Tālizpēte ieviest revolucionāras izmaiņas nikotīna uzraudzībā cigāru lapās

Novatoriskā pētījumā tiek izmantota bezpilota lidaparātu (UAV) hiperspektrālā attēlveidošana un mašīnmācīšanās, lai precīzi novērtētu nikotīna līmeni cigāru lapās.

Jaunākie sasniegumi aerofotogrāfijas hiperspektrālajā attēlveidošanā apvienojumā ar mašīnmācīšanos ir revolucionizējuši nikotīna monitoringu cigāru lapās. Šī progresīvā pieeja uzlabo novērtēšanas precizitāti, vienlaikus sniedzot vērtīgu ieskatu tabakas rūpniecībā, kur ķīmiskais sastāvs ir kritiski svarīgs kvalitātei.

Sičuaņas Lauksaimniecības universitātes Tiana un līdzautoru vadībā pētnieki centās pārvarēt tradicionālo manuālo kvalitātes pārbaužu ierobežojumus, kurām bieži vien trūkst precizitātes un efektivitātes. Viņu pētījums, kas publicēts 2025. gada 2. februārī, atklāj spēcīgu korelāciju starp slāpekļa mēslojuma izmantošanu, mitruma līmeni un nikotīna koncentrāciju, uzsverot savlaicīgu un precīzu uzraudzības metožu nozīmi.

Pētījums tika veikts no 2022. gada maija līdz septembrim universitātes Modernās lauksaimniecības pētniecības bāzē, kur pētnieki izmantoja bezpilota lidaparātus (UAV), kas aprīkoti ar hiperspektrālām kamerām, lai uztvertu 15 dažādu cigāru lapu šķirņu lapu atstarošanas spektrus dažādās slāpekļa apstrādēs.

Viņu atklājumi atklāja tiešu korelāciju starp slāpekļa mēslojuma lietošanu un nikotīna līmeni cigāru lapās. "Palielinoties slāpekļa mēslojuma lietošanas ātrumam, palielinājās nikotīna saturs cigāru lapās," norādīja autori, uzsverot lauksaimniecības prakses ietekmi uz produktu kvalitāti.

Lai uzlabotu bezpilota lidaparātu (UAV) savākto hiperspektrālo attēlu datu kvalitāti, pētījumā tika izmantotas tādas pirmapstrādes metodes kā daudzfaktoru izkliedes korekcija, standarta normālā transformācija un Savica-Golaja konvolūcijas izlīdzināšana. Pēc tam tika pielietoti uzlaboti mašīnmācīšanās algoritmi, tostarp daļējas mazāko kvadrātu regresijas (PLSR) un atpakaļizplatīšanās neironu tīkli, lai izstrādātu paredzošos modeļus, kas spēj precīzi novērtēt nikotīna saturu.

Visefektīvākais identificētais modelis bija MSC-SNV-SG-CARS-BP modelis, kas sasniedza testēšanas precizitāti ar R² vērtībām aptuveni 0,797 un RMSE 0,078. "MSC-SNV-SG-CARS-BP modelim ir vislabākā nikotīna satura prognozēšanas precizitāte," atzīmēja autori, pozicionējot to kā daudzsološu instrumentu turpmākiem pētījumiem un precīzās lauksaimniecības pielietojumiem.

Izmantojot tālizpēti, lai analizētu cigāru lapu spektrālās īpašības, lauksaimnieki un ražotāji var ātri un nedestruktīvi novērtēt ražas kvalitāti, tādējādi ļaujot pieņemt pamatotākus lēmumus par ražošanu un piegādes ķēdi. Šī pieeja piedāvā plašu pārklājumu par zemām ekspluatācijas izmaksām, vienlaikus nodrošinot datu konsekvenci, samazinot atkarību no cilvēciskajiem faktoriem.

Hiperspektrālās attēlveidošanas un mašīnmācīšanās integrācijai ir potenciāls pārveidot tradicionālo tabakas audzēšanu, ne tikai uzlabojot nikotīna kvalitāti, bet arī veicinot ilgtspējīgu un efektīvu lauksaimniecības praksi. Pētnieki uzsver nepieciešamību pēc nepārtrauktas attīstības, lai pilnveidotu šīs tehnoloģijas un pielāgotu tās dažādām tabakas šķirnēm un citām kultūrām.

Turpmākajos pētījumos galvenā uzmanība tiks pievērsta bezpilota lidaparātu (UAV) ekspluatācijas apstākļu optimizēšanai, lai iegūtu visaugstākās kvalitātes spektrālos datus, ņemot vērā tādus mainīgos lielumus kā lidojuma augstums, apgaismojuma apstākļi un trokšņa samazināšana. Šo faktoru risināšana ir ļoti svarīga, lauksaimniecības praksei attīstoties, lai apmierinātu tirgus pieprasījumu, vienlaikus piešķirot prioritāti vides ilgtspējībai.

Šis pētījums izceļ sinerģiju starp tehnoloģijām un lauksaimniecības zinātni, uzsverot inovatīvu metožu pieaugošo ieviešanu produktu kvalitātes uzlabošanai. Pētnieki iestājas par plašāku hiperspektrālās uztveršanas pielietojumu lauksaimniecībā, pastiprinot tehnoloģiju lomu ražas, efektivitātes un vides atbildības palielināšanā.

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