem dažādiem kultūraugu datu kopumiem (kviešu galviņām un kokvilnas stādiem) un abos konstatēja labu veiktspēju.

Tas liek domāt, ka izvietošanas ziņā apzinātas NAS sistēmas palīdzēja atrast kopīgas, lauksaimniecībai noderīgas funkcijas, uzlabojot vispārināšanu uz jauniem laukiem. Kopumā izvietošanas ziņā apzinātas NAS sistēmas palīdz līdzsvarot precizitāti ar ilgāku lidojuma laiku. Samazinot skaitļošanas apjomu, droni patērē mazāk enerģijas un var aptvert lielāku platību ar vienu akumulatora uzlādi, vienlaikus joprojām droši nosakot kultūraugus un kaitēkļus.

Lauksaimniecības bezpilota lidaparātu detektoru meklēšanas telpas dizains

Svarīga izvietošanai pielāgota NAS sastāvdaļa ir meklēšanas telpa — iespējamo tīkla dizainu kopums, ko tā apsver. Bezpilota lidaparātu (UAV) kultūraugu detektoru meklēšanas telpu var izveidot, iekļaujot šajā jomā daudzsološas arhitektūras. Galvenās daļas ietver:

1. Mugurkaula dizains: Mugurkauls ir iezīmju ieguvējs. Bezpilota lidaparātiem (UAV) varētu iekļaut vieglus konvolucionārus pamatblokus, piemēram, dziļumā atdalāmus konvolūcijas blokus (kā to izmanto MobileNet) vai apgrieztus atlikumu blokus. Apgrieztie atlikumi un lineārie sašaurinājumi (MobileNetV2 stilā) ir labi pazīstami ar savu mobilo efektivitāti. Meklēšanas telpa varētu ļaut mainīt katra bloka platumu (kanālu skaitu) un dziļumu, lai tas atbilstu UAV skaitļošanas budžetam. Varētu iekļaut arī uzmanības vai transformatora iedvesmotus moduļus, ja UAV tos var atļauties ar mazu enerģijas patēriņu.

2. Kakla dizains: Daudzi objektu detektori izmanto iezīmju piramīdas (FPN) vai ceļu apkopošanas tīklus, lai apvienotu daudzmēroga iezīmes. Meklēšanā varētu izpētīt vienkāršotus FPN vai vieglu iezīmju apkopošanu. Piemēram, varētu būt iespējams izmantot viena mēroga galvu salīdzinājumā ar daudzmēroga galvām. Telpa varētu ļaut apvienot slāņus vai izlaist savienojumus, kas palīdz noteikt dažāda izmēra objektus.

3. Galvas dizains: Arī noteikšanas galviņu (klasifikācijas un kastes regresijas slāņus) var mainīt. Bezpilota lidaparātiem, kas meklē vienādus laukus, varētu pietikt ar vienkāršāku galviņu. Taču, lai noķertu mazus nezāles, meklēšanā var iekļaut papildu konvolucionālos slāņus vai dažādas enkuru shēmas.

4. Vieglas darbības: Meklēšanas telpa var nepārprotami atļaut tikai zemas izmaksas. Piemēram, izvēlēties starp 3×3 konversiju un lētāku 1×3+3×1 faktorizētu konversiju vai iekļaut GhostNet moduļus. Tā var arī atļaut mazus kodola izmērus vai samazinātas dimensijas, lai ierobežotu aprēķinus. Visas šīs izvēles nosaka aparatūra. Telpa var aizliegt jebkuru slāņu konfigurāciju, kas pārsniedz drona atmiņas ierobežojumu vai paredzamo enerģijas slieksni.

Rūpīgi izstrādājot šo meklēšanas telpu, NAS process tiek virzīts uz efektīvām, bet lietderīgām arhitektūrām. Rezultāts varētu būt jauna bloku kombinācija, kas nav ņemta vērā standarta modeļos. Vislabāk atrastais detektors izmantoja pielāgotas bloku izvēles, kas samazināja GFLOP par 37% un parametrus par 61%, salīdzinot ar YOLOv8n.

Tas bija iespējams, jo NAS varēja kombinēt mugurkaula un galvas elementus, ievērojot bezpilota lidaparātu (UAV) ierobežojumus. Rezumējot, lauksaimniecības bezpilota lidaparātu (UAV) detektoru meklēšanas telpa koncentrējas uz mērogojamiem, viegliem pamatelementiem un daudzpakāpju apstrādi, kas viss ir borta aparatūras iespēju robežās.

Optimizācijas mērķi un ierobežojumi

Izvietošanas ziņā apzinīgām NAS sistēmām ir jāspēj apvienot vairākus mērķus. Galvenais mērķis parasti ir noteikšanas precizitāte (piemēram, vidējā precizitāte, mAP), kas mērīta kultūraugu uzraudzības datu kopās. Piemēram, mAP@50 (precizitāte pie 50% IOU) ir izplatīts rādītājs. NAS optimizētajam modelim mAP@50 kritums bija tikai 1,96% salīdzinājumā ar bāzes YOLOv8n, kas ir ļoti mazs zaudējums, ņemot vērā sasniegto pieaugumu. Tiek ņemta vērā arī precizitāte un atcerēšanās (vai F1 rādītājs) galvenajās klasēs (nezāles, kultūraugi).

Vienlaikus ir jāoptimizē latentums un enerģija. Latentums ir secinājuma laiks katram attēlam; iegultam GPU tas var būt 20–50 ms vai vairāk. Zemāks latentums nozīmē lielāku kadru ātrumu. Enerģijas patēriņš (džouli uz kadru) ir ļoti svarīgs lidojuma izturībai. Atmiņas nospiedums (parametru skaits, modeļa lielums) ir vēl viens ierobežojums; modeļiem ir jāiekļaujas ierīces RAM. Tāpēc NAS parasti nosaka mērķi vai sodu šiem ierobežojumiem.

Piemēram, jebkurš modelis, kas ir lēnāks par noteiktu slieksni vai pārsniedz parametra budžetu, var tikt pazemināts. Tas faktiski pārvērš NAS par daudzmērķu optimizācijas problēmu: maksimizēt precizitāti, vienlaikus samazinot latentumu, enerģiju un izmēru.

Praktiski to varētu izdarīt, izmantojot mērķu svērto summu vai stingrus ierobežojumus. Dažas metodes piešķir lielu sodu jebkuram kandidātam, kas pārsniedz bezpilota lidaparāta jaudas ierobežojumu. Citas tieši aprēķina enerģijas metriku: modeļi tika testēti ONNX izpildlaikā, lai izmērītu “energoefektivitāti”, un labākais modelis bija par +18,5% energoefektīvāks nekā YOLOv8n. Šis bija viens no mērķiem, kas vadīja viņu meklējumus.

Atrastos kompromisus var vizualizēt uz Pareto robežas: vienā galā - ārkārtīgi ātri mazi modeļi ar zemāku precizitāti; otrā galā - lieli, precīzi modeļi, kas ir pārāk lēni vai daudz enerģijas patērējoši dronam. Izvietošanai apzinīgs NAS mērķis ir atrast optimālo punktu uz šīs robežas, kas atbilst reālajām misijas prioritātēm (piemēram, neliels precizitātes zudums lielam paātrinājumam). Rezumējot, NAS jāņem vērā precizitātes rādītāji (mAP, F1) un secinājumu ierobežojumi (ms uz kadru, džouli uz kadru, atmiņa). Šī līdzsvarotā optimizācija ir tas, kas padara modeli patiesi gatavu izvietošanai bezpilota lidaparātu lietošanai.

Apmācība un novērtēšana reālistiskos lauksaimniecības apstākļos

Lai NAS atrastie detektori darbotos labi, tie ir jāapmāca un jāpārbauda ar reālistiskiem lauksaimniecības datiem. Tas nozīmē izmantot datu kopas, kas atspoguļo reālu lauku mainīgumu: dažādas kultūraugu sugas, augšanas stadijas, gadalaikus, apgaismojuma apstākļus un augstumus. Piemēram, apmācība, izmantojot tikai jaunu kukurūzas dzinumu attēlus, var netikt vispārināta uz nobriedušām kviešu galviņām. Laukam reprezentatīvas datu kopas nodrošina, ka modelis apgūst saimniecībai svarīgas pazīmes. Apmācības laikā var izmantot arī datu palielināšanu (nejaušas kultūras, spilgtuma izmaiņas, kustības izplūšana), lai atdarinātu dronu kustību un apgaismojumu.

Veicot novērtēšanu, ir svarīgi pārbaudīt modeli pēc iespējas reālākos apstākļos. Simulācijas rīki var palīdzēt (piemēram, virtuāla drona lidošana virs 3D laukiem), taču reāli lidojumu testi ir zelta standarts. Salīdzinošā novērtēšana uz borta tiek veikta, darbinot modeli uz faktiskās bezpilota lidaparāta aparatūras. Pēc NAS viņi izvietoja kandidātu uz Jetson Nano un izmērīja par 28,1% ātrāku secinājumu veikšanu (salīdzinājumā ar bāzes YOLOv8n) un labāku enerģijas patēriņu. Šāda veida reālās ierīces atgriezeniskā saite apstiprina, ka meklēšanas rezultātā tika iegūts modelis, kas patiešām atbilst prasībām.

Arī vispārināšana ir ļoti svarīga. Modeli var meklēt un apmācīt vienai kultūrai (piemēram, kviešiem), bet lauksaimniekiem ir nepieciešami detektori, kas darbojas dažādos laukos. Pētījums demonstrēja spēcīgu vispārināšanu starp kultūrām: no NAS iegūtais detektors, kas apmācīts vienam uzdevumam, joprojām labi darbojās ar citu kultūru datu kopu (kokvilnas stādiem) bez atkārtotas apmācības. Tas liecina, ka izvietošanai pielāgotas NAS var radīt stabilas arhitektūras. Tomēr domēnu maiņas (piemēram, pāreja no kukurūzas laukiem uz augļu dārziem) joprojām var prasīt precīzu noregulēšanu vai turpmāku meklēšanu. Ieteicama arī testēšana dažādos gadalaikos (vasaras un rudens attēli).

Visbeidzot, katrs jauns modelis pirms ieviešanas ir jāpārbauda bezpilota lidaparātu (UAV) platformā. Tas ietver tā precizitātes un ātruma reģistrēšanu dronos, aparatūras nepārkaršanas nodrošināšanu un jaudas patēriņa pārbaudi. Tikai tad lauksaimnieki var tam uzticēties kritiski svarīgas uzraudzības veikšanai. Apvienojot lauka apstākļiem atbilstošu apmācību un stingru aparatūras novērtējumu, ieviešanai pielāgotas NAS sistēmas (NAS) nodrošina detektorus, kas ir ne tikai teorētiski efektīvi, bet arī pārbaudīti praksē.

Priekšrocības salīdzinājumā ar manuāli konstruētiem bezpilota lidaparātu detektoriem

Izvietošanai pielāgotam NAS ir vairākas nepārprotamas priekšrocības salīdzinājumā ar tradicionālajiem, manuāli izstrādātajiem bezpilota lidaparātu modeļiem:

1. Labāki kompromisi veiktspējas ziņā: Ar NAS atrastajiem modeļiem ir tendence nodrošināt augstākas precizitātes, ātruma un energoefektivitātes kombinācijas. Piemēram, labākais modelis darbojās par 28% ātrāk un patērēja par 18,5% mazāk enerģijas uz Jetson Nano nekā manuāli izvēlētais YOLOv8n bāzes modelis, vienlaikus zaudējot tikai ~2% noteikšanas mAP. Šādu līdzsvaru manuāli panākt būtu ļoti grūti.

2. Uzlabota vispārināšana: NAS atklātie modeļi var būt labāk pielāgojami jauniem apstākļiem, jo meklēšanā var iekļaut dažādus datus vai mērķus. Automātiski izstrādātais detektors labi vispārināja rezultātus dažādiem kultūraugu veidiem (kviešiem un kokvilnai) un apgaismojuma apstākļiem. Šī plašā robustums ir ļoti svarīgs, kad lidojumi saskaras ar negaidītām ainām.

3. Samazinātas inženiertehniskās pūles: NAS automatizē daudzas izmēģinājumu un kļūdu metodes. Tā vietā, lai manuāli pielāgotu slāņu izmērus un pārbaudītu daudzus kandidātus, izvietošanai pielāgots NAS iteratīvi izpēta iespējas un atrod jums labāko dizainu. Tas ietaupa izstrādes laiku un zināšanas, atvieglojot detektoru atjaunināšanu jauniem uzdevumiem vai aparatūrai.

4. Mērogojamība: Kad NAS ietvars ir iestatīts, to var izmantot dažādām bezpilota lidaparātu (UAV) platformām vai misijām. Piemēram, viens un tas pats izvietošanai pielāgotais NAS varētu meklēt detektoru, kas noregulēts uz citu kameras izšķirtspēju vai drona modeli, vienkārši mainot ierobežojumu ievades vērtības. Tas ir daudz mērogojamāk nekā tīklu pārveidošana no nulles katram scenārijam.

Izaicinājumi un ierobežojumi

Izvietošanai pielāgots NAS ir spēcīgs, taču tas nav brīnumlīdzeklis. Tas ir jāizmanto pārdomāti, apzinoties tā resursu prasības un mērķa vides mainīgumu. Neskatoties uz savu daudzsološo potenciālu, izvietošanai pielāgotam NAS ir arī izaicinājumi:

1. Augstas meklēšanas izmaksas: NAS var būt nepieciešama ievērojama skaitļošanas jauda. Pat ar efektīviem algoritmiem arhitektūras telpas meklēšana var aizņemt daudzas GPU stundas (vai specializētus skaitļošanas resursus). Ja meklēšanas pieskaitāmās izmaksas netiek rūpīgi pārvaldītas, dažām komandām tās var būt pārāk lielas.

2. Datu neobjektivitāte un domēna nobīde: NAS ir tikpat labs, cik labi ir izmantotie dati. Ja apmācības attēli neatspoguļo lauka apstākļus, atrastā arhitektūra realitātē var nedarboties labi. Piemēram, modelis, kas pielāgots vienam kultūraugu veidam vai vienam ģeogrāfiskajam reģionam, var nepilnīgi pāriet uz citu bez turpmākas pielāgošanas.

3. Aparatūras neviendabīgums: Bezpilota lidaparātu aparatūra ir pieejama dažādās versijās (dažādi iegultie grafiskie procesori, centrālie procesori, FPGA). Modelis, kas optimizēts vienai platei, var nebūt optimāls citai. Izvietošanas ziņā orientētiem NAS ir vai nu atkārtoti jāveic meklēšana katrai platformai, vai jāizmanto konservatīvi ierobežojumi, kas atbilst visām, kas var ierobežot veiktspēju.

4. Praktiski ierobežojumi: Reāla lauksaimniecības ieviešana ietver tādus jautājumus kā tīkla atjauninājumi pa ēteru, sistēmas integrācija ar lidojumu vadību un drošības sertifikācija. Pat labākais NAS modelis ir jāintegrē pilnvērtīgā dronu sistēmā. Modeļa atjauninājumu koordinēšana, normatīvo aktu apstiprinājumi un lauksaimnieku apmācība ir netehniski šķēršļi.

Nākotnes virzieni

Nākotnē, visticamāk, modeļa dizaina, sensoru tehnoloģijas un bezpilota lidaparātu vadības integrācija būs vēl ciešāka. Izvietošanai pielāgotas NAS joprojām būs galvenais instruments šajā kopdizaina procesā. Raugoties nākotnē, rodas vairākas aizraujošas iespējas:

1. Tiešsaistes un adaptīvās NAS: Tā vietā, lai veiktu vienreizēju bezsaistes meklēšanu, nākotnes sistēmas varētu pielāgot tīklu reāllaikā vai starp lidojumiem. Piemēram, drons varētu sākt darbu ar bāzes modeli un, izmantojot vieglus NAS algoritmus, pielāgoties, lai acumirklī tiktu galā ar jauniem apgaismojuma vai reljefa apstākļiem. Šī “ierīcē iebūvētā NAS” ir ļoti sarežģīta, taču tā varētu ievērojami uzlabot pielāgošanās spējas.

2. Sensoru un modeļu kopīga izstrāde: Nākotnes precīzās lauksaimniecības sistēmas varētu kopīgi optimizēt kameras (RGB, multispektrālā, infrasarkanā) un neironu tīkla izvēli. Izvietošanas ziņā apzinīgs NAS varētu paplašināties, iekļaujot sensoru parametrus (piemēram, izmantotās spektra joslas) savā meklēšanā, atrodot labāko aparatūras un modeļa kombināciju.

3. Multispektrālā/hiperspektrālā integrācija: Kā liecina kokvilnas slimības pētījums, multispektrālu attēlu integrēšana var uzlabot atklāšanu, īpaši agrīnās stadijas problēmu gadījumā. Nākotnes NAS varētu izpētīt daudzstraumju modeļus, kas apvieno RGB un tuvā infrasarkanā starojuma kanālus, lai uzticamāk noteiktu smalkas augu izmaiņas.

4. Autonomās lēmumu pieņemšanas procesi: Galu galā NAS optimizēti detektori varētu nodrošināt pilnīgu autonomiju. Piemēram, drons varētu automātiski ģenerēt smidzināšanas plānu vai brīdināt saimniecības vadītājus, ja tas konstatē noteiktus apstākļus. Izvietošanas ziņā apzinīgus NAS varētu paplašināt līdz pilniem cauruļvadiem (noteikšanas + darbības modeļi), optimizējot visu sistēmu.

5. Ētiskie un vides apsvērumi: Bezpilota lidaparātiem (UAV) kļūstot arvien spējīgākiem, mums jāņem vērā privātums, gaisa telpas drošība un ietekme uz lauksaimniecības darbaspēku (kā norādījuši Agravals un Arafats). Svarīgs nākotnes mērķis ir nodrošināt, lai NAS optimizēti droni lauksaimniecībā tiktu izmantoti atbildīgi.

Secinājums

Izvietošanas ziņā apzinīga NAS ir jaudīga pieeja, lai pielāgotu vieglus objektu detektorus bezpilota lidaparātu (UAV) kultūraugu uzraudzībai. Iekļaujot meklēšanā bezpilota lidaparātu (UAV) aparatūru un misijas ierobežojumus, tā ģenerē modeļus, kas ietaupa aprēķinus un enerģiju, neupurējot lielu precizitāti. Piemēram, nesen veikts darbs parādīja, ka NAS izstrādāts detektors izmanto par 37% mazāk FLOP un 61% mazāk parametru nekā atsauces YOLOv8n, tomēr tā mAP samazinājās tikai par ~2%.

Faktiskajā dronu aparatūrā tas nozīmēja ātrāku 28% secinājumu veikšanu un labāku 18% energoefektivitāti. Šādi ieguvumi nozīmē ilgāku lidojuma laiku, ātrāku analīzi un atsaucīgāku lauksaimniecības atbalstu. Salīdzinot ar manuāli izstrādātiem modeļiem, izvietošanai pielāgotais NAS nodrošina labāku veiktspējas vispārināšanu, mazāku manuālas regulēšanas piepūli un mērogojamību jaunām bezpilota lidaparātu platformām.

Precīzās lauksaimniecības kontekstā šie uzlabojumi var padarīt bezpilota lidaparātu (UAV) kultūraugu uzraudzību praktiskāku un efektīvāku. Droni, kas aprīkoti ar NAS optimizētiem detektoriem, var uzticamāk noteikt nezāles, kaitēkļus vai stresu, nodrošinot savlaicīgu iejaukšanos, kas ietaupa resursus un palielina ražu. Tā kā lauksaimniecība turpina ieviest dronus un mākslīgo intelektu, izvietošanai apzinīgām NAS būs galvenā loma, lai nodrošinātu, ka modeļi, kas darbojas uz šiem droniem, ir efektīvi, precīzi un gatavi darbam laukā. Tas savieno jaunākos neironu tīklu pētījumus un lauksaimnieku praktiskās vajadzības, palīdzot veicināt uz datiem balstītas, precīzās lauksaimniecības nākotni.

Mazajiem lauksaimniekiem ir izšķiroša loma pasaules pārtikas ražošanā, taču viņi saskaras ar daudzām problēmām, sākot no resursu ierobežojumiem līdz neparedzamiem vides faktoriem. Šajā tehnoloģiskās attīstības laikmetā bezpilota lidaparāti (UAV), plašāk pazīstami kā droni, ir kļuvuši par pārveidojošu spēku mazo lauksaimnieku lauksaimniecībā.

Šie gaisa transportlīdzekļi piedāvā risinājumus, kas potenciāli var revolucionizēt lauksaimniecības praksi un uzlabot mazo lauksaimnieku dzīvi.

Lai patiesi izprastu dronu potenciālu un ietekmi uz mazajiem lauksaimniekiem paredzētajām lauksaimniecībām, pētnieki ir veikuši padziļinātu esošo pētījumu un tendenču analīzi šajā jomā. Viņu gūtās atziņas izgaismo bezpilota lidaparātu aizraujošo lomu lauksaimniecības inovācijās.

Pētījums liecina, ka dronu izmantošana mazo saimniecību lauksaimniecībā pieaug. Pēdējo gadu laikā ir ievērojami palielinājusies interese par šo tehnoloģiju un investīcijas tajā. Kopš 2016. gada saliktais gada pieauguma temps ir aptuveni 31%, kas liecina par pieaugošu dronu vērtības atzīšanu lauksaimniecībā.

Vadošā sadarbība un ietekme

Dronu izmantošana lauksaimniecībā kļūst par galveno pētniecības uzmanības objektu, un tas atspoguļojas akadēmiskajā aprindās. Žurnāli, piemēram, “Drones” un “Remote Sensing”, ir kļuvuši par līderiem pētījumu publicēšanā saistībā ar bezpilota lidaparātiem lauksaimniecībā, ar aptuveni 35% no kopējām publikācijām šajā jomā. Starp šiem žurnāliem “Drones” izceļas ar vislielāko citēšanas skaitu, kas uzsver tā nozīmi.

Globālajā bezpilota lidaparātu (UAV) pielietojuma ainavā mazo saimniecību lauksaimniecībā pētnieki ir identificējuši 14 valstis kā aktīvus dalībniekus. Jāatzīmē, ka Ķīna, Dienvidāfrika, Nigērija, Šveice un ASV ir šī pētījuma priekšgalā.

Ķīna pastāvīgi ierindojas starp piecām visvairāk citētajām valstīm, kas norāda uz tās spēcīgo klātbūtni šajā jomā. Lai gan lielākā daļa pētījumu notiek valsts ietvaros, ir sākušas veidoties arī starptautiskas sadarbības.

Turklāt pētījumā ir izcelts 131 autora ieguldījums, kuri ar savām 23 publikācijām ir būtiski ietekmējuši šo jomu. Ievērojami autori, piemēram, Vimbaji Čimonjo, Alisters Klulovs, Tafadzvanashe Mabhaudhi un Mbulisi Sibanda, ir aktīvi iesaistījušies dronu izmantošanas veicināšanā mazo saimniecību lauksaimniecībā.

Runājot par citātiem, Ola Hols un Magnuss Jirstrēms ir vieni no atzītākajiem, kas norāda uz viņu būtisko ietekmi šajā tēmā.

Revolucionāra kultūraugu uzraudzība

Kultūraugu attīstības uzraudzība un ražas novērtēšana kļūst par galvenajiem bezpilota lidaparātu (UAV) pielietojumiem mazo saimniecību lauksaimniecībā. Droni nodrošina unikālu skatu punktu, lai novērtētu kultūraugu veselību un sparu visā augšanas sezonā.

Tie var atklāt tādas problēmas kā ūdens stress, slimības un barības vielu trūkums. Analizējot kultūraugu atstarošanas datus, mazie lauksaimnieki var laikus iejaukties un novērst ievērojamus ražas zudumus. No bezpilota lidaparātiem iegūtie veģetācijas indeksi, tostarp NDVI, EVI un SAVI, spēlē izšķirošu lomu kultūraugu attīstības novērtēšanā.

1. Mēslošanas līdzekļu pārvaldības precizēšana

Mēslošanas līdzekļu lietošanas optimizēšana ir kritiski svarīgs precīzās lauksaimniecības aspekts. Bezpilota lidaparāti (UAV) palīdz mazajiem lauksaimniekiem šajā darbā, novērtējot lapu hlorofila saturu, kas ir cieši saistīts ar lapu slāpekli.

Šī informācija palīdz lauksaimniekiem pieņemt pamatotus lēmumus par mēslošanas līdzekļu lietošanu. Pētījumi liecina, ka no bezpilota lidaparātiem iegūtie dati var uzlabot mēslošanas līdzekļu efektivitāti par aptuveni 10%.

2. Kultūraugu kartēšana efektīvai pārvaldībai

Precīza kartēšana ir vēl viena joma, kurā droni izceļas. Ar augstas izšķirtspējas attēlu un mašīnmācīšanās palīdzību bezpilota lidaparāti palīdz mazajiem lauksaimniekiem precīzi kartēt savus laukus. Šī tehnoloģija ir precīzās lauksaimniecības pamatā, jo tā informē par zemes izmantošanu un kultūraugu kartēšanu.

Pārskatītajos pētījumos algoritmu apmācības metodes parasti ietvēra zemes uzmērījumu vai augstas izšķirtspējas attēlu izmantošanu. Attēlu klasifikācijai tiek izmantoti tādi algoritmi kā nejauša meža algoritms, atbalsta vektoru mašīnas un dziļi neironu tīkli, padarot kultūraugu kartēšanu precīzāku.

Izaicinājumi un iespējas

Lai gan dronu potenciāls mazo lauksaimnieku lauksaimniecībā ir acīmredzams, ir svarīgi atzīt izaicinājumus, kas rodas to ieviešanas rezultātā.

1. Nepietiekamu in situ datu trūkumsDaudzi modeļi ir atkarīgi no kvalitatīvu in situ datu pieejamības izstrādei un validācijai. Šādi dati ne vienmēr ir viegli pieejami un to darbības joma var būt ierobežota.

2. Dažādi bezpilota lidaparātu (UAV) veidi un lietderīgā slodze: Droni ir pieejami dažādos izmēros un veidos, katram no tiem ir atšķirīgas iespējas. To lidojuma laiks un kravnesība var nebūt piemērota liela mēroga lauksaimniecības vajadzībām.

3. Jūtība pret laikapstākļiemLaika apstākļi var būtiski ietekmēt datu vākšanu ar droniem. Stiprs vējš un lietus var radīt problēmas datu vākšanā.

4. PieejamībaDronu ekspluatācija un datu apstrādes programmatūras iegāde var būt dārga, īpaši naudas trūkumā nonākušajiem mazajiem lauksaimniekiem.

5. Tehniskā ekspertīze: Dronu ekspluatācijai un apkopei, kā arī datu apstrādei ir nepieciešamas specializētas prasmes, kas ne vienmēr ir viegli pieejamas.

6. Normatīvie aktiStingri noteikumi, ko nosaka potenciālie riski, kas saistīti ar bezpilota lidaparātu (UAV) ekspluatāciju, var ierobežot to izmantošanu vai radīt nepieciešamību iegūt pilota licenci.

7. Skaitļošanas resursiDronu ģenerēto milzīgo datu apjomu apstrāde var būt skaitļošanas ziņā intensīva, un tai var būt nepieciešami papildu resursi un apmācība.

Tomēr šīs problēmas rada daudzas iespējas:

1. Dažādi pielietojumi precīzajā lauksaimniecībā: Droni piedāvā dažādus pielietojumus precīzajā lauksaimniecībā, ne tikai kultūraugu uzraudzību un kartēšanu, bet arī integrētu nezāļu apkarošanu, ūdens izmantošanas novērtēšanu, apūdeņošanas ūdens kvalitātes un daudzuma novērtēšanu, augsnes īpašību kartēšanu un mainīgas devas recepšu kartes pesticīdu pārvaldībai.

2. Daudzpusīgi dati lēmumu atbalstam: Dronu sniegtie daudzveidīgie dati paver durvis lēmumu atbalsta rīku izstrādei, kas var vienlaikus risināt vairākus mērķus.

3. Uzlabotas mākoņdatošanas platformasTādas platformas kā Google Earth Engine piedāvā jaunas iespējas bezpilota lidaparātu datu apstrādei un analīzei.

4. Sinerģija starp droniem un satelītiemDroni un satelīti var sniegt papildinošus datus dažādām lietojumprogrammām, un ir nepieciešami pētījumi, lai atraisītu to potenciālo sinerģiju.

5. Pieejas vidēm ar ierobežotu datu apjomu: Inovācijas padara datu trūkumu mazāk traucējošu, ko apliecina pieejas, kurām nepieciešami minimāli in situ dati, un pārneses mācību metodes.

6. Izmaksu un ieguvumu analīze: Dronu tehnoloģiju un citu tālizpētes metožu izmaksu salīdzinājums atklās to pieejamību un ieguvumus.

7. Sieviešu iespēju paplašināšana lauksaimniecībā: Precīzās lauksaimniecības ieviešana, ko veicina droni, var dot iespēju sievietēm mazajās lauku saimniecībās un uzlabot viņu spēju risināt problēmas un nākotnes nenoteiktību.

8. Jaunatnes iesaistīšana: Lauksaimniecības modernizācija, izmantojot uz bezpilota lidaparātiem (UAV) balstītu precīzo lauksaimniecību, var stimulēt jauniešu interesi par lauksaimniecību, tādējādi veicinot nozares ilgmūžību un noturību.

Secinājums

Noslēgumā jāsaka, ka dronu integrācija mazo lauksaimnieku lauksaimniecībā varētu pārveidot miljonu mazo lauksaimnieku iztikas līdzekļus. Nodrošinot inovatīvus risinājumus kultūraugu uzraudzībai, mēslošanas līdzekļu pārvaldībai un kartēšanai, droni sniedz lauksaimniekiem vērtīgu ieskatu pārdomātu lēmumu pieņemšanā. Neskatoties uz izaicinājumiem, mazo lauksaimnieku lauksaimniecības nākotne ar droniem ir pilna ar iespējām. Strauji attīstošās tehnoloģijas apvienojumā ar to izmaksu samazināšanos paver jaunas durvis lauksaimniecības nozarei un piedāvā solījumu par pārtikas nodrošinājumu, vides ilgtspējību un ekonomisko labklājību lauksaimniecības kopienām visā pasaulē.