Terméshozambecslés drónokkal

Az élelmiszer-növények terméshozamának pontos előrejelzése nagy jelentőséggel bír a globális élelmezésbiztonság és a kereskedelem stabilitása szempontjából, továbbá rendeleti szinten kötelező jogszabályi előírás Magyarországon is. A pilóta nélküli légi járművek (UAV) által gyűjtött távérzékelési adatok nagyfokú rugalmassággal és magas felbontással rendelkeznek, így ezek az adatok mintaként használhatók regressziós modellek kidolgozásához és a terméshozam pontos előrejelzéséhez szántóföldi méretekben.

A terméshozam pontos előrejelzése a gazdaságok szántóföldi léptékében kulcsfontosságú a nagyüzemi mezőgazdasági műveletek irányításának optimalizálásához és az élelmezésbiztonság javításához.

Terméshozam-előrejelzés drónokkal

A pontos termésbecsléshez különböző adattípusokra van szükség, melyek közül az alábbiak meghatározók:

1. korábbi évek adatai: a szántóföld elhelyezkedése, a jelenlegi és az előző termesztett növény, a vetést megelőző hónapok szántóföld-specifikus időjárása, a talajvizsgálati információk.

2. A vizsgált év adatai: leginkább a tápanyag-gazdálkodás, növényvédelem és időjárás.

3. Növényspecifikus adatok: fajta és művelés.

4. Növény- és szántóföldi felvételek: a növényállomány folyamatos monitorozása során keletkezett képi anyagok, mellyel a helyi anomáliákat detektálhatjuk.

5. Statisztikai elemzések: a termesztési szezon során begyűjtött adatok elemzése. A kis- és közepes méretű gazdaságok széles körben elterjedtek a világon, a globális gazdaságok jelentős részét teszik ki. A terméshozamok előrejelzése ezekben a gazdaságokban segíthet a mezőgazdasági termelőknek abban, hogy megtalálják azokat a célterületeket, ahol a terméshozamok alacsonyabbak valamilyen növény-egészségügyi állapot vagy éppen talajhiba miatt. A korai döntések meghozatalához pontos tápanyag-gazdálkodási és növényvédelmi ismeretekre és információkra van szükség, így garantálva a kívánt terméseredményeket és ezen keresztül az élelmezésbiztonságot.

A terméshozam előrejelzésének hagyományos módszere elsősorban a szántóföldi vizsgálat, amely nem hatékony, sőt, a termés szempontjából hátrányos, továbbá statisztikai értelemben befolyásolja a végeredményt. A távérzékelési platformok (pl. műholdak) számának növekedésével és az azok által készített képek felbontásának javulásával a távérzékelési technikák hatékony és mindennapi módszerekké váltak a növénytermesztés nyomon követésére. Jelenleg a műholdas távérzékelési technológiát széles körben használják mezőgazdasági megfigyelésre és ellenőrzésre. Ennek azonban van néhány hiányossága, mint például a hosszú ismétlési időszakok, a durva felbontás és a korlátozott adatgyűjtés lehetősége, mely elsősorban meteorológiai tényezők befolyásának a következménye. Az alacsony magasságú, pilóta nélküli légi járművek (UAV) előnye a jobb tér-időbeli felbontás, az alacsony üzemeltetési költség, a rugalmasság és a megismételhetőség. Gyorsan és hatékonyan képes centiméteres pontosságú távérzékelési képeket készíteni nagy kiterjedésű mezőgazdasági területekről, és hatékonyan segíti a mezőgazdasági üzemeltetőket a gazdálkodásban és a döntéshozatalban.

Technológiai megoldások

Jelenleg a drónok által általában hordozott leggyakoribb optikai érzékelők az RGB-, a multispektrális, valamint az első kettőnél kevésbé elterjedt termál- és a hiperspektrális szenzorok. Az RGB-kamerák olcsóak, de a begyűjtött információ korlátozott, és nehéz pontosan elemezni a növényállomány által mutatott állapotot. Bár a hiperspektrális érzékelők kiemelkedő teljesítményt nyújtanak a spektrális válasz nagy pontosságú jellemzésében, drágák, és bonyolult adatfeldolgozással járnak. A multispektrális szenzorok az utóbbi időben nagy figyelmet kaptak a mezőgazdasági kvantitatív távérzékeléssel foglalkozó közösség részéről, mivel jóval alacsonyabb beruházási ráfordítást igényelnek, és tartalmazzák a mezőgazdasági paraméterek becslése szempontjából fontos vörös széli (Rededge) és közeli infravörös (NIR) sávokat. A multispektrális képalkotó berendezések hullámhossza általában 400 és 900 nm között van, elsősorban kék, zöld, vörös, vörös szélső és közeli infravörös tartományban. A különböző sávokból nyert különböző vegetációs indexeket (VI) széles körben használják a növénykultúrák biofizikai paramétereinek meghatározására, amelyek pontosan tükrözhetik a növénynövekedés részleteit és a növénykultúrának a stresszre (pl. kártevők, betegségek, hőmérséklet, talaj, víz stb.) adott válaszát. Számos kutatás vizsgálta már a termés fizikai és kémiai paramétereit, valamint a terméshozamot az UAV multispektrális képeiből kinyert vegetációs indexek alapján, amelyek jó eredményeket értek el.

Fejlesztések

A terméshozam-előrejelzésre a közelmúltban számos módszert fejlesztettek ki, köztük folyamatorientált termésnövekedési modelleket és empirikus statisztikai modelleket, ilyen például a világ élelmiszer-tanulmányok (WOFOST) modellje, az agrotechnológia-transzfer döntéstámogató rendszere (DSSAT) és a mezőgazdasági termelési rendszerek szimulátora (APSIM). A hagyományos statisztikai regresszió a meteorológiai változók (pl. hőmérséklet, csapadék, napsugárzás stb.) és a különböző időpontokban és különböző térbeli skálákon mért kibocsátások közötti regressziós egyenletek kidolgozásával jelzik elő a kibocsátásokat. Ezek a regressziós eredmények egyértelműen megmutatják az éghajlati tényezőknek a terméshozamra gyakorolt hatását. A terméshozam-előrejelzést befolyásoló tényezők a földrajzi elhelyezkedéstől, a növényfajtáktól és a termesztési évszaktól függően változnak.

A statisztikai regresszió közvetlen utódjaként a gépi tanulás a prediktorváltozók és a válaszváltozók közötti hierarchikus és nemlineáris kapcsolatok elemzésére használható, és általában jobban teljesít a hagyományos lineáris regressziós módszereknél az illeszkedés mértéke tekintetében. Ezenkívül a gépi tanulás hatékonyan képes a spektrális adatok elemzésére és a termésnövekedési információk azonosítására, és széles körben használható az élettani paraméterek becslésében és a terméshozam-előrejelzésben. Számos kutatás használta az UAV-távérzékelési adatokat és a gépi tanulási módszereket a terméshozam-előrejelző modellek pontosságának javítására.

Jelenleg számos növény terméshozamának előrejelzése a növények egyetlen növekedési szakaszára vonatkozó rögzített vegetációs indexen alapul. Ezért a különböző növekedési szakaszokban lévő növények jellemzőit nem veszik figyelembe. A korábbi kutatások szerint néhány tanulmány a terméshozamot több növekedési szakasz néhány VI-jének optimális kombinációjával jelzi előre. A több növekedési szakasz optimális VI-kombinációjának intuitív meghatározása jobban tükrözheti a növény növekedési jellemzőit, és nagymértékben javíthatja a terméshozam-előrejelzési modelljeit. A gépi tanulási módszerek és a multispektrális UAV-képekből kinyert VI-k alapján szántóföldi szintű termés-előrejelző modellek fejleszthetők ki, amelyek jobban illeszkednek a vizsgált területhez. A több szempontú UAV-adatokból kinyert VI-ket és gépi tanulási módszereket felhasználva regressziós modell vagy algoritmus létrehozása lehetséges a terméshozamok szántóföldi szintű előrejelzésére. Attól függően, hogy egy vagy több fázisú, azaz egyszeri vagy a növény fejlődési folyamán többször elvégzett vizsgálatot alkalmazunk, más-más VI, illetve modell használata biztosíthatja a legpontosabb előrejelzést.

A terméshozam-előrejelzésben gyakran használt VI-k: a zöld-vörös arány index (GRRI), a zöldkék arány index (GBRI), a vörös-kék arány index (RBRI), a normalizált sárgasági különbség index (NDYI), az NDVI, az arányos vegetációs index (RVI), a módosított háromszög vegetációs index (MTVI), az EVI2 (enhanced vegetation index 2), az MSAVI2 (modified soil adjusted vegetation index 2) és a TCARI (transformed chlorophyll absorption in reflectance index). A felhasznált index és a hozzá tartozó modell vagy algoritmus kiválasztása összetett feladat, melyet számos tényező befolyásol, ezért a pontos adatok begyűjtéséhez a lehető legnagyobb rugalmasságot biztosító rendszert szükséges felhasználni. Mivel e tényezők a gazdálkodó befolyásolási képességén túlmutatnak, így a pilóta nélküli légi járművek alkalmazása lehet az a pont, ahol alacsony ráfordítás mellett a legnagyobb flexibilitás érhető el.

Csuvár Árpád
ABZ Drone Kft.