Kategorija: Spremljanje pridelka

Koruza je po količini največkrat pridelana žitna kultura na svetu, pri čemer jo samo Združene države Amerike sejejo po vsej državi. približno 35 milijonov hektarjev in pridelavo 390 milijonov ton v letu 2023. Upravljanje pridelka v takšnem obsegu zahteva več kot le peš opazovanje. Vegetacijski indeksi za spremljanje rasti koruze – matematične formule, izpeljane iz načina, kako rastlinske krošnje odbijajo in absorbirajo svetlobo – so postali temelj sodobnega upravljanja poljščin, saj spektralne podatke pretvarjajo v uporabne informacije o zdravju pridelka. To počnejo hitro, v velikem obsegu in ne da bi se dotaknili enega samega lista.

Tehnologija daljinskega zaznavanja, ki je zdaj na voljo prek satelitov, dronov in ročnih senzorjev, v te indekse vnaša spektralne podatke v realnem času v vsaki fazi rastne sezone koruze. Kmet ali agronom lahko zazna stres zaradi dušika pri V6, preden listi porumenijo, opazi pomanjkanje vode med nalivom zrnja, preden se pridelek zmanjša, ali umeri uporabo gnojil s spremenljivo količino z uporabo kart krošnje, ustvarjenih isti teden, ko pridelek potrebuje gnojenje.

Kaj so vegetacijski indeksi? Kako delujejo?

Vegetacijski indeks (VI) je brezdimenzijska, kvantitativna vrednost, izračunana z matematičnim združevanjem vrednosti odbojnosti dveh ali več spektralnih pasov, ki jih zajame senzor. Rezultat je eno samo število, ki izolira in ojača specifične biološke značilnosti rastlinske krošnje – kot so koncentracija klorofila, površina listov ali vsebnost vode – hkrati pa zavira motnje zaradi tal, ozračja in sence.

Moč vegetacijskega indeksa je v njegovi sposobnosti standardizacije meritev med različnimi senzorji, polji in datumi. Namesto primerjave surovih odbojnih števil, ki se spreminjajo glede na svetlobne pogoje, VI zagotavlja razmerje ali razliko, ki je bolj stabilna in biološko pomembna. To omogoča primerjavo zdravja krošenj na različnih poljih, v različnih letnih časih in celo na satelitskih platformah.

Rastline za fotosintezo absorbirajo določene valovne dolžine svetlobe, druge pa odbijajo. Zdrava zelena vegetacija absorbira večino rdeče svetlobe (okoli 660–680 nm) za fotosintezo, ki jo poganja klorofil, in zaradi svoje celične strukture močno odbija svetlobo bližnjega infrardečega (NIR) sevanja.

Napeta ali redka krošnja absorbira manj rdeče svetlobe in jo odbija več, manj pa odbija tudi bližnje infrardeče svetlobe. Vegetacijski indeksi matematično zajamejo ta kontrast, da količinsko opredelijo, kako zelena, gosta in zdrava je krošnja v danem trenutku.

Spektralni pasovi, uporabljeni v vegetacijskih indeksih

Različni spektralni pasovi prispevajo različne diagnostične informacije o pridelku. Vsak pas je usmerjen na drugačen biološki proces, zato večpasovni senzorji zagotavljajo bogatejše podatke kot preproste RGB kamere. Šest pasov, ki so najpomembnejši za spremljanje koruze, je:

• Rdeča (620–700 nm): Močno absorbira klorofil. Padec absorpcije rdeče barve signalizira zmanjšano fotosintetsko aktivnost, kar kaže na stres, pomanjkanje hranil ali zgodnje staranje krošnje.
• Zelena (520–560 nm): Rastline odbijajo zeleno svetlobo bolj kot rdečo, zato so videti zelene. Zelena odbojnost je povezana s koncentracijo klorofila in se uporablja v indeksih, kot sta GNDVI in VARI.
• Modra (450–490 nm): Absorbirajo ga karotenoidi in klorofil. Večinoma se uporablja v indeksih, ki temeljijo na RGB, kot je VARI, kjer so na voljo le vidni pasovi.
• Bližnji infrardeči sevalni val (NIR, 750–900 nm): Močno se odbija od gobastega mezofilnega tkiva v zdravih listih. Odbojnost v bližnjem infrardečem območju (NIR) je osnova za indekse NDVI, EVI in večino širokopasovnih indeksov. Gosta, zdrava krošnja koruze kaže visoko odbojnost v bližnjem infrardečem območju.
• Rdeči rob (700–740 nm): Prehodno območje med rdečo absorpcijo in refleksijo v bližnjem infrardečem spektru. Koncentracija klorofila in stanje dušika močno vplivata na ta pas, zaradi česar je zelo občutljiv za zaznavanje stresa s hranili v zgodnji fazi, preden postane vizualno očiten.
• Kratkovalovni infrardeči (SWIR, 1400–2500 nm): Absorbira jih tekoča voda znotraj rastlinskega tkiva. Indeksi, ki temeljijo na SWIR, merijo vsebnost vode v krošnji in zaznavajo stres zaradi suše, zaradi česar so dragoceni med nalivom zrnja, ko pomanjkanje vode neposredno vpliva na pridelek.

Zakaj so vegetacijski indeksi pomembni za spremljanje rasti koruze

1. Spremljanje zdravja pridelkov

Zdravje pridelka zajema več prekrivajočih se dejavnikov: koncentracijo klorofila, indeks listne površine (LAI – razmerje med celotno listno površino in površino tal), stanje vode v rastlini in temperaturo krošnje. Noben en sam terenski obisk ne more zajeti vseh teh hkrati na stotinah hektarjev.

Vegetacijski indeksi to kompleksnost stisnejo v merljive vrednosti, ki jih je mogoče večkrat spremljati v rastni sezoni, da se odkrije upad, preden pride do izgube pridelka.

Študija, objavljena v Kmetijstvo (2023) so s pomočjo senzorjev NDVI, nameščenih na brezpilotnih letalnikih, spremljali tri hibride koruze v sušnih in namakalnih pogojih. Raziskovalci so tedensko spremljali zdravje krošenj od vznika do zrelosti in ugotovili, da so se vrednosti NDVI med namakanimi in deževnimi parcelami znatno razlikovale že v V8, tedne preden so se pojavili vidni simptomi stresa. Takšna zgodnja diferenciacija omogoča pravočasno posredovanje.

2. Merjenje vitalnosti rastlin

Rastlinska energija – splošna stopnja rasti in kopičenje biomase pridelka – neposredno napoveduje potencial pridelka. Indeksi, kot sta NDVI in EVI, so močno povezani z LAI in suho nadzemno biomaso pri koruzi.

Spremljanje bujnosti v ključnih vegetativnih fazah agronomom omogoča, da prepoznajo območja z manj uspešnostjo na polju in ustrezno prilagodijo vnose, namesto da bi uporabljali enotne upravljavske odločitve na prostorsko spremenljivih zemljiščih.

3. Zaznavanje stresa pred vizualnimi simptomi

To je morda komercialno najbolj dragocena sposobnost vegetacijskih indeksov. Rastlina koruze, ki se sooča s pomanjkanjem dušika, vodnim stresom ali zgodnjim pritiskom bolezni, najprej pokaže spremembe v svoji spektralni odbojnosti – zlasti v rdečem robu in pasovih NIR – nekaj dni do tednov preden se na listih pokažejo rumenenje, venenje ali vidne lezije.

Indeksi, ki temeljijo na rdečem robu, zlasti NDRE in CI Red Edge, so še posebej občutljivi na subvizualni dušikov stres in zmanjšanje klorofila. Jang in sodelavci (ScienceDirect, 2024) so ugotovili, da kombiniranje Indeksi NDVI, NDRE in GNDVI z uporabo multiple linearne regresije bistveno izboljšana učinkovitost napovedovanja pridelka pri koruzi v primerjavi s katerim koli posameznim indeksom samim.

Pridelovalci, ki se zanašajo na en sam indeks, zamudijo aditivno napovedno moč, ki izhaja iz večindeksnih pristopov, zlasti v kritičnih reproduktivnih fazah.

4. Izboljšanje napovedovanja pridelka

Vegetacijski indeksi, zbrani v strateških fazah rasti – zlasti okoli resic in svilanja – so močni napovedovalci končnega pridelka zrnja. Raziskava, objavljena v Daljinsko zaznavanje (2023) so združili veččasovne podatke brezpilotnih letalnikov, vključno z NDVI, NDRE, SAVI in EVI v vegetativnih in reproduktivnih fazah, ter dosegli model za napovedovanje pridelka koruze z R² 0,78 in rRMSE 8,27%, kar prekaša modele, zgrajene na enostopenjskih podatkih.

Ključni vpogled: uporaba več indeksov v več fazah rasti zajame veliko širši razpon dejavnikov, ki določajo pridelek, kot en sam meritveni posnetek.

5. Podpora preciznemu kmetijstvu

Precizno kmetijstvo se za predpisovanje vhodnih podatkov, specifičnih za lokacijo, opira na podatke o prostorski variabilnosti. Zemljevidi vegetacijskega indeksa, izdelani iz posnetkov dronov ali satelitov, razkrivajo variabilnost v pridelavi pridelka znotraj polja, ki jo povprečne meritve na polju prikrivajo.

Ti zemljevidi se neposredno vnašajo v sisteme za spremenljivo količino gnojila, kar kmetom omogoča, da uporabijo več gnojila tam, kjer ga pridelek potrebuje, in manj tam, kjer ga ne, s čimer se hkrati zmanjšajo stroški in vpliv na okolje.

Faze rasti koruze, kjer so vegetacijski indeksi najbolj uporabni

“Pravi indeks v pravi fazi rasti odklene podatke o pridelkih, ki jih splošno opazovanje preprosto ne more zagotoviti – in čas zbiranja podatkov je prav tako pomemben kot izbrani indeks.”

1. Faza nastanka

Ob vzhajanju je rastlinski pokrov redek in na sliki prevladujejo tla. Standardni NDVI se tukaj slabo obnese, ker šum ozadja tal preglasi šibek signal krošnje. V tej fazi so ustrezna orodja indeksi, prilagojeni tlom, kot sta SAVI in MSAVI.

Uporabljajo korekcijski faktor za zmanjšanje vpliva izpostavljene zemlje na vrednost indeksa, kar omogoča smiselne meritve gostote rastlin in zgodnje enakomernosti ukoreninjenja.

2. Vegetativna rast (V. faze)

Od V3 do V12 se krošnja koruze hitro širi. To je najpomembnejše obdobje za upravljanje z dušikom, saj se potrebe pridelka po dušiku močno povečajo.

NDRE in CI Green sta v tem obdobju najbolj odzivna indeksa, ker rdeči robni pas zazna subtilno zmanjšanje klorofila, preden se širši signal NDVI spremeni. Leti brezpilotnih zrakoplovov pri V6 in V10, časovno usklajeni z odločitvami o dušiku s stransko oblogo, prinašajo najvišjo donosnost naložbe v podatke.

3. Resice in svilanje

Resarenje (VT) in svilanje (R1) sta fazi, ki sta v celotnem življenjskem ciklu koruze najbolj občutljivi na pridelek. Zapiranje krošnje je na tej točki skoraj končano, kar pomeni, da lahko NDVI in EVI zdaj prebereta celotno krošnjo brez motenj tal.

Oba indeksa dosežeta vrh okoli VT pri zdravih pridelkih. Vsaka plato ali zgodnji padec vrednosti indeksa v tej fazi je zanesljiv pokazatelj stresa, ki se bo odražal v splavu zrna in izgubi pridelka.

4. Polnjenje žit

Med nalivom zrnja (R3–R5) se glavna skrb upravljanja preusmeri na vodni stres in bolezni. NDWI (normalizirani diferencialni vodni indeks, izračunan iz pasov NIR in SWIR) in toplotni indeksi v tej fazi dopolnjujejo standardni nabor z zaznavanjem zmanjšanja vsebnosti vode v krošnji, ki predhodi vidnemu venenju.

Vrednosti NDVI se začnejo naravno zmanjševati, ko pridelek dozori, zato je za interpretacijo indeksnih trajektorij potrebno primerjati pričakovani sezonski vzorec za gojeni hibrid.

5. Zrelost

V fiziološki zrelosti (R6) se vsi glavni vegetacijski indeksi zmanjšujejo, saj se krošnja stara in klorofil razgrajuje. Podatki indeksov v zrelosti se uporabljajo predvsem za retrospektivno analizo – korelacijo sezonskih krivulj VI z dejanskimi podatki o pridelku za potrditev napovednih modelov in izboljšanje prihodnjih sezonskih meril. Časovna analiza indeksnih krivulj od kalitve do zrelosti zagotavlja najbogatejšo podatkovno osnovo za izdelavo modelov pridelka, specifičnih za posamezna polja.

Skupni vegetacijski indeksi, ki se uporabljajo za spremljanje rasti koruze

1. NDVI (normalizirani indeks razlik v vegetaciji)

NDVI je najpogosteje uporabljen vegetacijski indeks v kmetijstvu. Meri kontrast med bližnjo infrardečo svetlobo in rdečo odbojnostjo ter se izračuna kot:

NDVI = (NIR − rdeča) / (NIR + rdeča)

Vrednosti NDVI se gibljejo od -1 do +1. Zdrave, goste krošnje koruze običajno dosegajo med 0,7 in 0,9 na najvišji stopnji ozelenitve. Njegove najboljše aplikacije vključujejo sledenje razvoju krošenj od V6 do resic, prepoznavanje slabše delujočih poljskih con in korelacijo z LAI in nadzemno biomaso.

Ključna omejitev NDVI je nasičenost v gostih krošnjah – ko LAI preseže približno 3 m²/m², dodatna površina listov povzroči zmanjševanje sprememb v signalu NDVI, kar zmanjša občutljivost na najvišji ravni krošnje.

Študija iz leta 2024, objavljena v Kmetijstvo (MDPI) je z uporabo spremljanja NDVI z brezpilotnimi letalniki v dveh rastnih sezonah na Madžarskem ugotovil, da Najmočnejša korelacija med NDVI in pridelkom se je pojavila v fazi po svilanju. (R = 0,638 leta 2023 in R = 0,634 leta 2024), kar potrjuje zanesljivost NDVI kot kazalnika pridelka med sezono v tem specifičnem obdobju rasti.

2. GNDVI (zeleni NDVI)

GNDVI zamenja rdeči pas z zelenim pasom: GNDVI = (NIR − zelena) / (NIR + zelena). Zeleni kanal je bolj občutljiv na koncentracijo klorofila kot rdeči kanal, zaradi česar je GNDVI boljši pri zaznavanju zmernih sprememb klorofila v zrelih, gostih krošnjah, kjer je NDVI nasičen.

Njegova primarna uporaba pri koruzi je ocena stanja dušika v srednji vegetativni in reproduktivni fazi. Raziskava, objavljena v ScienceDirect (2024) so potrdili, da je GNDVI v kombinaciji z NDRE v večindeksnih regresijskih modelih bistveno izboljšal natančnost napovedi pridelka koruze, zlasti v fazah pred cvetenjem.

3. EVI (izboljšan vegetacijski indeks)

EVI izboljša NDVI z vključitvijo modrega pasu in uporabo atmosferskih korekcijskih koeficientov: EVI = 2,5 × [(NIR − rdeča) / (NIR + 6 × rdeča − 7,5 × modra + 1)]. Ta formula hkrati zmanjšuje atmosferski šum in motnje v talnem ozadju, zaradi česar je EVI občutljivejši od NDVI v pogojih goste krošnje, kjer je NDVI nasičen.

EVI je prednostni indeks za spremljanje strukture krošnje koruze od nastanka resic do zgodnjega nalivanja zrnja, ko je rastlinska odeja skoraj popolna. Je osrednji indeks v satelitskih produktih MODIS in se pogosto uporablja za spremljanje koruze na regionalni ravni.

Študija v Kmetijstvo (2024) so z uporabo podatkov MODIS MOD09A1 nad provinci Jilin na Kitajskem ugotovili, da Kombinacija več vegetacijskih indeksov, vključno z EVI, z modelom oblike je znatno izboljšala natančnost zaznavanja fenoloških stopenj v ključnih obdobjih rasti koruze v primerjavi s pristopi z enim samim indeksom.

Za obsežno regionalno spremljanje pridelkov združevanje EVI z drugimi indeksi v modelih časovnih vrst zagotavlja zanesljivejše fenološko sledenje kot kateri koli posamezen indeks sam.

4. SAVI (indeks vegetacije, prilagojen tlom)

SAVI v formulo NDVI uvaja korekcijski faktor svetlosti tal (L): SAVI = [(NIR − rdeča) / (NIR + rdeča + L)] × (1 + L), kjer je L = 0,5 za tipične talne razmere. Z dušenjem odbojnega prispevka golih tal SAVI omogoča natančnejše meritve krošnje v zgodnjih fazah rasti koruze, ko je pokrovnost tal manjša od 50%. Je standardna izbira za spremljanje vzpostavitve rastlin, izenačenosti sestojev in živahnosti v zgodnji sezoni od kalitve do V4.

5. NDRE (normalizirana razlika rdeči rob)

NDRE uporablja rdeči rob in NIR pasove: NDRE = (NIR − rdeči rob) / (NIR + rdeči rob). Rdeči robni pas se nahaja v spektralnem območju, kjer majhne spremembe koncentracije klorofila povzročijo velike spremembe odbojnosti, zaradi česar je NDRE občutljivejši od NDVI na spremembe klorofila, ki jih povzroča dušik.

Študija, objavljena v Senzorji (2024) so z uporabo fotogrametrije brezpilotnih letalnikov na raziskovalni postaji LSU AgCenter ugotovili, da NDRE je 87 dni po setvi napovedoval pridelek koruznega zrnja z R² 0,9097., izjemno močna povezava, ki poudarja vrednost NDRE za upravljanje z dušikom v pozni sezoni in napovedovanje pridelka.

6. MSAVI (Modificiran indeks vegetacije, prilagojen tlom)

MSAVI izboljša SAVI tako, da faktor L naredi dinamičnega in ne fiksnega, zato se samodejno prilagodi stopnji pokritosti z vegetacijo: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − rdeča))] / 2.

Zaradi te samodejne prilagoditve je MSAVI natančnejši od SAVI v celotnem razponu razvoja krošnje, od vznika golih tal do popolne pokritosti ob pojavu resic. Ne zahteva predpostavk o svetlosti tal, zaradi česar je bolj prenosljiv na različne terenske pogoje in vrste tal.

7. VARI (indeks vidne atmosferske odpornosti)

VARI uporablja samo vidne pasove (rdeči, zeleni, modri): VARI = (zelena − rdeča) / (zelena + rdeča − modra). Njegova vrednost je v tem, da jo je mogoče izračunati s standardnimi RGB kamerami – takimi, ki jih ima večina komercialnih dronov po nizki ceni.

Čeprav VARI nima občutljivosti na dušik in biomaso, ki jo imajo multispektralni indeksi, zagotavlja uporabno oceno zelenosti krošenj v prvem prehodu, zaradi česar je dostopen kmetom, ki še nimajo multispektralnih senzorskih zmogljivosti.

Raziskava, objavljena v ScienceDirect (2025) so potrdili, da je VARI eden od uporabnih vhodnih podatkov VI v modelih strojnega učenja za napovedovanje pridelka koruze v različnih rastnih okoljih.

8. OSAVI (optimiziran vegetacijski indeks, prilagojen tlom)

OSAVI je poenostavljena različica SAVI s fiksno vrednostjo L 0,16, optimizirana za pogoje delne pokritosti krošnje: OSAVI = (NIR − rdeče) / (NIR + rdeče + 0,16).

Ta specifična vrednost L je bila empirično določena za zmanjšanje vplivov talnega ozadja v širokem razponu gostote vegetacije. OSAVI se dobro obnese od V2 do V6, s čimer premosti vrzel med uporabnostjo SAVI v zgodnji sezoni in natančnostjo NDVI v glavni sezoni.

9. CI zelena (zelena s klorofilnim indeksom)

CI Green ocenjuje vsebnost klorofila neposredno iz odbojnosti: CI zelena = (NIR / zelena) − 1. Ker je klorofil primarni pigment za shranjevanje dušika v listih, CI Green spremlja stanje dušika v krošnji, ne da bi potreboval rdeč robni pas.

Zaradi tega je dragocen, kadar je na voljo le standardni zeleni pas, na primer iz posnetkov Sentinel-2, in zanesljivo deluje od V6 do svilnatega prikaza za odločitve o upravljanju dušika sredi sezone.

10. CI rdeči rob (rdeči rob indeksa klorofila)

CI Red Edge nadomešča zeleni trak z rdečim robnim trakom: CI rdeči rob = (NIR / rdeči rob) − 1. Zaradi te zamenjave je bistveno bolj občutljiv na spremembe klorofila kot CI Green, zlasti v srednjih do poznih vegetativnih fazah, ko je krošnja dovolj gosta, da se signal zelenega pasu začne nasičevati. CI Red Edge je eden najboljših indeksov za zaznavanje subtilnih gradientov dušika v conah upravljanja polj pri koruzi.

Primerjava vegetacijskih indeksov za spremljanje koruze

1. Najboljši indeks za zgodnjo rast

SAVI in MSAVI dosledno prekašata NDVI in EVI v zgodnjem razvoju koruze (vzhaja do V4), ker zmanjšata šum v ozadju tal, ki bi sicer prevladoval v signalu indeksa, ko je pokrovnost krošnje pod 40%. OSAVI ponuja uporabno vmesno možnost, kadar so talne razmere na polju spremenljive.

2. Najboljši indeks za zaznavanje dušika

NDRE in CI Red Edge sta najmočnejša indeksa za odkrivanje pomanjkanja dušika pri koruzi. Oba izkoriščata visoko občutljivost rdečega robnega pasu na koncentracijo klorofila. V fazi V6 do V10 – najpomembnejšem oknu za odločitve o uporabi dušika – ta indeksa zaznata pomanjkanje 7 do 14 dni preden NDVI pokaže kakršen koli merljiv odziv, kar zagotavlja precejšen čas za korektivne ukrepe.

3. Najboljši indeks za oceno biomase

NDVI in EVI sta najbolj potrjena indeksa za oceno suhe biomase nadzemne površine pri koruzi. Raziskave z uporabo multispektralnih posnetkov brezpilotnih letalnikov v kombinaciji s teksturnimi značilnostmi v PMC (2023) so ugotovili, da so vegetacijski indeksi, ki temeljijo na rdečem (650 nm), rdečem robu (705 nm) in bližnjem infrardečem (842 nm) pasu, pokazali najvišje korelacije z LAI – tesno povezanim približkom za kopičenje biomase med vegetacijskim obdobjem.

4. Najboljši indeks za goste krošnje

EVI je prednostni indeks, ko se krošnja koruze popolnoma zapre, običajno od kitice do zgodnjega nalivanja zrnja. Kjer NDVI doseže nasičenost nad LAI približno 3, se EVI še naprej odziva na dodatno listno površino in spremembe klorofila, ker njegovi atmosferski in talni korekcijski členi preprečujejo nasičenost signala pri visokih ravneh biomase.

5. Najboljši indeks za stres zaradi suše

NDWI (indeks vode na osnovi NIR in SWIR) in NDVI, uporabljena skupaj, sta najučinkovitejša kombinacija za zaznavanje stresa zaradi suše pri koruzi. NDWI neposredno spremlja spremembe vsebnosti vode v tkivu, medtem ko NDVI zajame sekundarni učinek stresa zaradi vode na ozelenitev krošnje. Večspektralni senzorji, ki vključujejo zmogljivost SWIR, tukaj dodajo največjo vrednost, čeprav so ti senzorji še vedno dražji od standardnih petpasovnih večspektralnih sistemov.

Uporaba vegetacijskih indeksov pri pridelavi koruze

Vegetacijski indeks je le toliko uporaben, kot je uporabna odločitev, ki jo omogoča – cilj je vedno pretvoriti spektralne podatke v ukrepe na polju, ki izboljšajo pridelek, zmanjšajo stroške ali oboje.

1. Ocena biomase

Vrednosti NDVI in EVI so močno povezane s suho biomaso nad tlemi v celotni vegetacijski dobi koruze. Ponavljajoči se preleti brezpilotnih letalnikov ali preleti satelitov v dvotedenskih intervalih ustvarjajo krivulje kopičenja biomase, ki kažejo, ali se polje bliža svojemu potencialu pridelka ali zaostaja za pričakovano krivuljo rasti za določeno sezono.

2. Merjenje klorofila

CI Green in CI Red Edge zagotavljata nedestruktivne ocene klorofila na ravni krošnje, ki spremljajo fotosintetsko sposobnost rastline. Raziskava, objavljena v PMC (2024) so z uporabo ocene SPAD (odčitavanje klorofilnega merilnika) na podlagi brezpilotnih letalnikov pri koruzi potrdili, da je modificiran indeks razmerja rdečih robov dosegel R² 0,87 za napovedovanje vsebnosti klorofila v listih v srednji fazi rasti, kar dokazuje praktično natančnost, ki jo zagotavljajo indeksi rdečega roba za to uporabo.

3. Ocena stanja dušika

Dušik je hranilo, ki najbolj neposredno omejuje pridelek koruze, njegov status pa se skozi sezono spreminja, ko se spreminjajo potrebe pridelka. Študija iz leta 2025, objavljena v Meje v rastlinski znanosti leta 2024 integriral satelitske posnetke Sentinel-2A, multispektralne podatke brezpilotnih letalnikov in zemeljska opazovanja v štirih fazah rasti koruze ter razvil nov regionalni inverzijski model vsebnosti dušika z uporabo več vegetacijskih indeksov v kombinaciji s korekcijo pasov.

Okvir je dosegel visoko natančnost validacije na 48 neodvisnih vzorčnih točkah, kar dokazuje, kako zlitje satelitov in brezpilotnih letalnikov širi skalabilnost upravljanja dušika na osnovi VI preko posameznih polj na kmetijsko in regionalno raven.

4. Zaznavanje vodnega stresa

Vodni stres pri koruzi najprej zmanjša prevodnost listnih rež, nato vsebnost vode v listih in končno zeleno biomaso – trije procesi, ki zaporedno vplivajo na različne spektralne pasove. Vodni stres v zgodnji fazi se kaže v podatkih o toplotnih pasovih in indeksih na osnovi SWIR, preden se NDVI zmanjša.

Spremljanje kombinacije NDWI in NDVI v obdobju nalivanja zrnja – ko ima vodni stres največji vpliv na pridelek – omogoča, da načrtovanje namakanja temelji na dejanskem povpraševanju po pridelkih in ne na koledarskih pravilih.

5. Spremljanje bolezni

Glivične bolezni, kot sta severna koruzna listna pegavost in siva listna pegavost, spremenijo spektralni podpis okuženih listov, še preden so velike lezije vidne človeškemu očesu. Okuženo tkivo kaže značilen padec odbojnosti v bližnjem infrardečem območju in premik v položaju rdečega roba.

Veččasovno spremljanje VI omogoča odkrivanje lokaliziranih spektralnih anomalij, ki kažejo na pritisk nastajajočih bolezni, kar omogoča ciljno usmerjeno uporabo fungicidov namesto škropljenja po celotnem polju.

6. Zaznavanje škode zaradi škodljivcev

Osutost listja zaradi hranjenja škodljivcev zmanjša LAI, kar neposredno zniža vrednosti NDVI in EVI na prizadetih območjih. Okužbe z vojaki na primer ustvarjajo značilne prostorske vzorce upadanja indeksa, ki jih je mogoče zaznati na posnetkih dronov, preden se okužba razširi na sosednja polja.

Visokoločljivostni leti brezpilotnih letalnikov (razdalja vzorčenja na tleh pod 5 cm) zagotavljajo prostorske podrobnosti, potrebne za razlikovanje med poškodbami žuželk in drugimi vzroki za spremembe krošenj.

7. Ocena donosa

Vrednosti vegetacijskega indeksa, izmerjene v specifičnih kritičnih fazah rasti – zlasti V12, VT in R3 – so zanesljivi napovedovalci končnega pridelka zrnja v kombinaciji z zgodovinskimi zemljevidi pridelka in vremenskimi podatki. Pristopi z združevanjem več indeksov dosledno prekašajo modele z enim indeksom.

Kombinacija GNDVI, NDRE in SCCCI (poenostavljeni indeks vsebnosti klorofila v krošnji) v obdobju pred cvetenjem je pokazala še posebej visoko natančnost napovedovanja pridelka v objavljenih raziskavah koruze iz ... ScienceDirect (2026).

Raziskave v dveh rastnih sezonah na Madžarskem so pokazale korelacijske koeficiente 0,638 in 0,634 med NDVI po svilanju in končnim pridelkom zrnja. Večindeksni modeli, vključno z NDRE in GNDVI, še dodatno povečajo natančnost napovedi.

8. Uporaba gnojil s spremenljivo hitrostjo

Karte krošenj na podlagi VI, ustvarjene z leti dronov, se uporabljajo neposredno za izdelavo predpisanih kart za aplikatorje dušika s spremenljivo hitrostjo. Polja so razdeljena na območja upravljanja na podlagi vrednosti indeksa, vsako območje pa prejme odmerek dušika, umerjen glede na specifične potrebe poljščine.

Daljinsko zaznavanje in tehnologija spremenljive hitrosti sta skupaj upoštevali 58% tržnega deleža tehnologije preciznega kmetijstva v letu 2025 (Precedence Research, 2026), kar odraža, kako osrednjega pomena je postal ta delovni tok za komercialno pridelavo koruze.

Študija iz leta 2025 v Kmetijstvo (MDPI) je ugotovila, da zmerni odmerki dušika 120–180 kg ha⁻¹ zagotovil optimalno raven hranil za koruzo, kar je povečalo pridelek do 5,086 t ha⁻¹ v primerjavi z negnojenimi kontrolami, pri čemer se je spremljanje na podlagi NDVI izkazalo za učinkovito ne le za optimizacijo pridelka, temveč zlasti za vodenje strategij gnojenja na specifičnih lokacijah.

Upravljanje dušika na osnovi NDVI v fazi po svilanju (ko korelacija VI-pridelek doseže vrhunec) lahko nadomesti tradicionalne pristope gnojenja, ki temeljijo le na testih tal, in znatno izboljša tako učinkovitost vnosa kot pridelek zrnja.

Platforme, ki se uporabljajo za zbiranje podatkov o vegetacijskem indeksu

1. Satelitski posnetki

Sateliti, kot sta Sentinel-2 (ločljivost 10 m, 5-dnevni ponovni obisk) in Planet Labs (ločljivost 3 m, dnevni ponovni obisk), zagotavljajo dosledne, vremensko ugodne spektralne podatke na velikih območjih po nizkih stroških na hektar.

Zaradi vključitve rdečih robnih pasov (B5, B6, B7 pri 705, 740, 783 nm) je Sentinel-2 še posebej dragocen za izračune rdečega roba NDRE in CI v regionalnih programih spremljanja koruze. Omejitev je oblačnost: oblačno obdobje v kritičnem rastnem oknu lahko povzroči vrzeli v podatkih, ki motijo časovno spremljanje.

2. Daljinsko zaznavanje z droni

Brezpilotni letalniki s fiksnimi krili in večrotorski droni, opremljeni z multispektralnimi kamerami, zagotavljajo posnetke v merilu polja z ločljivostjo od 2 do 10 cm na slikovno piko. Ta raven podrobnosti razločuje posamezne rastlinske vrste, kar omogoča merjenje sprememb v zdravju krošenj znotraj vrste.

Preglede z droni je mogoče načrtovati po potrebi, ne glede na čas preleta satelitov, zaradi česar so idealni za zajemanje podatkov na natančnih agronomskih odločitvenih točkah, kot so stransko gnojenje z dušikom ali okna za načrtovanje namakanja.

3. Multispektralne kamere brezpilotnih letalnikov

Multispektralne kamere, kot so MicaSense RedEdge, Parrot Sequoia in DJI Zenmuse P1, hkrati zajemajo slike v petih ali več ozkih spektralnih pasovih, vključno z rdečo, zeleno, modro, rdečim robom in bližnjim infrardečim spektrom.

Ti sistemi vključujejo kalibrirano odbojno ploščo in senzor sončne svetlobe za normalizacijo podatkov za različne svetlobne pogoje med letom, kar je bistveno za ustvarjanje natančnih, ponovljivih indeksnih vrednosti in ne za relativne primerjave.

4. Ročni senzorji pridelkov

Aktivni optični senzorji, kot sta GreenSeeker in CropCircle, oddajajo lasten vir svetlobe in merijo odbojnost posameznih rastlin od blizu, s čimer odpravljajo vpliv spremenljive sončne svetlobe.

Ti senzorji se uporabljajo za hitro oceno stanja dušika na terenu na določenih vzorčevalnih mestih. Njihovi podatki dopolnjujejo posnetke dronov in satelitov, saj zagotavljajo meritve na terenu, ki potrjujejo vrednosti indeksa daljinskega zaznavanja na znanih lokacijah.

5. Senzorji, nameščeni na traktorju

Aktivni senzorji, nameščeni na traktorju, kot sta John Deere Hagie in Trimble GreenSeeker RT, neprekinjeno skenirajo krošnjo koruze, medtem ko se traktor premika po polju, in podatke NDVI v realnem času posredujejo neposredno v krmilnik spremenljive količine gnojila. Ta sistem z zaprto zanko omogoča prilagajanje količine gnojila sproti, na podlagi podatkov o stanju pridelka v živo, brez ločenega koraka obdelave podatkov med zaznavanjem in nanašanjem.

Dejavniki, ki vplivajo na natančnost vegetacijskega indeksa na koruznih poljih

1. Ozadje tal

Izpostavljena tla imajo svoj spektralni podpis, ki se zlije s signalom rastlinske krošnje, zlasti kadar je pokrovnost pod 50%. Indeksi, prilagojeni tlom (SAVI, MSAVI, OSAVI), so zasnovani tako, da zmanjšajo ta učinek, vendar barva tal, vlaga in vsebnost organskih snovi še vedno vplivajo na vrednosti indeksov v posnetkih v zgodnji sezoni. Kalibracija pragov indeksov za določene vrste tal v regiji izboljša natančnost interpretacije.

2. Oblačnost

Oblaki blokirajo sončno sevanje in povzročajo spremenljivo senčenje na tleh, zaradi česar so meritve odbojnosti za pasivne senzorje na satelitih in brezpilotnih letalnikih nezanesljive.

Aktivni senzorji so imuni na oblačnost, ker sami zagotavljajo osvetlitev. Oblačnost je najpomembnejši dejavnik, ki omejuje uporabnost satelitskega spremljanja VI v regijah z visoko pogostostjo oblakov med rastno sezono.

3. Kot sonca

Nizki koti sonca povečajo delež sence znotraj krošnje, kar umetno zmanjša odbojnost NIR in popači vrednosti indeksa. Leti brezpilotnih letalnikov, izvedeni med 10. in 14. uro po lokalnem sončnem času, zmanjšajo učinke sence in zagotavljajo bolj dosledne podatke. Doslednost časa leta med ponavljajočimi se raziskavami je prav tako pomembna kot absolutni čas, saj omogoča smiselno primerjavo med datumi.

4. Gostota posevkov

Rastlinska populacija neposredno vpliva na zaprtje krošnje in s tem na to, kako hitro se vrednosti VI dvignejo od sajenja do zaprtja krošnje. Polja z nižjo rastlinsko populacijo krošnjo zaprejo pozneje, kar podaljša obdobje, v katerem ozadje tal moti odčitke indeksa. Zemljevidi populacij, pridobljeni s posnetki vzhajanja, omogočajo prilagoditev pragov VI za lokalne spremembe gostote.

5. Faza rasti

Ista vrednost VI pomeni različne stvari v različnih fazah rasti. NDVI 0,5 pri V6 lahko kaže na zdravo, dobro razvito krošnjo, medtem ko NDVI 0,5 pri VT kaže na znaten stres.

Interpretacija vrednosti VI brez upoštevanja rastne faze vodi do napačne klasifikacije stanja pridelka. Časovna analiza, ki primerja trenutne vrednosti s pričakovanimi sezonskimi krivuljami, to popravi tako, da vsako odčitavanje umesti v kontekst razvojne poti pridelka.

6. Ločljivost senzorja

Senzorji z grobo ločljivostjo mešajo spektralne signale pridelka, zemlje in robov polja znotraj ene same slikovne pike – problem, imenovan “mešane slikovne pike”. Pri ločljivosti 10 m satelita Sentinel-2 ena sama slikovna pika pokriva 100 m² tal, kar pogosto vključuje več vrst pridelka in medvrstno zemljo.

Posnetki z dronom z višjo ločljivostjo (5 cm na slikovno piko) odpravljajo mešane slikovne pike in zagotavljajo veliko čistejši spektralni signal krošnje, vendar za ceno povečane količine podatkov in časa obdelave.

Omejitve vegetacijskih indeksov za spremljanje koruze

1. Nasičenost v gostih krošnjah

NDVI, najpogosteje uporabljen indeks, doseže nasičenost pri vrednostih LAI nad približno 3 m²/m², kar koruza običajno doseže do V10. Nad tem pragom dodatno povečanje zelenosti krošnje ali biomase povzroči zanemarljive spremembe NDVI. EVI, GNDVI in NDRE so zasnovani za odpravo te omejitve, vendar zahtevajo več spektralnih pasov kot NDVI in niso vedno na voljo pri cenejših senzorjih.

2. Odvisnost od vremena

Pasivni sistemi daljinskega zaznavanja so odvisni od stalne sončne osvetlitve. Oblačnost, meglica in atmosferski aerosoli absorbirajo in razpršijo vhodno sončno sevanje, preden doseže pridelek in ponovno na poti nazaj do senzorja, kar popači vrednosti odbojnosti.

Algoritmi za korekcijo atmosfere, ki se uporabljajo med obdelavo podatkov, zmanjšujejo, vendar ne odpravljajo tega učinka. V tropskih regijah pridelave koruze z dolgotrajnimi oblačnimi obdobji so lahko vrzeli v podatkih tako pogoste, da ogrozijo spremljanje časovnih vrst.

3. Mešani piksli

Pri nizkih prostorskih ločljivostih slikovne pike zajamejo signale tako iz krošnje poljščin kot tudi iz tal, cest, namakalne opreme ali robov polj. Nastala odbojnost mešanih slikovnih pik ustvari indeksne vrednosti, ki ne predstavljajo samo krošnje. Maskiranje meja polja in uporaba senzorja z najvišjo izvedljivo prostorsko ločljivostjo sta standardni praksi za zmanjšanje te napake.

4. Zahteve za kalibracijo

Za doseganje natančnih in ponovljivih vrednosti indeksa je potrebna radiometrična kalibracija senzorja, korekcija atmosferskih vplivov in normalizacija spremenljive osvetlitve med leti dronov. Če te korake preskočimo, dobimo zemljevide relativnega VI, ki jih ni mogoče primerjati med datumi ali polji, kar omejuje njihovo uporabnost za spremljanje časovnih vrst in primerjalno analizo na več poljih.

5. Potreba po potrditvi resnice na terenu

Vegetacijski indeksi so posredne meritve. Ocenjujejo lastnosti pridelkov – klorofil, dušik, biomaso – s korelacijo spektralnih vzorcev z biološkimi spremenljivkami, namesto da bi jih merili neposredno.

Vsaka ocena pridelka na podlagi VI ima koristi od validacije dejstev na terenu: fizikalne meritve dušika v listih, odčitki merilnikov klorofila ali vzorci destruktivne biomase, odvzeti na reprezentativni podmnožici lokacij po polju. Podatki dejstev na terenu podpirajo interpretacijo daljinskega zaznavanja in preprečujejo napačno diagnozo.

Najboljše prakse za uporabo vegetacijskih indeksov na koruznih poljih

1. Izbira pravega indeksa

Izbira indeksa mora slediti cilju spremljanja in razpoložljivemu senzorju. Za oceno dušika izberite NDRE ali CI Red Edge, če je na voljo rdeči robni pas. Za oceno sestojev v zgodnji sezoni uporabite SAVI ali MSAVI.

Za spremljanje krošenj v glavni sezoni in napovedovanje pridelka uporabite EVI ali NDVI v kombinaciji z GNDVI ali NDRE. Izogibajte se uporabi NDVI samega v zgodnji sezoni ali pri visoki gostoti krošenj – njegove omejitve v obeh scenarijih so dobro uveljavljene.

2. Izbira prave faze rasti

Časovni načrt zbiranja podatkov do točk agronomskih odločitev poveča upravljavsko vrednost podatkov o indeksu visceralne gostote. Praktični načrt spremljanja koruze bi vključeval:

1. V2–V4 (preverjanje vznika): Za oceno izenačenosti sestoja in določitev območij ponovne zasaditve uporabite SAVI ali MSAVI.
2. V6 (odločitev o dušiku s stransko obdelavo): Uporabite NDRE ali CI Red Edge za preslikavo stanja dušika in ustvarjanje predpisane količine s spremenljivo hitrostjo.
3. V10–V12 (zaprtje krošnje): Za oceno biomase in označitev območij z nezadostnim upravljanjem uporabite NDVI in EVI.
4. VT (resice): Z uporabo NDVI in GNDVI ocenite vrh krošnje in prepoznate območja, ki so med opraševanjem izpostavljena tveganju za stres.
5. R3 (faza mleka): Za zaznavanje vodnega stresa in oceno napredka nalivanja zrnja uporabite NDVI in NDWI.
6. R6 (zrelost): Za kalibracijo modela uporabite indeksne podatke za korelacijo sezonske krivulje VI s pridelkom žetve.

3. Združevanje več indeksov

Noben posamezen indeks ne zajame celotne kompleksnosti stanja pridelka koruze. Kombinacija dveh ali več indeksov, ki ciljajo na različne biološke signale, ustvari bogatejše diagnostične zemljevide. Kombinacija NDRE za stanje dušika, NDVI za celotno biomaso in NDWI za vsebnost vode zajema tri najpogostejše omejujoče dejavnike pri pridelavi koruze. Združevanje več indeksov znotraj modelov strojnega učenja zagotavlja merljivo večjo natančnost napovedovanja pridelka kot kateri koli pristop z enim samim indeksom.

4. Integracija opazovanj na terenu

Karte VI je treba vedno interpretirati skupaj z opazovanji na terenu. Ko se na karti z dronom pojavi anomalija VI, fizični obisk terena na tej lokaciji potrdi, ali spektralni signal odraža resničen agronomski problem – pomanjkanje dušika, zbitost, premočenje, škodo zaradi škodljivcev – ali artefakt šuma senzorjev, sence ali variacij tal. Opazovanja na terenu zagotavljajo tudi podatke za učenje, potrebne za kalibracijo lokalnih pragov VI za specifične hibride, tla in sisteme upravljanja.

5. Uporaba analize časovnih vrst

Posamezna slika VI je posnetek. Časovna vrsta slik od pojava do zrelosti je zgodba. Prikaz vrednosti indeksa skozi čas razkriva trajektorije rasti, ki identificirajo stresne dogodke glede na datum, ko so se zgodili, kako resni so bili in kako dolgo so trajali. Podatki časovnih vrst omogočajo tudi primerjavo med trenutno sezono in zgodovinskimi merili, kar zagotavlja kontekst, ki ga posnetki z enim datumom ne morejo zagotoviti.

Prihodnji trendi pri spremljanju rasti koruze

1. Umetna inteligenca

Algoritmi umetne inteligence se vse pogosteje uporabljajo za podatke o vegetacijskem indeksu za avtomatizacijo nalog interpretacije, ki trenutno zahtevajo presojo agronoma. Modeli globokega učenja, usposobljeni na velikih naborih podatkov o vegetacijskem indeksu, lahko v nekaj sekundah razvrstijo vrsto, resnost in prostorski obseg stresa iz multispektralnih posnetkov ter označijo območja, ki zahtevajo ukrepanje, za pregled agronoma, namesto da bi zahtevali popolno ročno analizo vsake slike.

Umetna inteligenca na kmetijskem trgu je bila ocenjena na 2,1 milijarde USD leta 2023 in naj bi do leta 2032 rasla s skupno letno stopnjo rasti več kot 241 TP3T. (GMI, 2025), kar odraža, kako hitro se ta zmogljivost komercializira.

2. Modeli strojnega učenja

Random Forest, XGBoost in konvolucijske nevronske mreže (CNN), uporabljene za večindeksne, veččasovne nabore podatkov, dosledno prekašajo tradicionalne modele VI-yield, ki temeljijo na regresiji.

Raziskava z uporabo GBM (Gradient Boosting Machines) za napovedovanje pridelka koruze dosežena Vrednosti R² 0,78 pri integraciji časovnih vrst VI z meteorološkimi podatki, kar prekaša enostavnejše regresijske pristope.

Ti modeli se učijo kompleksnih, nelinearnih odnosov med spektralnimi vzorci in agronomskimi rezultati, ki jih linearni modeli ne morejo zajeti.

3. Hiperspektralno slikanje

Hiperspektralni senzorji hkrati zajamejo podatke o odbojnosti v stotinah ozkih spektralnih pasovih v primerjavi s petimi do desetimi pasovi tipičnih multispektralnih kamer. Ta spektralna gostota omogoča zaznavanje signalov stresa pridelkov, ki padejo v ozka spektralna okna, ki jih širokopasovni senzorji ne vidijo.

Hiperspektralni indeksi za odkrivanje bolezni, stresa zaradi težkih kovin in pomanjkanja mikrohranil se aktivno validirajo za koruzo, komercialni hiperspektralni sistemi brezpilotnih letalnikov pa postajajo vse bolj dostopni.

4. Spremljanje pridelkov v realnem času

Kombinacija miniaturizacije senzorjev, širitve satelitske konstelacije in povezljivosti 5G vodi k spremljanju stanja pridelkov v realnem času, kjer so podatki o VI na voljo neprekinjeno med rastno sezono in ne tedensko ali dvotedensko.

Dnevna stopnja ponovnih obiskov satelitov Planet Labs in namestitev terenskih senzorjev, ki podpirajo internet stvari in prenašajo podatke v oblačne platforme, že zagotavljata zmogljivost spremljanja v skoraj realnem času za zgodnje uporabnike.

DJI-jevi sistemi za daljinsko zaznavanje na osnovi dronov so poročali o 67.78% zmanjšanje količine vhodnih kemikalij ko se karte predpisanega gnojila, pridobljene iz podatkov o VI, napajajo v sisteme za škropljenje s spremenljivo hitrostjo (Mordor Intelligence, 2026).

5. Integracija s sistemi za precizno kmetijstvo

Naslednji korak pri spremljanju indeksa vinske trske koruze je brezhibna integracija med zajemanjem, obdelavo, interpretacijo in ukrepi na terenu. Platforme za upravljanje kmetij v oblaku že povezujejo satelitske in dronske posnetke neposredno s programsko opremo za krmilnike s spremenljivo hitrostjo, kar skrajša čas od zajemanja podatkov do ukrepov na terenu z dni na ure.

Ko bodo API-ji med ponudniki slik, agronomsko programsko opremo in kmetijsko opremo standardizirani, bo potek dela od “poleta drona” do “uporabe spremenljivega predpisanega odmerka” postal dostopen proizvajalcem vseh ravneh.

Pogosta vprašanja

Kateri vegetacijski indeks je najboljši za koruzo?
Noben posamezen indeks ni univerzalno najboljši. NDRE se najbolje obnese za oceno dušika, SAVI za spremljanje v zgodnji fazi, EVI za gosto krošnjo in NDVI za splošno korelacijo med biomaso in pridelkom. Kombinacija dveh ali treh indeksov, prilagojenih cilju spremljanja, dosledno presega kateri koli posamezni indeks.

Kako pogosto je treba spremljati vegetacijske indekse?
Za gojenje koruze skozi celotno sezono je priporočljiv interval spremljanja vsakih 7 do 14 dni v obdobju V4 do R3. Kritična okna odločanja (V6 za dušik, VT za oceno stresa, R3 za namakanje) upravičujejo lete ali satelitske posnetke ne glede na standardni urnik spremljanja.

Kateri vegetacijski indeks najbolje deluje v zgodnji fazi rasti koruze?
SAVI in MSAVI se najbolje obneseta od kalitve do V4, ker zmanjšata vpliv izpostavljene zemlje na vrednost indeksa in zagotavljata smiselne meritve krošnje, tudi če je pokrovnost tal pod 30%.

Ali lahko vegetacijski indeksi odkrijejo bolezen, preden se pojavijo simptomi?
Raziskave kažejo, da listne bolezni spremenijo spektralni podpis okuženih listov, preden se pojavijo vidne lezije. Indeksi, ki temeljijo na rdečem robu, so najbolj občutljivi za zgodnje odkrivanje bolezni, ker se odzivajo na razgradnjo klorofila v okuženem tkivu. Čas odkrivanja je odvisen od vrste in resnosti bolezni, vendar je bilo v kontroliranih študijah dokazano zgodnje odkrivanje 5 do 10 dni pred vidnimi simptomi.

Zaključek

Vegetacijski indeksi za spremljanje rasti koruze so presegli raziskovalno radovednost. Zdaj so praktična, na terenu preizkušena orodja, ki kmetom in agronomom omogočajo, da vidijo stres pridelka, pomanjkanje dušika in pogoje, ki omejujejo pridelek, tedne preden te težave postanejo vidne – in preden povzročijo nepopravljivo izgubo pridelka. Izbira pravega indeksa za vsako rastno fazo ni manjša tehnična podrobnost; gre za razliko med odkrivanjem resnične težave in ustvarjanjem zavajajočih podatkov. Kombiniranje več indeksov – NDRE za dušik, EVI za biomaso goste krošnje, NDWI za stanje vode – zagotavlja diagnostično sliko, ki je ne more zagotoviti nobena posamezna meritev. Integracija te spektralne slike s fizičnimi terenskimi opazovanji utemelji podatke v agronomski realnosti in preprečuje napačno interpretacijo, ki izhaja iz zanašanja samo na daljinsko zaznavanje.

Brezpilotna letala (UAV) ali droni spreminjajo sodobno kmetijstvo, saj omogočajo hitre posnetke polj iz zraka. Uporabljajo se za skeniranje zdravja pridelkov, stopnje rasti, škodljivcev, plevela in oceno pridelka. Kitajska ima na primer zdaj v uporabi več kot 250.000 kmetijskih dronov, na Tajskem pa je bilo do leta 2023 s škropljenjem ali spremljanjem z droni pokritih približno 30% kmetijskih zemljišč. Ti brezpilotni letalniki povečujejo učinkovitost kmetijstva, saj hitro odkrivajo težave (kot so izbruhi škodljivcev ali pomanjkanje vode), ki jih je mogoče spregledati na terenu.

Vendar pa imajo majhni brezpilotni letalniki zelo omejeno računalniško moč in življenjsko dobo baterije. Zato je izvajanje kompleksnih algoritmov umetne inteligence na njih v realnem času izziv. Tradicionalni lahki modeli za zaznavanje objektov (kot so drobni detektorji YOLO ali MobileNet) lahko le delno zadovoljijo te potrebe: pogosto žrtvujejo natančnost ali hitrost in zahtevajo znatno ročno nastavitev. Ta vrzel spodbuja iskanje nevronske arhitekture (NAS), ki se zaveda namestitve: avtomatizirano metodo načrtovanja, ki prilagaja modele globokega učenja natančnim zahtevam brezpilotnih letalnikov, nameščenih na terenu.

Sodobno precizno kmetijstvo uporablja brezpilotne letalnike (UAV) za pregledovanje polj in spremljanje stanja pridelkov. Z letenjem nad velikimi območji lahko brezpilotni letalniki zbirajo slike visoke ločljivosti rastlin, tal in vzorcev na poljih. Te slike se posredujejo algoritmom računalniškega vida, ki zaznavajo plevel med pridelki, ocenjujejo pridelek (npr. štetje plodov ali glavic) ali opazijo zgodnje znake bolezni ali pomanjkanja hranil. Brezpilotni letalniki na primer omogočajo ciljno škropljenje s herbicidi na plevelnih površinah, kar zmanjšuje uporabo kemikalij in stroške.

Vendar pa majhni vgrajeni računalniki v dronih (pogosto omejeni na nekaj vatov moči) težko poganjajo velike nevronske mreže pri hitrosti leta. Zaradi tega je težko izvajati analize v realnem času: če dron opazi težavo, se mora hitro odzvati ali zabeležiti podatke, preden se baterija izprazni. Trenutni lahki detektorji (npr. YOLOv8 nano, YOLO-tiny, MobileNets) so zasnovani ročno in pogosto vključujejo kompromise: zmanjšanje modela pospeši postopek, vendar lahko zmanjša natančnost.

Posledično obstaja velika potreba po metodah, ki samodejno najdejo najboljši možni model glede na omejitve brezpilotnega letalnika. NAS, ki se zaveda namestitve, ustreza tej potrebi z iskanjem arhitektur nevronskih mrež, ki skupaj optimizirajo natančnost zaznavanja in porabo virov (latenca, moč, pomnilnik) v dejanskih pogojih brezpilotnega letalnika. Ta pristop lahko zagotovi specializirane modele, ki učinkovito delujejo na strojni opremi brezpilotnih letalnikov, hkrati pa ostanejo zelo natančni za naloge spremljanja pridelkov.

Zahteve za zaznavanje objektov brezpilotnih letalnikov pri spremljanju poljščin

Kmetijski brezpilotni letalniki opravljajo vrsto nalog vizualnega zaznavanja, od katerih ima vsaka svoje zahteve:

1. Zdravje pridelka in zaznavanje stresa: Droni uporabljajo RGB, termalne ali multispektralne kamere za prepoznavanje obremenjenih rastlin, pomanjkanja hranil ali simptomov bolezni. Algoritmi v realnem času lahko preslikajo variabilnost polja in usmerjajo namakanje ali gnojenje. Natančno zaznavanje znakov stresa rastlin omogoča pravočasne posege za ohranitev pridelka.

2. Identifikacija plevela: Zaznavanje plevela med pridelki omogoča kmetom, da škropijo le neželene rastline, s čimer prihranijo herbicide. Na primer, študija na bombažnih poljih je uporabila posnetke brezpilotnega letalnika z detektorjem na osnovi YOLOv7 in dosegla natančnost približno 83% pri ločevanju plevela od bombaža. Vendar pa je razlikovanje vizualno podobnih plevelov in pridelkov še vedno težko na prenatrpanih slikah polj.

3. Odkrivanje škodljivcev in bolezni: Brezpilotni letalniki (UAV) lahko odkrijejo izbruhe (npr. kobilice, žuželke ali glivično ogorčenje) prej kot ljudje peš. Droni podpirajo tudi kartiranje območij, okuženih s škodljivci, z multispektralnim slikanjem, ki izboljša samo RGB. Hitro in natančno zaznavanje škodljivcev je ključnega pomena za preprečevanje širjenja.

4. Ocena pridelka: Štetje sadja, žitnih glav ali rastlin iz zraka pomaga napovedati količino pridelka. Modeli, usposobljeni za zaznavanje jabolk, melon ali pšeničnih glav na slikah brezpilotnih letalnikov, lahko pospešijo oceno pridelka. Na primer, nevronske mreže na slikah brezpilotnih letalnikov so bile uporabljene za štetje pridelka lubenic in melon na poljih.

5. Geodetske meritve in kartiranje: Droni ustvarjajo tudi zemljevide polj (topografija, razlike v tleh), ki pomagajo pri načrtovanju gojenja. Čeprav to ni strogo zaznavanje objektov, je to del spremljanja z brezpilotnimi letalniki.

Te naloge pogosto zahtevajo sklepanje v skoraj realnem času: dron, ki leti nad polji, bo morda moral sproti obdelovati video posnetke (več posnetkov na sekundo), da se lahko odločitve o nadzoru (kot sta prilagajanje višine ali aktiviranje škropilnice) sprejmejo takoj. V drugih primerih so lahko sprejemljive manjše zamude (v nekaj sekundah), če se podatki zabeležijo in analizirajo po pristanku.

Pomembno je, da mora vid brezpilotnega letalnika (UAV) obvladovati okoljske spremenljivosti: močno sončno svetlobo, sence, zamegljenost zaradi gibanja zaradi vetra, zakritje s prekrivajočimi se listi ali spremembe nadmorske višine in kota. Velikosti objektov se razlikujejo (bližnji plevel v primerjavi z oddaljenimi skupinami škodljivcev), zato morajo detektorji obvladovati večstopenjske značilnosti.

Končno, misije kmetijskih brezpilotnih letalnikov vključujejo stroge kompromise med natančnostjo, zakasnitvijo in energijo. Visoka natančnost zaznavanja je potrebna, da se prepreči spregledanje plevela ali škodljivcev, vendar lahko delovanje zelo globokega omrežja hitro izprazni baterijo. Model zaznavanja mora biti zato hiter in energetsko učinkovit, hkrati pa dovolj natančen za nalogo. Te stroge zahteve poudarjajo, zakaj je za brezpilotne letalnike v kmetijstvu potrebna specializirana zasnova modelov.

Lahki detektorji predmetov za platforme brezpilotnih letalnikov

Lahki detektorji objektov so nevronske mreže, posebej zasnovane za delovanje na omejeni strojni opremi. Pogosto uporabljajo majhne hrbtenice (kot sta MobileNet ali ShuffleNet), zmanjšane širine plasti ali poenostavljene zasnove vratu/glave. Na primer, modeli družine YOLO vključujejo “nano” in “drobne” različice (npr. YOLOv8n, YOLOv5s), ki imajo manj parametrov in zahtevajo manj operacij (FLOP).

Takšni detektorji lahko delujejo s hitrostjo več deset sličic na sekundo na vgrajeni strojni opremi, kot sta NVIDIA Jetson Nano ali Google Coral. Ag-YOLO je bil na primer detektor po meri, ki je temeljil na YOLO za palmove nasade in je deloval s hitrostjo 36,5 sličic na sekundo na Intel Neural Compute Stick 2 (s porabo le 1,5 W) in dosegel visoko natančnost (F1 = 0,9205). Ta model je uporabil približno 12× manj parametrov kot YOLOv3-Tiny, hkrati pa je podvojil svojo hitrost.

Ti primeri prikazujejo kompromise pri načrtovanju modelov: zmanjšanje velikosti ali kompleksnosti modela (npr. manj plasti ali kanalov) običajno pospeši sklepanje in zmanjša porabo energije, vendar lahko zmanjša natančnost. Ag-YOLO je žrtvoval nekaj zmogljivosti za povečanje hitrosti in učinkovitosti, vendar je pri svoji nalogi še vedno ohranil visok rezultat F1 0,92.

Podobno so bile tri različice YOLOv7 primerjane pri zaznavanju plevela: polna YOLOv7 je dosegla natančnost 83%, medtem ko je manjša mreža YOLOv7-w6 padla na natančnost 63%. To ponazarja omejitev generičnih lahkih detektorjev: modeli, uglašeni za eno okolje ali vrsto predmeta, lahko v drugem delujejo slabše. Detektor, ki je zožen zaradi hitrosti, lahko spregleda subtilne znake (npr. majhen ali prikrit plevel), kar škoduje robustnosti v različnih pogojih.

V kmetijstvu ta generična lahka omrežja morda niso optimalna brez nadaljnjih prilagoditev. Na primer, model YOLOv7, ki je bil predhodno usposobljen na običajnih naborih podatkov, morda ne bo popolnoma obvladoval edinstvenih tekstur in meril posnetkov poljščin. Zato je potrebna optimizacija arhitekture modela glede na nalogo in platformo. Ročno nastavljanje (spreminjanje plasti, filtrov itd.) za vsako novo vrsto drona ali sorto poljščin je delovno intenzivno. To spodbuja avtomatizirane metode – kot je NAS, ki se zaveda namestitve – da najdejo najboljše ravnovesje med velikostjo, natančnostjo in robustnostjo za dano platformo UAV in kmetijsko aplikacijo.

Iskanje nevronske arhitekture v sistemih vida na osnovi brezpilotnih letalnikov

Iskanje nevronske arhitekture (NAS) je avtomatizirana metoda za načrtovanje arhitektur nevronskih mrež. Namesto ročnega določanja števila plasti, filtrov in povezav NAS uporablja algoritme (učenje z okrepitvijo, evolucijske metode ali iskanje na osnovi gradientov) za raziskovanje prostora možnih zasnov in iskanje tistih, ki optimizirajo izbrani cilj (kot je natančnost).

NAS se je že uporabljal za ustvarjanje mobilno prijaznih omrežij. Na primer, Googlov MnasNet je bil pionirski NAS, ki se zaveda platforme in je v cilj neposredno vključil dejansko zakasnitev naprave. MnasNet je na telefonu Google Pixel za vsak kandidatni model med iskanjem izmeril čas sklepanja in uravnotežil natančnost glede na to izmerjeno zakasnitev. Rezultat je bila družina CNN, ki so bile hitre in natančne na mobilni strojni opremi ter so prekašale ročno zasnovane modele MobileNet in NASNet na ImageNet.

Vendar pa se generični pristopi NAS, kot je MnasNet, osredotočajo na splošne naloge vida (klasifikacija ImageNet ali zaznavanje COCO) in splošno strojno opremo (npr. mobilne telefone). Pri spremljanju pridelkov z brezpilotnimi letalniki (UAV) je problem bolj specializiran. Želimo detektorje, optimizirane za specifične razrede objektov (rastline, plevel, škodljivci) in prilagojene senzorjem in profilu leta brezpilotnega letalnika. Standardni NAS, ki optimizira le natančnost ali generično zakasnitev, lahko spregleda nianse, kot so zaznavanje majhnih objektov ali energijske omejitve.

Tudi tradicionalne metode NAS so lahko računsko zelo drage (pogosto zahtevajo več dni na velikih gručah GPU), kar ni vedno praktično za raziskovalce v kmetijstvu. Zato so za vid brezpilotnih letalnikov potrebni ogrodji NAS, specifični za nalogo. Ta morajo vključevati merila, pomembna za brezpilotne letalnike, in biti čim bolj učinkovita.

V vseh primerih je zavedanje omejitev ključnega pomena: NAS se mora zavedati omejitev ciljne naprave (podobno kot MnasNet) in zahtev nalog brezpilotnega letalnika med letom v realnem času. Če je iskanje prepočasno ali ne upošteva porabe energije, nastali model morda dejansko ne bo dobro deloval na terenu.

V praksi bi NAS za vid brezpilotnih letalnikov vključil zakasnitev strojne opreme in energijo neposredno v metriko iskanja. Na primer, lahko bi izmerili hitrost sličic kandidatnega detektorja na dejanskem računalniku drona (kot je NVIDIA Jetson) in to uporabili kot rezultat. To je v nasprotju z uporabo preprostih posrednikov, kot so FLOP-i, ki ne zajamejo hitrosti v resničnem svetu.

S tem lahko NAS odkrije arhitekture, ki najbolje izkoriščajo zmogljivosti naprave. Skratka, NAS ponuja način za samodejno načrtovanje detektorjev za brezpilotne letalnike, vendar ga je treba prilagoditi tako, da upošteva naloge, specifične za brezpilotne letalnike, in zahteve glede učinkovitosti.

NAS, ki upošteva uvajanje: Osnovna načela

NAS, ki se zaveda uvedbe, razširja NAS, ki se zaveda strojne opreme, tako da v proces načrtovanja vključuje kontekst uvedbe in okoljske omejitve. Z drugimi besedami, ne upošteva le strojne opreme drona (hitrost CPE/GPU, omejitve pomnilnika, energijska poraba), temveč tudi to, s čim se bo brezpilotni letalnik dejansko srečal na terenu. To pomeni eksplicitno optimizacijo za metrike, kot so zakasnitev sklepanja na ciljni napravi, poraba energije in pomnilniški odtis, hkrati pa si prizadeva za visoko natančnost zaznavanja.

Na primer, med NAS bi lahko vsak kandidatni model namestili na Jetson Nano, pritrjen na brezpilotni letalnik, in zabeležili njegov čas sklepanja in porabo energije v resničnem svetu. Te empirične povratne informacije pomagajo pri iskanju modelov, ki resnično izpolnjujejo merila za namestitev.

NAS, ki se zaveda strojne opreme (kot je MnasNet), se osredotoča na metrike naprave, medtem ko NAS, ki se zaveda uvajanja, gre še dlje: lahko upošteva vhodne značilnosti senzorjev (npr. ločljivost slike, večspektralne kanale) in cilje zakasnitve aplikacije (potrebno število sličic na sekundo). Lahko celo vključi omejitve leta, kot je največji dovoljeni pomnilnik, ali pa vključi ocene v simuliranih tresljajih vetra ali zamegljenosti zaradi gibanja.

NAS, ki se zaveda namestitve, lahko kaznuje arhitekture, ki presegajo na primer 5 W porabe energije ali potrebujejo več pomnilnika, kot ga ima dron. S tem se iskanje naravno preusmeri k praktičnim modelom za delovanje brezpilotnega letalnika na terenu. V bistvu gre pri NAS, ki se zaveda namestitve, za zapiranje zanke med zasnovo modela in uporabo v resničnem svetu. Namesto da bi izbral arhitekturo ločeno in upal, da bo delovala, sistematično vključuje testiranje na resničnih napravah med iskanjem.

Na primer, Kerec in sodelavci (2026) so uporabili takšen okvir za iskanje detektorja brezpilotnih letalnikov: gradili so na osnovni različici YOLOv8n, vendar so v iskanje vključili latenco in energijo Jetson Nano. Nastali model je imel 37% manj GFLOP-ov in 61% manj parametrov kot YOLOv8n, s samo 1,96% padcem mAP. To jasno kaže, kako so omejitve pri uvajanju usmerile NAS v veliko lažje in hitrejše omrežje.

Vloga NAS, ki se zaveda uvajanja, pri spremljanju preciznega kmetijstva

NAS, ki se zaveda namestitve, lahko močno izboljša spremljanje pridelkov z brezpilotnimi letalniki (UAV) s prilagoditvijo detektorjev kmetijskim razmeram. Iskanje lahko na primer daje prednost arhitekturam, ki so odlične pri zaznavanju majhnih, tankih predmetov (kot so ozki pleveli ali tanke sadike koruze) ali pri razlikovanju rastlin od talnega ozadja. Globino omrežja in receptivna polja lahko prilagodi tipični višini letenja: na nizki nadmorski višini predmeti zapolnijo sliko in lahko zahtevajo fine podrobnosti, medtem ko bi moralo biti omrežje na višji nadmorski višini dobro pri zaznavanju majhnega obsega. NAS, ki se zaveda namestitve, lahko te zahteve vkodira v svoj iskalni prostor.

Hitrost je na terenu ključnega pomena. Predstavljajte si, da dron zazna izbruh škodljivcev; če je model dovolj hiter, da obdeluje video s hitrostjo, recimo, 30 sličic na sekundo, lahko opozori pilota ali sproži takojšnje ukrepanje. V testih je model, ki ga je zasnoval NAS, na Jetson Nano deloval 28% hitreje kot standardni YOLOv8n, zahvaljujoč optimizirani arhitekturi. Prav tako je med delovanjem ONNX porabil 18,5% manj energije, kar pomeni, da lahko dron z isto baterijo leti dlje. Zaradi teh izboljšav je odločanje med letom bolj izvedljivo in se podaljša trajanje misije.

Robustnost je še ena prednost. Ker NAS, ki se zaveda namestitve, vključuje dejansko ocenjevanje naprav, lahko iskanje vključuje teste v različnih pogojih. Na primer, lahko simulira šibko svetlobo ali vključuje učne slike zore in mraka, kar zagotavlja, da končni detektor ohrani natančnost v dejanskih vremenskih in svetlobnih spremembah. Delo je pokazalo, da detektor, ki izhaja iz NAS, dobro posplošuje: preizkusili so ga na dveh različnih naborih podatkov o pridelkih (pšenične glave in sadike bombaža) in ugotovili dobro delovanje v obeh.

To kaže, da je NAS, ki se zaveda uvedbe, pomagal najti skupne, uporabne funkcije za kmetijstvo in izboljšal posplošitev na nova področja. Na splošno NAS, ki se zaveda uvedbe, pomaga uravnotežiti natančnost z daljšim časom leta. Z zmanjšanjem računanja droni porabijo manj energije in lahko pokrijejo večjo površino z enim polnjenjem baterije, hkrati pa še vedno zanesljivo zaznavajo pridelke in škodljivce.

Zasnova iskalnega prostora za detektorje kmetijskih brezpilotnih letalnikov

Pomemben del NAS, ki se zaveda uvajanja, je iskalni prostor – nabor možnih omrežnih zasnov, ki jih upošteva. Za detektorje poljščin brezpilotnih letalnikov je mogoče iskalni prostor oblikovati tako, da vključuje obetavne arhitekture za to področje. Ključni deli vključujejo:

1. Zasnova hrbtenice: Ogrodje je ekstraktor značilnosti. Za brezpilotne letalnike (UAV) bi lahko vključili lahke konvolucijske gradnike, kot so globinsko ločljive konvolucije (kot se uporabljajo v MobileNet) ali obrnjeni bloki ostankov. Obrnjeni ostanki in linearna ozka grla (stil MobileNetV2) so dobro znani po mobilni učinkovitosti. Iskalni prostor bi lahko omogočil spreminjanje širine (števila kanalov) in globine vsakega bloka, da bi se ujemal z računskim proračunom brezpilotnega letalnika. Vključeni bi lahko bili tudi moduli za pozornost ali moduli, ki so navdihnjeni s transformatorji, če si jih brezpilotni letalnik lahko privošči pri nizki porabi energije.

2. Oblika vratu: Številni detektorji objektov uporabljajo piramide značilnosti (FPN) ali omrežja za združevanje večstopenjskih značilnosti. Iskanje bi lahko raziskalo poenostavljene FPN-je ali lahko združevanje značilnosti. Na primer, uporaba glave z enim merilom v primerjavi z glavami z več merili bi lahko bila možnost. Prostor bi lahko omogočil združevanje plasti ali preskakovanje povezav, ki pomagajo zaznati objekte različnih velikosti.

3. Zasnova glave: Tudi detekcijska glava (klasifikacijske in regresijske plasti) se lahko spreminja. Za brezpilotne letalnike, ki iščejo enakomerna polja, bi lahko zadostovala enostavnejša glava. Za zaznavanje manjših neenakosti pa bi lahko iskanje vključevalo dodatne konvolucijske plasti ali različne sidrne sheme.

4. Lažje operacije: Iskalni prostor lahko izrecno dovoljuje le nizkocenovne operacije. Na primer, izbiro med pretvorbo 3×3 in cenejšo faktorizirano pretvorbo 1×3+3×1 ali vključitev modulov GhostNet. Omogoča lahko tudi majhne velikosti jeder ali zmanjšane dimenzije za omejitev računanja. Vse te izbire so odvisne od strojne opreme. Prostor lahko prepove katero koli konfiguracijo plasti, ki presega omejitev pomnilnika drona ali pričakovani energijski prag.

S skrbnim načrtovanjem tega iskalnega prostora je proces NAS usmerjen k učinkovitim, a hkrati uspešnim arhitekturam. Rezultat je lahko nova kombinacija blokov, ki niso upoštevani v standardnih modelih. Najbolje najdeni detektor je uporabil izbire blokov po meri, ki so zmanjšale GFLOP za 37% in parametre za 61% v primerjavi z YOLOv8n.

To je bilo mogoče, ker je NAS lahko kombiniral in usklajeval elemente hrbtenice in glave v okviru omejitev brezpilotnega letalnika. Skratka, iskalni prostor za detektorje kmetijskih brezpilotnih letalnikov se osredotoča na skalabilne, lahke gradnike in večstopenjsko upravljanje, vse znotraj omejitev vgrajene strojne opreme.

Cilji in omejitve optimizacije

NAS, ki se zaveda namestitve, mora žonglirati z več cilji. Primarni cilj je običajno natančnost zaznavanja (npr. povprečna natančnost, mAP), merjena na naborih podatkov za spremljanje poljščin. Na primer, mAP@50 (natančnost pri 50% IOU) je pogosta metrika. Model, optimiziran za NAS, je imel le 1,96% padec mAP@50 v primerjavi z osnovnim YOLOv8n, kar je zelo majhna izguba glede na dosežene izboljšave. Upoštevata se tudi natančnost in odpoklic (ali rezultat F1) na ključnih razredih (plevel, poljščine).

Hkrati je treba optimizirati zakasnitev in energijo. Zakasnitev je čas sklepanja na sliko; za vgrajeni grafični procesor je lahko 20–50 ms ali več. Nižja zakasnitev pomeni višjo hitrost sličic. Poraba energije (džuli na sličico) je ključnega pomena za vzdržljivost leta. Pomnilniški odtis (število parametrov, velikost modela) je še ena omejitev; modeli se morajo prilegati RAM-u naprave. Zato NAS običajno določi cilj ali kazen za te omejitve.

Na primer, vsak model, ki je počasnejši od določenega praga ali nad proračunom parametrov, se lahko uvrsti nižje. To NAS dejansko spremeni v večkriterijski optimizacijski problem: maksimiranje natančnosti ob hkratnem zmanjšanju zakasnitve, energije in velikosti.

Praktično bi to lahko dosegli z uteženo vsoto ciljev ali s trdimi omejitvami. Nekatere metode dajejo veliko kazen vsakemu kandidatu, ki preseže omejitev moči brezpilotnega letalnika. Druge eksplicitno izračunajo metriko energije: modeli so bili preizkušeni v okolju ONNX za merjenje "energetske učinkovitosti", najboljši model pa je bil +18,5% energetsko učinkovitejši od YOLOv8n. To je bil eden od ciljev, ki so vodili njihovo iskanje.

Ugotovljene kompromise si je mogoče predstavljati na Paretovi meji: na enem koncu izjemno hitri majhni modeli z nižjo natančnostjo; na drugem koncu veliki natančni modeli, ki so prepočasni ali energijsko lačni za dron. NAS, ki se zaveda namestitve, si prizadeva najti idealno točko na tej meji, ki se ujema z dejanskimi prioritetami misije (npr. majhna izguba natančnosti za veliko pospešitev). Skratka, NAS mora skupaj upoštevati metrike natančnosti (mAP, F1) in omejitve sklepanja (ms na okvir, džuli na okvir, pomnilnik). Ta uravnotežena optimizacija je tisto, zaradi česar je model resnično pripravljen za namestitve v brezpilotnih letalnikih.

Usposabljanje in vrednotenje v realnih kmetijskih okoljih

Da bi detektorji, ki jih je našel NAS, dobro delovali, jih je treba usposobiti in preizkusiti na realističnih kmetijskih podatkih. To pomeni uporabo naborov podatkov, ki zajemajo spremenljivost dejanskih polj: različne vrste poljščin, faze rasti, letne čase, svetlobne pogoje in nadmorske višine. Na primer, učenje na slikah samo mladih koruznih poganjkov morda ne bo posplošeno na zrele pšenične glave. Nabori podatkov, reprezentativni za polja, zagotavljajo, da se model nauči značilnosti, ki so pomembne na kmetiji. Med učenjem se lahko uporabi tudi razširitev podatkov (naključni pridelki, spremembe svetlosti, zamegljenost zaradi gibanja), da se posnema gibanje in osvetlitev dronov.

Pri ocenjevanju je pomembno, da model preizkusite v čim bolj realnih pogojih. Simulacijska orodja lahko pomagajo (npr. letenje virtualnega drona nad 3D-polji), vendar so zlati standard dejanski letalni testi. Primerjalno testiranje na vozilu se izvede z zagonom modela na dejanski strojni opremi brezpilotnega letalnika. Po NAS so kandidata namestili na Jetson Nano in izmerili 28,1% hitrejše sklepanje (v primerjavi z osnovnim YOLOv8n) in boljšo porabo energije. Tovrstne povratne informacije iz dejanske naprave potrjujejo, da je iskanje ustvarilo model, ki resnično izpolnjuje zahteve.

Posploševanje je prav tako ključnega pomena. Model se lahko išče in uči na enem pridelku (recimo pšenici), vendar kmetje potrebujejo detektorje, ki delujejo na več poljih. Študija je pokazala močno posploševanje med pridelki: detektor, ki izhaja iz NAS in je bil usposobljen za eno nalogo, je še vedno dobro deloval na drugem naboru podatkov o pridelkih (sadike bombaža) brez ponovnega učenja. To kaže, da lahko NAS, ki se zaveda uvajanja, prinese robustne arhitekture. Vendar pa lahko spremembe domen (npr. selitev s koruznih polj na sadovnjake) še vedno zahtevajo natančno nastavitev ali nadaljnje iskanje. Priporočljivo je tudi medsezonsko testiranje (posnetki poleti v primerjavi z jesenjo).

Nenazadnje je treba vsak nov model pred uvedbo preizkusiti na platformi brezpilotnih letalnikov. To vključuje beleženje njegove natančnosti in hitrosti na dronih, zagotavljanje, da se strojna oprema ne pregreje, in preverjanje porabe energije. Šele takrat mu lahko kmetje zaupajo pri kritičnem spremljanju. Z združevanjem usposabljanja, ustreznega za teren, in strogega ocenjevanja strojne opreme NAS, ki se zaveda uvedbe, zagotavlja detektorje, ki niso le teoretično učinkoviti, ampak so tudi preizkušeni na terenu.

Prednosti pred ročno zasnovanimi detektorji brezpilotnih letalnikov

NAS, ki se zaveda namestitve, ponuja več jasnih prednosti pred tradicionalnimi, ročno zasnovanimi modeli za brezpilotne letalnike:

1. Kompromisi za boljšo učinkovitost delovanja: Modeli, najdeni v NAS, običajno zagotavljajo večje kombinacije natančnosti, hitrosti in energetske učinkovitosti. Najboljši model je na primer deloval hitreje pri 28% in porabil 18,5% manj energije na Jetson Nano kot ročno izbrani osnovni model YOLOv8n, hkrati pa je pri detekcijski mAP izgubil le ~2%. Ročno doseganje takšnega ravnovesja bi bilo zelo težko.

2. Izboljšana posplošitev: Modeli, ki jih je odkril NAS, so lahko bolj prilagodljivi novim pogojem, saj lahko iskanje vključuje raznolike podatke ali cilje. Samodejno zasnovan detektor se je dobro posplošil na različne vrste poljščin (pšenica in bombaž) in svetlobne pogoje. Ta široka robustnost je ključnega pomena, ko leti naletijo na nepričakovane prizore.

3. Zmanjšan inženirski napor: NAS avtomatizira veliko poskusov in napak. Namesto ročnega prilagajanja velikosti plasti in testiranja številnih kandidatov, NAS, ki se zaveda uvajanja, iterativno raziskuje možnosti in najde najboljšo zasnovo za vas. To prihrani čas razvoja in strokovno znanje, kar olajša posodabljanje detektorjev za nove naloge ali strojno opremo.

4. Prilagodljivost: Ko je ogrodje NAS nastavljeno, se lahko uporablja za različne platforme ali misije brezpilotnih letalnikov. Na primer, isti NAS, ki se zaveda uvajanja, bi lahko poiskal detektor, uglašen na drugo ločljivost kamere ali model drona, tako da preprosto spremeni vhodne omejitve. To je veliko bolj prilagodljivo kot preoblikovanje omrežij od začetka za vsak scenarij.

Izzivi in omejitve

NAS, ki se zaveda uvedbe, je zmogljiv, vendar ne čarobna rešitev. Uporabljati ga je treba premišljeno, z zavedanjem zahtev glede virov in spremenljivosti ciljnega okolja. Kljub svoji obljubi ima NAS, ki se zaveda uvedbe, naslednje izzive:

1. Visoki stroški iskanja: NAS lahko zahteva precejšnje izračune. Tudi z učinkovitimi algoritmi lahko iskanje po arhitekturnem prostoru traja veliko ur z grafičnimi procesorji (ali specializiranimi izračuni). Če se ne upravlja skrbno, so lahko stroški iskanja za nekatere ekipe previsoki.

2. Pristranskost podatkov in premik domene: NAS je dober le toliko, kot so dobri uporabljeni podatki. Če učne slike niso reprezentativne za terenske razmere, lahko najdena arhitektura v resnici ne deluje dobro. Na primer, model, uglašen za eno vrsto pridelka ali eno geografsko regijo, se morda ne bo popolnoma prenesel na drugo brez nadaljnje prilagoditve.

3. Heterogenost strojne opreme: Strojna oprema brezpilotnih letalnikov je na voljo v različnih različicah (različni vgrajeni grafični procesorji, procesorji, FPGA). Model, optimiziran za eno ploščo, morda ni optimalen na drugi. NAS, ki se zaveda uvedbe, mora bodisi ponovno zagnati iskanja za vsako platformo bodisi uporabiti konzervativne omejitve, ki ustrezajo vsem – kar lahko omeji zmogljivost.

4. Praktične omejitve: Prave kmetijske uvedbe vključujejo težave, kot so posodobitve omrežja po zraku, sistemska integracija z nadzorom leta in varnostni certifikati. Tudi najboljši model NAS mora biti integriran v celoten sistem dronov. Usklajevanje posodobitev modela, regulativne odobritve in usposabljanje kmetov so netehnične ovire.

Prihodnje smeri

V prihodnosti se bo verjetno pojavila še tesnejša integracija načrtovanja modelov, senzorske tehnologije in upravljanja brezpilotnih letalnikov. NAS, ki se zaveda namestitve, bo ostal ključno orodje v tem procesu sooblikovanja. V prihodnosti se pojavlja več vznemirljivih možnosti:

1. Spletni in prilagodljivi NAS: Namesto enkratnega iskanja brez povezave bi lahko prihodnji sistemi prilagajali omrežje v realnem času ali med leti. Na primer, dron bi lahko začel z osnovnim modelom in se z uporabo lahkih algoritmov NAS sproti prilagajal novim svetlobnim ali terenskim pogojem. Ta “NAS v napravi” je zelo zahteven, vendar bi lahko močno izboljšal prilagodljivost.

2. Sočasna zasnova senzorjev in modelov: Prihodnji sistemi preciznega kmetijstva bi lahko skupaj optimizirali izbiro kamere (RGB, multispektralna, infrardeča) in nevronske mreže. NAS, ki se zaveda namestitve, bi se lahko razširil tako, da bi v svoje iskanje vključil parametre senzorjev (kot so uporabljeni spektralni pasovi) in našel najboljšo kombinacijo strojne opreme in modela.

3. Multispektralna/hiperspektralna integracija: Kot kaže študija bolezni bombaža, lahko integracija multispektralnih posnetkov izboljša odkrivanje, zlasti težav v zgodnji fazi. Prihodnji NAS bi lahko raziskali modele z več tokovi, ki združujejo kanale RGB in bližnje infrardeče kanale za zanesljivejše zaznavanje subtilnih sprememb rastlin.

4. Avtonomni procesi odločanja: Konec koncev lahko detektorji, optimizirani za NAS, omogočijo popolno avtonomijo. Na primer, dron lahko samodejno ustvari načrt škropljenja ali opozori upravljavce kmetij, če zazna določene pogoje. NAS, ki se zaveda uvajanja, bi se lahko razširil na celovite cevovode (modeli zaznavanja + ukrepanja), s čimer bi se optimiziral celoten sistem.

5. Etični in okoljski vidiki: Ker brezpilotni letalniki postajajo vse bolj zmogljivi, moramo upoštevati zasebnost, varnost zračnega prostora in vplive na kmetijsko delo (kot ugotavljata Agrawal in Arafat). Pomemben cilj v prihodnosti je zagotoviti, da se brezpilotni letalniki, optimizirani za NAS, v kmetijstvu uporabljajo odgovorno.

Zaključek

NAS, ki se zaveda uvedbe, predstavlja zmogljiv pristop k prilagajanju lahkih detektorjev objektov za spremljanje pridelkov z brezpilotnimi letalniki (UAV). Z vgradnjo strojne opreme brezpilotnih letalnikov in omejitev poslanstva v iskanje ustvarja modele, ki prihranijo pri izračunih in energiji, ne da bi pri tem žrtvovali veliko natančnost. Nedavno delo je na primer pokazalo, da detektor, zasnovan z NAS, uporablja 37% manj FLOP-ov in 61% manj parametrov kot referenčni YOLOv8n, vendar se je njegov mAP zmanjšal le za ~2%.

Na dejanski strojni opremi za drone je to pomenilo hitrejše sklepanje za 28% in boljšo energetsko učinkovitost za 18%. Takšne izboljšave se odražajo v daljših časih leta, hitrejši analizi in odzivnejši podpori kmetijstvu. V primerjavi z ročno izdelanimi modeli NAS, ki se zaveda uvajanja, zagotavlja boljšo posplošitev zmogljivosti, manj ročnega nastavljanja in prilagodljivost novim platformam UAV.

V kontekstu preciznega kmetijstva lahko te izboljšave naredijo spremljanje pridelkov z brezpilotnimi letalniki (UAV) bolj praktično in učinkovito. Droni, opremljeni z detektorji, optimiziranimi za NAS, lahko zanesljiveje zaznajo plevel, škodljivce ali stres, kar omogoča pravočasne intervencije, ki prihranijo vire in povečajo donose. Ker kmetijstvo še naprej uvaja drone in umetno inteligenco, bo NAS, ki se zaveda uvajanja, igral osrednjo vlogo pri zagotavljanju, da so modeli, ki delujejo na teh dronih, učinkoviti, natančni in pripravljeni za uporabo na terenu. Premošča vrzel med najsodobnejšimi raziskavami nevronskih mrež in praktičnimi potrebami kmetov ter pomaga pri usmerjanju prihodnosti preciznega kmetijstva, ki temelji na podatkih.

Mali kmetje igrajo ključno vlogo v svetovni proizvodnji hrane, vendar se soočajo s številnimi izzivi, od omejenih virov do nepredvidljivih okoljskih dejavnikov. V tej dobi tehnološkega napredka so se brezpilotni zrakoplovi (UAV), splošno znani kot droni, pojavili kot prelomna sila v malem kmetijstvu.

Ta zračna plovila ponujajo rešitve, ki lahko potencialno revolucionirajo kmetijske prakse in izboljšajo življenja malih kmetov.

Da bi resnično razumeli potencial in vpliv dronov v kmetijstvu malih kmetov, so raziskovalci izvedli poglobljeno analizo obstoječih študij in trendov na tem področju. Pridobljeni vpogledi osvetljujejo fascinantno vlogo, ki jo imajo brezpilotni letalniki (UAV) pri kmetijskih inovacijah.

Raziskava kaže, da je uporaba dronov v kmetijstvu na malih kmetijah v porastu. V zadnjih nekaj letih se je zanimanje in naložbe v to tehnologijo znatno povečale. S skupno letno stopnjo rasti okoli 31% od leta 2016 ta trend pomeni vse večje priznanje vrednosti dronov v kmetijstvu.

Vodilno sodelovanje in vpliv

Uporaba dronov v kmetijstvu postaja ključno področje raziskav, kar se odraža tudi v akademski skupnosti. Revije, kot sta “Drones” in “Remote Sensing”, so se uveljavile kot vodilne pri objavljanju raziskav, povezanih z brezpilotnimi letalniki v kmetijstvu, s približno 351 TP3T vseh publikacij na tem področju. Med temi revijami izstopa “Drones” z največjim številom citatov, kar poudarja njegov pomen.

V globalni krajini uporabe brezpilotnih letalnikov v malih kmetijstvih so raziskovalci opredelili 14 držav kot aktivne udeleženke. Predvsem Kitajska, Južna Afrika, Nigerija, Švica in ZDA so v ospredju teh raziskav.

Kitajska se dosledno uvršča med prvih pet po številu citiranj, kar kaže na njeno močno prisotnost na tem področju. Medtem ko večina raziskav poteka znotraj nacionalnih meja, so se začela pojavljati tudi nekatera mednarodna sodelovanja.

Poleg tega raziskava poudarja prispevke 131 avtorjev, ki so s svojimi 23 publikacijami pomembno vplivali na to področje. Pomembni avtorji, kot so Vimbayi Chimonyo, Alistair Clulow, Tafadzwanashe Mabhaudhi in Mbulisi Sibanda, so aktivno sodelovali pri spodbujanju uporabe dronov v kmetijstvu malih kmetov.

Kar zadeva citiranje, sta Ola Hall in Magnus Jirström med najbolj prepoznavnima, kar kaže na njun znaten vpliv na to temo.

Revolucionarno spremljanje pridelkov

Spremljanje razvoja pridelkov in ocenjevanje pridelkov se pojavljata kot primarni uporabi brezpilotnih letalnikov v malem kmetijstvu. Droni zagotavljajo edinstveno izhodišče za oceno zdravja in vitalnosti pridelkov skozi celotno rastno sezono.

Zaznajo lahko težave, kot so pomanjkanje vode, bolezni in pomanjkanje hranil. Z analizo podatkov o odbojnosti pridelkov lahko mali kmetje zgodaj posredujejo in preprečijo znatne izgube pridelka. Vegetacijski indeksi, pridobljeni z brezpilotnimi letalniki (UAV), vključno z NDVI, EVI in SAVI, igrajo ključno vlogo pri ocenjevanju razvoja pridelkov.

1. Natančno uravnavanje upravljanja gnojil

Optimizacija uporabe gnojil je ključni vidik preciznega kmetijstva. Brezpilotni letalniki (UAV) pomagajo malim kmetom pri tem prizadevanju z ocenjevanjem vsebnosti klorofila v listih, ki je tesno povezan z dušikom v listih.

Te informacije pomagajo kmetom pri sprejemanju premišljenih odločitev o uporabi gnojil. Študije so pokazale, da lahko podatki, pridobljeni z brezpilotnimi letalniki, povečajo učinkovitost gnojil za približno 101 TP3T.

2. Kartiranje poljščin za učinkovito upravljanje

Natančno kartiranje je še eno področje, kjer blestijo droni. Z uporabo visokoločljivostnih slik in strojnega učenja brezpilotni letalniki pomagajo malim kmetom pri natančnem kartiranju njihovih polj. Ta tehnologija je ključnega pomena za precizno kmetijstvo, saj vpliva na rabo zemljišč in kartiranje poljščin.

V pregledanih študijah so metode za učenje algoritmov običajno vključevale uporabo zemeljskih raziskav ali visokoločljivostnih slik. Za razvrščanje slik se uporabljajo algoritmi, kot so naključni gozd, stroji podpornih vektorjev in globoke nevronske mreže, zaradi česar je kartiranje poljščin natančnejše.

Izzivi in priložnosti

Čeprav je potencial dronov v malem kmetijstvu očiten, je bistveno prepoznati izzive, ki jih prinaša njihova uporaba.

1. Pomanjkanje zadostnih podatkov in situMnogi modeli so za razvoj in validacijo odvisni od razpoložljivosti kakovostnih podatkov in situ. Takšni podatki niso vedno lahko dostopni in je njihov obseg lahko omejen.

2. Različne vrste in nosilnosti brezpilotnih letalnikov: Droni so različnih velikosti in tipov, vsak s svojimi zmogljivostmi. Njihov čas leta in nosilnost morda nista primerna za obsežne kmetijske aplikacije.

3. Občutljivost na vremeVremenske razmere lahko znatno vplivajo na zbiranje podatkov z droni. Močan veter in dež lahko predstavljata težave pri zbiranju podatkov.

4. Cenovna dostopnostUpravljanje dronov in nakup programske opreme za obdelavo podatkov sta lahko draga, zlasti za male kmete, ki imajo težave z denarjem.

5. Tehnično znanje: Upravljanje in vzdrževanje dronov ter obdelava podatkov zahtevajo specializirane veščine, ki morda niso vedno na voljo.

6. Regulativni okviriStrogi predpisi, ki jih povzročajo morebitna tveganja, povezana z delovanjem brezpilotnih letalnikov, lahko omejijo njihovo uporabo ali zahtevajo pridobitev pilotskih licenc.

7. Računalniški viriObdelava ogromnih količin podatkov, ki jih ustvarijo droni, je lahko računsko zahtevna in lahko zahteva dodatne vire in usposabljanje.

Vendar pa te izzive spremljajo številne priložnosti:

1. Raznolike uporabe v preciznem kmetijstvu: Droni ponujajo raznolike aplikacije v preciznem kmetijstvu, ki presegajo spremljanje in kartiranje pridelkov, vključno z integriranim zatiranjem plevela, ocenjevanjem porabe vode, oceno kakovosti in količine namakalne vode, kartiranjem lastnosti tal in kartami s spremenljivimi predpisanimi odmerki za upravljanje pesticidov.

2. Večplastni podatki za podporo odločanju: Raznoliki podatki, ki jih zagotavljajo droni, odpirajo vrata razvoju orodij za podporo odločanju, ki lahko hkrati obravnavajo več ciljev.

3. Napredne platforme za računalništvo v oblakuPlatforme, kot je Google Earth Engine, ponujajo nove možnosti za obdelavo in analizo podatkov brezpilotnih letalnikov.

4. Sinergije med droni in satelitiDroni in sateliti lahko zagotovijo dopolnilne podatke za različne aplikacije, zato so potrebne raziskave, da bi sprostili njihove potencialne sinergije.

5. Pristopi za okolja s pomanjkanjem podatkov: Inovacije zmanjšujejo oviro pomanjkanja podatkov, kar dokazujejo pristopi, ki zahtevajo minimalno količino podatkov na terenu in metode prenosa učenja.

6. Analiza stroškov in koristi: Primerjava stroškov tehnologij dronov in drugih tehnik daljinskega zaznavanja bo osvetlila njihovo cenovno dostopnost in prednosti.

7. Krepitev vloge žensk v kmetijstvu: Sprejetje preciznega kmetijstva, ki ga omogočajo droni, lahko opolnomoči ženske v malem kmetijstvu in poveča njihovo sposobnost reševanja izzivov in prihodnjih negotovosti.

8. Vključevanje mladih: Modernizacija kmetijstva s preciznim kmetijstvom na osnovi brezpilotnih letalnikov lahko spodbudi zanimanje mladih za kmetijstvo in s tem okrepi dolgoživost in odpornost sektorja.

Zaključek

Skratka, integracija dronov v kmetijstvo malih kmetov ima potencial, da spremeni preživetje milijonov malih kmetov. Z zagotavljanjem inovativnih rešitev za spremljanje pridelkov, upravljanje gnojil in kartiranje droni kmetom omogočajo dragocene vpoglede za informirano odločanje. Kljub izzivom je prihodnost malega kmetijstva z droni polna priložnosti. Hitro razvijajoča se tehnologija v kombinaciji z padajočimi stroški odpira nova vrata kmetijskemu sektorju in ponuja obljubo prehranske varnosti, okoljske trajnosti in gospodarske blaginje za kmetijske skupnosti po vsem svetu.