Дистанційне зондування революціонізує моніторинг нікотину в сигарному листі

Новаторське дослідження використовує гіперспектральну візуалізацію БПЛА та машинне навчання для точної оцінки рівня нікотину в листі сигар.

Нещодавні досягнення в аерогіперспектральній візуалізації в поєднанні з машинним навчанням революціонізували моніторинг нікотину в листі сигар. Цей передовий підхід підвищує точність оцінки, водночас надаючи цінну інформацію для тютюнової промисловості, де хімічний склад має вирішальне значення для якості.

Під керівництвом Тяня та ін. з Сичуанського сільськогосподарського університету дослідники прагнули подолати обмеження традиційних ручних перевірок якості, яким часто бракує точності та ефективності. Їхнє дослідження, опубліковане 2 лютого 2025 року, виявляє сильну кореляцію між використанням азотних добрив, рівнем вологості та концентрацією нікотину, що підкреслює важливість своєчасних та точних методів моніторингу.

Дослідження проводилося з травня по вересень 2022 року на базі сучасних сільськогосподарських досліджень університету, де дослідники використовували безпілотні літальні апарати (БПЛА), оснащені гіперспектральними камерами, для зйомки спектрів відбиття листя 15 різних сортів сигарного листя за різних обробок азотом.

Їхні результати виявили пряму кореляцію між внесенням азотних добрив та рівнем нікотину в листі сигари. “Зі збільшенням норми внесення азотних добрив вміст нікотину в листі сигари збільшувався”, – заявили автори, підкреслюючи вплив сільськогосподарських практик на якість продукції.

Для покращення якості даних гіперспектральних зображень, зібраних БПЛА, у дослідженні використовувалися методи попередньої обробки, такі як багатовимірна корекція розсіювання, стандартне нормальне перетворення та згладжування згортки Савіцького-Голея. Потім для розробки прогностичних моделей, здатних точно оцінювати вміст нікотину, були застосовані передові алгоритми машинного навчання, включаючи регресію часткових найменших квадратів (PLSR) та нейронні мережі зворотного поширення.

Найефективнішою визначеною моделлю була модель MSC-SNV-SG-CARS-BP, яка досягла точності тестування зі значеннями R² приблизно 0,797 та середньоквадратичною помилкою (RMSE) 0,078. “Модель MSC-SNV-SG-CARS-BP має найкращу прогностичну точність щодо вмісту нікотину”, – зазначили автори, позиціонуючи її як перспективний інструмент для майбутніх досліджень та застосувань у точному землеробстві.

Використовуючи дистанційне зондування для аналізу спектральних властивостей листя сигари, фермери та виробники можуть швидко та неруйнівно оцінювати якість врожаю, що дозволяє приймати більш обґрунтовані рішення щодо виробництва та ланцюга постачання. Такий підхід пропонує широке охоплення за низьких операційних витрат, водночас забезпечуючи узгодженість даних, зменшуючи залежність від людського фактору.

Інтеграція гіперспектральної візуалізації та машинного навчання має потенціал трансформувати традиційне вирощування тютюну, не лише покращуючи якість нікотину, але й сприяючи сталому та ефективному розвитку сільськогосподарських практик. Дослідники наголошують на необхідності постійного вдосконалення цих технологій та їх адаптації для різних сортів тютюну та інших культур.

Майбутні дослідження будуть зосереджені на оптимізації умов експлуатації БПЛА для отримання спектральних даних найвищої якості, враховуючи такі змінні, як висота польоту, умови освітлення та зниження шуму. Врахування цих факторів має вирішальне значення, оскільки сільськогосподарські практики розвиваються для задоволення потреб ринку, надаючи пріоритет екологічній стійкості.

Це дослідження підкреслює синергію між технологіями та сільськогосподарською наукою, підкреслюючи зростаюче впровадження інноваційних методів для покращення якості продукції. Дослідники виступають за ширше застосування гіперспектрального зондування в сільському господарстві, посилюючи роль технологій у підвищенні врожайності, ефективності та екологічної відповідальності.

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