Համակարգն արհեստական ինտելեկտի հետ մեկտեղ օգտագործում է արբանյակային պատկերներ և արդեն հաջողությամբ փորձարկվել է կարտոֆիլի արդյունավետությունը կանխատեսելու համար:
Հետազոտողները հեռահար զոնդավորման լաբորատորիայից (LATUV): Վալյադոլիդի համալսարան (UVa) մշակել են նոր բուսականության ինդեքս, որը կարող է բարելավել բերքի կանխատեսման մոդելները: Նոր տեխնիկան, որն օգտագործում է ESA Sentinel-2 արբանյակային պատկերներ և մեքենայական ուսուցման և արհեստական ինտելեկտի տեխնիկա, հաջողությամբ փորձարկվել է կարտոֆիլի և ցորենի բերքատվությունը կանխատեսելու համար:
Գյուղատնտեսական արտադրությունը կախված է բազմաթիվ գործոններից, ինչպես մարդկային, այնպես էլ բնապահպանական, որոնք մեծ անորոշություն են ստեղծում ֆերմերների շրջանում: Սակայն տեխնոլոգիան կարող է կարևոր դաշնակից լինել այն նվազեցնելու համար: Սա վերաբերում է հաշվողական մոդելներին, որոնք փորձում են մոդելավորել մշակաբույսի վարքագիծը հատուկ պայմաններում, օրինակ՝ հողի, կլիմայի կամ գյուղատնտեսական պրակտիկայի, և, կախված այս սպասվող էվոլյուցիայից, գնահատել գյուղատնտեսական արտադրանքը:
«Կան բազմաթիվ մոդելներ, և դրանք սովորաբար հատուկ են մշակաբույսերի յուրաքանչյուր տեսակին», - բացատրում է Դիեգո Գոմեսը, LATUV հետազոտող և վերջերս հրապարակված երկու ուսումնասիրությունների առաջին հեղինակը International Journal of Remote Sensing and Agricultural and Forest Meteorology ամսագրերում:
Սակայն աճի այս ավանդական մոդելներն ունեն որոշ սահմանափակումներ, ինչպիսիք են «միևնույն ծանրոցում փոփոխականությունը տարածականորեն մոդելավորելու անկարողությունը» կամ նրանց պահանջվող բազմաթիվ մուտքային տվյալները, որոնք «սովորաբար չեն ստացվում դրանց հավաքագրման համար ներգրավված ժամանակի և փողի բարձր արժեքի պատճառով: »:
Կարտոֆիլի աճեցման տարածք, որի վրա կատարվել են հաշվարկները/Դ. Գոմես
Այսպիսով, վերջին տարիներին մենք խաղադրույք ենք կատարում մի տեխնոլոգիայի վրա, հեռահար զոնդավորում, որն օգտագործում է օպտիկական սենսորների կողմից արված սպեկտրային պատկերներ (տեղադրված արբանյակների, ինքնաթիռների, անօդաչու սարքերի վրա և այլն) և որը կարող է որոշ դեպքերում լրացնել և նույնիսկ փոխարինել այս ավանդական մոդելներին: Այս սպեկտրային պատկերները տրամադրում են տվյալներ բերքի վիճակի կամ ֆենոլոգիայի վերաբերյալ՝ բույսերի զարգացման գործընթացում տեսանելի արտաքին փոփոխությունները, որոնք ինտեգրված են մոդելների մեջ, որոնք կարգավորում են այդ մուտքային տեղեկատվությունը՝ բերքը կանխատեսելու համար:
«Սպեկտրալ պատկերները ծածկում են մուտքային տվյալների անհրաժեշտությունը, թույլ են տալիս մուտք գործել հեռավոր կայքեր և ունեն ցածր արժեք: Նրանք նաև ի վիճակի են ստանալ տեղեկատվություն, որը կապված է բերքի արտադրողականության հետ», - նշում է LATUV հետազոտողը, ով հիշեցնում է, որ բուսականության սպեկտրալ ինդեքսներից մեկը՝ մաթեմատիկական բանաձևերը, որոնք միավորում են սպեկտրալ գոտիները, առավել հաճախ օգտագործվում են աշխուժությունը կամ ուժգնությունը գնահատելու համար։ Բուսականության խտությունը, որն ի վերջո կանխատեսում է բերքի արտադրողականությունը, NDVI-ն է (NDVI):
Այս ցուցանիշի ժամանակային շարքերի օգտագործումը մշակաբույսերի կանխատեսող մոդելներ ստեղծելու համար շատ տարածված է գիտական գրականության մեջ: Այս ինդեքսը օգտագործում է բուսականության անդրադարձումը (բուսականության լույսն արտացոլելու ունակությունը) երկու սպեկտրային գոտիներում՝ կարմիր և մոտ կարմիր, որոնք կապված են համապատասխանաբար ֆոտոսինթեզի համար օգտագործվող լույսի և տերևների բջիջների կառուցվածքի հետ։
Բուսականության նոր ցուցանիշ
LATUV-ի հետազոտողները մշակել են նոր ինդեքս, որը կոչվում է PPI՝ հիմնված ESA Sentinel-2 արբանյակային պատկերների վրա, որը, ի լրումն ֆոտոսինթեզի մեջ ներգրավված սպեկտրային տեղեկատվությունը (400-ից 700 նանոմետր) հաշվի առնելուց, հաշվի է առնում տեղեկատվությունը էլեկտրամագնիսական սպեկտրի այլ տարածքներից -704: նանոմետրեր, Red Edge շերտը և 945 նանոմետրը, ջրային գոլորշիների կլանման գոտին- , որը կարող է ապահովել այլ հիմնական տեղեկություններ բերքի վիճակի մասին, օրինակ՝ նրա ջրային սթրեսը, երբ բույսն ավելի շատ ջուր է պահանջում, քան ունի:
Հետազոտողները համեմատել են բուսականության երկու ինդեքսների՝ NDVI-ի և PPI-ի կանխատեսող կարողությունները՝ արբանյակային պատկերների ավելի շատ տվյալների հետ միասին: Դա անելու համար նրանք օգտագործեցին Արհեստական ինտելեկտի և մեքենայական ուսուցման երկու ալգորիթմներ (կոչվում են Random Forest և Support Vector Machine) և ստեղծեցին տարբեր մոդելներ, որոնցում նրանք միավորեցին այս ինդեքսները արբանյակային այլ տիրույթների հետ:
«Հիպոթեզն այն էր, որ օգտագործելով ինդեքս, որն օգտագործում է այլ գոտիներ, որոնք ներառված չեն հանրաճանաչ NDVI ինդեքսում և, մյուս կողմից, մշակաբույսերի վերաբերյալ զգայուն տեղեկատվություն տրամադրելու որոշակի ներուժով, կանխատեսող մոդելներն ավելի լավը կլինեն», - ասում է Գոմեսը, ով առաջ է գնում: որ, վերջապես, մոդելների կանխատեսող կարողությունը «աճել է, երբ ներառվել են բուսականության ինդեքսներից մեկը կամ երկուսը», ինչը գնահատում է «այս տվյալների օգտագործումը առանձին արբանյակային գոտիների հետ համատեղ»։
Ավելի ճշգրիտ կանխատեսումներ կարտոֆիլի մշակության մեջ
Արդյունքները ցույց են տալիս, որ PPI ինդեքսը տրամադրում է NDVI-ի նման տեղեկատվություն, երբ օգտագործում է Support Vector Machine ալգորիթմը, և զգալիորեն ավելի տեղեկատվական է, քան NDVI, երբ օգտագործում է Random Forest ալգորիթմը, խոստանալով արդյունքներ, որոնք «սեղանի վրա դնում են բուսականության նոր ինդեքս, որը կարող է բարելավել կանխատեսումը: բերքահավաքի մոդելներ՝ հիմնված արբանյակային պատկերների վրա»:
Մինչ այժմ նոր ցուցանիշը փորձարկվել է բավականին տեղայնացված ուսումնասիրության տարածքում կարտոֆիլի մշակության վրա: Հացահատիկից հետո կարտոֆիլը համաշխարհային պարենային ամենակարևոր մշակաբույսերից մեկն է: Այն առանցքային դեր է խաղում զարգացող երկրների պարենային անվտանգության մեջ և մեծ կշիռ ունի նաև եվրոպական գյուղատնտեսության ոլորտում, որտեղ Գերմանիան, Ֆրանսիան, Նիդեռլանդները և Լեհաստանը հիմնական արտադրողներ են: Այն նաև փորձարկվել է ցորենի վրա՝ Մեքսիկայում վերցված տվյալներով:
Սարքավորման գաղափարն է՝ ավելացնել տվյալների քանակը՝ մոդելի ամրությունը բարելավելու համար, ավելի մեծ ուսումնասիրության տարածք ընդգրկել՝ տարածական փոփոխականությունը մեծացնելու և նոր մշակաբույսեր ներառելու համար: Հեռանկարներ, որոնք կախված են ֆինանսավորման շարունակականությունից և կարող են օգնել ֆերմերներին ապագայում ավելի հուսալիորեն կանխատեսել իրենց բերքը: