Категорія: Моніторинг посівів

Кукурудза є найбільш вирощуваною зерновою культурою у світі за обсягом, і лише Сполучені Штати вирощують її по всій країні. приблизно 35 мільйонів гектарів та виробництво 390 мільйонів метричних тонн у 2023 році. Ведення сільськогосподарських культур у такому масштабі вимагає більше, ніж просто розвідки пішки. Вегетаріанські індекси для моніторингу росту кукурудзи — математичні формули, отримані з того, як крони рослин відбивають і поглинають світло — стали наріжним каменем сучасного управління сільськогосподарськими культурами, оскільки вони перетворюють спектральні дані на практичну інформацію про стан здоров'я культури. Вони роблять це швидко, у великих масштабах і не торкаючись жодного листка.

Технологія дистанційного зондування, яка зараз доступна за допомогою супутників, дронів та портативних датчиків, передає спектральні дані в режимі реального часу в ці індекси на кожному етапі вегетаційного періоду кукурудзи. Фермер або агроном може виявити азотний стрес на рівні V6 до того, як листя пожовтіє, виявити дефіцит води під час наливу зерна до зниження врожайності або калібрувати внесення добрив зі змінною нормою, використовуючи карти крони, створені того ж тижня, коли культура потребує підживлення.

Що таке індекси рослинності? Як вони працюють?

Індекс рослинності (ВІ) – це безрозмірне кількісне значення, яке розраховується шляхом математичного об'єднання значень відбиття двох або більше спектральних смуг, що фіксуються датчиком. Результатом є одне число, яке ізолює та підсилює специфічні біологічні характеристики рослинного пологу, такі як концентрація хлорофілу, площа листя або вміст води, одночасно пригнічуючи перешкоди від ґрунту, атмосфери та тіні.

Сила індексу рослинності полягає в його здатності стандартизувати вимірювання на різних датчиках, полях та за датами. Замість порівняння необроблених показників відбиття, які змінюються залежно від умов освітлення, індекс відбиття (VI) забезпечує співвідношення або різницю, яка є більш стабільною та біологічно значущою. Це дає змогу порівнювати стан пологів на різних полях, за різних сезонах і навіть на супутникових платформах.

Рослини поглинають певні довжини хвиль світла для фотосинтезу та відбивають інші. Здорова зелена рослинність поглинає більшу частину червоного світла (близько 660–680 нм) для фотосинтезу, керованого хлорофілом, та сильно відбиває світло ближнього інфрачервоного (БІЧ) діапазону завдяки своїй клітинній структурі.

Напружений або розріджений полог поглинає менше червоного та відбиває більше, а також відбиває менше ближнього інфрачервоного випромінювання. Індекси рослинності математично фіксують цей контраст, щоб кількісно визначити, наскільки зеленим, густим та здоровим є полог у певний момент.

Спектральні смуги, що використовуються в індексах рослинності

Різні спектральні діапазони надають різну діагностичну інформацію про культуру. Кожен діапазон спрямований на різний біологічний процес, тому багатодіапазонні датчики надають більше даних, ніж прості RGB-камери. Шість діапазонів, які найбільше стосуються моніторингу кукурудзи:

• Червоний (620–700 нм): Сильно поглинається хлорофілом. Зниження поглинання червоного сигналізує про знижену фотосинтетичну активність, що вказує на стрес, дефіцит поживних речовин або раннє старіння крони.
• Зелений (520–560 нм): Рослини відбивають зелене світло більше, ніж червоне, тому вони виглядають зеленими. Коефіцієнт відбиття зеленого кольору корелює з концентрацією хлорофілу та використовується в таких індексах, як GNDVI та VARI.
• Синій (450–490 нм): Поглинається каротиноїдами та хлорофілом. Здебільшого використовується в індексах на основі RGB, таких як VARI, де доступні лише видимі смуги.
• Ближній інфрачервоний діапазон (NIR, 750–900 нм): Сильно відбивається губчастою тканиною мезофілу всередині здорового листя. Відбиття в ближньому інфрачервоному діапазоні є основою індексів NDVI, EVI та більшості широкосмугових індексів. Щільний, здоровий полог кукурудзи демонструє високе відбиття в ближньому інфрачервоному діапазоні.
• Червоний край (700–740 нм): Перехідна зона між червоним поглинанням та відбиттям у ближньому інфрачервоному діапазоні. Концентрація хлорофілу та рівень азоту мають сильний вплив на цю смугу, що робить її дуже чутливою для виявлення ранньої стадії стресу від поживних речовин, перш ніж він стане візуально очевидним.
• Короткохвильовий інфрачервоний діапазон (SWIR, 1400–2500 нм): Поглинається рідкою водою всередині тканин рослини. Індекси на основі SWIR вимірюють вміст води в полозі та виявляють стрес від посухи, що робить їх цінними під час наливу зерна, коли дефіцит води безпосередньо впливає на врожайність.

Чому вегетаційні індекси важливі для моніторингу росту кукурудзи

1. Моніторинг здоров'я врожаю

Стан сільськогосподарських культур охоплює кілька факторів, що перетинаються: концентрацію хлорофілу, індекс площі листя (LAI — відношення загальної площі листя до площі ґрунту), стан води рослин та температуру пологу. Жоден польовий огляд не може охопити всі ці фактори одночасно на сотнях гектарів.

Індекси рослинності стискають цю складність до вимірюваних значень, які можна неодноразово відстежувати протягом вегетаційного періоду, щоб виявити спад, перш ніж він переросте у втрату врожаю.

Дослідження, опубліковане в Сільське господарство (2023) спостерігали за трьома гібридами кукурудзи в умовах посухи та зрошення за допомогою датчиків NDVI, встановлених на БПЛА. Дослідники щотижня відстежували стан крони від сходів до дозрівання та виявили, що значення NDVI значно відрізнялися між зрошуваними та богарними ділянками вже на V8, за тижні до появи видимих симптомів стресу. Така рання диференціація робить можливим своєчасне втручання.

2. Вимірювання енергії росту рослин

Енергія росту рослин — загальні темпи росту та накопичення біомаси культурою — безпосередньо прогнозують потенціал врожайності. Такі індекси, як NDVI та EVI, тісно корелюють з LAI та сухою надземною біомасою кукурудзи.

Моніторинг енергії росту на ключових вегетаційних стадіях дозволяє агрономам виявляти зони з низькою продуктивністю на полі та відповідно коригувати внески, замість того, щоб застосовувати однакові управлінські рішення на просторово мінливих землях.

3. Виявлення стресу до появи візуальних симптомів

Це, мабуть, найкомерційніша властивість вегетаційних індексів. Рослина кукурудзи, яка відчуває дефіцит азоту, водний стрес або ранній тиск хвороб, спочатку демонструє зміни у своєму спектральному відбитті, особливо в червоному краю та ближньому інфрачервоному діапазоні, за кілька днів або тижнів до того, як на листках з'являться пожовтіння, в'янення або видимі ураження.

Індекси на основі червоного краю, особливо NDRE та CI Red Edge, особливо чутливі до субвізуального азотного стресу та зменшення хлорофілу. Чанг та ін. (ScienceDirect, 2024) виявили, що поєднання Індекси NDVI, NDRE та GNDVI з використанням множинної лінійної регресії значно покращила ефективність прогнозування врожайності кукурудзи порівняно з будь-яким окремим індексом окремо.

Виробники, які покладаються на один індекс, втрачають адитивну прогностичну силу, яка виникає завдяки багатоіндексним підходам, особливо на критичних репродуктивних стадіях.

4. Покращення прогнозування врожайності

Індекси рослинності, зібрані на стратегічних етапах росту, особливо під час формування китиць та шовкування, є вагомими предикторами кінцевого врожаю зерна. Дослідження, опубліковане в Дистанційне зондування (2023) об'єднали багаточасові дані БПЛА, включаючи NDVI, NDRE, SAVI та EVI на вегетаційних та репродуктивних стадіях, та створили модель прогнозування врожайності кукурудзи з R² 0,78 та rRMSE 8,27%, що перевершує моделі, побудовані на одноетапних даних.

Ключовий висновок: використання кількох індексів на кількох стадіях росту охоплює набагато ширший спектр факторів, що визначають врожайність, ніж один знімок вимірювання.

5. Підтримка точного землеробства

Точне землеробство спирається на дані про просторову мінливість для призначення вхідних даних для конкретних ділянок. Карти рослинного індексу, створені за допомогою знімків з дронів або супутників, показують мінливість продуктивності сільськогосподарських культур у межах поля, яку приховують середні польові вимірювання.

Ці карти безпосередньо вводять дані в системи внесення зі змінною нормою, що дозволяє фермерам вносити більше добрив там, де це потрібно, і менше там, де цього не потрібно, одночасно зменшуючи витрати та вплив на навколишнє середовище.

Стадії росту кукурудзи, на яких вегетаційні індекси є найбільш корисними

“Правильний індекс на правильній стадії росту розкриває інформацію про врожай, яку загальний розвідувальний аналіз просто не може надати, — і час збору цих даних такий же важливий, як і обраний індекс”.”

1. Стадія появи

Під час сходів рослинний покрив розріджений, а ґрунт домінує на зображенні. Стандартний NDVI тут працює погано, оскільки фоновий шум ґрунту перекриває слабкий сигнал пологу. Індекси, скориговані за ґрунтом, такі як SAVI та MSAVI, є відповідними інструментами на цій фазі.

Вони застосовують коригувальний коефіцієнт, щоб зменшити вплив оголеного ґрунту на значення індексу, що дозволяє проводити змістовні вимірювання густоти рослин та ранньої однорідності приживлення.

2. Вегетативний ріст (V стадії)

З V3 по V12 крона кукурудзи швидко розширюється. Це найважливіший період для управління азотом, оскільки потреба культури в азоті різко зростає.

NDRE та CI Green є найбільш чутливими індексами протягом цього періоду, оскільки червона крайова смуга виявляє незначне зниження хлорофілу до того, як ширші зміни сигналу NDVI відбудуться. Польоти БПЛА на V6 та V10, заплановані з урахуванням рішень щодо використання азоту збоку, забезпечують найвищу віддачу від інвестицій у дані.

3. Китиці та шовк

Пухкання (VT) та шовкування (R1) є найбільш чутливими до врожайності стадіями всього життєвого циклу кукурудзи. Змикання крони на цьому етапі майже завершене, що означає, що NDVI та EVI тепер можуть зчитувати всю крону без втручання ґрунту.

Обидва індекси досягають піку близько VT у здорових культурах. Будь-яке плато або раннє зниження значень індексу на цій стадії є надійним показником стресу, який призведе до викидня зерна та втрати врожаю.

4. Зернова начинка

Під час наливу зерна (R3–R5) основна проблема управління зміщується на водний стрес та хвороби. NDWI (нормалізований різницевий індекс води, розрахований за діапазонами NIR та SWIR) та теплові індекси доповнюють стандартний набір протягом цієї фази, виявляючи зменшення вмісту води в полозі, що передує видимому в'янунню.

Значення NDVI починають природним чином знижуватися в міру дозрівання культури, тому інтерпретація траєкторій індексу вимагає порівняння з очікуваною сезонною тенденцією для вирощуваного гібрида.

5. Зрілість

У фізіологічній зрілості (R6) всі основні вегетаційні індекси знижуються, оскільки полог старіє, а хлорофіл деградує. Дані індексів у зрілості в основному використовуються для ретроспективного аналізу — кореляції сезонних траєкторій ВІ з фактичними даними про врожайність для перевірки моделей прогнозування та покращення майбутніх сезонних орієнтирів. Аналіз часових рядів кривих індексів від сходів до зрілості забезпечує найбагатшу базу даних для побудови моделей врожайності для конкретних полів.

Загальні вегетаційні індекси, що використовуються для моніторингу росту кукурудзи

1. NDVI (Нормалізований індекс різниці рослинності)

NDVI – це найпоширеніший індекс рослинності в сільському господарстві. Він вимірює контраст між ближнім інфрачервоним діапазоном та червоним відбивним коефіцієнтом і розраховується як:

NDVI = (ближній інфрачервоний діапазон − червоний) / (ближній інфрачервоний діапазон + червоний)

Значення NDVI коливаються від -1 до +1. Здорові, густі крони кукурудзи зазвичай мають від 0,7 до 0,9 на піку зеленості. Найкращі застосування цього показника включають відстеження розвитку крони від V6 до формування китиць, виявлення неефективних польових зон та кореляцію з LAI та надземною біомасою.

Ключовим обмеженням NDVI є насичення в густих пологах — як тільки LAI перевищує приблизно 3 м²/м², додаткова площа листя призводить до зменшення змін у сигналі NDVI, знижуючи чутливість на піку росту пологу.

Дослідження 2024 року, опубліковане в Сільське господарство (MDPI), використовуючи моніторинг NDVI на основі БПЛА протягом двох вегетаційних періодів в Угорщині, виявила, що Найсильніша кореляція між NDVI та врожайністю спостерігалася на стадії після шовкування (R = 0,638 у 2023 році та R = 0,634 у 2024 році), що підтверджує надійність NDVI як показника врожайності протягом сезону в цьому конкретному періоді зростання.

2. GNDVI (Зелений NDVI)

GNDVI замінює червону смугу на зелену: GNDVI = (ближнє інфрачервоне світло − зелений) / (ближнє інфрачервоне світло + зелений). Зелений канал чутливіший до концентрації хлорофілу, ніж червоний канал, що робить GNDVI кращим для виявлення помірних варіацій хлорофілу у зрілих, густих пологах, де NDVI досяг насичення.

Його основне застосування на кукурудзі полягає в оцінці стану азоту протягом середньої вегетативної та репродуктивної стадій. Дослідження, опубліковане в ScienceDirect (2024) підтвердили, що GNDVI, у поєднанні з NDRE в багатоіндексних регресійних моделях, суттєво покращує точність прогнозування врожайності кукурудзи, особливо на стадіях перед цвітінням.

3. Індекс покращеної рослинності (ІПВ)

EVI покращує NDVI, включаючи синю смугу та застосовуючи коефіцієнти атмосферної корекції: EVI = 2,5 × [(ближнє інфрачервоне випромінювання − червоний) / (ближнє інфрачервоне випромінювання + 6 × червоний − 7,5 × синій + 1)]. Ця формула одночасно зменшує атмосферний шум та фонові перешкоди ґрунту, що робить EVI чутливішим, ніж NDVI, в умовах густого пологу, де NDVI насичується.

Індекс EVI є кращим індексом для моніторингу структури пологу кукурудзи від формування китиць до початку наповнення зерна, коли рослинний покрив майже повністю сформований. Він є основним індексом у супутникових продуктах MODIS і широко використовується для моніторингу кукурудзи в регіональному масштабі.

Дослідження в Сільське господарство (2024), використовуючи дані MODIS MOD09A1 над провінцією Цзілінь, Китай, виявили, що Поєднання кількох індексів рослинності, включаючи EVI, з моделлю форми значно покращило точність виявлення фенологічних стадій протягом ключових періодів росту кукурудзи порівняно з одноіндексними підходами.

Для масштабного регіонального моніторингу сільськогосподарських культур, об'єднання EVI з іншими індексами в моделях часових рядів забезпечує надійніше фенологічне відстеження, ніж будь-який окремий індекс окремо.

4. SAVI (Індекс рослинності, скоригований на ґрунт)

SAVI вводить коефіцієнт корекції яскравості ґрунту (L) у формулу NDVI: SAVI = [(ближній інфрачервоний діапазон − червоний) / (ближній інфрачервоний діапазон + червоний + L)] × (1 + L), де L = 0,5 для типових ґрунтових умов. Зменшуючи внесок відбиття голого ґрунту, SAVI забезпечує точніші вимірювання крони на ранніх стадіях росту кукурудзи, коли ґрунтовий покрив менший за 50%. Це стандартний вибір для моніторингу приживлюваності рослин, однорідності насаджень та енергії росту на початку сезону від сходів до V4.

5. NDRE (Нормалізована різниця червоного краю)

NDRE використовує червоний край та ближній інфрачервоний діапазони: NDRE = (ближній інфрачервоний діапазон − червоний край) / (ближній інфрачервоний діапазон + червоний край). Червона крайова смуга розташована в спектральній області, де невеликі зміни концентрації хлорофілу призводять до значних змін відбиття, що робить NDRE чутливішим, ніж NDVI, до змін хлорофілу, зумовлених азотом.

Дослідження, опубліковане в Датчики (2024) за допомогою фотограмметрії БПЛА на дослідницькій станції AgCenter Університету штату Луїзіана виявили, що NDRE через 87 днів після посіву прогнозував урожай зерна кукурудзи з R² 0,9097., надзвичайно міцний зв'язок, який підкреслює цінність NDRE для управління азотними внесеннями та прогнозування врожайності наприкінці сезону.

6. MSAVI (Модифікований індекс скоригованої рослинності ґрунту)

MSAVI покращує SAVI, роблячи L-фактор динамічним, а не фіксованим, тому він автоматично підлаштовується під ступінь рослинного покриву: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − червоний))] / 2.

Таке самоналаштування робить MSAVI точнішим, ніж SAVI, у всьому діапазоні розвитку крони від появи сходів на голому ґрунті до повного покриття під час розпускання китиць. Воно не вимагає припущень щодо яскравості ґрунту, що робить його більш застосовним до різних польових умов та типів ґрунту.

7. VARI (Індекс стійкості до видимих атмосферних впливів)

VARI використовує лише видимі смуги (червоний, зелений, синій): VARI = (Зелений − Червоний) / (Зелений + Червоний − Синій). Його цінність полягає в можливості обчислення зі стандартних RGB-камер — таких, що встановлені на більшості комерційних дронів за низькою ціною.

Хоча VARI не має такої чутливості до азоту та біомаси, як мультиспектральні індекси, він забезпечує корисну оцінку зеленості пологу на першому етапі, що робить його доступним для фермерів, які ще не мають можливостей мультиспектральних датчиків.

Дослідження, опубліковане в ScienceDirect (2025) підтвердили, що VARI є одним із корисних вхідних показників VI в моделях машинного навчання для прогнозування врожайності кукурудзи в різних умовах вирощування.

8. OSAVI (Оптимізований індекс рослинності з урахуванням ґрунту)

OSAVI — це спрощена версія SAVI з фіксованим значенням L 0,16, оптимізована для умов часткового покриття кроною: OSAVI = (NIR − червоний) / (NIR + червоний + 0,16).

Це питоме значення L було емпірично визначено для мінімізації впливу фону ґрунту в широкому діапазоні густоти рослинності. OSAVI добре показує результати від V2 до V6, усуваючи розрив між корисністю SAVI на початку сезону та точністю NDVI у пік сезону.

9. CI Green (зелений індекс хлорофілу)

CI Green оцінює вміст хлорофілу безпосередньо за коефіцієнтом відбиття: CI зелений = (ближній інфрачервоний діапазон / зелений) − 1. Оскільки хлорофіл є основним пігментом, що зберігає азот у листі, CI Green відстежує статус азоту в полозі, не вимагаючи червоної крайової смуги.

Це робить його цінним, коли доступна лише стандартна зелена смуга, як-от на знімках Sentinel-2, і він надійно працює від V6 до шовкового зображення для рішень щодо управління азотом у середині сезону.

10. Червоний край CI (червоний край індексу хлорофілу)

CI Red Edge замінює зелену смугу червоною крайовою смугою: CI Червоний край = (ближній інфрачервоний діапазон / Червоний край) − 1. Ця заміна робить його значно чутливішим до змін хлорофілу, ніж CI Green, особливо на середніх та пізніх стадіях вегетації, коли полог достатньо густий, що сигнал зеленої смуги починає насичуватися. CI Red Edge є одним із найкращих індексів для виявлення тонких градієнтів азоту в різних зонах управління полем кукурудзи.

Порівняння вегетаційних індексів для моніторингу кукурудзи

1. Найкращий індекс для раннього зростання

SAVI та MSAVI послідовно перевершують NDVI та EVI на ранніх стадіях розвитку кукурудзи (від сходів до V4), оскільки вони зменшують фоновий шум ґрунту, який в іншому випадку домінував би в сигналі індексу, коли покрив пологу нижче 40%. OSAVI пропонує корисний проміжний варіант, коли ґрунтові умови змінюються по всьому полю.

2. Найкращий індекс для виявлення азоту

NDRE та CI Red Edge є найсильнішими індексами для виявлення дефіциту азоту у кукурудзи. Обидва використовують високу чутливість смуги червоного краю до концентрації хлорофілу. На стадії V6-V10 — найважливішому вікні для рішень щодо внесення азоту — ці індекси виявляють дефіцит за 7-14 днів до того, як NDVI покаже будь-яку вимірювану реакцію, забезпечуючи значний час для коригувальних дій.

3. Найкращий індекс для оцінки біомаси

NDVI та EVI є найбільш перевіреними індексами для оцінки сухої надземної біомаси кукурудзи. Дослідження з використанням мультиспектральних знімків БПЛА в поєднанні з текстурними особливостями в ПВК (2023) виявили, що індекси рослинності, засновані на червоному (650 нм), червоному краю (705 нм) та ближньому інфрачервоному (842 нм) діапазонах, показали найвищу кореляцію з LAI — тісно пов'язаним показником накопичення біомаси протягом вегетаційного періоду.

4. Найкращий індекс для щільних крон

Індекс EVI (індексу диференціальної рельєфності) є переважним показником, коли листя кукурудзи повністю зімкнулося, зазвичай від початку формування китиць до початку наливу зерна. Якщо NDVI перевищує значення LAI приблизно 3, EVI продовжує реагувати на додаткову площу листя та варіації хлорофілу, оскільки його коригувальні умови для атмосфери та ґрунту запобігають насиченню сигналу за високих рівнів біомаси.

5. Найкращий індекс стресу від посухи

NDWI (індекс води на основі ближнього інфрачервоного та короткозорого інфрачервоного діапазонів) та NDVI, що використовуються разом, є найефективнішою комбінацією для виявлення стресу від посухи у кукурудзи. NDWI безпосередньо відстежує зміни вмісту води в тканинах, тоді як NDVI фіксує вторинний вплив стресу від води на зелень пологу. Мультиспектральні датчики, що включають функцію короткозорого інфрачервоного діапазону, мають найбільшу цінність тут, хоча ці датчики залишаються дорожчими, ніж стандартні п'ятидіапазонні мультиспектральні системи.

Застосування вегетаційних індексів у виробництві кукурудзи

Індекс рослинності корисний лише настільки, наскільки корисне рішення, яке він дозволяє прийняти — метою завжди є перетворення спектральних даних на польові дії, що покращують врожайність, зменшують витрати або і те, й інше.

1. Оцінка біомаси

Значення NDVI та EVI тісно корелюють із сухою надземною біомасою протягом вегетаційного періоду кукурудзи. Повторні польоти БПЛА або прольоти супутників з двотижневими інтервалами генерують криві накопичення біомаси, які показують, чи поле рухається до свого потенціалу врожайності, чи відстає від очікуваної траєкторії зростання для даного сезону.

2. Вимірювання хлорофілу

CI Green та CI Red Edge надають неруйнівні оцінки хлорофілу на рівні пологу, які відстежують фотосинтетичну здатність культури. Дослідження, опубліковане в ПВК (2024) використання оцінки SPAD (зчитування хлорофілметра) на основі БПЛА у кукурудзи підтвердило, що модифікований індекс співвідношення червоного краю досяг R² 0,87 для прогнозування вмісту хлорофілу в листі на середній стадії росту, демонструючи практичну точність, яку забезпечують індекси червоного краю для цього застосування.

3. Оцінка стану азоту

Азот – це поживна речовина, яка найбільш безпосередньо обмежує врожайність кукурудзи, і його стан коливається протягом сезону залежно від зміни потреб культури. Дослідження 2025 року, опубліковане в Рубежі в рослинництві інтегрувала супутникові знімки Sentinel-2A, мультиспектральні дані БПЛА та наземні спостереження на чотирьох стадіях росту кукурудзи у 2024 році та розробила нову регіональну модель інверсії вмісту азоту з використанням кількох вегетаційних індексів у поєднанні з корекцією смуг.

Ця система досягла високої точності валідації у 48 незалежних точках відбору проб, демонструючи, як об'єднання даних супутників та БПЛА розширює масштабованість управління азотом на основі вірусного візуалізації (ВІ) за межі окремих полів до сільськогосподарських та регіональних масштабів.

4. Виявлення водного стресу

Водний стрес у кукурудзи спочатку знижує продихову провідність, потім вміст води в листках і, нарешті, зелену біомасу — три процеси, які послідовно впливають на різні спектральні смуги. Водний стрес на ранніх стадіях проявляється в даних теплових смуг та індексах на основі SWIR до зниження NDVI.

Моніторинг комбінації NDWI та NDVI протягом періоду наливу зерна — коли водний стрес має найбільший вплив на врожайність — дозволяє складати графіки поливу на основі фактичного попиту культури, а не календарних правил.

5. Моніторинг захворювань

Грибкові захворювання, такі як північна фітофтороз кукурудзи та сіра плямистість листя, змінюють спектральну характеристику ураженого листя до того, як великі ураження стають видимими для людського ока. Уражена тканина демонструє характерне зниження відбивної здатності в ближньому інфрачервоному діапазоні та зміщення положення червоного краю.

Багаточасовий моніторинг імуноферментного індексу (VI) дозволяє виявляти локалізовані спектральні аномалії, що вказують на тиск нових хвороб, що дозволяє цілеспрямоване застосування фунгіцидів, а не обприскування по всьому полю.

6. Виявлення пошкоджень шкідниками

Дефоліація внаслідок живлення шкідниками зменшує індекс лактації листя (LAI), що безпосередньо знижує значення NDVI та EVI в уражених ділянках. Наприклад, зараження совкою створює характерні просторові закономірності зниження індексу, які можна виявити за допомогою знімків з безпілотників, перш ніж зараження пошириться на сусідні ділянки поля.

Польоти БПЛА з високою роздільною здатністю (відстань наземного відбору проб менше 5 см) забезпечують просторову деталізацію, необхідну для розрізнення пошкоджень комахами від інших причин зміни пологу.

7. Оцінка врожайності

Значення вегетаційного індексу, виміряні на певних критичних стадіях росту, зокрема V12, VT та R3, є надійними предикторами кінцевого врожаю зерна у поєднанні з історичними картами врожайності та погодними даними. Підходи з багатоіндексним об'єднанням постійно перевершують одноіндексні моделі.

Поєднання GNDVI, NDRE та SCCCI (спрощений індекс вмісту хлорофілу в полозі) у період перед цвітінням показало особливо високу точність прогнозування врожайності в опублікованих дослідженнях кукурудзи. ScienceDirect (2026).

Дослідження, проведені протягом двох вегетаційних періодів в Угорщині, виявили коефіцієнти кореляції 0,638 та 0,634 між NDVI після шовкування та кінцевим урожаєм зерна. Багатоіндексні моделі, включаючи NDRE та GNDVI, ще більше підвищують точність прогнозування.

8. Внесення добрив зі змінною нормою

Карти крони на основі VI, створені за допомогою польотів дронів, використовуються безпосередньо для створення карт призначення для аплікаторів азоту зі змінною нормою. Поля поділяються на зони управління на основі значень індексу, і кожна зона отримує дозу азоту, відкалібровану відповідно до потреб її конкретної культури.

Дистанційне зондування та технологія змінної швидкості разом враховувалися 58% частки ринку технологій точного землеробства у 2025 році (Precedence Research, 2026), що відображає те, наскільки важливим став цей робочий процес для комерційного виробництва кукурудзи.

Дослідження 2025 року в Сільське господарство (MDPI) виявили, що помірні дози азоту 120–180 кг га⁻¹ забезпечив оптимальний рівень живлення для кукурудзи, збільшивши врожайність до 5,086 т га⁻¹ порівняно з неудобреними контрольними групами, причому моніторинг на основі NDVI виявився ефективним не лише для оптимізації врожайності, але й, зокрема, для керівництва стратегіями удобрення для конкретних ділянок.

Управління азотом на основі NDVI на стадії після шовкування (коли кореляція VI-врожайність досягає піку) може замінити традиційні підходи до удобрення, що базуються лише на ґрунтових дослідженнях, та значно покращити як ефективність внесення ресурсів, так і врожайність зерна.

Платформи, що використовуються для збору даних індексу рослинності

1. Супутникові знімки

Такі супутники, як Sentinel-2 (роздільна здатність 10 м, 5-денний повторний огляд) та Planet Labs (роздільна здатність 3 м, щоденний повторний огляд), забезпечують стабільні, сприятливі погодні умови спектральні дані на великих площах за низькою вартістю за гектар.

Включення в Sentinel-2 червоних крайових смуг (B5, B6, B7 при 705, 740, 783 нм) робить його особливо цінним для розрахунків червоного краю NDRE та CI в регіональних програмах моніторингу кукурудзи. Обмеженням є хмарність: хмарний період під час критичного вікна росту може призвести до прогалин у даних, що переривають часовий моніторинг.

2. Дистанційне зондування на основі дронів

Дрони з фіксованим крилом та багатороторні дрони, оснащені мультиспектральними камерами, забезпечують зображення польового масштабу з роздільною здатністю 2–10 см на піксель. Такий рівень деталізації дозволяє вимірювати варіації стану крони в межах ряду.

Планування досліджень за допомогою дронів можливе на вимогу, незалежно від часу прольоту супутників, що робить їх ідеальними для збору даних у точні моменти агрономічного прийняття рішень, такі як внесення азоту збоку або періоди планування поливу.

3. Мультиспектральні камери БПЛА

Мультиспектральні камери, такі як MicaSense RedEdge, Parrot Sequoia та DJI Zenmuse P1, захоплюють зображення одночасно у п'яти або більше вузьких спектральних діапазонах, включаючи червоний, зелений, синій, червоний край та ближній інфрачервоний діапазон.

Ці системи включають калібровану панель відбиття та датчик сонячного освітлення для нормалізації даних для різних умов освітлення під час польоту, що є важливим для отримання точних, відтворюваних значень індексу, а не відносних порівнянь.

4. Портативні датчики врожаю

Активні оптичні датчики, такі як GreenSeeker та CropCircle, випромінюють власне джерело світла та вимірюють коефіцієнт відбиття окремих рослин на близькій відстані, усуваючи вплив змінного сонячного світла.

Ці датчики використовуються для швидкої оцінки стану азоту в польових умовах у певних точках відбору проб. Їхні дані доповнюють знімки з дронів та супутників, надаючи наземні вимірювання, які підтверджують значення індексу дистанційного зондування у відомих місцях.

5. Датчики, встановлені на тракторі

Активні датчики, встановлені на тракторах, такі як John Deere Hagie та Trimble GreenSeeker RT, безперервно сканують полог кукурудзи під час руху трактора по полю та передають дані NDVI в режимі реального часу безпосередньо в контролер змінної норми. Ця замкнена система дозволяє коригувати норму добрив у дорозі на основі даних про стан рослин, без окремого етапу обробки даних між вимірюванням та внесенням.

Фактори, що впливають на точність вегетаційного індексу на полях кукурудзи

1. Ґрунтовий фон

Оголений ґрунт має власну спектральну сигнатуру, яка змішується із сигналом рослинного пологу, особливо коли покрив нижче 50%. Індекси, скориговані за ґрунтом (SAVI, MSAVI, OSAVI), розроблені для мінімізації цього ефекту, але колір ґрунту, вологість та вміст органічної речовини все ще впливають на значення індексу на знімках раннього сезону. Калібрування порогових значень індексу для певних типів ґрунту в регіоні підвищує точність інтерпретації.

2. Хмарний покрив

Хмари блокують сонячне випромінювання та спричиняють змінне затінення землі, що робить вимірювання коефіцієнта відбиття ненадійними для пасивних датчиків на супутниках та дронах.

Активні датчики нечутливі до хмарності, оскільки вони забезпечують власне освітлення. Хмарність є найважливішим фактором, що обмежує корисність супутникового моніторингу хмарності в регіонах з високою частотою хмарності протягом вегетаційного періоду.

3. Кут сонця

Низькі кути падіння сонця збільшують частку тіні в межах пологу поля, штучно знижуючи коефіцієнт відбиття в ближньому інфрачервоному діапазоні та спотворюючи значення індексу. Польоти БПЛА, що здійснюються між 10:00 та 14:00 за місцевим сонячним часом, мінімізують вплив тіні та дають більш узгоджені дані. Узгодженість часу польоту під час повторних досліджень така ж важлива, як і абсолютний час, оскільки це дозволяє змістовне порівняння між датами.

4. Густота посівів

Чисельність рослин безпосередньо впливає на змикання крони, а отже, на те, як швидко зростають значення індексу щільності (VI) від моменту посадки до моменту змикання крони. Поля з меншою щільністю рослин змикають крону пізніше, що подовжує період, протягом якого фон ґрунту впливає на показники індексу. Карти популяцій, отримані зі знімків сходів, дозволяють скоригувати пороги VI з урахуванням локальних коливань щільності.

5. Стадія зростання

Однакове значення VI означає різні речі на різних стадіях росту. NDVI 0,5 на V6 може свідчити про здоровий, добре розвинений полог, тоді як NDVI 0,5 на VT сигналізуватиме про значний стрес.

Інтерпретація значень VI без урахування стадії росту призводить до неправильної класифікації стану культури. Аналіз часових рядів, який порівнює поточні значення з очікуваними сезонними кривими, виправляє це, контекстуалізуючи кожне значення в межах траєкторії розвитку культури.

6. Роздільна здатність сенсора

Датчики з грубішою роздільною здатністю змішують спектральні сигнали посівів, ґрунту та країв поля в межах одного пікселя — проблема називається “змішані пікселі”. При роздільній здатності Sentinel-2 10 м один піксель охоплює 100 м² землі, яка часто включає кілька рядів посівів та міжрядний ґрунт.

Зображення з дрона з вищою роздільною здатністю (5 см на піксель) усувають змішані пікселі та забезпечують набагато чистіший спектральний сигнал пологу, але за рахунок збільшення обсягу даних та часу обробки.

Обмеження вегетаційних індексів для моніторингу кукурудзи

1. Насичення в щільних кронах дерев

NDVI, найпоширеніший індекс, насичується при значеннях LAI вище приблизно 3 м²/м², яких кукурудза зазвичай досягає до V10. Вище цього порогу додаткове збільшення зелені насадження або біомаси призводить до незначних змін NDVI. EVI, GNDVI та NDRE розроблені для усунення цього обмеження, але вимагають більше спектральних смуг, ніж NDVI, і не завжди доступні з дешевших датчиків.

2. Залежність від погоди

Пасивні системи дистанційного зондування залежать від постійного сонячного освітлення. Хмарний покрив, серпанок та атмосферні аерозолі поглинають та розсіюють сонячне випромінювання, що потрапляє до культури, і знову на шляху назад до датчика, спотворюючи значення коефіцієнта відбиття.

Алгоритми атмосферної корекції, що застосовуються під час обробки даних, зменшують, але не усувають цей ефект. У тропічних регіонах виробництва кукурудзи з тривалими хмарними сезонами прогалини в даних можуть бути настільки частими, що це може поставити під загрозу моніторинг часових рядів.

3. Змішані пікселі

За низької просторової роздільної здатності пікселі фіксують сигнали як від рослинного пологу, так і від ґрунту, доріг, іригаційного обладнання або меж поля. Отримана змішана відбивна здатність пікселів створює значення індексу, які не відображають лише рослинний полог. Маскування меж поля та використання датчика з найвищою можливою просторовою роздільною здатністю є стандартними практиками для мінімізації цієї похибки.

4. Вимоги до калібрування

Отримання точних, відтворюваних значень індексу вимагає радіометричного калібрування датчика, корекції атмосферних впливів та нормалізації змінної освітленості під час польотів дронів. Пропуск цих кроків призводить до створення карт відносного VI, які неможливо порівняти між датами або між полями, що обмежує їхню корисність для моніторингу часових рядів та багатопольового бенчмаркінгу.

5. Потреба у перевірці достовірності даних

Індекси рослинності є непрямими вимірюваннями. Вони оцінюють властивості сільськогосподарських культур — хлорофіл, азот, біомасу — шляхом кореляції спектральних закономірностей з біологічними змінними, а не вимірювання їх безпосередньо.

Кожна оцінка сільськогосподарських культур на основі імуноферментного ідентифікаційного показника (VI) виграє від наземної перевірки: фізичних вимірювань азоту листя, показників хлорофілу або зразків деструктивної біомаси, взятих у репрезентативній підмножині місць по всьому полю. Дані наземної перевірки закріплюють інтерпретацію дистанційного зондування та запобігають неправильному діагнозу.

Найкращі практики використання вегетаційних індексів на кукурудзяних полях

1. Вибір правильного індексу

Вибір індексу має відповідати меті моніторингу та наявному датчику. Для оцінки азоту оберіть NDRE або CI Red Edge, якщо доступна червона крайова смуга. Для оцінки насаджень на початку сезону використовуйте SAVI або MSAVI.

Для моніторингу пологів та прогнозування врожайності в пік сезону використовуйте EVI або NDVI у поєднанні з GNDVI або NDRE. Уникайте використання NDVI окремо на початку сезону або за високої щільності пологів — його обмеження в обох сценаріях добре відомі.

2. Вибір правильної стадії зростання

Час збору даних до моментів прийняття агрономічних рішень максимізує управлінську цінність даних про продуктивність рослин. Практичний графік моніторингу кукурудзи включатиме:

1. V2–V4 (перевірка сходів): Використовуйте SAVI або MSAVI для оцінки однорідності насаджень та визначення зон пересадки.
2. V6 (рішення щодо внесення азоту збоку): Використовуйте NDRE або CI Red Edge для відображення статусу азоту та створення призначення змінної норми.
3. V10–V12 (змикання пологу): Використовуйте NDVI та EVI для оцінки біомаси та позначення зон неефективного управління.
4. VT (запилення): Використовуйте NDVI та GNDVI для оцінки піку крони та виявлення ділянок, що піддаються стресу під час запилення.
5. R3 (стадія молока): Використовуйте NDVI та NDWI для виявлення водного стресу та оцінки прогресу наливу зерна.
6. R6 (стиглість): Використовуйте індексні дані для співвіднесення сезонної траєкторії ВІ з врожайністю для калібрування моделі.

3. Об'єднання кількох індексів

Жоден окремий індекс не охоплює всю складність стану посівів кукурудзи. Поєднання двох або більше індексів, що спрямовані на різні біологічні сигнали, створює багатші діагностичні карти. Поєднання NDRE для стану азоту, NDVI для загальної біомаси та NDWI для вмісту води охоплює три найпоширеніші обмежувальні фактори у виробництві кукурудзи. Багатоіндексне об'єднання в моделях машинного навчання забезпечує помітно вищу точність прогнозування врожайності, ніж будь-який одноіндексний підхід.

4. Інтеграція наземних спостережень

Карти VI завжди слід інтерпретувати разом із польовими спостереженнями. Коли на карті дрона з'являється аномалія VI, фізичне відвідування цього місця підтверджує, чи відображає спектральний сигнал реальну агрономічну проблему — дефіцит азоту, ущільнення, перезволоження, пошкодження шкідниками — чи артефакт шуму датчика, тіні чи варіації ґрунту. Наземні спостереження також надають навчальні дані, необхідні для калібрування локальних порогів VI для конкретних гібридів, ґрунтів та систем управління.

5. Використання аналізу часових рядів

Окреме зображення індексу ВІ – це знімок. Часовий ряд зображень від появи до зрілості – це ціла історія. Побудова значень індексу з плином часу показує траєкторії зростання, які ідентифікують стресові події за датою їх виникнення, їхньою серйозністю та тривалістю. Дані часових рядів також дозволяють порівнювати поточний сезон з історичними контрольними показниками, забезпечуючи контекст, який не можуть надати одноразові зображення.

Майбутні тенденції моніторингу росту кукурудзи

1. Штучний інтелект

Алгоритми штучного інтелекту все частіше застосовуються до даних індексу рослинності для автоматизації завдань інтерпретації, які наразі вимагають судження агронома. Моделі глибокого навчання, навчені на великих наборах даних про вегетаційні показники, можуть класифікувати тип стресу, його ступінь і просторовий протяжність на основі мультиспектральних зображень за лічені секунди, позначаючи зони, що потребують дій, для розгляду агрономом, замість того, щоб вимагати повного ручного аналізу кожного зображення.

Штучний інтелект на ринку сільського господарства був оцінений у 2,1 млрд доларів США у 2023 році та, за прогнозами, зростатиме зі середньорічним темпом зростання понад 241 TP3T до 2032 року. (GMI, 2025), що відображає те, як швидко ця можливість комерціалізується.

2. Моделі машинного навчання

Випадковий ліс, XGBoost та згорткові нейронні мережі (CNN), що застосовуються до багатоіндексних, багаточасових наборів даних, постійно перевершують традиційні моделі VI-виходу на основі регресії.

Дослідження з використанням GBM (градієнтних підсилювальних машин) для прогнозування врожайності кукурудзи завершено Значення R² 0,78 при інтеграції часових рядів VI з метеорологічними даними, перевершуючи простіші регресійні підходи.

Ці моделі вивчають складні, нелінійні взаємозв'язки між спектральними патернами та агрономічними результатами, які лінійні моделі не можуть охопити.

3. Гіперспектральна візуалізація

Гіперспектральні датчики одночасно фіксують дані про відбиття в сотнях вузьких спектральних діапазонів, порівняно з п'ятьма-десятьма діапазонами типових мультиспектральних камер. Така спектральна щільність дозволяє виявляти сигнали стресу врожаю, які потрапляють у вузькі спектральні вікна, невидимі для широкосмугових датчиків.

Гіперспектральні індекси для виявлення хвороб, стресу від важких металів та дефіциту мікроелементів активно перевіряються для кукурудзи, а комерційні гіперспектральні системи БПЛА стають дедалі доступнішими.

4. Моніторинг посівів у режимі реального часу

Поєднання мініатюризації датчиків, розширення супутникової групи та підключення 5G сприяє моніторингу стану сільськогосподарських культур у режимі реального часу, де дані про вібраційну стійкість (ВІ) доступні безперервно протягом вегетаційного періоду, а не щотижня чи раз на два тижні.

Щоденна частота повторних візитів супутників Planet Labs та розгортання польових датчиків на базі Інтернету речей, які передають дані на хмарні платформи, вже забезпечують можливості моніторингу майже в режимі реального часу для перших користувачів.

Системи дистанційного зондування на базі дронів DJI повідомили про... 67.78% зменшення обсягів вхідних хімічних речовин коли карти призначення, отримані з даних про імуноферментне випромінювання (VI), подаються на системи обприскування зі змінною нормою внесення (Mordor Intelligence, 2026).

5. Інтеграція з системами точного землеробства

Наступним кроком у моніторингу посівного матеріалу кукурудзи є безперешкодна інтеграція між збором даних, обробкою, інтерпретацією та польовими діями. Хмарні платформи управління фермерським господарством вже підключають канали супутникових та дронівних зображень безпосередньо до програмного забезпечення контролера змінної швидкості, скорочуючи час від збору даних до польових дій з днів до годин.

Оскільки API-інтерфейси між постачальниками зображень, агрономічним програмним забезпеченням та сільськогосподарською технікою стають стандартизованими, робочий процес від “польоту дрона” до “застосування змінної норми внесення” стане доступним для виробників усіх масштабів.

Поширені запитання

Який вегетаційний індекс найкращий для кукурудзи?
Жоден окремий індекс не є універсально найкращим. NDRE найкраще працює для оцінки азоту, SAVI для моніторингу на ранніх стадіях, EVI для умов густого пологу, а NDVI для загальної кореляції біомаси та врожайності. Поєднання двох або трьох індексів, адаптованих до мети моніторингу, постійно перевершує будь-який окремий індекс.

Як часто слід контролювати вегетаційні індекси?
Для повного сезону вирощування кукурудзи рекомендується інтервал моніторингу кожні 7-14 днів протягом періоду V4-R3. Критичні вікна прийняття рішень (V6 для азоту, VT для оцінки стресу, R3 для зрошення) виправдовують проведення польотів або супутникових зборів даних незалежно від стандартного графіка моніторингу.

Який вегетаційний індекс найкраще працює на ранніх стадіях росту кукурудзи?
SAVI та MSAVI показують найкращі результати від сходів до V4, оскільки вони зменшують вплив оголеного ґрунту на значення індексу, забезпечуючи значущі вимірювання крони навіть за умови, що ґрунтовий покрив нижче 30%.

Чи можуть вегетаційні індекси виявити хворобу до появи симптомів?
Дослідження показують, що хвороби листя змінюють спектральну сигнатуру ураженого листя до появи видимих уражень. Індекси на основі червоного краю є найбільш чутливими для раннього виявлення хвороби, оскільки вони реагують на деградацію хлорофілу в ураженій тканині. Час виявлення залежить від типу та тяжкості хвороби, але в контрольованих дослідженнях було продемонстровано раннє виявлення за 5-10 днів до появи візуальних симптомів.

Висновок

Вегетаційні індекси для моніторингу росту кукурудзи вийшли далеко за межі дослідницької цікавості. Тепер вони є практичними, перевіреними в польових умовах інструментами, які дають фермерам та агрономам можливість бачити стрес культури, дефіцит азоту та умови, що обмежують врожайність, за тижні до того, як ці проблеми стануть помітними — і до того, як вони спричинять незворотну втрату врожаю. Вибір правильного індексу для кожної стадії росту — це не незначна технічна деталь; це різниця між виявленням реальної проблеми та отриманням оманливих даних. Поєднання кількох індексів — NDRE для азоту, EVI для біомаси з щільним пологом, NDWI для стану води — дає діагностичну картину, яку не може забезпечити жодне окреме вимірювання. Інтеграція цієї спектральної картини з фізичними польовими спостереженнями обґрунтовує дані агрономічної реальності та запобігає неправильній інтерпретації, яка виникає через використання лише дистанційного зондування.

Безпілотні літальні апарати (БПЛА), або дрони, трансформують сучасне сільське господарство, забезпечуючи швидке спостереження за полями з висоти пташиного польоту. Вони використовуються для сканування сільськогосподарських культур на предмет стану, стадії росту, шкідників, бур'янів та оцінки врожайності. Наприклад, у Китаї зараз використовується понад 250 000 сільськогосподарських дронів, а в Таїланді до 2023 року близько 301 TP3T сільськогосподарських угідь було охоплено обприскуванням або моніторингом за допомогою дронiв. Ці БПЛА підвищують ефективність сільського господарства, швидко виявляючи проблеми (такі як спалахи шкідників або нестача води), які можна пропустити на місці.

Однак, невеликі БПЛА мають дуже обмежену обчислювальну потужність на борту та час роботи від акумулятора. Тому запуск на них складних алгоритмів штучного інтелекту в режимі реального часу є проблемою. Традиційні легкі моделі виявлення об'єктів (такі як крихітні детектори на базі YOLO або MobileNet) можуть лише частково задовольнити ці потреби: вони часто жертвують точністю або швидкістю та вимагають значного ручного налаштування. Ця прогалина стимулює використання пошуку нейронної архітектури (NAS) з урахуванням розгортання: автоматизованого методу проектування, який адаптує моделі глибокого навчання до точних вимог БПЛА, розгорнутих у польових умовах.

Сучасне точне землеробство використовує безпілотні літальні апарати (БПЛА) для обстеження полів та моніторингу стану посівів. Пролітаючи над великими площами, дрони можуть збирати зображення рослин, ґрунту та польових структур з високою роздільною здатністю. Ці зображення передаються на алгоритми комп'ютерного зору, які виявляють бур'яни серед посівів, оцінюють врожайність (наприклад, підраховують плоди чи головки) або виявляють ранні ознаки хвороб чи дефіциту поживних речовин. Наприклад, дрони дозволяють цілеспрямовано обприскувати гербіцидами ділянки з бур'янами, зменшуючи використання хімікатів та витрати.

Однак, невеликі бортові комп'ютери в дронах (часто обмежені кількома ватами потужності) мають труднощі з роботою великих нейронних мереж на швидкості польоту. Це ускладнює аналіз у реальному часі: якщо дрон виявляє проблему, йому потрібно швидко реагувати або реєструвати дані, перш ніж розрядиться батарея. Сучасні легкі детектори (наприклад, YOLOv8 nano, YOLO-tiny, MobileNets) розробляються вручну та часто передбачають компроміси: зменшення розміру моделі пришвидшує її роботу, але може негативно вплинути на точність.

Як наслідок, існує велика потреба в методах, які автоматично знаходять найкращу можливу модель з урахуванням обмежень БПЛА. NAS з урахуванням розгортання відповідає цій потребі, шукаючи архітектури нейронних мереж, які спільно оптимізують точність виявлення та використання ресурсів (затримка, потужність, пам'ять) в реальних умовах БПЛА. Такий підхід може створювати спеціалізовані моделі, які ефективно працюють на обладнанні дронів, але залишаються високоточними для завдань моніторингу врожаю.

Вимоги до виявлення об'єктів БПЛА при моніторингу сільськогосподарських культур

Сільськогосподарські БПЛА виконують низку завдань візуального виявлення, кожне з яких має свої власні вимоги:

1. Виявлення стану здоров'я врожаю та стресу: Дрони використовують RGB, тепловізійні або мультиспектральні камери для виявлення стресованих рослин, дефіциту поживних речовин або симптомів хвороб. Алгоритми в режимі реального часу можуть відображати мінливість поля, керуючи зрошенням або удобренням. Точне виявлення ознак стресу рослин дозволяє своєчасно втручатися для збереження врожаю.

2. Ідентифікація бур'янів: Виявлення бур'янів серед посівів дозволяє фермерам обприскувати лише небажані рослини, заощаджуючи гербіциди. Наприклад, у дослідженні бавовняних полів використовувалися знімки БПЛА з детектором на основі YOLOv7, і було досягнуто точності близько 83% у відділенні бур'янів від бавовни. Однак розрізнити візуально схожі бур'яни та посіви залишається складним завданням на захаращених зображеннях полів.

3. Виявлення шкідників та хвороб: Безпілотні літальні апарати можуть виявляти спалахи (наприклад, сарану, комах або грибкове ураження) раніше, ніж люди, що йдуть пішки. Дрони також підтримують картографування зон, заражених шкідниками, за допомогою багатоспектрального зображення, яке покращує зображення лише за допомогою RGB. Швидке та точне виявлення шкідників має вирішальне значення для запобігання поширенню.

4. Оцінка врожайності: Підрахунок плодів, качанів зерна або рослин з повітря допомагає передбачити обсяги врожаю. Моделі, навчені виявляти яблука, дині або качани пшениці на зображеннях з БПЛА, можуть пришвидшити оцінку врожайності. Наприклад, нейронні мережі на зображеннях з дронів використовувалися для підрахунку врожаю кавунів та динь на полях.

5. Геодезія та картографія: Дрони також створюють карти полів (топографія, відмінності ґрунту), які допомагають планувати обробіток. Хоча це не є суто виявленням об'єктів, це є частиною моніторингу БПЛА.

Ці завдання часто вимагають логічного висновку майже в реальному часі: дрону, що пролітає над полями, може знадобитися обробляти відеокадри на льоту (кілька кадрів за секунду), щоб рішення щодо керування (такі як коригування висоти або активація обприскувача) можна було приймати негайно. В інших випадках невеликі затримки (секунди) можуть бути прийнятними, якщо дані реєструються та аналізуються після посадки.

Важливо, що зір БПЛА повинен враховувати мінливість навколишнього середовища: яскраве сонячне світло, тіні, розмиття руху, спричинене вітром, перекриття листям, що перекриваються, або зміни висоти та кута. Розміри об'єктів різняться (бур'яни на близькій відстані проти віддалених скупчень шкідників), тому детектори повинні враховувати багатомасштабні особливості.

Зрештою, сільськогосподарські місії БПЛА передбачають суворі компроміси між точністю, затримкою та енергоспоживанням. Висока точність виявлення необхідна, щоб не пропустити бур'яни чи шкідників, але робота дуже глибокої мережі може швидко розрядити акумулятор. Тому модель виявлення повинна бути швидкою та енергоефективною, але водночас достатньо точною для виконання завдання. Ці суворі вимоги підкреслюють, чому для БПЛА в сільському господарстві необхідна спеціалізована розробка моделей.

Легкі детектори об'єктів для платформ БПЛА

Легкі детектори об'єктів – це нейронні мережі, спеціально розроблені для роботи на обмеженому обладнанні. Вони часто використовують невеликі магістралі (наприклад, MobileNet або ShuffleNet), зменшену ширину шарів або спрощену конструкцію типу "шийка/головка". Наприклад, моделі сімейства YOLO включають "нано" та "крихітні" версії (наприклад, YOLOv8n, YOLOv5s), які мають менше параметрів і вимагають менше операцій (FLOP).

Такі детектори можуть працювати зі швидкістю десятки кадрів на секунду на вбудованому обладнанні, такому як NVIDIA Jetson Nano або Google Coral. Наприклад, Ag-YOLO був спеціалізованим детектором на базі YOLO для пальмових плантацій, який працював зі швидкістю 36,5 кадрів на секунду на Intel Neural Compute Stick 2 (використовуючи лише 1,5 Вт) та досягав високої точності (F1 = 0,9205). Ця модель використовувала приблизно в 12 разів менше параметрів, ніж YOLOv3-Tiny, при цьому подвоюючи свою швидкість.

Ці приклади показують компроміси в розробці моделі: зменшення розміру або складності моделі (наприклад, менше шарів або каналів) зазвичай пришвидшує логічний висновок і зменшує споживання енергії, але може знизити точність. Ag-YOLO пожертвував деякими можливостями, щоб отримати швидкість та ефективність, але все ж зберіг високий бал F1 0,92 за своє завдання.

Аналогічно, три варіанти YOLOv7 порівнювалися для виявлення бур'янів: повний YOLOv7 досяг точності 83%, тоді як менший YOLOv7-w6 знизився до точності 63%. Це ілюструє обмеження універсальних легких детекторів: моделі, налаштовані для одного середовища або типу об'єкта, можуть працювати гірше в іншому. Детектор, зменшений для швидкості, може пропускати ледь помітні сигнали (наприклад, дрібні або замасковані бур'яни), що знижує його надійність за різних умов.

У сільському господарстві ці універсальні легкі мережі можуть бути неоптимальними без подальшого налаштування. Наприклад, модель YOLOv7, попередньо навчена на загальних наборах даних, може не ідеально обробляти унікальні текстури та масштаби зображень сільськогосподарських культур. Отже, існує потреба в оптимізації архітектури моделі для конкретних завдань та платформ. Ручне налаштування (зміна шарів, фільтрів тощо) для кожного нового типу дрона або сорту сільськогосподарських культур є трудомістким. Це спонукає автоматизовані методи, такі як NAS з урахуванням розгортання, знаходити найкращий баланс розміру, точності та надійності для заданої платформи БПЛА та сільськогосподарського застосування.

Пошук нейронної архітектури в системах зору на основі БПЛА

Пошук нейронної архітектури (NAS) – це автоматизований метод проектування архітектур нейронних мереж. Замість ручного встановлення кількості шарів, фільтрів та з'єднань, NAS використовує алгоритми (навчання з підкріпленням, еволюційні методи або градієнтний пошук) для дослідження простору можливих конструкцій та пошуку тих, які оптимізують обрану мету (наприклад, точність).

NAS вже застосовувався для створення мобільних мереж. Наприклад, MnasNet від Google був піонером у сфері NAS, що враховує особливості платформи та безпосередньо враховував реальну затримку пристрою в цільовому показнику. MnasNet вимірював час виведення на телефоні Google Pixel для кожної моделі-кандидата під час пошуку та збалансовував точність відповідно до цієї виміряної затримки. Результатом стало сімейство CNN, які були одночасно швидкими та точними на мобільному обладнанні, перевершуючи моделі MobileNet та NASNet, розроблені вручну, на ImageNet.

Однак, універсальні підходи NAS, такі як MnasNet, зосереджені на загальних завданнях зору (класифікація ImageNet або виявлення COCO) та загальному обладнанні (наприклад, мобільні телефони). Для моніторингу посівів за допомогою БПЛА проблема є більш спеціалізованою. Нам потрібні детектори, оптимізовані для певних класів об'єктів (рослини, бур'яни, шкідники) та адаптовані до датчиків та профілю польоту БПЛА. Стандартна NAS, яка оптимізує лише точність або загальну затримку, може не враховувати такі нюанси, як виявлення малих об'єктів або енергетичні обмеження.

Крім того, традиційні методи NAS можуть бути дуже обчислювально ресурсоємними (часто вимагаючи днів роботи на великих кластерах GPU), що не завжди практично для дослідників у сільському господарстві. Тому для роботи з БПЛА потрібні специфічні NAS-платформи. Вони повинні включати критерії, що стосуються БПЛА, та бути максимально ефективними.

У всіх випадках усвідомлення обмежень є критично важливим: NAS повинна знати про обмеження цільового пристрою (подібно до MnasNet) та вимоги до завдань БПЛА в режимі реального часу під час польоту. Якщо пошук занадто повільний або ігнорує споживання енергії, отримана модель може насправді не працювати належним чином у польових умовах.

На практиці, NAS для бачення БПЛА включатиме апаратну затримку та енергію безпосередньо в метрику пошуку. Наприклад, можна виміряти частоту кадрів кандидатного детектора на реальному комп'ютері дрона (наприклад, NVIDIA Jetson) та використовувати це як оцінку. Це відрізняється від використання простих проксі-меток, таких як FLOP, які не відображають реальну швидкість.

Таким чином, NAS може виявляти архітектури, які найкраще використовують можливості пристрою. Підсумовуючи, NAS пропонує спосіб автоматичного проектування детекторів для БПЛА, але його необхідно адаптувати з урахуванням специфічних для БПЛА завдань та вимог до ефективності.

NAS з урахуванням розгортання: основні принципи

NAS з урахуванням розгортання розширює NAS з урахуванням апаратного забезпечення, включаючи контекст розгортання та обмеження середовища в процес проектування. Іншими словами, він враховує не лише апаратне забезпечення дрона (швидкість процесора/графічного процесора, обмеження пам'яті, енергетичний бюджет), але й те, з чим БПЛА фактично зіткнеться в польових умовах. Це означає явну оптимізацію таких показників, як затримка виведення на цільовому пристрої, споживання енергії та обсяг пам'яті, одночасно прагнучи високої точності виявлення.

Наприклад, під час NAS можна було б розгорнути кожну модель-кандидат на Jetson Nano, прикріпленому до БПЛА, та записати її реальний час логічного аналізу та споживання енергії. Цей емпіричний зворотний зв'язок допомагає спрямувати пошук моделей, які дійсно відповідають критеріям розгортання.

NAS, що орієнтований на апаратне забезпечення (наприклад, MnasNet), зосереджується на метриках пристрою, тоді як NAS, що орієнтований на розгортання, йде далі: він може враховувати характеристики вхідних даних датчиків (наприклад, роздільну здатність зображення, багатоспектральні канали) та цільові показники затримки програми (необхідна кількість кадрів за секунду). Він навіть може враховувати обмеження польоту, такі як максимально допустимий обсяг пам'яті, або включати оцінки за умов імітації коливань вітру або розмиття руху.

NAS, що враховує особливості розгортання, може негативно вплинути на архітектури, які перевищують, скажімо, 5 Вт споживання енергії або потребують більше пам'яті, ніж має дрон. Таким чином, пошук природно зміщується в бік практичних моделей для польової експлуатації БПЛА. По суті, NAS, що враховує особливості розгортання, полягає в тому, щоб замкнути цикл між проектуванням моделі та реальним використанням. Замість того, щоб вибирати архітектуру окремо та сподіватися, що вона працюватиме, він систематично включає тестування реальних пристроїв під час пошуку.

Наприклад, Керек та ін. (2026) використали таку структуру для пошуку детектора БПЛА: вони побудували її на базовій лінії YOLOv8n, але включили до пошуку затримку та енергію Jetson Nano. Отримана модель мала на 37% менше GFLOP та на 61% менше параметрів, ніж YOLOv8n, зі зниженням mAP лише на 1.96%. Це чітко показує, як обмеження розгортання спрямували NAS до набагато легшої та швидшої мережі.

Роль NAS з урахуванням розгортання в моніторингу точного землеробства

NAS з урахуванням розгортання може значно покращити моніторинг посівів за допомогою БПЛА, адаптуючи детектори до сільськогосподарських умов. Наприклад, пошук може сприяти архітектурам, які чудово виявляють невеликі, тонкі об'єкти (наприклад, вузькі бур'яни або тонкі паростки кукурудзи) або розрізняють рослини від фону ґрунту. Він може налаштувати глибину мережі та рецептивні поля відповідно до типової висоти польоту: на низькій висоті об'єкти заповнюють зображення та можуть вимагати дрібної деталізації, тоді як на більшій висоті мережа повинна добре виявляти дрібні об'єкти. NAS з урахуванням розгортання може закодувати ці вимоги у свій простір пошуку.

Швидкість має вирішальне значення в польових умовах. Уявіть, що дрон виявляє спалах шкідників; якщо модель достатньо швидка, щоб обробляти відео, скажімо, зі швидкістю 30 кадрів в секунду, вона може попередити пілота або ініціювати негайні дії з обробки. У тестах модель, розроблена NAS, працювала на 28% швидше на Jetson Nano, ніж стандартний YOLOv8n, завдяки своїй оптимізованій архітектурі. Вона також використовувала на 18.5% менше енергії під час роботи ONNX, а це означає, що дрон може літати довше на одному акумуляторі. Ці переваги роблять прийняття рішень під час польоту більш здійсненним та збільшують тривалість місії.

Ще однією перевагою є надійність. Оскільки NAS з урахуванням розгортання передбачає оцінку фактичного пристрою, пошук може включати тести за різних умов. Наприклад, він може імітувати низьку освітленість або включати навчальні зображення світанку та сутінків, що гарантує, що кінцевий детектор підтримуватиме точність за реальних змін погоди та освітлення. Робота продемонструвала, що детектор, отриманий на базі NAS, добре узагальнювався: його протестували на двох різних наборах даних про сільськогосподарські культури (головки пшениці та розсада бавовни) та виявили високу продуктивність в обох випадках.

Це свідчить про те, що NAS з урахуванням розгортання допомогла знайти спільні, корисні функції для сільського господарства, покращивши узагальнення на нові поля. Загалом, NAS з урахуванням розгортання допомагає збалансувати точність із довшим часом польоту. Завдяки скороченню обчислень, дрони споживають менше енергії та можуть охоплювати більшу площу на одному заряді батареї, водночас надійно виявляючи посіви та шкідників.

Дизайн пошукового простору для детекторів сільськогосподарських БПЛА

Важливою частиною NAS, що орієнтована на розгортання, є простір пошуку – набір можливих мережевих конструкцій, які вона розглядає. Для детекторів посівів БПЛА простір пошуку може бути створений таким чином, щоб включати перспективні архітектури для цієї області. Ключові частини включають:

1. Конструкція магістралі: Основою є екстрактор ознак. Для БПЛА можна використовувати легкі згорткові структурні блоки, такі як згортки, що розділяються по глибині (як використовуються в MobileNet), або інвертовані залишкові блоки. Інвертовані залишки та лінійні вузькі місця (стиль MobileNetV2) добре відомі завдяки мобільній ефективності. Простір пошуку може дозволяти змінювати ширину (кількість каналів) та глибину кожного блоку відповідно до обчислювального бюджету БПЛА. Також можна включити модулі уваги або трансформаторного типу, якщо БПЛА може собі їх дозволити при низькому енергоспоживанні.

2. Дизайн грифа: Багато детекторів об'єктів використовують піраміди ознак (FPN) або мережі агрегації шляхів для об'єднання багатомасштабних ознак. Пошук може досліджувати спрощені FPN або полегшену агрегацію ознак. Наприклад, використання одномасштабної головки проти багатомасштабних головок може бути варіантом. Цей простір може дозволити об'єднання шарів або пропуск з'єднань, що допомагає виявляти об'єкти різних розмірів.

3. Конструкція головки: Головка детектування (класифікаційні шари та шари блочної регресії) також може бути різноманітною. Для БПЛА, що досліджують однорідні поля, може бути достатньо простішої головки. Але щоб виявити дрібні "бур'яни", пошук може включати додаткові згорткові шари або різні схеми прив'язки.

4. Легкі операції: Простір пошуку може явно дозволяти лише низьковитратні операції. Наприклад, вибір між перетворювачем 3×3 та дешевшим факторизованим перетворювачем 1×3+3×1, або включення модулів GhostNet. Він також може дозволяти малі розміри ядра або зменшені розмірності для обмеження обчислень. Всі ці варіанти залежать від апаратного забезпечення. Простір може забороняти будь-яку конфігурацію шарів, яка перевищує ліміт пам'яті дрона або очікуваний поріг енергії.

Завдяки ретельному проектуванні цього простору пошуку, процес NAS спрямовується до ефективних, але водночас результативних архітектур. Результатом може бути нова комбінація блоків, яка не враховується у стандартних моделях. Найкраще знайдений детектор використовував користувацький вибір блоків, який зменшував GFLOP на 37% та параметри на 61% порівняно з YOLOv8n.

Це стало можливим завдяки тому, що NAS могла комбінувати та поєднувати основні та головні елементи в рамках обмежень БПЛА. Таким чином, область пошуку сільськогосподарських детекторів БПЛА зосереджена на масштабованих, легких структурних блоках та багатомасштабній обробці, і все це в межах можливостей бортового обладнання.

Цілі та обмеження оптимізації

NAS, що орієнтований на розгортання, повинен поєднувати в собі кілька цілей. Основною метою зазвичай є точність виявлення (наприклад, середня середня точність, mAP), виміряна на наборах даних моніторингу сільськогосподарських культур. Наприклад, mAP@50 (точність на рівні 50% IOU) є поширеним показником. Модель, оптимізована для NAS, мала падіння mAP@50 лише на 1,96% порівняно з базовим YOLOv8n, що є дуже невеликою втратою порівняно з досягнутими перевагами. Також враховуються точність і повнота (або показник F1) для ключових класів (бур'яни, сільськогосподарські культури).

Водночас необхідно оптимізувати затримку та енергоспоживання. Затримка – це час виведення даних на одне зображення; для вбудованого графічного процесора це може бути 20–50 мс або більше. Менша затримка означає вищу частоту кадрів. Споживання енергії (джоулі на кадр) має вирішальне значення для тривалості польоту. Обсяг пам'яті (кількість параметрів, розмір моделі) є ще одним обмеженням; моделі повинні поміщатися в оперативну пам'ять пристрою. Тому NAS зазвичай встановлює ціль або штраф для цих обмежень.

Наприклад, будь-яка модель, повільніша за певний поріг або перевищує бюджет параметрів, може бути понижена в рейтингу. Це фактично перетворює NAS на багатоцільову оптимізаційну задачу: максимізувати точність, мінімізуючи затримку, енергоспоживання та розмір.

Практично це можна зробити за допомогою зваженої суми цілей або жорстких обмежень. Деякі методи надають великий штраф будь-якому кандидату, який перевищує ліміт потужності БПЛА. Інші явно обчислюють метрику енергії: моделі були протестовані в середовищі виконання ONNX для вимірювання “енергоефективності”, і найкраща модель виявилася на +18.5% енергоефективнішою, ніж YOLOv8n. Це було однією з цілей, що спрямовували їхній пошук.

Знайдені компроміси можна візуалізувати на межі Парето: з одного боку, надзвичайно швидкі малі моделі з нижчою точністю; з іншого боку, великі точні моделі, які є занадто повільними або енергоємними для дрона. NAS, орієнтована на розгортання, прагне знайти золоту середину на цій межі, яка відповідає реальним пріоритетам місії (наприклад, незначна втрата точності за великого прискорення). Підсумовуючи, NAS повинна враховувати показники точності (mAP, F1) та обмеження логічного висновку (мс на кадр, джоулі на кадр, пам'ять) разом. Ця збалансована оптимізація робить модель справді готовою до розгортання для використання БПЛА.

Навчання та оцінювання в реалістичних сільськогосподарських умовах

Щоб детектори, знайдені за допомогою NAS, добре працювали, їх необхідно навчити та протестувати на реалістичних сільськогосподарських даних. Це означає використання наборів даних, які фіксують мінливість реальних полів: різні види сільськогосподарських культур, стадії росту, пори року, умови освітлення та висоти над рівнем моря. Наприклад, навчання на зображеннях лише молодих пагонів кукурудзи може не поширюватися на зрілі головки пшениці. Репрезентативні набори даних для полів гарантують, що модель вивчає особливості, які мають значення на фермі. Доповнення даних (випадкові культури, зміни яскравості, розмиття руху) також може бути застосоване під час навчання для імітації руху та освітлення дрона.

Під час оцінювання важливо протестувати модель у максимально реальних умовах. Інструменти моделювання можуть допомогти (наприклад, політ віртуального дрона над 3D-полями), але реальні льотні випробування є золотим стандартом. Бортовий бенчмаркінг виконується шляхом запуску моделі на реальному обладнанні БПЛА. Після NAS вони розгорнули кандидата на Jetson Nano та виміряли на 28.1% швидший висновок (порівняно з базовим YOLOv8n) та краще енергоспоживання. Такий зворотний зв'язок з реальним пристроєм підтверджує, що пошук створив модель, яка дійсно відповідає вимогам.

Узагальнення також є критично важливим. Модель можна знайти та навчити на одній культурі (наприклад, пшениці), але фермерам потрібні детектори, які працюють на різних полях. Дослідження продемонструвало сильну міжкультурну генералізацію: детектор, отриманий на основі NAS, навчений на одному завданні, все ще добре працював на іншому наборі даних про культури (саджанці бавовни) без перенавчання. Це свідчить про те, що NAS з урахуванням розгортання може створювати надійні архітектури. Однак зміни доменів (наприклад, перехід з кукурудзяних полів у сади) все ще можуть вимагати точного налаштування або подальшого пошуку. Також рекомендується проводити міжсезонне тестування (літні та осінні знімки).

Зрештою, кожну нову модель слід протестувати на платформі БПЛА перед розгортанням. Це включає реєстрацію її точності та швидкості на дронах, забезпечення відсутності перегріву обладнання та перевірку споживання енергії. Тільки тоді фермери можуть довіряти їй для критично важливого моніторингу. Поєднуючи навчання, що відповідає польовим вимогам, та ретельну оцінку обладнання, NAS, що враховує особливості розгортання, забезпечує детектори, які не лише теоретично ефективні, але й перевірені в польових умовах.

Переваги перед детекторами БПЛА ручної розробки

NAS з урахуванням розгортання пропонує кілька очевидних переваг порівняно з традиційними, вручну розробленими моделями для БПЛА:

1. Компроміси щодо кращої продуктивності: Моделі, знайдені за допомогою NAS, як правило, забезпечують вищі комбінації точності, швидкості та енергоефективності. Наприклад, найкраща модель працювала на 28% швидше та використовувала на 18.5% менше енергії на Jetson Nano, ніж обрана вручну базова модель YOLOv8n, при цьому втрачаючи лише ~2% у mAP виявлення. Досягти такого балансу вручну було б дуже складно.

2. Покращене узагальнення: Моделі, виявлені NAS, можуть бути краще адаптованими до нових умов, оскільки пошук може включати різноманітні дані або цілі. Автоматично розроблений детектор добре узагальнюється для різних типів культур (пшениці та бавовни) та умов освітлення. Ця широка стійкість є критично важливою, коли польоти стикаються з неочікуваними сценами.

3. Зменшення інженерних зусиль: NAS автоматизує багато спроб і помилок. Замість ручного налаштування розмірів шарів і тестування багатьох кандидатів, NAS з урахуванням можливостей розгортання ітеративно досліджує варіанти та знаходить найкращий дизайн для вас. Це економить час розробки та досвід, що спрощує оновлення детекторів для нових завдань або обладнання.

4. Масштабованість: Після налаштування, фреймворк NAS можна використовувати для різних платформ або місій БПЛА. Наприклад, той самий NAS, що враховує розгортання, може шукати детектор, налаштований на іншу роздільну здатність камери або модель дрона, просто змінюючи вхідні обмеження. Це набагато масштабованіше, ніж перепроектування мереж з нуля для кожного сценарію.

Проблеми та обмеження

NAS з урахуванням розгортання — потужна система, але не чарівна паличкою. Її слід використовувати продумано, з урахуванням вимог до ресурсів та мінливості цільового середовища. Незважаючи на свою перспективність, NAS з урахуванням розгортання має свої проблеми:

1. Висока вартість пошуку: NAS може вимагати значних обчислень. Навіть з ефективними алгоритмами пошук у просторі архітектури може зайняти багато годин на графічному процесорі (або спеціалізованих обчисленнях). Якщо не керувати цими ресурсами ретельно, вони можуть бути непомірними для деяких команд.

2. Зміщення даних та зміщення домену: NAS настільки ж хороший, як і дані, що використовуються. Якщо навчальні зображення не відображають польові умови, знайдена архітектура може працювати неефективно в реальності. Наприклад, модель, налаштована на один тип культури або один географічний регіон, може не ідеально переноситися на інший без подальшої адаптації.

3. Різнорідність апаратного забезпечення: Апаратне забезпечення БПЛА буває різних видів (різні вбудовані графічні процесори, центральні процесори, FPGA). Модель, оптимізована для однієї плати, може не бути оптимальною на іншій. NAS, що враховує розгортання, повинен або повторно виконувати пошук для кожної платформи, або використовувати консервативні обмеження, які підходять усім, що може обмежити продуктивність.

4. Практичні обмеження: Реальне впровадження сільськогосподарських робіт пов'язане з такими питаннями, як оновлення мережі по бездротовій мережі, системна інтеграція з управлінням польотом та сертифікація безпеки. Навіть найкраща модель NAS має бути інтегрована в повноцінну систему дронів. Координація оновлень моделі, отримання регуляторних схвалень та навчання фермерів – це нетехнічні перешкоди.

Майбутні напрямки

У майбутньому, ймовірно, відбудеться ще тісніша інтеграція проектування моделей, сенсорних технологій та керування БПЛА. NAS з урахуванням розгортання залишатиметься ключовим інструментом у цьому процесі спільного проектування. Заглядаючи вперед, з'являється кілька захопливих напрямків:

1. Онлайн та адаптивна NAS: Замість одноразового пошуку в автономному режимі, майбутні системи можуть налаштовувати мережу в режимі реального часу або між польотами. Наприклад, дрон може починати з базової моделі та, використовуючи легкі алгоритми NAS, налаштовуватися для обробки нового освітлення або умов місцевості на льоту. Такий “NAS на пристрої” є дуже складним, але може значно покращити адаптивність.

2. Спільне проектування датчиків та моделей: Майбутні системи точного землеробства могли б спільно оптимізувати вибір камери (RGB, мультиспектральної, інфрачервоної) та нейронної мережі. NAS з урахуванням розгортання може бути розширена, щоб включати параметри датчиків (наприклад, використовувані спектральні діапазони) у свій пошук, знаходячи найкраще поєднання апаратного забезпечення та моделі.

3. Мультиспектральна/гіперспектральна інтеграція: Як показує дослідження хвороб бавовни, інтеграція мультиспектральних зображень може покращити виявлення, особливо проблем на ранніх стадіях. Майбутні NAS можуть досліджувати багатопотокові моделі, які поєднують RGB та ближній інфрачервоний канали для більш надійного виявлення незначних змін у рослинах.

4. Автономні конвеєри рішень: Зрештою, детектори, оптимізовані для NAS, можуть забезпечити повну автономію. Наприклад, дрон може автоматично генерувати план обприскування або сповіщати керівників ферм, якщо виявляє певні умови. NAS з урахуванням розгортання можна розширити до наскрізних конвеєрів (моделі виявлення + дії), оптимізуючи всю систему.

5. Етичні та екологічні міркування: Оскільки безпілотні літальні апарати стають більш потужними, ми повинні враховувати конфіденційність, безпеку повітряного простору та вплив на сільськогосподарську працю (як зазначають Агравал і Арафат). Забезпечення відповідального використання дронів, оптимізованих для NAS, у сільському господарстві є важливою метою на майбутнє.

Висновок

NAS з урахуванням розгортання являє собою потужний підхід до адаптації легких детекторів об'єктів для моніторингу сільськогосподарських культур на основі БПЛА. Вбудовуючи апаратне забезпечення БПЛА та обмеження місії в пошук, він створює моделі, які економлять обчислення та енергію без значних жертв для точності. Наприклад, нещодавня робота показала, що детектор, розроблений NAS, використовує на 37% менше FLOP та на 61% менше параметрів, ніж еталонний YOLOv8n, проте його mAP знизився лише на ~2%.

На реальному обладнанні дронів це означало швидший логічний висновок для 28% та кращу енергоефективність для 18%. Такі переваги призводять до збільшення часу польоту, швидшого аналізу та кращої реагування на підтримку сільського господарства. Порівняно з моделями, створеними вручну, NAS з урахуванням розгортання забезпечує краще узагальнення продуктивності, менше зусиль на ручне налаштування та масштабованість до нових платформ БПЛА.

У контексті точного землеробства ці вдосконалення можуть зробити моніторинг посівів за допомогою БПЛА більш практичним та ефективним. Дрони, оснащені детекторами, оптимізованими для NAS, можуть надійніше виявляти бур'яни, шкідників або стрес, що дозволяє своєчасно втручатися, щоб заощадити ресурси та підвищити врожайність. Оскільки сільське господарство продовжує впроваджувати дрони та штучний інтелект, NAS з урахуванням можливостей розгортання відіграватиме центральну роль у забезпеченні ефективності, точності та готовності моделей, що працюють на цих дронах. Це скорочує розрив між передовими дослідженнями нейронних мереж та практичними потребами фермерів, допомагаючи просувати майбутнє точного землеробства на основі даних.

Дрібні фермери відіграють вирішальну роль у світовому виробництві продуктів харчування, але вони стикаються з численними викликами, від обмеженості ресурсів до непередбачуваних факторів навколишнього середовища. В епоху технологічного прогресу безпілотні літальні апарати (БПЛА), широко відомі як дрони, стали трансформаційною силою у дрібному фермерстві.

Ці літальні апарати пропонують рішення, які потенційно можуть революціонізувати сільськогосподарську практику та покращити життя дрібних фермерів.

Щоб по-справжньому зрозуміти потенціал та вплив дронів на дрібне фермерство, дослідники провели поглиблений аналіз існуючих досліджень та тенденцій у цій галузі. Отримані ними висновки проливають світло на захопливу роль, яку БПЛА відіграють у сільськогосподарських інноваціях.

Дослідження показує, що використання дронів у дрібних фермерських господарствах зростає. Протягом останніх кількох років спостерігається значне зростання інтересу та інвестицій у цю технологію. Зі сукупним річним темпом зростання близько 31% з 2016 року ця тенденція свідчить про зростаюче визнання цінності дронів у сільському господарстві.

Провідна співпраця та вплив

Використання дронів у сільському господарстві стає ключовим напрямком досліджень, і це відображається в академічній спільноті. Такі журнали, як “Drones” та “Remote Sensing”, стали лідерами у публікації досліджень, пов’язаних з БПЛА у сільському господарстві, маючи приблизно 35% від загальної кількості публікацій у цій галузі. Серед цих журналів “Drones” виділяється найбільшою кількістю цитувань, що підкреслює його значення.

У світовому ландшафті застосування БПЛА у дрібних фермерських господарствах дослідники визначили 14 країн як активних учасників. Зокрема, Китай, Південна Африка, Нігерія, Швейцарія та США є лідерами цих досліджень.

Китай постійно входить до п'ятірки лідерів за кількістю цитованих робіт, що свідчить про його сильну присутність у цій галузі. Хоча більшість досліджень проводиться в межах національних кордонів, почали з'являтися деякі міжнародні співробітництва.

Більше того, у дослідженні висвітлено внесок 131 автора, які суттєво вплинули на цю галузь своїми 23 публікаціями. Відомі автори, такі як Вімбайї Чімоньо, Алістер Клулоу, Тафадзванаше Мабхаудхі та Мбулісі Сібанда, брали активну участь у просуванні використання дронів у дрібному фермерстві.

Що стосується цитування, то Ола Холл та Магнус Їрстрьом є одними з найбільш відомих, що свідчить про їхній суттєвий вплив на цю тему.

Революція в моніторингу врожаю

Моніторинг розвитку сільськогосподарських культур та оцінка врожайності стають основними сферами застосування БПЛА у дрібних фермерських господарствах. Дрони забезпечують унікальну точку спостереження для оцінки здоров'я та енергії росту сільськогосподарських культур протягом вегетаційного періоду.

Вони можуть виявляти такі проблеми, як водний стрес, хвороби та дефіцит поживних речовин. Аналізуючи дані про відбиття від сільськогосподарських культур, дрібні фермери можуть втрутитися на ранній стадії та запобігти значним втратам врожаю. Індекси рослинності, отримані за допомогою БПЛА, включаючи NDVI, EVI та SAVI, відіграють ключову роль в оцінці розвитку сільськогосподарських культур.

1. Точне налаштування системи внесення добрив

Оптимізація використання добрив є критично важливим аспектом точного землеробства. Безпілотні літальні апарати допомагають дрібним фермерам у цій справі, оцінюючи вміст хлорофілу в листі, який тісно пов'язаний з азотом листя.

Ця інформація допомагає фермерам приймати обґрунтовані рішення щодо внесення добрив. Дослідження показали, що дані, отримані з БПЛА, можуть підвищити ефективність добрив приблизно на 101 TP3T.

2. Картування сільськогосподарських культур для ефективного управління

Точне картографування – це ще одна сфера, де дрони досягають успіху. Завдяки зображенням високої роздільної здатності та машинному навчанню, БПЛА допомагають дрібним фермерам точно картографувати свої поля. Ця технологія є центральною для точного землеробства, оскільки вона впливає на землекористування та картографування сільськогосподарських культур.

У розглянутих дослідженнях методи навчання алгоритмів зазвичай передбачали використання наземних досліджень або зображень високої роздільної здатності. Для класифікації зображень використовуються такі алгоритми, як випадковий ліс, метод опорних векторів та глибокі нейронні мережі, що робить картографування сільськогосподарських культур точнішим.

Виклики та можливості

Хоча потенціал дронів у дрібному фермерстві очевидний, важливо усвідомлювати труднощі, пов'язані з їх впровадженням.

1. Відсутність достатніх даних in-situБагато моделей залежать від наявності якісних даних in-situ для розробки та перевірки. Такі дані не завжди легкодоступні та можуть бути обмеженими за обсягом.

2. Різноманітні типи БПЛА та корисне навантаження: Дрони бувають різних розмірів і типів, кожен з яких має свої особливості. Їхній час польоту та вантажопідйомність можуть не підходити для великомасштабних сільськогосподарських застосувань.

3. Чутливість до погодиПогодні умови можуть суттєво впливати на збір даних дронами. Сильний вітер та дощ можуть створювати труднощі для збору даних.

4. ДоступністьЕксплуатація дронів та придбання програмного забезпечення для обробки даних можуть бути дорогими, особливо для дрібних фермерів, які мають скрутне фінансування.

5. Технічна експертиза: Експлуатація та обслуговування дронів, а також обробка даних, вимагають спеціалізованих навичок, які не завжди можуть бути легкодоступними.

6. Нормативно-правова базаСуворі правила, зумовлені потенційними ризиками, пов'язаними з експлуатацією БПЛА, можуть обмежувати їх використання або вимагати отримання ліцензій пілота.

7. Обчислювальні ресурсиОбробка величезних обсягів даних, що генеруються дронами, може бути ресурсоємною з точки зору обчислень, що потенційно потребує додаткових ресурсів та навчання.

Однак ці виклики супроводжуються численними можливостями:

1. Різноманітні застосування в точному землеробстві: Дрони пропонують різноманітні застосування в точному землеробстві, окрім моніторингу та картографування сільськогосподарських культур, включаючи інтегроване боротьбу з бур'янами, оцінку водокористування, оцінку якості та кількості зрошувальної води, картографування характеристик ґрунту та карти змінних норм внесення пестицидів.

2. Багатогранні дані для підтримки рішень: Різноманітні дані, що надаються дронами, відкривають шлях до розробки інструментів підтримки рішень, які можуть одночасно вирішувати кілька цілей.

3. Передові платформи хмарних обчисленьТакі платформи, як Google Earth Engine, пропонують нові можливості для обробки та аналізу даних БПЛА.

4. Синергія між дронами та супутникамиДрони та супутники можуть надавати додаткові дані для різних застосувань, і для розкриття їхньої потенційної синергії необхідні дослідження.

5. Підходи для середовищ з обмеженим обсягом даних: Інновації роблять дефіцит даних меншою перешкодою, що демонструється підходами, що вимагають мінімальних даних на місці, та методами трансферного навчання.

6. Аналіз витрат і вигод: Порівняння вартості технологій дронів та інших методів дистанційного зондування проллє світло на їхню доступність та переваги.

7. Розширення прав і можливостей жінок у сільському господарстві: Впровадження точного землеробства за допомогою дронів може розширити можливості жінок у дрібних фермерських господарствах та підвищити їхню здатність вирішувати проблеми та вирішувати майбутні невизначеності.

8. Залучення молоді: Модернізація сільського господарства за допомогою точного землеробства на базі безпілотних літальних апаратів може стимулювати інтерес молоді до фермерства, тим самим зміцнюючи довговічність та стійкість сектору.

Висновок

На завершення, інтеграція дронів у дрібне фермерське господарство має потенціал для трансформації способів життя мільйонів дрібних фермерів. Забезпечуючи інноваційні рішення для моніторингу врожаю, управління добривами та картографування, дрони надають фермерам цінну інформацію для прийняття обґрунтованих рішень. Незважаючи на труднощі, майбутнє дрібного фермерства з дронами сповнене можливостей. Технологія, що швидко розвивається, у поєднанні зі зниженням витрат відкриває нові двері для сільськогосподарського сектору та пропонує перспективу продовольчої безпеки, екологічної стійкості та економічного добробуту для фермерських громад у всьому світі.