Категорія: Моніторинг посівів

Розділ «Моніторинг врожаю» на нашому вебсайті присвячений наданню фермерам та фахівцям у сільському господарстві найновішої інформації та інструментів, які допоможуть їм контролювати та оптимізувати свої врожаї. Завдяки передовим технологіям та аналізу даних це стало важливою практикою в сучасному сільському господарстві, що дозволяє фермерам виявляти потенційні проблеми та вирішувати їх до того, як вони перетворяться на серйозні проблеми.

Цей розділ пропонує низку ресурсів та інформації, які допоможуть фермерам приймати обґрунтовані рішення щодо своїх культур. Від статей про передові практики та новітні технології до оглядів передових інструментів та програмного забезпечення для моніторингу, ми прагнемо забезпечити вичерпне та актуальне висвітлення ситуації з моніторингом сільськогосподарських культур.

Незалежно від того, чи ви дрібний фермер, чи великий агробізнес, цей розділ має що запропонувати. Ми охоплюємо широкий спектр культур, включаючи фрукти, овочі, зернові тощо, і наш контент адаптований до потреб фермерів будь-якого рівня кваліфікації.

В основі нашого розділу «Моніторинг сільськогосподарських культур» лежить прагнення допомогти фермерам досягти більшої ефективності та сталого розвитку у своїй діяльності. Надаючи найновішу інформацію та інструменти, ми прагнемо допомогти фермерам покращити врожайність, зменшити відходи та підвищити прибутковість, одночасно мінімізуючи їхній вплив на навколишнє середовище.

Посібник з моніторингу врожаю та оновлення

Тож, незалежно від того, чи ви тільки починаєте, чи досвідчений професіонал, який хоче бути в курсі останніх тенденцій і технологій, у цьому розділі є все необхідне для успіху.

Роль розгортання-усвідомленого NAS для ефективного моніторингу врожаю на базі БПЛА

Опубліковано на від Muhammad Farjad

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.

Вимоги до виявлення об'єктів БПЛА при моніторингу сільськогосподарських культур

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.

Легкі детектори об'єктів для платформ БПЛА

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 з урахуванням розгортання: основні принципи

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.

Роль NAS з урахуванням розгортання в моніторингу точного землеробства

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.

Навчання та оцінювання в реалістичних сільськогосподарських умовах

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.

Вирощування ячменю отримує поштовх завдяки легкій детекції YOLOv5

Опубліковано на від Muhammad Farjad

Ячмінь високогір'я, стійка зернова культура, що вирощується у високогірних районах китайського плато Цинхай-Тибет, відіграє вирішальну роль у місцевій продовольчій безпеці та економічній стабільності. Відомий у науці як Hordeum vulgare L., ця культура процвітає в екстремальних умовах - розріджене повітря, низький рівень кисню та середньорічна температура 6,3°C - що робить її незамінною для громад у суворих умовах.

Понад 270 000 гектарів, відведених під його вирощування в Китаї, в основному в автономному регіоні Сіцзян, складають більше половини посівних площ регіону і понад 70% від загального виробництва зерна. Точний моніторинг густоти посівів ячменю - кількості рослин або колосків на одиниці площі - має важливе значення для оптимізації сільськогосподарських практик, таких як зрошення та внесення добрив, а також для прогнозування врожайності.

Однак традиційні методи, такі як ручний відбір зразків або супутникові знімки, виявилися неефективними, трудомісткими або недостатньо детальними. Щоб вирішити ці проблеми, дослідники з Фуцзяньського університету сільського та лісового господарства та Чендуського технологічного університету розробили інноваційну модель штучного інтелекту на основі YOLOv5, передового алгоритму виявлення об'єктів.

Їхні роботи, опубліковані в Рослинні методи (2025), досягла чудових результатів, в тому числі 93,1% середньої точності (mAP) - показник, що вимірює загальну точність виявлення - і 75,6% зниження обчислювальних витрат, що робить її придатною для розгортання безпілотників в реальному часі.

Виклики та інновації в моніторингу сільськогосподарських культур

Важливість високогірного ячменю виходить за рамки його ролі як джерела продовольства. Лише у 2022 році місто Ріказе, основний регіон-виробник ячменю, зібрало 408 900 тонн ячменю з 60 000 гектарів, що становить майже половину від загального обсягу виробництва зерна в Тибеті.

Незважаючи на культурне та економічне значення ячменю, оцінка його врожайності довгий час була складним завданням. Традиційні методи, такі як ручний підрахунок або супутникові знімки, або занадто трудомісткі, або не мають достатньої роздільної здатності, необхідної для виявлення окремих колосків ячменю - зерноносної частини рослини, яка часто має лише 2-3 сантиметри завширшки.

Ручний відбір зразків вимагає від фермерів фізичного огляду ділянок поля - процес повільний, суб'єктивний і непрактичний для великих господарств. Супутникові знімки, хоча і корисні для широких спостережень, мають низьку роздільну здатність (часто 10-30 метрів на піксель) і часті погодні зміни, такі як хмарність у гірських регіонах, наприклад, у Тибеті.

Щоб подолати ці обмеження, дослідники звернулися до безпілотних літальних апаратів (БПЛА), або дронів, оснащених 20-мегапіксельними камерами. Ці дрони зробили 501 зображення з високою роздільною здатністю полів ячменю в місті Ріказе під час двох критичних стадій росту: стадії росту в серпні 2022 року, яка характеризується зеленими колосками, що розвиваються, і стадії дозрівання в серпні 2023 року, позначеної золотисто-жовтими колосками, готовими до збору врожаю.

Моніторинг ячмінних полів за допомогою дронів у місті Ріказе

Однак аналіз цих знімків викликав певні труднощі, зокрема розмиті краї, спричинені рухом дрону, малий розмір колосків ячменю на аерофотознімках та перекриття колосків на густо засаджених полях.

Щоб вирішити ці проблеми, дослідники попередньо обробили зображення, розділивши кожне зображення з високою роздільною здатністю на 35 менших субзображень і відфільтрувавши розмиті краї, в результаті чого отримали 2 970 високоякісних субзображень для навчання. Цей етап попередньої обробки забезпечив фокусування моделі на чітких, придатних для дії даних, уникаючи відволікання на неякісні регіони.

Технічний прогрес у виявленні об'єктів

Центральним елементом цього дослідження є алгоритм YOLOv5 (You Only Look Once, версія 5) - одноетапна модель виявлення об'єктів, відома своєю швидкістю та модульним дизайном. На відміну від старих двоетапних моделей, таких як Faster R-CNN, які спочатку визначають області інтересу, а потім класифікують об'єкти, YOLOv5 виконує виявлення за один прохід, що робить його значно швидшим.

Базова модель YOLOv5n з 1,76 мільйонами параметрів (конфігурованих компонентів моделі ШІ) і 4,1 мільярда FLOPs (операцій з плаваючою комою, міра обчислювальної складності) вже була ефективною. Однак виявлення крихітних колосків ячменю, що накладаються один на одного, потребувало подальшої оптимізації.

Дослідницька група впровадила три ключові вдосконалення в модель: згортку з поділом за глибиною (DSConv), згортку-привид (GhostConv) та модуль уваги до згортки блоків (CBAM).

Згортка з поділом за глибиною (DSConv) зменшує обчислювальні витрати, розбиваючи стандартний процес згортки - математичну операцію, яка виокремлює ознаки із зображень, - на два етапи. По-перше, глибинна згортка застосовує фільтри до окремих колірних каналів (наприклад, червоного, зеленого, синього), аналізуючи кожен канал окремо.

Після цього виконується точкова згортка, яка об'єднує результати по всіх каналах за допомогою ядер 1×1. Цей підхід скорочує кількість підрахунків параметрів до 75%.

Зменшення параметрів у згортці, що відокремлюється за глибиною

Наприклад, традиційна згортка 3×3 з 64 вхідними та 128 вихідними каналами вимагає 73 728 параметрів, тоді як DSConv зменшує їх до 8 768 - скорочення на 88%. Така ефективність має вирішальне значення для розгортання моделей на дронах або мобільних пристроях з обмеженою обчислювальною потужністю.

Примарна згортка (GhostConv) ще більше полегшує модель, генеруючи додаткові карти особливостей - спрощені представлення шаблонів зображень - за допомогою простих лінійних операцій, таких як обертання або масштабування, замість ресурсоємних згорток.

Традиційні шари згортки створюють надлишкові об'єкти, марно витрачаючи обчислювальні ресурси. GhostConv вирішує цю проблему, створюючи “примарні” функції з існуючих, ефективно зменшуючи параметри вдвічі у певних шарах.

Наприклад, для рівня з 64 вхідними і 128 вихідними каналами традиційно потрібно 73 728 параметрів, але GhostConv зводить це до 36,864 зберігаючи при цьому точність. Цей метод особливо корисний для виявлення дрібних об'єктів, таких як колоски ячменю, де обчислювальна ефективність має першорядне значення.

Модуль згорткової блокової уваги (CBAM) був інтегрований, щоб допомогти моделі зосередитися на важливих особливостях навіть у захаращеному середовищі. Механізми уваги, натхненні людськими зоровими системами, дозволяють ШІ-моделям визначати пріоритети важливих частин зображення.

CBAM використовує два типи уваги: канальну увагу, яка визначає важливі кольорові канали (наприклад, зелений для зростаючих колосків), і просторову увагу, яка виділяє ключові регіони на зображенні (наприклад, скупчення колосків). Замінивши стандартні модулі на DSConv і GhostConv та включивши CBAM, дослідники створили більш компактну і точну модель, пристосовану для виявлення ячменю.

Впровадження та результати

Для навчання моделі дослідники вручну позначили 135 оригінальних зображень, використовуючи обмежувальні рамки - прямокутні рамки, що позначають розташування колосків ячменю, - класифікуючи їх за стадіями росту і дозрівання. Методи доповнення даних - включаючи обертання, введення шуму, оклюзію та підвищення різкості - розширили набір даних до 2 970 зображень, покращивши здатність моделі узагальнювати різні польові умови.

Наприклад, поворот зображень на 90°, 180° або 270° допоміг моделі розпізнавати шипи під різними кутами, а додавання шуму імітувало недосконалості реального світу, такі як пил або тіні. Набір даних було розділено на навчальний (80%) і перевірочний (20%), що забезпечило надійну оцінку.

Навчання проходило на високопродуктивній системі з процесором AMD Ryzen 7, графічним процесором NVIDIA RTX 4060 та 64 ГБ оперативної пам'яті з використанням фреймворку PyTorch - популярного інструменту для глибокого навчання. Понад 300 навчальних епох (повних проходів через набір даних) ретельно відстежувалися точність моделі (точність правильних розпізнавань), запам'ятовування (здатність знаходити всі релевантні піки) і втрати (рівень помилок).

Результати були вражаючими. Покращена модель YOLOv5 досягла точності 92,2% (порівняно з 89,1% у базовому варіанті), а показник пригадування - 86,2% (порівняно з 83,1%), перевершивши базовий варіант YOLOv5n на 3,1% за обома метриками. Його середня точність (mAP) - комплексний показник, що усереднює точність виявлення в усіх категоріях - досягла 93,1%, з індивідуальними показниками 92,7% для шипів на стадії росту та 93,5% для шипів на стадії дозрівання.

Результати навчання моделі YOLOv5

Не менш вражаючою виявилась і його обчислювальна ефективність: параметри моделі зменшились на 70.6% до 1.2 мільйона, а кількість FLOPs зменшилась на 75.6% до 3.1 мільярда. Порівняльний аналіз з провідними моделями, такими як Faster R-CNN та YOLOv8n, показав її перевагу.

Хоча YOLOv8n досягла дещо вищого mAP (93.8%), її параметри (3.0 млн.) та FLOPs (8.1 млрд.) були в 2.5 рази та 2.6 рази вищими, відповідно, що робить запропоновану модель набагато ефективнішою для додатків у реальному часі.

Візуальне порівняння підкреслило цей прогрес. На зображеннях на стадії росту вдосконалена модель виявила 41 пік порівняно з 28 у базовій моделі. Під час дозрівання вона ідентифікувала 3 піки проти 2 у базовій моделі, з меншою кількістю пропущених виявлень (позначені помаранчевими стрілками) і хибнопозитивних спрацьовувань (позначені фіолетовими стрілками).

Ці вдосконалення є життєво важливими для фермерів, які покладаються на точні дані для прогнозування врожайності та оптимізації ресурсів. Наприклад, точний підрахунок колосків дає змогу краще оцінити виробництво зерна, що дає змогу приймати рішення щодо термінів збору врожаю, зберігання та планування ринку.

Майбутні напрямки та практичні наслідки

Незважаючи на успіх, дослідження визнало обмеження. Ефективність знижувалася за екстремальних умов освітлення, таких як різке полуденне світло або густі тіні, які можуть затуляти деталі шипів. Крім того, прямокутні обмежувальні рамки іноді не підходили для шипів неправильної форми, що призводило до незначних неточностей.

Модель також виключає розмиті краї знімків з БПЛА, які вимагають ручної попередньої обробки - крок, який додає часу і складності.

Подальша робота спрямована на вирішення цих проблем шляхом розширення набору даних, включення зображень, знятих на світанку, опівдні та в сутінках, експериментів з полігональними анотаціями (гнучкими формами, які краще підходять для нерегулярних об'єктів), а також розробки алгоритмів для кращої обробки розмитих областей без ручного втручання.

Наслідки цього дослідження є глибокими. Для фермерів у таких регіонах, як Тибет, модель пропонує оцінку врожайності в режимі реального часу, замінюючи трудомісткі ручні підрахунки на автоматизацію за допомогою дронів. Розрізнення стадій росту дає змогу точно планувати врожай, зменшуючи втрати від передчасного чи запізнілого збору врожаю.

Детальні дані про щільність колосків - наприклад, виявлення малозаселених або перенаселених ділянок - можуть допомогти у розробці стратегій зрошення та внесення добрив, зменшуючи витрати води та хімікатів. Крім ячменю, легка архітектура має перспективи для інших культур, таких як пшениця, рис або фрукти, прокладаючи шлях до ширшого застосування в точному землеробстві.

Висновок

Отже, це дослідження демонструє трансформаційний потенціал штучного інтелекту у вирішенні сільськогосподарських проблем. Удосконаливши YOLOv5 за допомогою інноваційних легких методів, дослідники створили інструмент, який поєднує в собі точність і ефективність, що є критично важливим для реального застосування в умовах обмежених ресурсів.

Такі терміни, як mAP, FLOP та механізми уваги, можуть здатися технічними, але їхній вплив є глибоко практичним: вони дозволяють фермерам приймати рішення на основі даних, зберігати ресурси та максимізувати врожайність. Оскільки зміна клімату та зростання населення посилюють тиск на глобальні продовольчі системи, такі досягнення стануть незамінними.

Для фермерів Тибету і не тільки ця технологія є не просто стрибком в ефективності сільського господарства, але й променем надії на стійку продовольчу безпеку в невизначеному майбутньому.

Довідка: Cai, M., Deng, H., Cai, J. та ін. Легке виявлення високогірного ячменю на основі покращеного YOLOv5. Plant Methods 21, 42 (2025). https://doi.org/10.1186/s13007-025-01353-0

CMTNet переосмислює поняття точного землеробства, перевершуючи традиційну класифікацію сільськогосподарських культур

Опубліковано на від Muhammad Farjad

Точна класифікація культур має важливе значення для сучасного точного землеробства, дозволяючи фермерам контролювати стан посівів, прогнозувати врожайність та ефективно розподіляти ресурси. Однак традиційні методи часто не можуть впоратися зі складністю сільськогосподарського середовища, де культури широко варіюються за типом, стадіями росту та спектральними характеристиками.

Що таке гіперспектральна візуалізація та фреймворк CMTNet?

Гіперспектральна візуалізація (HSI) - технологія, яка збирає дані в сотнях вузьких, суміжних діапазонах довжин хвиль, - змінила правила гри в цій галузі. На відміну від стандартних RGB-камер або мультиспектральних датчиків, які збирають дані в декількох широких діапазонах, HSI надає детальний “спектральний відбиток” для кожного пікселя.

Наприклад, здорова рослинність сильно відбиває ближнє інфрачервоне світло завдяки активності хлорофілу, в той час як посіви, що перебувають у стані стресу, демонструють відмінні патерни поглинання. Реєструючи ці тонкі варіації (від 400 до 1000 нанометрів) з високою просторовою роздільною здатністю (до 0,043 метра), HSI дозволяє точно диференціювати види культур, виявляти хвороби та проводити аналіз ґрунту.

Незважаючи на ці переваги, існуючі методи стикаються з проблемами балансування локальних деталей, таких як текстура листя або структура ґрунту, з глобальними моделями, такими як великомасштабний розподіл сільськогосподарських культур. Це обмеження стає особливо очевидним у зашумлених або незбалансованих наборах даних, де тонкі спектральні відмінності між культурами можуть призвести до помилкових класифікацій.

Для вирішення цих проблем дослідники розробили CMTNet (Convolutional Meets Transformer Network), нова платформа для глибокого навчання, яка поєднує в собі сильні сторони згорткових нейронних мереж (CNNs) і трансформаторів. CNN - це клас нейронних мереж, призначених для обробки сіткоподібних даних, таких як зображення, з використанням шарів фільтрів, які виявляють просторові ієрархії (наприклад, ребра, текстури).

Архітектура та продуктивність CMTNet

Трансформатори, спочатку розроблені для обробки природної мови, використовують механізми самоуваги для моделювання довгострокових залежностей у даних, що робить їх вправними у виявленні глобальних закономірностей. На відміну від попередніх моделей, які обробляють локальні та глобальні особливості послідовно, CMTNet використовує паралельну архітектуру для вилучення обох типів інформації одночасно.

Цей підхід виявився високоефективним, досягнувши найсучаснішої точності на трьох основних наборах даних HSI, отриманих за допомогою БПЛА. Наприклад, на наборі даних WHU-Hi-LongKou CMTNet досягла загальної точності (OA) 99,58%, перевершивши попередню найкращу модель на 0,19%.

Проблеми традиційної гіперспектральної зйомки в сільськогосподарській класифікації

Ранні методи аналізу гіперспектральних даних часто зосереджувалися або на спектральних, або на просторових особливостях, що призводило до неповних результатів. Спектральні методи, такі як аналіз головних компонент (PCA), зменшували складність даних, зосереджуючись на інформації про довжину хвилі, але ігнорували просторові зв'язки між пікселями.

PCA, наприклад, перетворює багатовимірні спектральні дані на меншу кількість компонентів, які пояснюють найбільшу дисперсію, спрощуючи аналіз. Однак цей підхід не враховує просторовий контекст, наприклад, розташування культур на полі. І навпаки, просторові методи, такі як оператори математичної морфології, виділяють закономірності у фізичному розташуванні посівів, але залишають поза увагою критичні спектральні деталі.

Математична морфологія використовує такі операції, як розширення та ерозія, для вилучення форм і структур із зображень, таких як межі між полями. Згодом згорткові нейронні мережі (CNN) покращили класифікацію, обробляючи обидва типи даних.

Однак їхні фіксовані рецептивні поля - область зображення, яку мережа може “бачити” одночасно - обмежують їхню здатність фіксувати довгострокові залежності. Наприклад, 3D-CNN може не розрізнити два сорти сої зі схожими спектральними профілями, але різними моделями росту на великому полі.

Трансформери, тип нейронної мережі, спочатку розроблений для обробки природної мови, запропонував рішення цієї проблеми. Використовуючи механізми самоуваги, трансформери чудово моделюють глобальні взаємозв'язки в даних. Самоуважність дозволяє моделі зважувати важливість різних частин вхідної послідовності, що дозволяє їй зосередитися на відповідних регіонах (наприклад, скупчення хворих рослин), ігноруючи при цьому шум (наприклад, тіні від хмар).

Проте вони часто пропускають дрібні локальні деталі, такі як краї листя або тріщини в ґрунті. Гібридні моделі, такі як CTMixer, намагалися об'єднати CNN і трансформатори, але робили це послідовно, спочатку обробляючи локальні особливості, а потім глобальні. Такий підхід призводив до неефективного злиття інформації та неоптимальної продуктивності в складних сільськогосподарських умовах.

Як працює CMTNet: Поєднання локальних та глобальних можливостей

CMTNet долає ці обмеження завдяки унікальній трикомпонентній архітектурі, розробленій для ефективного вилучення та об'єднання спектрально-просторових, локальних та глобальних характеристик.

1. Перший компонент - це модуль виділення спектрально-просторових ознак, обробляє необроблені дані HSI за допомогою 3D та 2D згорточних шарів.

Згорткові шари 3D одночасно аналізують як просторові (висота × ширина), так і спектральні (довжина хвилі) виміри, фіксуючи такі закономірності, як відбиття певних довжин хвиль по всій поверхні посіву. Наприклад, 3D ядро може виявити, що здорова кукурудза відбиває більше ближнього інфрачервоного світла у верхніх листках порівняно з нижніми.

Потім 2D-шари уточнюють ці характеристики, зосереджуючись на просторових деталях, таких як розташування рослин на полі. Цей двоетапний процес гарантує збереження як спектрального різноманіття (наприклад, вмісту хлорофілу), так і просторового контексту (наприклад, відстані між рядами).

2. Другий компонент - це Локально-глобальний модуль вилучення функцій, працює паралельно. Одна гілка використовує CNN для фокусування на локальних деталях, таких як текстура окремих листків або форма ділянок ґрунту. Ці особливості мають вирішальне значення для ідентифікації видів зі схожими спектральними профілями, наприклад, різних сортів сої.

Інша гілка використовує трансформатори для моделювання глобальних взаємозв'язків, таких як розподіл посівів на великих площах або вплив тіней від сусідніх дерев на спектральні показники. Обробляючи ці характеристики одночасно, а не послідовно, CMTNet уникає втрати інформації, яка характерна для більш ранніх гібридних моделей.

Наприклад, у той час як філія CNN ідентифікує зазубрені краї бавовняного листя, філія Transformer визнає, що це листя є частиною більшого бавовняного поля, облямованого кунжутом.

3. Третій компонент - це модуль обмеження з декількома виходами, забезпечує збалансоване навчання на локальних, глобальних та злитих об'єктах. Під час навчання до кожного типу об'єктів застосовуються окремі функції втрат, що змушує мережу вдосконалювати всі аспекти свого розуміння.

Функція втрат кількісно визначає різницю між прогнозованими та фактичними значеннями, керуючи коригуванням моделі. Наприклад, втрати для локальних особливостей можуть покарати модель за неправильну класифікацію країв листків, тоді як глобальні втрати виправляють помилки у великомасштабному розподілі посівів.

Ці втрати об'єднуються за допомогою ваг, оптимізованих шляхом випадкового пошуку - методу, який тестує різні комбінації ваг для досягнення максимальної точності. Результатом цього процесу є надійна та адаптивна модель, здатна працювати з різними сільськогосподарськими сценаріями.

Оцінка продуктивності CMTNet на наборах гіперспектральних даних БПЛА

Щоб оцінити CMTNet, дослідники протестували його на трьох наборах гіперспектральних даних, отриманих за допомогою БПЛА з Уханьського університету. Ці набори даних є широко використовуваними еталонами в дистанційному зондуванні завдяки їхній високій якості та різноманітності:

  1. ВУ-Хі-Лонгкоу: Цей набір даних охоплює 550 × 400 пікселів з 270 спектральними діапазонами і просторовою роздільною здатністю 0,463 метра. Просторова роздільна здатність 0,463 метра означає, що кожен піксель представляє ділянку землі розміром 0,463 м × 0,463 м, що дозволяє ідентифікувати окремі рослини. Вона включає дев'ять типів культур, таких як кукурудза, бавовна і рис, з 1 019 навчальними зразками і 203 523 тестовими зразками.
  2. У-Хі-Ханчуань: Цей набір даних розміром 1 217 × 303 пікселів з роздільною здатністю 0,109 м містить 16 типів рослинного покриву, включаючи полуницю, сою та пластикові листи. Вища роздільна здатність (0,109 м) дозволяє розгледіти більш дрібні деталі, наприклад, різницю між молодими та зрілими рослинами сої. Навчальна та тестова вибірки склали 1 289 та 256 241 відповідно.
  3. Ву-Хі-Хонг-Ху: Цей набір даних з високою роздільною здатністю (0,043 метра) розміром 940 × 475 пікселів і 270 смуг включає 22 класи, такі як бавовна, ріпак і паростки часнику. За роздільної здатності 0,043 м видно окремі листки і тріщини ґрунту, що робить його ідеальним для дрібнозернистої класифікації. Він містить 1 925 навчальних зразків і 384 678 тестових зразків.

Порівняння наборів даних дистанційного зондування з високою роздільною здатністю

Модель навчалася на графічних процесорах NVIDIA TITAN Xp за допомогою PyTorch зі швидкістю навчання 0,001 та розміром партії 100. Швидкість навчання визначає, наскільки сильно модель змінює свої параметри під час навчання - занадто висока, і вона може вийти за межі оптимальних значень; занадто низька, і навчання стає повільним.

Кожен експеримент повторювався десять разів для забезпечення надійності, а вхідні патчі - невеликі сегменти повного зображення - оптимізувалися до розміру 13 × 13 пікселів за допомогою сіткового пошуку - методу, який тестує різні розміри патчів, щоб знайти найефективніший.

CMTNet досягає найсучаснішої точності в класифікації сільськогосподарських культур

CMTNet досягнув чудових результатів на всіх наборах даних, перевершивши існуючі методи як за загальною точністю (OA), так і за продуктивністю для конкретних класів. OA вимірює відсоток правильно класифікованих пікселів у всіх класах, тоді як середня точність (AA) обчислює середню точність для кожного класу, усуваючи дисбаланс.

На наборі даних WHU-Hi-LongKou CMTNet досягнув OA 99,58%, перевершивши CTMixer на 0,19%. Для складних класів з обмеженою кількістю навчальних даних, таких як бавовна (41 зразок), CMTNet все ще досягла точності 99,53%. Аналогічно, на наборі даних WHU-Hi-HanChuan він покращив точність для кавуна (22 зразки) з 82,42% до 96,11%, продемонструвавши свою здатність обробляти незбалансовані дані за допомогою ефективного злиття ознак.

Візуальне порівняння карт класифікації виявило менше фрагментованих ділянок і більш плавні межі між полями порівняно з такими моделями, як 3D-CNN і Vision Transformer (ViT). Наприклад, у затіненому наборі даних WHU-Hi-HanChuan CMTNet мінімізував помилки, спричинені низькими кутами падіння сонця, тоді як ResNet помилково класифікував соєві боби як сірі дахи.

Ефективність CMTNet на різних наборах даних

Тіні створюють унікальну проблему, оскільки вони змінюють спектральні характеристики - рослина сої в тіні може відбивати менше ближнього інфрачервоного світла, нагадуючи нерослинність. Використовуючи глобальний контекст, CMTNet визначив, що ці затінені рослини були частиною більшого соєвого поля, що зменшило помилки.

На наборі даних WHU-Hi-HongHu модель чудово розрізняла спектрально схожі культури, такі як різні сорти капусти, досягнувши точності 96.54% для Brassica parachinensis.

Абляційні дослідження - експерименти з видалення компонентів для оцінки їхнього впливу - підтвердили важливість кожного модуля. Одне лише додавання модуля обмеження з декількома виходами збільшило OA на 1.52% на WHU-Hi-HongHu, що підкреслює його роль у вдосконаленні злиття ознак. Без цього модуля локальні та глобальні ознаки поєднувалися безсистемно, що призводило до непослідовних класифікацій.

Обчислювальні компроміси та практичні міркування

Хоча точність CMTNet не має собі рівних, його обчислювальні витрати вищі, ніж у традиційних методів. Навчання на наборі даних WHU-Hi-HongHu зайняло 1 885 секунд порівняно з 74 секундами для Random Forest (RF), алгоритму машинного навчання, який будує дерева рішень під час навчання.

Однак такий компроміс виправданий у точному землеробстві, де точність безпосередньо впливає на прогнози врожайності та розподіл ресурсів. Наприклад, помилкова класифікація хворої культури як здорової може призвести до неконтрольованих спалахів шкідників, які знищать цілі поля.

Для додатків, що працюють в реальному часі, в майбутньому можна дослідити методи стиснення моделі, такі як обрізання надлишкових нейронів або квантування ваг (зменшення числової точності), щоб зменшити час виконання без шкоди для продуктивності. Обрізка видаляє менш важливі зв'язки з нейронної мережі, подібно до обрізання гілок на дереві для покращення його форми, тоді як квантування спрощує чисельні розрахунки, прискорюючи обробку.

Майбутнє гіперспектральної класифікації сільськогосподарських культур за допомогою CMTNet

Незважаючи на свій успіх, CMTNet стикається з обмеженнями. Продуктивність дещо падає в сильно затінених регіонах, як видно з набору даних WHU-Hi-HanChuan (97,29% OA проти 99,58% в добре освітленому LongKou). Тіні ускладнюють класифікацію, оскільки вони зменшують інтенсивність відбитого світла, змінюючи спектральні профілі.

Крім того, класи з надзвичайно малими навчальними вибірками, наприклад, вузьколиста соя (20 зразків), відстають від класів з великою кількістю даних. Малі розміри вибірок обмежують здатність моделі вивчати різноманітні варіації, такі як відмінності у формі листків, зумовлені якістю ґрунту.

Майбутні дослідження можуть інтегрувати мультимодальні дані, такі як карти рельєфу LiDAR або тепловізійні зображення, щоб підвищити стійкість до тіней і перешкод. LiDAR (Light Detection and Ranging) використовує лазерні імпульси для створення 3D-моделей місцевості, які можуть допомогти відрізнити посіви від тіней, аналізуючи перепади висот.

Крім того, тепловізійні знімки фіксують теплові сигнатури, надаючи додаткові підказки про стан здоров'я рослин, які часто мають вищу температуру через знижену транспірацію. Напівконтрольовані методи навчання, які використовують немарковані дані (наприклад, знімки з БПЛА без ручних анотацій), також можуть підвищити ефективність для рідкісних видів культур.

Використовуючи регуляризацію узгодженості - навчання моделі виробляти стабільні прогнози на дещо змінених версіях одного і того ж зображення - дослідники можуть використовувати немарковані дані для покращення узагальнення.

Нарешті, розгортання CMTNet на периферійних пристроях, таких як дрони, оснащені вбудованими графічними процесорами, може забезпечити моніторинг у реальному часі на віддалених полях. Граничне розгортання зменшує залежність від хмарних обчислень, мінімізуючи затримки і витрати на передачу даних. Проте це вимагає оптимізації моделі для обмеженої пам'яті і обчислювальної потужності, потенційно за допомогою легких архітектур, таких як MobileNet, або дистиляції знань, коли менша модель “учня” імітує більшу модель “вчителя”.

Висновок

CMTNet - це значний крок вперед у гіперспектральній класифікації сільськогосподарських культур. Гармонізуючи CNN і трансформатори, вона вирішує давні проблеми виділення і злиття ознак, пропонуючи фермерам і агрономам потужний інструмент для точного землеробства.

Застосування варіюється від виявлення хвороб у режимі реального часу до оптимізації графіків зрошення - все це має вирішальне значення для сталого ведення сільського господарства в умовах зміни клімату і зростання населення. У міру того, як технологія БПЛА стає все більш доступною, такі моделі, як CMTNet, відіграватимуть ключову роль у забезпеченні глобальної продовольчої безпеки.

Майбутні досягнення, такі як легша архітектура і мультимодальне злиття даних, можуть ще більше підвищити їх практичність. Завдяки постійним інноваціям CMTNet може стати наріжним каменем інтелектуальних сільськогосподарських систем у всьому світі, забезпечуючи ефективне використання землі і стійке виробництво продуктів харчування для наступних поколінь.

Довідка: Го, X., Фенг, К. та Го, Ф. CMTNet: гібридна CNN-трансформаторна мережа для гіперспектральної класифікації сільськогосподарських культур на основі БПЛА в точному землеробстві. Sci Rep 15, 12383 (2025). https://doi.org/10.1038/s41598-025-97052-w

Роль застосувань глибокого машинного навчання в комп'ютерному зорі для раннього виявлення хвороб рослин

Опубліковано на від Muhammad Farjad

Хвороби рослин мовчки загрожують глобальній продовольчій безпеці, знищуючи 10-16% врожаїв щороку і коштуючи сільськогосподарській галузі $220 мільярдів збитків. Традиційні методи, такі як ручні перевірки та лабораторні тести, є повільними, дорогими і часто ненадійними.

Революційне дослідження 2025 року, “Глибоке навчання та комп'ютерний зір у виявленні хвороб рослин” (Upadhyay et al.), показує, як ШІ-розпізнавання хвороб рослин та комп'ютерний зір у сільському господарстві трансформують сільське господарство.

Чому раннє виявлення хвороб рослин важливе для глобальної продовольчої безпеки

У сільському господарстві зайнято 28% світової робочої сили, а такі країни, як Індія, Китай та США, є лідерами у виробництві сільськогосподарських культур. Незважаючи на це, хвороби рослин, спричинені грибками, бактеріями та вірусами, знижують врожайність і шкодять економіці.

Наприклад, рисова хвороба знижує врожай на 30-50% в уражених регіонах, тоді як позеленіння цитрусових знищило 70% апельсинових гаїв у Флориді з 2005 року. Раннє виявлення має вирішальне значення, але багато фермерів не мають доступу до сучасних інструментів або досвіду.

Саме тут вступає в дію штучний інтелект, який пропонує швидкі, доступні та точні рішення, що перевершують традиційні методи виявлення хвороб.

Як штучний інтелект і комп'ютерний зір виявляють хвороби сільськогосподарських культур

У дослідженні було проаналізовано 278 наукових робіт, щоб пояснити, як працюють системи виявлення хвороб рослин зі штучним інтелектом. Спочатку камери або датчики роблять знімки посівів. Потім ці зображення обробляються за допомогою алгоритмів для виявлення ознак хвороби.

Наприклад, RGB-камери роблять кольорові фотографії, щоб виявити видимі симптоми, такі як плями на листі, тоді як гіперспектральні камери виявляють приховані сигнали стресу, аналізуючи сотні довжин світлових хвиль.

Після того, як зображення отримані, вони проходять попередню обробку для покращення якості. Такі методи, як визначення порогових значень, ізолюють уражені ділянки за кольором, а детекція країв мапує межі ураження або зміни кольору.

Як штучний інтелект і комп'ютерний зір виявляють хвороби сільськогосподарських культур

Далі моделі глибокого навчання аналізують попередньо оброблені дані. Згорткові нейронні мережі (CNN), найпоширеніші інструменти штучного інтелекту в сільському господарстві, сканують зображення шар за шаром, щоб виявити закономірності, такі як незвичні текстури або кольори.

У судовому процесі 2022 року, ResNet50-популярна модель CNN - досягла точності 99,07% в діагностиці хвороб томатів.

Тим часом, Трансформатори бачення (ViTs) розбиває зображення на фрагменти та вивчає їхні взаємозв'язки, імітуючи те, як людина аналізує контекст. Цей підхід допоміг виявити вірус, що очищає виноградну лозу, з точністю 71% у дослідженні 2020 року.

“Майбутнє сільського господарства полягає не в заміні людей, а в оснащенні їх інтелектуальними інструментами”.”

Роль сучасних датчиків у сучасному сільському господарстві

Різні датчики пропонують унікальні переваги для точного землеробства. RGB-камери, Хоча вони доступні та прості у використанні, вони не здатні виявляти захворювання на ранніх стадіях через обмежену спектральну деталізацію. На відміну від них, гіперспектральні камери збирають дані в сотнях довжин світлових хвиль, виявляючи сигнали стресу, невидимі неозброєним оком.

Наприклад, дослідники використовували гіперспектральну візуалізацію, щоб діагностувати рак яблуневої вальси з точністю 98% у 2022 році. Однак ці камери коштують 10,000–50 000, що робить їх занадто дорогими для малих фермерів.

Тепловізори надають інший кут зору, вимірюючи зміни температури, спричинені інфекціями. Дослідження 2019 року показало, що листя, заражене цитрусовою зеленню, має чіткі теплові патерни, що дозволяє виявити інфекцію на ранніх стадіях.

Тим часом, мультиспектральні камери-середній варіант - відстежувати рівень хлорофілу для оцінки здоров'я рослин.

Ці датчики картографували смугасту іржу пшениці в 2014 році, допомагаючи фермерам ефективніше спрямовувати обробку. Незважаючи на їхні переваги, вартість датчиків і фактори навколишнього середовища, такі як вітер або нерівномірне освітлення, залишаються проблемами.

Публічні набори даних: Основа сільського господарства зі штучним інтелектом

Навчання надійних моделей ШІ вимагає величезних обсягів маркованих даних. На сьогоднішній день Набір даних PlantVillage, безкоштовний ресурс, що містить 87 000 зображень 14 культур і 26 хвороб, став золотим стандартом для дослідників.

Понад 90% досліджень, процитованих у статті, використовували цей набір даних для навчання та тестування своїх моделей. Іншим ключовим ресурсом є Набір даних про хвороби маніоки, включає 11 670 зображень мозаїчної хвороби маніоки і досягає точності 96% з моделями CNN.

Однак прогалини залишаються. Рідкісні захворювання, такі як нематода соснової деревини, мають менше 100 мічених зображень, що обмежує здатність ШІ їх виявляти. Крім того, більшість наборів даних містять зображення, отримані в лабораторії, які не враховують реальні змінні, такі як погода або освітлення.

Щоб вирішити цю проблему, такі проекти, як AI4Ag, використовують краудсорсинг знімків полів від фермерів з усього світу, прагнучи створити більш надійні та реалістичні набори даних.

Вимірювання продуктивності ШІ: Точність, точність і не тільки

Показники ефективності систем штучного інтелекту для виявлення хвороб рослин

Дослідники використовують кілька метрик для оцінки систем виявлення хвороб рослин зі штучним інтелектом. Точність-відсоток правильних діагнозів - коливається від 76.9% в ранніх моделях до 99.97% в сучасних системах, таких як EfficientNet-B5.

Однак сама по собі точність може вводити в оману. Точність вимірює, скільки позначених захворювань є реальними (уникаючи хибних тривог), тоді як відгук відстежує, скільки реальних інфекцій було виявлено.

Наприклад, Маска R-CNN, модель виявлення об'єктів, досягла точності 93,5% при виявленні антракнозу полуниці, але лише 45% при виявленні кореневої гнилі бавовни.

У "The F1-Score балансує між точністю та пригадуванням, пропонуючи цілісну картину продуктивності. У випробуваннях 2023 року, PlantViT-гібридна модель штучного інтелекту - оцінка 98.61% F1-Score на наборі даних PlantVillage.

Для виявлення об'єктів, середня середня точність (mAP) має вирішальне значення. Швидше R-CNN, популярна модель, досягла 73,07% mAP у випробуваннях на хворобах яблук, що означає, що вона правильно визначила та класифікувала інфекції у більшості випадків.

Виклики, що стримують ШІ в сільському господарстві

Незважаючи на свій потенціал, виявлення хвороб за допомогою штучного інтелекту стикається з перешкодами. По-перше, рідкісні та нові захворювання страждають від нестачі даних.

  • Наприклад, для дослідження 2021 року було доступно лише 20 зображень борошнистої роси огірків, що обмежило надійність моделі.
  • По-друге, фактори навколишнього середовища, такі як вітер, тіні або мінливі умови освітлення, знижують польову точність на 20-30% порівняно з лабораторними умовами.
  • По-третє, високі витрати перешкоджають впровадженню. Гіперспектральні камери, хоча й потужні, залишаються недоступними для малих фермерів, а інструменти штучного інтелекту потребують смартфонів або доступу до інтернету, що все ще є бар'єром у сільській місцевості.
  • Нарешті, питання довіри залишаються актуальними. Опитування 2023 року показало, що 68% фермерів вагаються щодо впровадження ШІ через його “чорну скриньку” - вони не можуть бачити, як приймаються рішення.

Щоб подолати цю проблему, дослідники розробляють інтерпретований ШІ, який пояснює діагнози простими словами, наприклад, виділяючи заражені ділянки листя або перераховуючи симптоми.

Майбутнє фермерства: 5 інновацій, на які варто звернути увагу

1. Граничні обчислення для аналізу в реальному часі: Легкі моделі ШІ, такі як MobileNetV2 (розмір 7 МБ), працюють на смартфонах або дронах, пропонуючи виявлення хвороб у реальному часі без доступу до інтернету. У 2023 році ця модель досягла точності 99,42% у класифікації хвороб картоплі, що дає можливість фермерам приймати миттєві рішення.

2. Трансферне навчання для швидшої адаптації: Попередньо навчені моделі, такі як PlantViT, можуть бути точно налаштовані для нових культур з мінімальною кількістю даних. У дослідженні 2023 року PlantViT було адаптовано для виявлення рисового вибуху, досягнувши точності 87,87%, використовуючи лише 1 000 зображень.

3. Мовні моделі бачення (ММБ): Такі системи, як CLIP від OpenAI, дозволяють фермерам запитувати ШІ за допомогою тексту (наприклад, “Знайдіть коричневі плями на листі”). Така природна взаємодія долає розрив між складними технологіями та повсякденним сільським господарством.

4. Фундаментальні моделі для ШІ загального призначення: Великі моделі, такі як GPT-4, можуть імітувати поширення хвороб або рекомендувати методи лікування, діючи як віртуальні агрономи.

5. Спільні глобальні бази даних: Платформи з відкритим кодом, такі як PlantVillage та AI4Ag, об'єднують дані від фермерів та дослідників з усього світу, прискорюючи інновації.

Тематичне дослідження: Вирощування манго на основі штучного інтелекту в Індії

У 2024 році дослідники розробили легку модель DenseNet для боротьби з хворобами манго, такими як антракноз і борошниста роса. Навчена на 12 332 польових зображеннях, модель досягла точності 99,2% - вище, ніж більшість лабораторних систем.

Маючи на 50% менше параметрів, він чудово працює на бюджетних смартфонах. Індійські фермери тепер використовують додаток $10, створений на основі цього ШІ, для сканування листя і миттєвого отримання діагнозу, що дозволяє зменшити використання пестицидів на 30% і зберегти врожай.

Висновок

Виявлення хвороб рослин за допомогою штучного інтелекту та технології точного землеробства змінюють сільське господарство, даючи надію на подолання продовольчої небезпеки. Завдяки ранній діагностиці, скороченню використання хімікатів і розширенню можливостей дрібних фермерів ці інструменти можуть підвищити врожайність сільськогосподарських культур у світі на 20-30%.

Щоб реалізувати цей потенціал, зацікавлені сторони повинні зменшити витрати на датчики, покращити різноманітність даних та зміцнити довіру фермерів через освіту.

Посилання: Upadhyay, A., Chandel, N.S., Singh, K.P. та ін. Глибоке навчання та комп'ютерний зір у виявленні хвороб рослин: всебічний огляд методів, моделей та тенденцій у точному землеробстві. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x

Як високопродуктивне фенoтипування на основі БПАК трансформує сучасну селекцію рослин

Опубліковано на від Muhammad Farjad

За прогнозами, до 2050 року населення світу досягне 9,8 мільярда людей, що подвоїть попит на продукти харчування. Однак розширення сільськогосподарських угідь для задоволення цієї потреби є нестійким. Понад 501 TP3T нових сільськогосподарських угідь, створених з 2000 року, замінили ліси та природні екосистеми, погіршуючи зміну клімату та втрату біорізноманіття.

Щоб уникнути цієї кризи, вчені звертаються до селекції рослин — науки про виведення сільськогосподарських культур з вищою врожайністю, стійкістю до хвороб та кліматичних змін. Однак традиційні методи селекції надто повільні, щоб встигати за актуальністю проблеми.

Саме тут дрони та штучний інтелект (ШІ) вступають у роль революційних змін, пропонуючи швидший та розумніший спосіб вирощування кращих сільськогосподарських культур.

Чому традиційна селекція рослин відстає

Селекція рослин залежить від відбору рослин з бажаними ознаками, такими як посухостійкість або стійкість до шкідників, та їх схрещування протягом кількох поколінь. Найбільшим вузьким місцем у цьому процесі є фенотипування — ручне вимірювання характеристик рослин, таких як висота, здоров'я листя або врожайність.

Наприклад, вимірювання висоти рослин на полі з 3000 ділянок може тривати тижні, а людські помилки призводять до невідповідностей до 201 TP3T. Крім того, врожайність сільськогосподарських культур покращується лише на 0,5–11 TP3T щорічно, що значно нижче темпів зростання в 2,91 TP3T, необхідних для задоволення потреб 2050 року.

Кукурудза, основна культура для мільярдів людей, ілюструє це уповільнення: її річне зростання врожайності знизилося з 2,21 т/3 тонни у 1960-х роках до 1,331 т/3 тонни сьогодні. Щоб подолати цей розрив, вченим потрібні інструменти, які автоматизують збір даних, зменшують кількість помилок і пришвидшують прийняття рішень.

Як технологія дронів трансформує селекцію рослин

Дрони, або безпілотні літальні системи (БПЛА), оснащені передовими датчиками та штучним інтелектом, революціонізують сільське господарство. Ці пристрої можуть літати над полями та збирати точні дані про тисячі рослин за лічені хвилини, процес, відомий як високопродуктивне фенотипування (HTP).

На відміну від традиційних методів, дрони збирають дані з усіх полів, усуваючи систематичну помилку вибірки. Вони використовують спеціалізовані датчики для вимірювання всього: від висоти рослин до рівня водного стресу.

Наприклад, мультиспектральні датчики виявляють ближнє інфрачервоне світло, відбите здоровим листям, тоді як тепловізійні камери визначають стрес від посухи, вимірюючи температуру крони.

Автоматизуючи збір даних, дрони зменшують витрати на робочу силу та прискорюють цикли селекції, що дозволяє розробляти покращені сорти сільськогосподарських культур за роки, а не за десятиліття.

Наука, що стоїть за датчиками та збором даних дронами

Дрони використовують різноманітні датчики для збору важливих даних про рослини. RGB-камери, найдоступніший варіант, фіксують видиме світло для вимірювання покриву крони та висоти рослин. На полях цукрової тростини ці камери досягли точності 64–69% у підрахунку стебел, замінивши схильні до помилок ручні підрахунки.

Мультиспектральні датчики йдуть далі, виявляючи невидимі довжини хвиль, такі як ближнє інфрачервоне випромінювання, які корелюють з рівнем хлорофілу та здоров'ям рослин. Наприклад, вони передбачили посухостійкість цукрової тростини з точністю понад 80%.

  • RGB-камери: Захоплення червоного, зеленого та синього світла для створення кольорових зображень.
  • Мультиспектральні датчикиВиявляти світло за межами видимого спектру (наприклад, ближнього інфрачервоного).
  • Теплові датчикиВимірювання тепла, що випромінюється рослинами.
  • ЛіДАРВикористовує лазерні імпульси для створення 3D-карт рослин.
  • Гіперспектральні датчикиЗахоплення понад 200 довжин хвиль світла для наддетального аналізу.

Теплові датчики виявляють теплові сигнали, ідентифікуючи рослини, що страждають від вологи, які виглядають гарячішими, ніж здорові. На бавовняних полях теплові дрони зіставили наземні вимірювання температури з похибкою менше 5%.

Датчики LiDAR використовують лазерні імпульси для створення 3D-карт сільськогосподарських культур, вимірюючи біомасу та висоту з точністю 95% у випробуваннях енергетичної тростини. Найсучасніші інструменти, гіперспектральні датчики, аналізують сотні довжин хвиль світла, щоб виявити дефіцит поживних речовин або хвороби, невидимі неозброєним оком.

Ці сенсори допомогли дослідникам пов'язати 28 нових генів із затримкою старіння пшениці, ознакою, яка підвищує врожайність.

Від польоту до розуміння: як дрони аналізують дані про врожай

Процес фенотипування дрона починається з ретельного планування польоту. Дрони літають на висоті 30–100 метрів, знімаючи зображення, що перекриваються, щоб забезпечити повне покриття. Наприклад, поле площею 10 гектарів можна просканувати за 15–30 хвилин.

Після польоту програмне забезпечення, таке як Agisoft Metashape, об'єднує тисячі зображень у детальні карти за допомогою Structure-from-Motion (SfM) – техніки, яка перетворює 2D-фотографії на 3D-моделі. Ці моделі дозволяють вченим вимірювати такі характеристики, як висота рослин або покрив крони, одним натисканням кнопки.

Потім алгоритми штучного інтелекту аналізують дані, прогнозуючи врожайність або виявляючи спалахи хвороб. Наприклад, дрони просканували 3132 ділянки цукрової тростини всього за 7 годин — завдання, яке вручну зайняло б три тижні. Така швидкість і точність дозволяють селекціонерам швидше приймати рішення, такі як відбракування низькопродуктивних рослин на початку сезону.

Ключові застосування дронів у сучасному сільському господарстві

Дрони використовуються для вирішення деяких найбільших проблем сільського господарства. Одним з основних застосувань є пряме вимірювання ознак, де дрони замінюють ручну працю. На кукурудзяних полях дрони вимірюють висоту рослин з точністю 90%, зменшуючи похибки з 0,5 метра до 0,21 метра.

Вони також відстежують покрив пологу, показник, який вказує на те, наскільки добре рослини затіняють землю для придушення бур'янів. Селекціонери енергетичної тростини використовували ці дані для визначення сортів, які зменшують ріст бур'янів на 40%.

Ще одним проривом є прогнозна селекція, де моделі штучного інтелекту використовують дані дронів для прогнозування врожайності сільськогосподарських культур. Наприклад, мультиспектральні зображення передбачили врожайність кукурудзи з точністю 80%, перевершуючи традиційне геномне тестування.

Дрони також допомагають у відкритті генів, допомагаючи вченим знаходити сегменти ДНК, відповідальні за бажані ознаки. У пшениці дрони пов'язали зеленість пологу з 22 новими генами, що потенційно підвищує стійкість до посухи.

Крім того, гіперспектральні датчики виявляють такі хвороби, як позеленіння цитрусових, за тижні до появи симптомів, даючи фермерам час діяти.

Збільшення генетичних переваг за допомогою прецизійних технологій

Генетичний приріст — щорічне покращення ознак сільськогосподарських культур завдяки селекції — розраховується за простою формулою:

(Інтенсивність відбору × Спадковість × Мінливість ознак) ÷ Тривалість циклу розмноження.

Генетичний приріст (ΔG) розраховується як:
ΔG = (i × h² × σp) / L

Де:

  • i = Інтенсивність відбору (наскільки суворі селекціонери).
  • h² = Спадковість (наскільки ознака передається від батьків до потомства).
  • σp = Мінливість ознак у популяції.
  • L = Час на цикл розмноження.

Чому це важливоДрони покращують усі змінні:

  1. iСканування У 10 разів більше рослин, що дозволяє суворіший відбір.
  2. h²Зменшення похибок вимірювань, покращення оцінок спадковості.
  3. σp: Зафіксуйте ледь помітні варіації ознак по всіх полях.
  4. LСкоротіть час циклу з від 5 років до 2–3 років за попередніми прогнозами.

Дрони покращують кожну частину цього рівняння. Скануючи цілі поля, вони дозволяють селекціонерам відбирати найкращі 1% рослин замість найкращих 10%, збільшуючи інтенсивність відбору. Вони також покращують оцінки спадковості, зменшуючи похибки вимірювань.

Наприклад, ручна оцінка висоти рослин вводить мінливість 20%, тоді як дрони скорочують її до 5%. Більше того, дрони фіксують тонкі варіації ознак у тисяч рослин, максимізуючи мінливість ознак.

Найголовніше, що вони скорочують цикли розмноження, дозволяючи робити ранні прогнози. Селекціонери цукрової тростини, які використовують дрони, потроїли свої генетичні переваги порівняно з традиційними методами, що доводить трансформаційний потенціал технології.

Подолання викликів та прийняття майбутнього

Незважаючи на свою перспективність, фенотипування за допомогою дронів все ще стикається зі значними труднощами. Висока вартість передових датчиків залишається основною перешкодою – наприклад, гіперспектральні камери можуть коштувати понад $50 000, що робить їх недоступними для більшості дрібних фермерів.

Обробка величезних обсягів зібраних даних також вимагає значних ресурсів хмарних обчислень, що збільшує витрати. Платформи штучного інтелекту, такі як AutoGIS, автоматизують аналіз даних, усуваючи необхідність ручного введення.

Дослідники також інтегрують дрони з ґрунтовими датчиками та метеостанціями, створюючи систему моніторингу в режимі реального часу, яка попереджає фермерів про шкідників або посуху. Ці інновації прокладають шлях до нової ери точного землеробства, де рішення на основі даних замінюють здогадки.

Висновок

Дрони та штучний інтелект не просто трансформують селекцію рослин, вони переосмислюють поняття сталого сільського господарства. Забезпечуючи швидший розвиток посухостійких високоврожайних культур, ці технології можуть подвоїти виробництво продуктів харчування до 2050 року без розширення сільськогосподарських угідь.

Це дозволило б зберегти понад 100 мільйонів гектарів лісів, що еквівалентно площі Єгипту, та зменшити вуглецевий слід сільського господарства. Фермери, які використовують дані дронів, вже скоротили використання води та пестицидів на суму до 301 т³/3 тонни, захищаючи екосистеми та знижуючи витрати.

Як зазначив один дослідник: “Ми більше не гадаємо, які рослини найкращі. Дрони нам підказують”. Завдяки постійним інноваціям це поєднання біології та технологій може забезпечити продовольчу безпеку для мільярдів людей, одночасно захищаючи нашу планету.

Посилання: Хуймпхухіео, І. та да Сілва, Дж. А. (2025). Польове високопродуктивне фенотипування (HTP) на основі безпілотних авіаційних систем (БПЛА) як інструментарій селекціонерів рослин: комплексний огляд. Розумні сільськогосподарські технології, 100888.

Як Інтернет речей трансформує точне землеробство та вирішує сучасні проблеми?

Опубліковано на від Muhammad Farjad

Населення світу швидко зростає, і, за оцінками, до 2050 року воно досягне 9,7 мільярда. Щоб прогодувати всіх, виробництво продуктів харчування має збільшитися на 601 т/3 т, але традиційні методи ведення сільського господарства, що залежать від ґрунту, інтенсивного використання води та ручної праці, намагаються встигати за цим.

Зміна клімату, деградація ґрунтів та нестача води погіршують ситуацію. Наприклад, лише ерозія ґрунтів щорічно коштує фермерам 1440 мільярдів фунтів стерлінгів через втрату продуктивності, тоді як традиційне зрошення призводить до втрат 6013 тонн прісної води через застарілі методи.

В Індії непередбачувані мусони знизили врожайність рису на 151 т/3 т за останнє десятиліття. Ці проблеми вимагають термінових рішень, і розумне землеробство, що базується на Інтернеті речей (IoT) та аеропоніці, пропонує рятівне коло.

Сила Інтернету речей у сучасному сільському господарстві

В основі розумного сільського господарства лежить Інтернет речей (IoT) – мережа взаємопов’язаних пристроїв, які збирають та обмінюються даними в режимі реального часу. Бездротові сенсорні мережі (WSN) є центральним елементом цієї системи.

Ці мережі використовують датчики, розміщені на полях, для контролю вологості ґрунту, температури, рівня вологості та поживних речовин. Наприклад, датчик DHT22 відстежує вологість, тоді як датчики TDS вимірюють концентрацію поживних речовин у воді.

Ці дані надсилаються на хмарні платформи, такі як ThingSpeak або AWS IoT, за допомогою низькоенергетичних протоколів, таких як LoRa або ZigBee. Після аналізу система може ініціювати дії, такі як увімкнення зрошувальних насосів або коригування рівня добрив.

У Коїмбаторі, Індія, проєкт 2022 року продемонстрував потенціал Інтернету речей. Датчики виявили зони сухого ґрунту на полях томатів, що дозволило цілеспрямоване зрошення, яке зменшило витрати води на 351 т/3 тонни.

Аналогічно, дрони, оснащені мультиспектральними камерами, сканують великі поля, щоб виявити такі проблеми, як зараження шкідниками або дефіцит поживних речовин.

У дослідженні 2019 року для виявлення північної фітофторозу листя на посівах кукурудзи з точністю 98% використовувалися дрони, що дозволило фермерам заощадити $120 на акр збитків. Машинне навчання ще більше вдосконалює ці системи.

Дослідники навчили моделі штучного інтелекту на тисячах зображень листя, щоб діагностувати такі хвороби, як борошниста роса, з точністю 99.53%, що дозволяє фермерам діяти до того, як урожай буде знищено.

Аеропоніка: вирощування їжі без ґрунту

У той час як Інтернет речей оптимізує традиційне землеробство, аеропоніка повністю переосмислює сільське господарство. Цей метод вирощує рослини в повітрі, підвішуючи їхнє коріння в камерах, заповнених туманом, які розпилюють воду та поживні речовини.

На відміну від ґрунтового землеробства, аеропоніка використовує менше води та не використовує пестициди. Коріння ефективніше поглинає кисень, прискорюючи ріст.

Наприклад, згідно з дослідженням 2018 року, салат, вирощений аеропонним способом, розвиває 65% швидше, ніж у ґрунті.

Аеропоніка особливо цінна в містах або регіонах з бідним ґрунтом. Вертикальні ферми складають рослини у вежі, виробляючи в 10 разів більше їжі на квадратний метр, ніж традиційні поля.

У Мехіко аеропонна ферма, побудована на даху у 2022 році, дала 3,8 кг салату на квадратний метр — втричі більше, ніж у ґрунтовому землеробстві, — використовуючи при цьому лише 10 літрів води на кілограм.

Сінгапурська компанія Sky Greens йде далі, вирощуючи 1 тонну овочів щодня у 30-футових вежах, використовуючи на 95% менше землі, ніж звичайні ферми.

Інтернет речей виводить аеропоніку на новий рівень. Датчики контролюють кореневі камери на предмет вологості, pH та рівня поживних речовин, автоматично регулюючи цикли обприскування.

У проекті 2017 року дослідники автоматизували аеропонну систему за допомогою Raspberry Pi, що скоротило витрати на робочу силу на 501 т/3 т. Фермери керують цими системами за допомогою мобільних додатків, таких як AgroDecisor, які надсилають сповіщення про такі проблеми, як дисбаланс поживних речовин.

Проблеми, що уповільнюють прогрес

Незважаючи на свій потенціал, Інтернет речей та аеропоніка стикаються зі значними перешкодами. Висока вартість є основною перешкодою. Базова установка Інтернету речей коштує 1500–5000, тоді як сучасні дрони та датчики вимагають початкових витрат від 10 000 до 50 000, що далеко не по кишені дрібним фермерам у країнах, що розвиваються. Тим часом, технічне обслуговування додає ще 15–20% щорічно, що ще більше навантажує бюджети.

Проблема посилюється відсутністю зв'язку. Близько 40% сільських районів не мають надійного інтернету, що паралізує передачу даних у режимі реального часу.

В Ефіопії пілотний проект Інтернету речей 2021 року зазнав невдачі, коли сигнали 3G зникли посеред поля, що порушило графіки зрошення. Ризики безпеки також є значними. Протоколи Інтернету речей, такі як MQTT та CoAP, часто не мають шифрування, що робить системи вразливими для хакерів.

У 2021 році 62% сільськогосподарських систем Інтернету речей повідомили про кібератаки, включаючи витоки даних, які могли маніпулювати показаннями датчиків або виводити з ладу обладнання.

Технічна складність додає ще один рівень труднощів. Фермерам потрібне навчання для інтерпретації даних та усунення несправностей систем.

Аеропонний проєкт 2017 року в Колумбії провалився через неправильне налаштування pH, що призвело до втрати $12 000 розсади.

Навіть джерело живлення є проблемою — сонячні датчики виходять з ладу під час мусонів, а дрони працюють лише 20–30 хвилин на одному заряді.

Майбутнє сільського господарства: інновації на горизонті

Незважаючи на ці виклики, майбутнє виглядає багатообіцяючим. Мережі 5G революціонізують зв'язок, дозволяючи дронів контролювати величезні ферми в режимі реального часу.

У Бразилії у 2023 році в рамках випробування використовувалися дрони, підключені до 5G, для сканування соєвих полів площею понад 1000 акрів, що дозволяло виявляти хвороби за 10 хвилин замість днів. Штучний інтелект на периферії, який обробляє дані безпосередньо на пристроях, зменшує залежність від хмарних технологій.

Наприклад, система MangoYOLO підраховує манго з точністю 91% за допомогою бортових камер, що усуває затримки із завантаженням даних.

Технологія блокчейн – це ще один революційний крок. Відстежуючи продукцію від ферми до споживача, вона забезпечує прозорість і зменшує шахрайство.

Додаток eFarm використовує краудсорсингові дані для перевірки органічних сертифікатів, що скоротило шахрайство на 301 тис. За допомогою блокчейн-системи Walmart було зменшено кількість помилок у ланцюжку поставок манго на 901 тис. тис. у 2022 році.

Теплиці на базі штучного інтелекту також набирають популярності. Ці системи використовують моделі, такі як VGG19, для моніторингу здоров'я рослин з точністю 91.52%.

У Японії роботи, такі як AGROBOT, збирають полуницю цілодобово, що потроює продуктивність. Міські райони також впроваджують аеропоніку — берлінська компанія Infarm вирощує трави в продуктових магазинах, скорочуючи викиди від транспорту на 951 т/3 тонни.

Уряди та компанії активізуються. Індійська агротехнологічна ініціатива 2023 року субсидує інструменти Інтернету речей для 500 000 дрібних фермерів, а FarmBeats від Microsoft надає недорогі дрони кенійським фермерам.

План успіху

Інтернет речей та аеропоніка — це не просто інструменти, вони необхідні для сталого майбутнього. До 2030 року ці технології можуть:

  • Щорічно економити 1,5 трильйона літрів води.
  • Скоротити викиди парникових газів на 1,5 гігатонни на рік.
  • Прогодувати ще 2 мільярди людей без розширення сільськогосподарських угідь.

Для досягнення цієї мети уряди повинні субсидувати доступні інструменти, розширювати доступ до Інтернету в сільській місцевості та забезпечувати дотримання стандартів кібербезпеки. Фермерам потрібне навчання для ефективного використання цих технологій.

Як заявляє ФАО: “Майбутнє харчування залежить від сучасних інновацій”. Завдяки впровадженню Інтернету речей та аеропоніки ми можемо створити світ, де ніхто не голодуватиме, і де сільське господарство живить, а не шкодить нашій планеті.

Посилання: Дханасекар, С. (2025). Комплексний огляд актуальних питань та досягнень Інтернету речей у точному землеробстві. Computer Science Review, 55, 100694.

Дистанційне зондування революціонізує моніторинг нікотину в сигарному листі

Опубліковано на від Muhammad Farjad

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

Підвищення продуктивності дрібних фермерських господарств за допомогою моніторингу посівів безпілотними літальними апаратами

Опубліковано на від Muhammad Farjad

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.

Автоматизоване очищення та калібрування даних про врожайність

Опубліковано на від Muhammad Farjad

Автоматизоване очищення та калібрування даних про врожайність (AYDCC) – це процес, який використовує алгоритми та моделі для виявлення та виправлення помилок у даних про врожайність, таких як викиди, прогалини або відхилення. AYDCC може покращити якість та надійність даних про врожайність, що може призвести до кращого розуміння та рекомендацій для фермерів.

Вступ до даних про врожайність

Дані про врожайність є одним із найважливіших джерел інформації для фермерів у 21 столітті. Це дані, зібрані з різної сільськогосподарської техніки, такої як комбайни, сівалки та збиральні комбайни, які вимірюють кількість та якість врожаю, виробленого на певному полі чи в певній місцевості.

Це має величезне значення з кількох причин. По-перше, це допомагає фермерам приймати обґрунтовані рішення. Озброєні детальними даними про врожайність, фермери можуть удосконалити свою практику для максимізації продуктивності.

Наприклад, якщо певне поле постійно дає низькі врожаї, фермери можуть дослідити основні причини, такі як стан ґрунту або проблеми з зрошенням, і вжити коригувальних заходів.

Крім того, це дає змогу проводити точне землеробство. Відображаючи зміни в продуктивності сільськогосподарських культур на своїх полях, фермери можуть адаптувати свої методи внесення ресурсів, таких як добрива та пестициди, до конкретних регіонів. Такий цілеспрямований підхід не лише оптимізує використання ресурсів, але й зменшує вплив на навколишнє середовище.

За даними Продовольчої та сільськогосподарської організації ООН (ФАО), світове сільськогосподарське виробництво має зрости на 601 т/3 т до 2050 року, щоб задовольнити зростаючий попит на продукти харчування. Дані про врожайність, завдяки своїй ролі у підвищенні продуктивності сільськогосподарських культур, відіграють важливу роль у досягненні цієї мети.

Крім того, у Бразилії фермер, який вирощував сою, використовував дані про врожайність разом із даними відбору проб ґрунту для створення карт зі змінними нормами добрив для своїх полів. Він застосовував різні норми добрив залежно від родючості ґрунту та потенціалу врожайності кожної зони.

Він також використовував дані про врожайність, щоб порівняти різні сорти сої та вибрати найкращі для своїх умов. В результаті він збільшив свою середню врожайність на 121 т/3 т та зменшив витрати на добрива на 151 т/3 т.

Аналогічно, в Індії фермер, що вирощує рис, також використовував набори даних про врожайність разом із даними про погоду для коригування графіка поливу своїх полів. Він контролював рівень вологості ґрунту та режим опадів за допомогою датчиків та супутникових знімків.

розуміння та використання даних про врожайність

Він також використовував його для порівняння різних сортів рису та вибору найкращих для своїх умов. В результаті він збільшив свою середню врожайність на 101 т/3 тонни та зменшив споживання води на 201 т/3 тонни.

Незважаючи на свої переваги, дані про врожайність все ще стикаються з деякими труднощами з точки зору їхньої розробки та впровадження. Деякі з цих труднощів:

  • Якість даних: Його точність і надійність залежать від якості датчиків, калібрування обладнання, методів збору даних, а також методів обробки та аналізу даних. Низька якість даних може призвести до помилок, упередженостей або невідповідностей, які можуть вплинути на достовірність і корисність даних.
  • Доступ до даних: Наявність та доступність даних про врожайність залежать від доступу до сільськогосподарської техніки, датчиків, пристроїв зберігання даних та платформ даних, а також від права власності на них. Відсутність доступу або права власності може обмежувати можливості фермерів збирати, зберігати, обмінюватися або використовувати власні дані.
  • Конфіденційність даних: Його безпека та конфіденційність залежать від захисту та регулювання даних фермерами, виробниками техніки, постачальниками даних та користувачами даних. Відсутність захисту або регулювання може призвести до несанкціонованого або неетичного використання даних, такого як крадіжка, маніпуляції або експлуатація.
  • Грамотність даних: Розуміння та використання даних про врожайність залежать від навичок та знань фермерів, консультантів, радників та дослідників. Брак навичок або знань може перешкоджати здатності цих учасників ефективно інтерпретувати, передавати або застосовувати дані.
збір наборів даних за допомогою сільськогосподарської техніки, такої як комбайни

Тому, щоб подолати ці проблеми та реалізувати весь потенціал даних про врожайність, важливо їх очищувати та калібрувати.

Вступ до очищення та калібрування даних про врожайність

Дані про врожайність є цінним джерелом інформації для фермерів та дослідників, які хочуть аналізувати продуктивність сільськогосподарських культур, визначати зони управління та оптимізувати прийняття рішень. Однак, вони часто потребують очищення та калібрування для забезпечення їхньої надійності та точності.

Калібрування “YieldDataset” – це функціональність, яка коригує розподіл значень відповідно до математичних принципів, підвищуючи загальну цілісність даних. Це підвищує якість прийняття рішень і робить набір даних цінним для подальшого поглибленого аналізу.

Модуль очищення та калібрування врожайності GeoPard

GeoPard зробив можливим очищення та виправлення наборів даних про врожайність за допомогою свого модуля Yield Clean-Calibration.

Ми зробили підвищення якості ваших наборів даних про врожайність простішим, ніж будь-коли, надаючи фермерам можливість приймати рішення на основі даних, на які ви можете покластися.

GeoPard - Очищення та калібрування врожайності, подібно до зон потенціалу поля

Після калібрування та очищення отриманий набір даних про врожайність стає однорідним, без викидів або різких змін між сусідніми геометріями.

З нашим новим модулем ви можете:

Виберіть опцію, щоб продовжити
Виберіть опцію, щоб продовжити
  • Видалення пошкоджених, перекриваючихся та невідповідних точок даних
  • Калібрування значень врожайності на кількох машинах
  • Розпочніть калібрування лише кількома клацаннями миші (що спрощує взаємодію з користувачем) або запустіть пов'язану кінцеву точку GeoPad API
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (1)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (2)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (3)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (4)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (5)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (6)
Автоматизоване калібрування очищення даних врожайності за допомогою GeoPard (7)

Деякі з найпоширеніших випадків використання автоматизованого очищення та калібрування даних про врожайність включають:

  • Синхронізація даних, коли кілька комбайнів працювали одночасно або протягом кількох днів, забезпечуючи узгодженість.
  • Збільшення однорідності та точності набору даних шляхом згладжування варіацій.
  • Видалення шуму даних та зайвої інформації, яка може затьмарити аналітичні дані.
  • Усунення поворотів або аномальних геометрій, які можуть спотворювати фактичні закономірності та тенденції в галузі.

На зображенні нижче ви можете побачити поле, де одночасно працювали 15 комбайнів. На ньому показано, як оригінальний набір даних про врожайність та покращений набір даних після калібрування за допомогою модуля калібрування врожайності GeoPard виглядають досить по-різному та легко зрозуміти.

Різниця між оригінальним та покращеним набором даних про врожайність за допомогою калібрувального модуля GeoPard

Чому важливо чистити та калібрувати?

Дані про врожайність збираються за допомогою моніторів врожайності та датчиків, прикріплених до комбайнів. Ці пристрої вимірюють масову витрату та вміст вологи в зібраній культурі та використовують GPS-координати для геоприв’язки даних.

Однак ці вимірювання не завжди точні або послідовні через різні фактори, які можуть впливати на продуктивність обладнання або умови вирощування культури. Деякі з цих факторів:

1. Варіації обладнання: Сільськогосподарська техніка, така як комбайни та збиральні комбайни, часто має притаманні відмінності, які можуть призвести до розбіжностей у зборі даних. Ці відмінності можуть включати різницю в чутливості датчиків або калібруванні техніки.

Наприклад, деякі монітори врожайності можуть використовувати лінійну залежність між напругою та масовою витратою, тоді як інші можуть використовувати нелінійну. Деякі датчики можуть бути чутливішими до пилу або бруду, ніж інші. Ці коливання можуть спричиняти розбіжності в даних про врожайність на різних машинах або полях.

Приклад 1 Розвороти, зупинки, використання половинної ширини обладнання
Приклад 1 Розвороти, зупинки, використання половинної ширини обладнання
Приклад 2. Розвороти, зупинки, використання половинної ширини обладнання
Приклад 2. Розвороти, зупинки, використання половинної ширини обладнання

2. Фактори навколишнього середовища: Погодні умови, типи ґрунту та топографія відіграють значну роль у врожайності сільськогосподарських культур. Якщо ці фактори навколишнього середовища не враховувати, вони можуть вносити шум та неточності в дані про врожайність.

Наприклад, піщані ґрунти або круті схили можуть призвести до нижчої врожайності, ніж суглинні ґрунти або рівнинна місцевість. Так само райони з вищою щільністю посівів можуть мати вищу врожайність, ніж райони з нижчою щільністю.

3. Неточності датчиків: Датчики, попри їхню точність, не є безпомилковими. З часом вони можуть дрейфувати, надаючи неточні показники, якщо їх не калібрувати регулярно.

Наприклад, несправний тензодатчик або нещільно з'єднана проводка можуть призвести до неточних показників масової витрати. Брудний або пошкоджений датчик вологості може видавати помилкові значення вмісту вологи. Неправильна назва поля або ідентифікатор, введені оператором, можуть призначити дані про врожайність неправильному файлу поля.

Ці фактори можуть призвести до появи наборів даних із шумом, помилками або суперечностями. Якщо ці дані не очищати та не калібрувати належним чином, це може призвести до помилкових висновків або рішень.

Наприклад, використання неочищених даних про врожайність для створення карт врожайності може призвести до помилкової ідентифікації високо- або низьковрожайних ділянок у межах поля.

Чому важливо очищати та калібрувати набір даних про врожайність

Використання некаліброваних наборів даних про врожайність для порівняння врожайності на різних полях або за різними роками може призвести до несправедливих або неточних порівнянь. Використання неочищених або некаліброваних даних про врожайність для розрахунку балансу поживних речовин або витрат на сільськогосподарські культури може призвести до надмірного або недостатнього внесення добрив чи пестицидів.

Тому важливо виконати очищення та калібрування даних про врожайність, перш ніж використовувати їх для будь-якого аналізу або прийняття рішень. Очищення наборів даних про врожайність – це процес видалення або виправлення будь-яких помилок чи шуму в необроблених даних про врожайність, зібраних моніторами та датчиками врожайності.

Автоматизовані методи очищення та калібрування даних про врожайність

Саме тут стають у пригоді автоматизовані методи очищення даних. Автоматизовані методи очищення даних – це методи, які можуть виконувати завдання очищення даних без або з мінімальним втручанням людини.

Налаштуйте крок калібрування
Автоматизовані методи очищення та калібрування

Автоматизовані методи очищення даних можуть заощадити час і ресурси, зменшити кількість людських помилок і підвищити масштабованість і ефективність очищення даних. Деякі поширені автоматизовані методи очищення даних про врожайність:

1. Виявлення викидів: Викиди – це точки даних, які суттєво відхиляються від норми. Автоматизовані алгоритми можуть виявляти ці аномалії, порівнюючи точки даних зі статистичними показниками, такими як середнє значення, медіана та стандартне відхилення.

Наприклад, якщо набір даних про врожайність показує винятково високу врожайність для певного поля, алгоритм виявлення відхилень може позначити це для подальшого дослідження.

2. Зменшення шуму: Шум у даних про врожайність може виникати з різних джерел, включаючи фактори навколишнього середовища та неточності датчиків.

Автоматизовані методи зменшення шуму, такі як алгоритми згладжування, фільтрують нестабільні коливання, роблячи дані стабільнішими та надійнішими. Це допомагає виявити справжні тенденції та закономірності в даних.

3. Імпутація данихВідсутність даних є поширеною проблемою в наборах даних про врожайність. Методи імпутації даних автоматично оцінюють та заповнюють відсутні значення на основі закономірностей та зв'язків у даних.

Наприклад, якщо датчик не може записувати дані протягом певного періоду часу, методи імпутації можуть оцінити відсутні значення на основі суміжних точок даних.

Отже, автоматизовані методи очищення даних слугують охоронцями якості даних, гарантуючи, що набори даних про врожайність залишаються надійним та цінним активом для фермерів у всьому світі.

Крім того, існує безліч зручних інструментів та комп’ютерних програм, які можуть автоматично очищати та коригувати дані про врожайність, і GeoPard є одним із них. Модуль очищення та калібрування врожайності GeoPard, разом із подібними рішеннями, надзвичайно важливий для забезпечення точності та надійності даних.

GeoPard - Очищення та калібрування врожаю - 3 комбайни

Висновок

Автоматизоване очищення та калібрування даних про врожайність (AYDCC) є важливим у точному землеробстві. Воно забезпечує точність даних про врожайність, усуваючи помилки та підвищуючи якість, дозволяючи фермерам приймати обґрунтовані рішення. AYDCC вирішує проблеми з даними та використовує автоматизовані методи для отримання достовірних результатів. Такі інструменти, як модуль очищення та калібрування врожайності GeoPard, спрощують цей процес для фермерів, сприяючи ефективним та продуктивним методам ведення сільського господарства.

Застосування (ГІС) геоінформатики в сільському господарстві

Опубліковано на від Muhammad Farjad

Геоінформатика (ГІС) усуває розрив між просторовими даними та процесом прийняття рішень у сільському господарстві, дозволяючи фермерам оптимізувати використання ресурсів, мінімізуючи вплив на навколишнє середовище. Цей технологічний підхід допомагає адаптувати методи точного землеробства до конкретних польових умов, тим самим підвищуючи продуктивність та ефективність.

Геоінформатика в сільському господарстві

Аналізуючи точну просторову інформацію, таку як мінливість ґрунту, вміст вологи та поширення шкідників, фермери можуть робити обґрунтований вибір, гарантуючи, що кожна ділянка їхніх земель отримає саме ту обробку, яка їй потрібна.

Останні дані показують, що ця технологія широко використовується, понад 70% ферм використовують її в тій чи іншій якості. Інтеграція геопросторових даних стає стандартною практикою в процесах прийняття рішень у різних галузях промисловості, від дрібномасштабного натурального господарства до великих комерційних операцій.

Фермери можуть стежити за своїми посівами в режимі реального часу за допомогою супутникової фотографії та наземних датчиків. Завдяки меншим відходам та меншому негативному впливу на навколишнє середовище вони можуть використовувати це для внесення води, добрив та пестицидів саме там і тоді, коли це потрібно.

Проєкт CottonMap в Австралії використовує геоінформатику для моніторингу водоспоживання, що призводить до зниження споживання води за шкалою 40%. Покращене управління ресурсами мінімізує вплив на навколишнє середовище, зменшуючи хімічний стік та надмірне зрошення.

геоінформатика в сільському господарстві

Підвищення продуктивності сприяє глобальній продовольчій безпеці. Оптимізуючи схеми посіву за допомогою просторових даних, фермери можуть досягати вищих врожаїв без розширення сільськогосподарських угідь.

Що таке геоінформатика?

Геоінформатика, також відома як географічна інформаційна наука (ГІС), — це міждисциплінарна галузь, яка поєднує елементи географії, картографії, дистанційного зондування, інформатики та інформаційних технологій для збору, аналізу, інтерпретації та візуалізації географічних та просторових даних.

Він зосереджений на зборі, зберіганні, управлінні, аналізі та представленні просторової інформації в цифровому форматі, що сприяє кращому розумінню поверхні Землі та взаємозв'язків між різними географічними об'єктами. Це потужний інструмент, який можна використовувати для різних цілей, зокрема:

1. Точне землеробство: Його можна використовувати для збору даних про різні фактори, такі як тип ґрунту, врожайність сільськогосподарських культур та зараження шкідниками. Ці дані потім можна проаналізувати, щоб визначити області мінливості в межах поля. Після визначення цих областей фермери можуть використовувати ГІС для розробки індивідуальних планів управління для кожної області.

2. Моніторинг навколишнього середовища: Його можна використовувати для моніторингу змін у навколишньому середовищі, таких як вирубка лісів, зміни у землекористуванні та якість води. Ці дані потім можна використовувати для відстеження прогресу екологічної політики та визначення територій, які потребують подальшого захисту.

3. Міське планування: Геоінформатику можна використовувати для планування та управління міськими територіями. Ці дані можна використовувати для визначення територій, які потребують розвитку, для планування транспортних мереж та для управління інфраструктурою.

4. Управління стихійними лихами: Його можна використовувати для ліквідації наслідків стихійних лих, таких як повені, землетруси та лісові пожежі. Ці дані можна використовувати для відстеження розвитку стихійного лиха, визначення постраждалих районів та координації зусиль з надання допомоги.

Що таке геоінформатика? Компоненти геоінформатики

Компоненти геоінформатики

Ці компоненти працюють разом, щоб надати розуміння різних аспектів поверхні Землі та її взаємозв'язків. Ось основні компоненти геоінформатики:

  • Географічні інформаційні системи (ГІС): ГІС передбачає використання програмного та апаратного забезпечення для збору, зберігання, маніпулювання, аналізу та візуалізації географічних даних. Ці дані організовані в шари, що дозволяє користувачам створювати карти, проводити просторовий аналіз та приймати обґрунтовані рішення на основі просторових зв'язків.
  • Дистанційне зондування: Дистанційне зондування передбачає збір інформації про поверхню Землі на відстані, зазвичай за допомогою супутників, літаків або дронів. Дані дистанційного зондування, часто у формі зображень, можуть надати уявлення про земний покрив, стан рослинності, кліматичні особливості тощо.
  • Глобальні системи позиціонування (GPS)Технологія GPS дозволяє точно визначати місцезнаходження та здійснювати навігацію через мережу супутників. У ГІС GPS використовується для збору точних даних про місцезнаходження, що має вирішальне значення для картографування, навігації та просторового аналізу.
  • Просторовий аналіз: Це дозволяє застосовувати різні методи просторового аналізу для розуміння закономірностей, взаємозв'язків та тенденцій у географічних даних. Ці методи включають аналіз близькості, інтерполяцію, аналіз накладання та мережевий аналіз.
  • КартографіяКартографія передбачає створення карт та візуальних зображень географічних даних. Вона надає інструменти та методи для розробки інформативних та візуально привабливих карт, які ефективно передають просторову інформацію.
  • Геобази данихГеобази даних – це структуровані бази даних, призначені для зберігання та управління географічними даними. Вони забезпечують основу для організації просторових даних, що дозволяє ефективно їх зберігати, витягувати та аналізувати.
  • Веб-картографування та геопросторові додаткиГеоінформатика розширилася до веб-картографування та додатків, дозволяючи користувачам отримувати доступ до географічних даних та взаємодіяти з ними через онлайн-платформи. Це призвело до розробки різних геолокаційних сервісів та інструментів.
  • Геопросторове моделюванняГеопросторове моделювання передбачає створення обчислювальних моделей для імітації реальних географічних процесів. Ці моделі допомагають прогнозувати результати, моделювати сценарії та допомагають у прийнятті рішень у різних галузях.

8 застосувань та використання геоінформатики в сільському господарстві

Ось деякі з ключових застосувань та способів використання ГІС у сільському господарстві:

1. Точне землеробство

Точне землеробство використовує можливості геоінформаційних систем (ГІС), щоб надати фермерам детальну інформацію про стан їхніх полів. Ця інформація варіюється від детальних карт рослинності та продуктивності до інформації про конкретні культури.

Суть цього підходу полягає в прийнятті рішень на основі даних, що дає фермерам можливість оптимізувати свої методи для максимальної врожайності та ефективності.

Використання геоінформатики в сільському господарстві

Завдяки створенню карт продуктивності, GeoPard Crop Monitoring забезпечує вирішальне рішення для точного землеробства. Ці карти використовують історичну інформацію за попередні роки, що дозволяє фермерам визначати закономірності продуктивності на своїх фермах. Фермери можуть визначати продуктивні та непродуктивні ділянки за допомогою цієї інформації.

2. Моніторинг здоров'я врожаю

Важливість моніторингу здоров'я сільськогосподарських культур неможливо переоцінити. Стан сільськогосподарських культур безпосередньо впливає на врожайність, управління ресурсами та загальний стан сільськогосподарської екосистеми.

Традиційно ручний огляд посівів на великих полях був виснажливим та трудомістким. Однак з появою передових технологій, таких як ГІС та дистанційне зондування, відбулися трансформаційні зміни, що дозволили здійснювати точний моніторинг у безпрецедентних масштабах.

Геоінформатика допомагає у ранньому виявленні потенційних проблем, що впливають на здоров'я сільськогосподарських культур. Аналізуючи дані дистанційного зондування та супутникові знімки, фермери можуть виявляти стресові фактори, такі як дефіцит поживних речовин або спалахи хвороб, що дозволяє цілеспрямовано вживати заходів.

3. Прогнозування врожайності сільськогосподарських культур

Інтегруючи історичні дані, склад ґрунту, погодні умови та інші змінні, це дозволяє фермерам прогнозувати врожайність сільськогосподарських культур з надзвичайною точністю. Ця інформація дає їм змогу приймати обґрунтовані рішення щодо посадки, розподілу ресурсів та маркетингових стратегій.

карта даних про врожайність зон 2019 року

У сфері прогнозування врожайності сільськогосподарських культур GeoPard стала провідним новатором. GeoPard розробила надійний метод, який, як стверджується, має відмінний коефіцієнт точності понад 90%, поєднуючи історичні та поточні дані про врожайність, отримані з супутників. Цей інноваційний підхід є доказом того, як технології можуть революціонізувати сучасне сільське господарство.

4. Моніторинг худоби за допомогою геоінформатики

Просторові дані GPS-трекерів про худобу дають уявлення про переміщення та поведінку тварин. Ці інструменти дозволяють фермерам точно визначати місцезнаходження худоби на фермі, забезпечуючи ефективне управління та догляд.

Окрім відстеження місцезнаходження, інструменти ГІС для сільського господарства надають комплексне уявлення про здоров'я худоби, моделі росту, цикли родючості та потреби в поживних речовинах.

Прогнозується, що світовий ринок точного землеробства, яке включає моніторинг худоби, досягне значної оцінки в найближчі роки. Ця тенденція підкреслює трансформаційний потенціал ГІС в оптимізації управління тваринництвом.

5. Боротьба з комахами та шкідниками

Традиційні методи, такі як ручне обстеження великих полів, виявилися трудомісткими та неефективними. Однак поєднання технологій, зокрема алгоритмів глибокого навчання та супутникових даних, призвело до революції у виявленні та боротьбі зі шкідниками.

Геоінформатика допомагає у створенні карт поширення шкідників, що дозволяє точно застосовувати пестициди. Зосереджуючись на конкретних ділянках, фермери можуть мінімізувати використання хімікатів, зменшити вплив на навколишнє середовище та захистити корисних комах.

Моніторинг сільськогосподарських культур GeoPard – це ефективний метод виявлення різноманітних загроз, таких як забур'яненість та хвороби сільськогосподарських культур. Потенційно проблемні зони виявляються шляхом вивчення зібраних на місцях рослинних індексів.

Наприклад, низьке значення індексу рослинності в певному місці може бути ознакою потенційних шкідників або хвороб. Це усвідомлення спрощує процедуру та усуває необхідність трудомісткої ручної розвідки великих полів.

6. Контроль зрошення

Дані, отримані з ГІС, надають цінну інформацію про рівень вологості ґрунту, допомагаючи фермерам приймати обґрунтовані рішення щодо графіків поливу. Це забезпечує ефективне використання води та запобігає надмірному поливу або посусі.

Важливість зрошення зі змінною нормою поливу

ГІС-технології для сільського господарства надають потужний інструментарій для виявлення сільськогосподарських культур, які перебувають під водним стресом. Фермери можуть дізнатися більше про стан води своїх культур, використовуючи такі індекси, як нормалізований індекс різниці водних ресурсів (NDWI) або нормалізований індекс різниці вологості (NDMI).

Компонент моніторингу врожаю GeoPard за замовчуванням, індекс NDMI, пропонує шкалу від -1 до 1. Дефіцит води позначається негативними значеннями близько -1, але перезволоження може бути позитивним значенням, близьким до 1.

7. Боротьба з повенями, ерозією та посухою

Повені, ерозія та посуха є грізними супротивниками, які можуть завдати значної шкоди сільськогосподарським ландшафтам. Окрім фізичного руйнування, ці проблеми порушують доступність води, здоров'я ґрунту та загальну продуктивність сільськогосподарських культур. Ефективне управління цими загрозами має вирішальне значення для забезпечення продовольчої безпеки, збереження природних ресурсів та сприяння сталому веденню сільського господарства.

Геоінформатика допомагає оцінити вразливість ландшафтів до повеней, ерозії та посухи. Аналізуючи топографічні дані, режим опадів та характеристики ґрунту, фермери можуть впроваджувати стратегії для зменшення цих ризиків.

8. ГІС в автоматизації сільського господарства

Географічні інформаційні системи (ГІС) вийшли за межі своєї традиційної ролі картографічних інструментів і стали критично важливими засобами керування автоматизованою технікою. Ця технологія надає різному сільськогосподарському обладнанню, такому як трактори та дрони, просторові дані та точні навігаційні системи.

В результаті, завдання, починаючи від посадки і закінчуючи обприскуванням та збором врожаю, можуть виконуватися з безпрецедентною точністю та мінімальним втручанням людини.

ГІС в автоматизації сільського господарства

Уявіть собі сценарій, коли трактор має садити культури на величезному полі. Оснащений системою GPS та ГІС-технологією, трактор використовує просторові дані для навігації за заздалегідь визначеними маршрутами, забезпечуючи рівномірне розміщення насіння та оптимальну відстань між ними. Така точність не лише підвищує врожайність, але й мінімізує втрати ресурсів.

Роль геоінформатики в точному землеробстві

Він відіграє вирішальну роль у точному землеробстві, надаючи фермерам дані та інструменти, необхідні для прийняття обґрунтованих рішень щодо управління сільськогосподарськими культурами. Його можна використовувати для збору даних про різні фактори, такі як тип ґрунту, врожайність культур та зараження шкідниками.

Ці дані потім можна проаналізувати, щоб визначити області мінливості в межах поля. Після того, як ці області будуть визначені, фермери можуть використовувати ГІС для розробки індивідуальних планів управління для кожної області.

Використання геоінформатики в точному землеробстві стрімко зростає в усьому світі. Наприклад, у Сполучених Штатах використання точного землеробства зросло більш ніж на 501 TP3T за останні п'ять років. А в Китаї очікується, що використання точного землеробства зростатиме більш ніж на 201 TP3T на рік у найближчі роки.

Дослідження показали, що точне внесення вхідних даних за допомогою геоінформатичних методів може призвести до збільшення врожайності до 151 т³/год, одночасно зменшуючи витрати на вхідні дані на 10–301 т³/год.

Крім того, дослідження, опубліковане в журналі Nature у 2020 році, показало, що використання ГІС для управління зрошенням на пшеничному полі призвело до збільшення врожайності сільськогосподарських культур на 20%. Інше дослідження, опубліковане в журналі Science у 2021 році, показало, що використання ГІС для точнішого внесення добрив на кукурудзяному полі призвело до збільшення врожайності сільськогосподарських культур на 15%.

Його також можна використовувати для створення карт врожайності сільськогосподарських культур. Ці карти можна використовувати для визначення ділянок з низькою врожайністю, які потім можна дослідити, щоб визначити причину проблеми. Після визначення причини проблеми фермери можуть вжити коригувальних заходів для підвищення врожайності в цих районах.

Роль геоінформатики в точному землеробстві

Наприклад, фермери можуть використовувати його для створення карт типу ґрунту та родючості. Ці карти потім можна використовувати для точнішого внесення добрив, що може допомогти підвищити врожайність сільськогосподарських культур та зменшити кількість добрив, які вносяться непотрібно.

Окрім збору та аналізу даних, його також можна використовувати для візуалізації просторових даних. Це може бути корисним для фермерів, щоб побачити, як різні фактори, такі як тип ґрунту та врожайність сільськогосподарських культур, розподіляються по полю. Інструменти візуалізації також можна використовувати, щоб допомогти фермерам повідомляти про свої висновки іншим, наприклад, консультантам з питань сільськогосподарських культур або державним службовцям.

Реальне застосування геоінформатики в точному землеробстві є численним. Наприклад, технологія змінної норми (VRT) використовує просторові дані для доставки різної кількості вхідних даних, таких як вода, добрива та пестициди, по полю.

Такий підхід гарантує, що культури отримують саме ті поживні речовини, які їм потрібні, оптимізуючи ріст і врожайність. В іншому випадку, супутникові знімки та дрони надають цінну інформацію про стан здоров'я культур та виявлення хвороб, що дозволяє оперативно втручатися.

Моніторинг посівів GeoPard як приклад програмного забезпечення для сільськогосподарських ГІС

Важливо пам’ятати, що програмне забезпечення ГІС, яке використовується в сільському господарстві, може відрізнятися залежно від його цільового призначення. Хоча деякі інструменти показують рівень вологості ґрунту, щоб допомогти у виборі посадок, інші відображають сорти культур, врожайність та розподіл.

Навіть порівняння економіки лісозаготівлі з лісівництвом можна здійснити за допомогою різних програм. Тому кожен фермер чи керівник сільського господарства повинен знайти ідеальне ГІС-рішення, яке надасть йому інформацію, необхідну для прийняття розумних рішень щодо своєї землі.

Коли йдеться про польові дані, платформа моніторингу врожаю GeoPard має низку переваг. Вона пропонує зведені дані про динаміку рослинності та вологості ґрунту, історичні дані про рослинність та погоду, а також точні 14-денні прогнози погоди.

GeoPard забезпечує автоматизовану синхронізацію моніторингу посівів

Ця платформа надає такі можливості, як розвідка для організації діяльності та обміну інформацією в режимі реального часу, а також журнал польової діяльності для планування та моніторингу операцій, тому вона пропонує більше, ніж просто дані на основі ГІС.

Дані з додаткових джерел також включені до моніторингу врожаю GeoPard. Наприклад, інструмент Data Manager інтегрує дані машини в платформу. Він підтримує популярні формати файлів, такі як SHP та ISO-XML.

Ви можете вимірювати врожайність сільськогосподарських культур, використовуючи дані польової техніки, порівнювати їх з картами добрив, вивчати тактики внесення добрив та створювати плани щодо збільшення врожайності. Організації, з якими співпрацюють сільськогосподарські підприємства, та самі отримують велику користь від цієї універсальної платформи.

Проблеми точного землеробства та геоінформатики

Інтеграція точного землеробства та геоінформатики тягне за собою низку політичних наслідків та регуляторних питань. Уряди в усьому світі намагаються розробити системи, що сприяють інноваціям, водночас захищаючи конфіденційність даних, землекористування та екологічну стійкість.

Наприклад, нормативні акти можуть регулювати збір та обмін просторовими даними, права інтелектуальної власності на технології точного землеробства та етичне використання штучного інтелекту в сільському господарстві.

У Європейському Союзі Спільна сільськогосподарська політика (ССП) визнає роль цифрових технологій, включаючи геоінформатику, у підвищенні продуктивності сільського господарства.

Фінансові стимули надаються для заохочення фермерів до впровадження методів точного землеробства, які відповідають екологічним та сталим цілям. Цей приклад ілюструє, як політика може стимулювати впровадження технологій для колективної вигоди.

Однак впровадження геоінформаційних технологій у сільському господарстві дає значні переваги, проте супроводжується певними труднощами, особливо для фермерів різного масштабу. Дрібні фермери часто стикаються з фінансовими обмеженнями, не маючи ресурсів для придбання технологій та навчання.

Великі підприємства стикаються зі складнощами управління даними через масштаб своєї діяльності. Прогалини в технічних знаннях є поширеним явищем, оскільки як дрібні, так і великі фермери потребують навчання для ефективного використання геоінформатичних інструментів.

Обмежена інфраструктура та зв'язок перешкоджають доступу, особливо у віддалених районах. Виникають труднощі з налаштуванням, оскільки рішення можуть не підходити для малих ферм або не інтегруватися бездоганно у великі підприємства.

Культурний опір змінам та занепокоєння щодо конфіденційності даних впливають на повсюдне впровадження. Урядова політика, невизначеність щодо рентабельності інвестицій та проблеми сумісності ще більше перешкоджають прогресу.

Вирішення цих проблем вимагатиме адаптованих стратегій, щоб забезпечити користь геоінформатики для всіх фермерів, незалежно від масштабу.

Висновок

Безшовна інтеграція геоінформатики в сучасне сільське господарство має трансформаційний потенціал. Використовуючи можливості просторових даних, фермери та зацікавлені сторони в сільському господарстві можуть приймати обґрунтовані рішення, оптимізувати використання ресурсів та сприяти сталому розвитку. Чи то прогнозування врожайності сільськогосподарських культур, управління водними ресурсами чи вдосконалення точного землеробства, ГІС стає дороговказом, формуючи більш ефективне, стійке та продуктивне майбутнє для світу сільського господарства.

wpChatIcon
wpChatIcon

    Замовити безкоштовну демонстрацію / консультацію GeoPard








    Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності. Нам це потрібно, щоб відповісти на ваш запит.

      Підписатися


      Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності

        Надішліть нам інформацію


        Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності

        Ми використовуємо файли cookie, щоб надати вам найкращий досвід перегляду, персоналізувати контент нашого сайту, аналізувати його трафік та показувати вам релевантну рекламу.
        Дивіться на політика конфіденційності Для отримання додаткової інформації.

        Прийняти все