Przełomowe badanie wykorzystuje obrazowanie hiperspektralne bezzałogowych statków powietrznych i uczenie maszynowe do dokładnej oceny poziomu nikotyny w liściach cygar.
Najnowsze osiągnięcia w dziedzinie lotniczego obrazowania hiperspektralnego, w połączeniu z uczeniem maszynowym, zrewolucjonizowały monitorowanie nikotyny w liściach cygar. To nowatorskie podejście zwiększa dokładność oceny, dostarczając jednocześnie cennych informacji dla przemysłu tytoniowego, w którym skład chemiczny ma kluczowe znaczenie dla jakości.
Naukowcy pod kierownictwem Tiana i in. z Uniwersytetu Rolniczego w Syczuanie starali się pokonać ograniczenia tradycyjnych, ręcznych kontroli jakości, którym często brakuje precyzji i skuteczności. Ich badanie, opublikowane 2 lutego 2025 roku, wskazuje na silne korelacje między stosowaniem nawozów azotowych, poziomem wilgotności i stężeniem nikotyny, podkreślając znaczenie terminowych i precyzyjnych technik monitorowania.
Badanie przeprowadzono od maja do września 2022 r. w Bazie Badawczej Rolnictwa Nowoczesnego należącej do uniwersytetu. Naukowcy wykorzystali tam bezzałogowe statki powietrzne (UAV) wyposażone w kamery hiperspektralne do uchwycenia widm odbicia światła z liści 15 różnych odmian liści cygara poddanych różnym zabiegom azotowym.
Ich odkrycia ujawniły bezpośrednią korelację między stosowaniem nawozów azotowych a poziomem nikotyny w liściach cygar. “Wraz ze wzrostem dawki nawożenia azotem, wzrosła zawartość nikotyny w liściach cygar” – stwierdzili autorzy, podkreślając wpływ praktyk rolniczych na jakość produktu.
Aby poprawić jakość danych obrazowych hiperspektralnych zebranych przez bezzałogowe statki powietrzne (UAV), w badaniu wykorzystano techniki wstępnego przetwarzania, takie jak wielowymiarowa korekcja rozproszenia, standardowa transformacja normalna oraz wygładzanie splotowe Savitzky'ego-Golaya. Następnie zastosowano zaawansowane algorytmy uczenia maszynowego, w tym regresję metodą cząstkowych najmniejszych kwadratów (PLSR) i sieci neuronowe propagacji wstecznej (back propagation), aby opracować modele predykcyjne umożliwiające dokładne oszacowanie zawartości nikotyny.
Najskuteczniejszym zidentyfikowanym modelem okazał się model MSC-SNV-SG-CARS-BP, który osiągnął dokładność testowania z wartościami R² wynoszącymi około 0,797 i RMSE 0,078. “Model MSC-SNV-SG-CARS-BP charakteryzuje się najwyższą dokładnością predykcyjną w zakresie zawartości nikotyny” – zauważyli autorzy, pozycjonując go jako obiecujące narzędzie do przyszłych badań i zastosowań w rolnictwie precyzyjnym.
Wykorzystując teledetekcję do analizy właściwości spektralnych liści cygar, rolnicy i producenci mogą szybko i bezinwazyjnie oceniać jakość plonów, co pozwala na podejmowanie bardziej świadomych decyzji dotyczących produkcji i łańcucha dostaw. Takie podejście zapewnia szeroki zakres badań przy niskich kosztach operacyjnych, a jednocześnie gwarantuje spójność danych poprzez ograniczenie zależności od czynników ludzkich.
Integracja obrazowania hiperspektralnego i uczenia maszynowego ma potencjał, aby zrewolucjonizować tradycyjną uprawę tytoniu, nie tylko poprawiając jakość nikotyny, ale także promując zrównoważone i wydajne praktyki rolnicze. Naukowcy podkreślają potrzebę dalszego rozwoju tych technologii i dostosowania ich do różnych odmian tytoniu i innych upraw.
Przyszłe badania skupią się na optymalizacji warunków operacyjnych bezzałogowych statków powietrznych (UAV) w celu pozyskiwania najwyższej jakości danych spektralnych, z uwzględnieniem takich czynników, jak wysokość lotu, warunki oświetleniowe i redukcja hałasu. Uwzględnienie tych czynników ma kluczowe znaczenie w miarę ewolucji praktyk rolniczych, które mają sprostać wymaganiom rynku, a jednocześnie priorytetowo traktować zrównoważony rozwój środowiska.
Badania te podkreślają synergię między technologią a naukami rolniczymi, podkreślając rosnącą popularność innowacyjnych technik poprawy jakości produktów. Naukowcy opowiadają się za szerszym zastosowaniem czujników hiperspektralnych w rolnictwie, podkreślając rolę technologii w zwiększaniu plonów, wydajności i odpowiedzialności za środowisko.
Źródła: https://www.nature.com/articles/s41598-025-88091-4
Monitorowanie upraw




