Τηλεπισκόπηση UAV για Έξυπνη Γεωργία

«Έξυπνη γεωργία», δηλ. η αποτελεσματική χρήση των πόρων της Γης για να τροφοδοτήσει τον κόσμο, απαιτεί ακριβή και προηγμένη απόκτηση, μοντελοποίηση και διαχείριση δεδομένων. Τα UAV μπορούν να παίξουν κρίσιμο ρόλο σε αυτό.

Καθώς ο παγκόσμιος πληθυσμός συνεχίζει να αυξάνεται, η ζήτηση για τρόφιμα αυξάνεται επίσης. Ταυτόχρονα, μια σειρά από παγκόσμιες και τοπικές προκλήσεις απειλούν την «επισιτιστική ασφάλεια». Σε αυτό το πλαίσιο, διάφορες τεχνολογίες και τεχνικές έχουν προταθεί και εξεταστεί τις τελευταίες δεκαετίες για τη διασφάλιση της αποτελεσματικής χρήσης των γεωργικών πόρων του πλανήτη, δηλ. έξυπνη γεωργία. Αυτό απαιτεί την ακριβή και προηγμένη απόκτηση, μοντελοποίηση και διαχείριση των σχετικών δεδομένων.

Τι είναι η Έξυπνη Γεωργία;

Η έξυπνη γεωργία ορίζεται ως η εφαρμογή σύγχρονων τεχνολογιών για την ποιοτική και ποιοτική αύξηση των αποδόσεων των καλλιεργειών και για τη βελτίωση της διαχείρισης της γεωργίας. Είναι επίσης γνωστό ως «γεωργία ακριβείας» ή «AgriTech» στον επιχειρηματικό κόσμο. Η έξυπνη γεωργία στοχεύει στη μείωση του κόστους και των κινδύνων που συνεπάγεται η καλλιέργεια των καλλιεργειών, ελαχιστοποιώντας παράλληλα τις εισροές σε ό,τι αφορά την άρδευση, τα λιπάσματα, τα ζιζανιοκτόνα, τα φυτοφάρμακα κ.λπ. Ένας κύριος στόχος της έξυπνης γεωργίας είναι η αποτελεσματική προσαρμογή μεταξύ των διαθέσιμων πόρων και των απαιτήσεων με βάση την παρατηρούμενη χρονική και χωρική ασυνέπεια στο αγρόκτημα.

Η έξυπνη γεωργία συγκεντρώνει μια ποικιλία προηγμένων και εξελισσόμενων τεχνολογιών και εφαρμογών, όπως UAV και δορυφορική τηλεπισκόπηση, δίκτυα αισθητήρων που βασίζονται στο Internet of Things (IoT), ψηφιακή πρόβλεψη για έντομα και ασθένειες, μηχανοποιημένη άρδευση, έλεγχο φωτός και θερμότητας, διαχείριση του εδάφους και άλλες σχετικές αναλυτικές εργασίες. Μεταξύ όλων αυτών των τεχνολογιών, η παρατήρηση της γης (EO) παίζει σημαντικό ρόλο σε όλες τις πτυχές της προδιάγνωσης, της μοντελοποίησης και της πρόληψης.

Ως μία από τις ταχύτερα εξελισσόμενες τεχνολογίες εναέριας EO, τα UAV προσφέρουν πλεονεκτήματα σε σχέση με τις παραδοσιακές τεχνικές μέτρησης πεδίου και τις τεχνικές ανάλυσης δορυφορικών εικόνων. Απαιτείται σημαντικός χρόνος και προσπάθεια για την παραγωγή δεδομένων υψηλής ποιότητας από μετρήσεις πεδίου. Αντίθετα, τα UAV προσφέρουν πολλά πλεονεκτήματα:

•     Επιτρέποντας ταχύτερες, πιο ευέλικτες και πιο βολικές απαντήσεις σε προβλήματα που σχετίζονται με τις καλλιέργειες
•     Χαρτογράφηση μεγαλύτερων καλλιεργειών σε σύγκριση με τις παραδοσιακές μετρήσεις αγρών
•     Διευκόλυνση της αποτελεσματικής συλλογής δεδομένων με τη χρήση διαφορετικών αισθητήρων
•     Λειτουργεί ακόμα και τις συννεφιασμένες μέρες
•     Λήψη πληροφοριών περικοπής σε υψηλότερη χωρική και χρονική ανάλυση
•     Επιτρέποντας ακριβείς παραγόμενους χάρτες βλάστησης που υποστηρίζουν καλύτερη λήψη αποφάσεων.

Επιπλέον, οι εικόνες UAV έχουν πολλά πλεονεκτήματα σε σχέση με τις εικόνες που λαμβάνονται από δορυφόρους ή επανδρωμένη εναέρια φωτογραμμετρία:

• Μικρότερη πρόσκρουση νεφών λόγω χαμηλότερου ύψους πτήσης
• Μεγάλος όγκος δεδομένων που καταγράφονται σε σύντομο χρονικό διάστημα
• Πλήρης έλεγχος από τον χρήστη
• Λιγότερο επηρεασμένο από την ατμόσφαιρα
• Χαμηλότερο λειτουργικό κόστος.

Η χρήση των UAV στην Έξυπνη Γεωργία

Σήμερα, τα UAV εξοπλισμένα με αισθητήρα απεικόνισης παίζουν σημαντικό ρόλο στην ψηφιακή έξυπνη γεωργία. Αυτή η τεχνική μπορεί να είναι ένα βασικό στοιχείο που οδηγεί σε βελτιώσεις στη γεωργική ακρίβεια, αυξήσεις στην παραγωγικότητα των καλλιεργειών και μεγαλύτερη εστίαση στη στοχευμένη προστασία των καλλιεργειών.

Τα UAV μπορούν να εξοπλιστούν με διαφορετικούς αισθητήρες συλλογής δεδομένων, όπως κάμερες RGB, πολυφασματικές (MS), υπερφασματικές ή θερμικές κάμερες ή Lidar. Τα φυτά αντανακλούν το φως σε διάφορα επίπεδα ανάλογα με την περιεκτικότητά τους σε χλωροφύλλη και τη βιομάζα τους. Ένα UAV με κάμερα πολλαπλών ή υπερφασματικών μετρά την ανακλώμενη ενέργεια που λαμβάνεται από τον ήλιο σε διάφορες περιοχές του φάσματος. Το επίπεδο ενέργειας που ανακλάται από τη βλάστηση και η σχέση μεταξύ διαφορετικών φασματικών ζωνών μπορεί να επιτρέψει την καταγραφή της κατάστασης υγείας της καλλιέργειας.

Υπάρχουν διάφοροι δείκτες βλάστησης, συμπεριλαμβανομένου του γνωστού δείκτη βλάστησης κανονικοποιημένης διαφοράς (NDVI) που βασίζεται στη χρήση της ζώνης κοντινού υπέρυθρου (NIR). Το NDVI χρησιμοποιείται συνήθως για να δείξει την κάλυψη των φύλλων και την υγεία των φυτών, με υψηλές τιμές NDVI που υποδηλώνουν υψηλό επίπεδο συγκέντρωσης βιομάζας. Ως εκ τούτου, οι χάρτες NDVI και άλλοι δείκτες βλάστησης αντιπροσωπεύουν μεγάλες δυνατότητες για την αύξηση της παραγωγής γεωργικών τροφίμων με πιο βιώσιμο τρόπο.

Κατά συνέπεια, τα φασματικά δεδομένα που συλλαμβάνονται με χρήση ενός UAV μπορούν να αναλυθούν για να εκτιμηθεί εάν η εικονιζόμενη καλλιέργεια είναι φρέσκια ή ξηρή και να εντοπιστούν τυχόν περιοχές που εμφανίζουν πρώιμα σημάδια μόλυνσης από παράσιτα ή ασθένειες. Επιπλέον, αυτές οι φασματικές πληροφορίες – όταν συνδυάζονται με τρισδιάστατες πληροφορίες από πηγές όπως ψηφιακά μοντέλα επιφανειών (DSM) και χάρτες υδάτινων οδών – μπορούν να χρησιμοποιηθούν για τη βελτίωση της αποτελεσματικότητας δραστηριοτήτων όπως η άρδευση ή η επεξεργασία φυτοφαρμάκων, μειώνοντας παράλληλα την ποσότητα των απαιτούμενων εισροών. Το Σχήμα 1 συνοψίζει τη χρήση των UAV για έξυπνη γεωργία και δείχνει τη σύνδεση μεταξύ αισθητήρων, δεικτών βλάστησης και εφαρμογών όπως περιγράφεται παρακάτω.

Δείκτες και Μετρήσεις Βλάστησης

Αρκετοί δείκτες φασματικής βλάστησης έχουν προταθεί και οριστεί για τη μέτρηση των ιδιοτήτων των φυτών. Οι αόρατες προδιαγραφές μπορούν να μετατραπούν σε ορατά ευρετήρια και μετρήσεις δημιουργώντας κατάλληλους έγχρωμους χάρτες ή δείκτες. Παραδείγματα τέτοιων ευρετηρίων περιλαμβάνουν:

• Δείκτης επιφάνειας φύλλων (LAI): Ορίζεται ως η προβολή της μονόπλευρης πράσινης φυλλικής επιφάνειας ανά μονάδα επιφάνειας εδάφους. Το LAI είναι ένας σημαντικός δείκτης της κατάστασης ανάπτυξης των καλλιεργειών. Μπορεί να υπολογιστεί χρησιμοποιώντας επίγειες μεθόδους ή τηλεπισκόπηση Οι μέθοδοι εκτίμησης ρεύματος που χρησιμοποιούν οπτική τηλεπισκόπηση ταξινομούνται σε τρεις τύπους: πειραματικές σχέσεις μεταξύ του LAI και δεικτών βλάστησης όπως το NDVI, αντιστροφή μοντέλων ανάκλασης θόλου ή συνδυασμός και των δύο αυτών μεθόδων.
•     Δείκτης Normalized Difference Vegetation Index (NDVI): Χρησιμοποιείται ευρέως στην έξυπνη γεωργία για την αξιολόγηση της χωρικής διακύμανσης του αναμενόμενου LAI. Το NDVI χρησιμοποιείται συνήθως για να δείξει την κάλυψη των φύλλων και την υγεία των φυτών, με υψηλές τιμές NDVI που αντιπροσωπεύουν υψηλότερο επίπεδο συγκέντρωσης βιομάζας.
•     Τριγωνικός δείκτης πρασίνου (TGI): Βασίζεται στη χρήση εικόνων RGB με βάση τις τιμές ανάκλασης στο ορατό τμήμα του φάσματος για να υποδείξει την περιεκτικότητα σε χλωροφύλλη σε περιοχές με υψηλή φυλλική κάλυψη.
•     Visible Atmospherically Resistant Index (VARI): Αυτός ο δείκτης προέρχεται από εικόνες RGB για κάλυψη φύλλων. Ο δείκτης VARI χρησιμοποιείται για την εκτίμηση των στοιχείων βλάστησης με χαμηλή ευαισθησία στην ατμόσφαιρα.
•     Βιομάζα υπεράνω εδάφους (AGB): Περιλαμβάνει όλη τη βιομάζα σε ζωντανά φυτά πάνω από το έδαφος, συμπεριλαμβανομένων των μίσχων, των κλαδιών, των σπόρων, του φυλλώματος κ.λπ. Δεδομένου ότι η υπέργεια βιομάζα είναι ως επί το πλείστον ορατή στις δεξαμενές άνθρακα (όπως οι ωκεανοί), το AGB αντιπροσωπεύει έναν σημαντικό δείκτη αλλαγών ή οφελών που σχετίζονται με τον μετριασμό του άνθρακα. Κατά συνέπεια, ο AGB είναι ένας σημαντικός δείκτης για την παρακολούθηση των εκπομπών αερίων του θερμοκηπίου και άλλων συναφών έργων.
•     Κλασματική κάλυψη βλάστησης (FVC): Αυτός ο δείκτης περιλαμβάνει το στρώμα εδάφους (όπως χόρτα), το μεσαίο στρώμα (όπως δέντρα μεσαίου μεγέθους) και το στρώμα θόλου. Οι τιμές NDVI της ανάκλασης γυμνού εδάφους (NDVIs) και της ανακλαστικότητας πλήρους βλάστησης (NDVIv) μπορούν να χρησιμοποιηθούν για τον προσδιορισμό του FVC.
•     Δείκτης πράσινης περιοχής (GAI): Υποδεικνύει όλα τα πράσινα χαρακτηριστικά ενός φυτού, συμπεριλαμβανομένων των φύλλων, των στελεχών και των αναπαραγωγικών οργάνων. Ο συμπληρωματικός Brown Area Index (BAI) αναφέρεται σε μη πράσινες περιοχές στο θόλο. Ένας γενικός δείκτης γνωστός ως δείκτης φυτικής έκτασης (PAI) υποδεικνύει τόσο πράσινα όσο και μη πράσινα μέρη.

Κοινοί αισθητήρες για έξυπνη γεωργία

Υπάρχουν διάφοροι τύποι αισθητήρων που χρησιμοποιούνται συνήθως σε εφαρμογές τηλεπισκόπησης UAV στους τομείς της γεωργίας και της δασοκομίας. Μπορούν να ταξινομηθούν κυρίως ως εξής:

Οπτικές κάμερες RGB: Οι αισθητήρες RGB είναι οι πιο ευρέως χρησιμοποιούμενοι αισθητήρες σε συστήματα UAV για έξυπνη γεωργία. Μπορούν να τραβήξουν εικόνες υψηλής ανάλυσης και είναι συνήθως λιγότερο ακριβά από τους άλλους τύπους. Εκτός από ελαφρύ και εύκολο στη χρήση, είναι επίσης εύκολα προσβάσιμα. Οι εικόνες RGB μπορούν να ληφθούν σε ένα ευρύτερο φάσμα καιρικών καταστάσεων, συμπεριλαμβανομένων των ηλιόλουστων και συννεφιασμένων ημερών, με την προϋπόθεση ότι ορισμένες παράμετροι της κάμερας (ταχύτητα κλείστρου, ISO, κ.λπ.) έχουν ρυθμιστεί σωστά με βάση τις καιρικές συνθήκες για την αποφυγή υποέκθεσης ή υπερέκθεσης η εικόνα. Το βασικό μειονέκτημα αυτών των αισθητήρων είναι η χαμηλότερη φασματική τους ανάλυση, η οποία τους καθιστά ανεπαρκείς για τη μέτρηση δεικτών που σχετίζονται με τη βλάστηση που απαιτούν φασματικά δεδομένα από το μη ορατό τμήμα του φάσματος. Ως εκ τούτου, οι αισθητήρες RGB χρησιμοποιούνται συνήθως μαζί με άλλους τύπους αισθητήρων.

Πολυφασματικές και υπερφασματικές κάμερες: Τα φασματικά δεδομένα μπορούν να είναι πολύ χρήσιμα για την αξιολόγηση πολλών βιολογικών και φυσικών χαρακτηριστικών των καλλιεργειών. Οι πολυφασματικοί ή υπερφασματικοί αισθητήρες απεικόνισης επωφελούνται από προδιαγραφές υψηλότερης φασματικής ανάλυσης. Οι εικόνες που τραβήχτηκαν από UAV εξοπλισμένα με αυτούς τους αισθητήρες μπορούν να παρέχουν πληροφορίες σχετικά με τη φασματική απορρόφηση και την ανάκλαση της βλάστησης σε διαφορετικές ζώνες. Οι άρρωστες καλλιέργειες μπορούν να εντοπιστούν νωρίς, καθώς η χλωροφύλλη απορροφά το ορατό φως στο κόκκινο κανάλι, ενώ αντανακλά έντονα το φως NIR. Οι πληροφορίες στο κανάλι NIR μπορούν επομένως να χρησιμοποιηθούν για τον εντοπισμό τέτοιων περιπτώσεων ασθένειας, ακόμη κι αν δεν είναι ακόμη ορατές στο κόκκινο κανάλι. Οι τεχνολογικές βελτιώσεις στην παραγωγή αισθητήρων οδήγησαν σε χαμηλού βάρους πολυφασματικούς αισθητήρες που μπορούν να μεταφερθούν ακόμη και στα σημερινά εμπορικά ελαφριά UAV. Οι MicaSense RedEdge και Parrot Sequoia είναι δύο παραδείγματα τέτοιων αισθητήρων που μπορούν να συλλάβουν ένα ευρύτερο φάσμα μηκών κύματος, συμπεριλαμβανομένου του NIR. Με τη χρήση τέτοιων καμερών, είναι δυνατό να εξαχθούν οι δείκτες NDVI και ορισμένοι από τους άλλους προαναφερθέντες δείκτες βλάστησης. Το σχήμα 2 δείχνει την περιοχή του φάσματος που καλύπτεται από καθεμία από τις δύο κάμερες. Οι υπερφασματικοί αισθητήρες έχουν επίσης βελτιωθεί για τη δημιουργία αισθητήρων ελαφρύτερου βάρους ειδικά για drones. Αυτές οι κάμερες καλύπτουν μεγαλύτερο εύρος φάσματος από τους πολυφασματικούς αισθητήρες, αλλά συνήθως επιτυγχάνουν χαμηλότερη χωρική ανάλυση. Το HSC-2 είναι ένας αισθητήρας που χρησιμοποιείται συνήθως για ταξινόμηση και παρακολούθηση της βλάστησης. Αυτή η ελαφριά υπερφασματική κάμερα δημιουργεί έως και χίλιες φασματικές ζώνες στη φασματική περιοχή VIS-VNIR, η οποία είναι ρυθμιζόμενη στο εύρος των 400-1.000 nm.

Θερμικές κάμερες: Όταν είναι θερμότερες από το απόλυτο μηδέν, όλα τα αντικείμενα εκπέμπουν υπέρυθρο φως σε συγκεκριμένα μήκη κύματος ανάλογα με τη θερμοκρασία τους. Οι θερμικές κάμερες συγκεντρώνονται και συλλαμβάνουν ακτινοβολία σε συγκεκριμένα μήκη κύματος, η οποία στη συνέχεια μετατρέπεται σε εικόνα σε κλίμακα του γκρι για να αναπαραστήσει τη θερμότητα. Μερικοί θερμικοί αισθητήρες μπορούν να ερμηνεύσουν τη λαμβανόμενη ενέργεια και να τη μετατρέψουν στην απόλυτη θερμοκρασία του αντικειμένου. Σε αυτήν την περίπτωση, οι εικόνες μπορούν να εμφανίζονται έγχρωμες, με τα πιο καυτά αντικείμενα να υποδεικνύονται συνήθως με κόκκινες αποχρώσεις και τα ψυχρότερα με μπλε. Η τηλεπισκόπηση θερμικών UAV έχει χρησιμοποιηθεί με επιτυχία στη γεωργία για φυτοϋγειονομική επιθεώρηση με βάση την υπόθεση ότι η φρέσκια βλάστηση είναι συνήθως λιγότερο ξηρή σε χαμηλότερες θερμοκρασίες. Επιπλέον, αυτές οι εικόνες μπορούν να υποβληθούν σε περαιτέρω επιθεώρηση και επεξεργασία για την εξαγωγή πληροφοριών που μπορούν να βοηθήσουν στη χαρτογράφηση της άρδευσης, στη διαχείριση λιπασμάτων/φυτοφαρμάκων και στην εκτίμηση της απόδοσης. Επιπλέον, η θερμική απεικόνιση μπορεί να υποστηρίξει την αξιολόγηση της ανάπτυξης ωριμότητας ενός φυτού και μπορεί να εντοπίσει ζημιές στις καλλιέργειες από επιβλαβή γεγονότα όπως πυρκαγιές και άλλα παρόμοια. Η FLIR είναι μία από τις κύριες μάρκες φωτογραφικών μηχανών που εφαρμόζεται ενεργά σε αυτό το πλαίσιο, προσφέροντας τις τρεις κύριες περιοχές μήκους κύματος υπέρυθρων μικρού μήκους, μεσαίου κύματος και μεγάλου κύματος).

Lidar: Επί του παρόντος, το τρισδιάστατο νέφος σημείων είναι απαραίτητο για την αξιολόγηση του ύψους των φυτών, της φαινολογίας των καλλιεργειών, της ροής του νερού και πολλά άλλα. Μια πιο αξιόπιστη εκτίμηση αυτών των παραμέτρων μπορεί να επιτευχθεί όταν είναι διαθέσιμο ένα νέφος σημείων υψηλής πυκνότητας. Ένα UAV εξοπλισμένο με Lidar είναι η προτιμώμενη μέθοδος για την απόκτηση πυκνού νέφους σημείων λόγω της σημαντικής ακρίβειας του Lidar και της δυνατότητας λήψης πολλαπλών επιστροφών. Η βιομάζα μετριέται παραδοσιακά με τετράγωνα που δεν αποφύλλωσαν με κοπή ή βόσκηση κατά τη διάρκεια της καλλιεργητικής περιόδου. Αν και τα δεδομένα είναι ακριβή, αυτή η παραδοσιακή μέθοδος δειγματοληψίας πεδίου AGB είναι χρονοβόρα, δαπανηρή και επίπονη. Επιπλέον, η συλλογή δεδομένων AGB είναι δύσκολη σε μεγαλύτερες περιοχές. Τα δεδομένα Lidar από UAV παρέχουν μια μοναδική ευκαιρία μέτρησης τρισδιάστατων κατακόρυφων δομών. Για παράδειγμα, οι μετρήσεις ύψους θόλου βασίζονται στην επιστροφή του παλμού λέιζερ από τη βλάστηση και το έδαφος σε πολλαπλές αντανακλάσεις και σε διαφορετικά υψόμετρα. Τα τελευταία χρόνια, ψηφιακά μοντέλα εδάφους (DTMs) και DSMs έχουν παραχθεί από δεδομένα Lidar ως βάση για την παρακολούθηση των δομών των εγκαταστάσεων με χρήση UAV και τη δημιουργία μοντέλων ύψους θόλου (CHM). Για τον προσδιορισμό του CHM, το DSM συγκρίνεται σε διαφορετικές χρονικές στιγμές κατά τη διάρκεια της καλλιεργητικής περιόδου, με το αρχικό DTM να υπολογίζεται χρησιμοποιώντας τις πρώτες μετρήσεις. Μέθοδοι που χρησιμοποιούν το Lidar έχουν επίσης αρχίσει να εμφανίζονται για την εκτίμηση του PAI με βάση την πυκνότητα του θόλου. Το θεμελιώδες όφελος αυτών των τεχνικών Lidar είναι η ευαισθησία τους τόσο στα πράσινα όσο και στα μη πράσινα συστατικά των φυτών.

Χρήση UAV Τηλεπισκόπησης για Έξυπνη Γεωργία

Τα δεδομένα που συλλέγονται χρησιμοποιώντας ένα UAV εξοπλισμένο με κάμερες Lidar ή απεικόνισης μπορούν να χρησιμοποιηθούν για πολλαπλούς σκοπούς γεωργικού σχεδιασμού και παρακολούθησης, όπως:

•     Παρακολούθηση της υγείας των καλλιεργειών
•     Αξιολόγηση βλάστησης και ξηρότητας εδάφους
•     Αξιολόγηση απαιτήσεων για λιπάσματα
•     Ζημιές στις καλλιέργειες και ανίχνευση ασθενειών
•     Παρατήρηση ανάπτυξης καλλιεργειών και βελτιστοποίηση συγκομιδής
•     Χαρτογράφηση ροής νερού και διαχείριση άρδευσης
•     Παρακολούθηση διάβρωσης και απώλειας εδάφους
•     Δημιουργία χαρτών κλίσης και έκθεσης στην ηλιακή ακτινοβολία.
•  

Ένας αριθμός εφαρμογών επισημαίνεται με περισσότερες λεπτομέρειες παρακάτω.

Διαχείριση άρδευσης: Μία βασική χρήση της τεχνολογίας UAV στην έξυπνη γεωργία είναι η διαχείριση της άρδευσης καλλιεργειών, στην οποία η αποτελεσματικότητα της χρήσης του νερού αυξάνεται με την εφαρμογή της βέλτιστης ποσότητας του πόρου στη βέλτιστη τοποθεσία και στον βέλτιστο χρόνο. Μπορούν να χρησιμοποιηθούν UAV με κατάλληλους τύπους αισθητήρων για τον εντοπισμό περιοχών μιας καλλιέργειας που απαιτούν επιπλέον πότισμα. Αυτό έχει θετική επίδραση στη συνολική φυτική παραγωγή. Η θερμική κάμερα είναι ένας από τους πιο συχνά χρησιμοποιούμενους αισθητήρες για αυτήν την εφαρμογή. Με τη χρήση θερμικής απεικόνισης για τη χαρτογράφηση της μεταβλητότητας του υδάτινου δυναμικού σε ένα χωράφι, η άρδευση μπορεί να βελτιστοποιηθεί. Η θερμική απεικόνιση UAV μπορεί να είναι απαραίτητη για τον εντοπισμό προβλημάτων όπως η δυσλειτουργία των συστημάτων άρδευσης και η ανομοιόμορφη άρδευση. Η χρήση της θερμικής απεικόνισης UAV καθιστά δυνατό τον εντοπισμό της θερμικής καταπόνησης προτού το φυτό υποστεί μόνιμη βλάβη ή τον εντοπισμό προβλημάτων άρδευσης πριν τα συμπτώματα γίνουν ορατά. Στους αμπελώνες, για παράδειγμα, η άρδευση με βάση τα UAV χρησιμοποιείται στην έξυπνη γεωργία για την ενίσχυση της διανομής νερού μέσα στον αμπελώνα, για να βοηθήσει στην επίτευξη ομοιόμορφης ωριμότητας και, ως εκ τούτου, στη βελτίωση της ποιότητας του προϊόντος.

Ασφάλιση καλλιεργειών: Οι παγκόσμιες προκλήσεις, όπως η υπερθέρμανση του πλανήτη και οι πιο ακραίες βροχοπτώσεις κατά τη διάρκεια του έτους, οδηγούν όλο και περισσότερο σε πλημμύρες, προκαλώντας την καταστροφή των καλλιεργειών λόγω έλλειψης οξυγόνου στις ρίζες και έλλειψης ηλιακού φωτός στο φύλλωμα. Σε τέτοιες περιπτώσεις, οι αγρότες μπορούν συχνά να υποβάλλουν αξιώσεις ασφάλισης για τη ζημιά που έχει προκληθεί. Προτού μπορέσει να εκπληρωθεί η αξίωση, ένας επιθεωρητής ασφαλιστικών ζημιών πρέπει να διενεργήσει αξιολόγηση ζημιών στις καλλιέργειες. Παραδοσιακά, ήταν δύσκολο να εκτελεστούν και είναι συχνά λανθασμένα επειδή η εργασία γίνεται κυρίως με το χέρι. Τα UAV έχουν δυνατότητες για εκτιμήσεις ζημιών στις καλλιέργειες, καθώς επιτρέπουν τη λήψη εικόνων σε ευρεία περιοχή κάλυψης, μειώνοντας έτσι τον χρόνο και το κόστος, βελτιώνοντας παράλληλα την ακρίβεια της επιθεώρησης και υποστηρίζοντας αποτελεσματική τεκμηρίωση.

Χαρτογράφηση ζιζανίων: Η χαρτογράφηση ζιζανίων είναι μια σημαντική εφαρμογή της έξυπνης γεωργίας που βασίζεται σε UAV. Τα ζιζάνια είναι ανεπιθύμητα φυτά που αναπτύσσονται στις καλλιέργειες και μπορούν να οδηγήσουν σε πολλά προβλήματα. Επηρεάζουν αρνητικά την ανάπτυξη των φυτών επειδή εντείνουν τον αγώνα για περιορισμένους πόρους όπως το νερό ή ο χώρος για να αναπτυχθούν. Ο ψεκασμός του αγρού με ζιζανιοκτόνα είναι η συμβατική μέθοδος αντιμετώπισης ή καταπολέμησης των ζιζανίων. Ωστόσο, η υπερβολική χρήση ζιζανιοκτόνου μπορεί να οδηγήσει σε ανθεκτικά στα ζιζανιοκτόνα ζιζάνια, εκτός του ότι έχει αντίκτυπο στην ανάπτυξη και την παραγωγικότητα των καλλιεργειών. Επιπλέον, θέτει σε σοβαρό κίνδυνο το περιβάλλον μέσω της ρύπανσης, για να μην αναφέρουμε τη σημαντική αύξηση της τιμής κόστους. Μια εναλλακτική λύση είναι η ειδική διαχείριση ζιζανίων (SSWM), στην οποία τα ζιζανιοκτόνα εφαρμόζονται με χωρικά μεταβλητό τρόπο αντί να ψεκάζονται σε ολόκληρο το χωράφι. Αυτό απαιτεί τη δημιουργία ενός ακριβούς χάρτη κάλυψης ζιζανίων που επιτρέπει τη στοχευμένη εφαρμογή ζιζανιοκτόνου με βάση την απεικόνιση UAV. Οι χάρτες ζιζανίων εργασιών ή οι χάρτες ζωνών δείχνουν τους τύπους εδάφους, την τοπογραφία ή τους χάρτες παρασίτων. Όταν εφαρμόζονται τεχνικές μηχανικής μάθησης σε εικόνες UAV, είναι δυνατός ο εντοπισμός ζιζανίων και καλλιεργειών αυτόματα με βάση το σχήμα, τη δομή και την αντίθεσή τους. Στη συνέχεια, τα ζιζανιοκτόνα εφαρμόζονται ειδικά μόνο στα ζιζάνια, κάτι που είναι καλύτερο για την καλλιέργεια και έχει επίσης μικρότερη περιβαλλοντική επίπτωση.

Ανίχνευση ζημιάς στις καλλιέργειες: Τα UAV μπορούν να χρησιμοποιηθούν για τη δημιουργία τρισδιάστατων ψηφιακών χαρτών της καλλιέργειας και για την αξιολόγηση ποικίλων παραγόντων, όπως το ύψος της καλλιέργειας και το LAI. Επιπλέον, τα δεδομένα απεικόνισης καλλιεργειών που βασίζονται σε UAV μπορούν να αναλυθούν με εργαλεία επεξεργασίας δεδομένων για τον εντοπισμό αλλαγών στη βιομάζα και την υγεία των φυτών. Ως αποτέλεσμα, οι μολύνσεις μπορεί να εντοπιστούν στα αρχικά στάδια, επιτρέποντας στους αγρότες να αναλάβουν δράση για να ελαχιστοποιήσουν τις απώλειες. Γενικά, τα UAV παίζουν ρόλο συλλέγοντας δεδομένα σχετικά με την υγεία των καλλιεργειών για την ανίχνευση πιθανής μόλυνσης στο αρχικό στάδιο της μόλυνσης, πριν εμφανιστούν οπτικές ενδείξεις. Επιπλέον, τα UAV μπορούν να χρησιμοποιηθούν κατά τη θεραπεία λοιμώξεων όταν οι αγρότες μπορούν να τα χρησιμοποιήσουν για στοχευμένους ψεκασμούς καθώς και για ακριβή παρακολούθηση της προόδου της παρέμβασης.

Λίπασμα σε καλλιέργειες: Το πιο δημοφιλές λίπασμα στον κόσμο είναι το άζωτο. Είναι ένα ζωτικό συστατικό της χλωροφύλλης, η οποία είναι το κλειδί για την επιβίωση των φυτών. Ο έλεγχος της ποσότητας του λιπάσματος που χρησιμοποιείται για τις καλλιέργειες ωφελεί τόσο τα φυτά όσο και τον προϋπολογισμό. Αντίστοιχα, πολλοί αγρότες σήμερα χρησιμοποιούν UAV και έξυπνες τεχνικές γεωργίας για να αποκτήσουν πληροφορίες και να χαρτογραφήσουν τα χωράφια των καλλιεργειών τους προκειμένου να παρέχουν στα φυτά τα λιπάσματα που χρειάζονται ενώ χρησιμοποιούν λιγότερο άζωτο συνολικά. Το GAI είναι ο πιο συχνά χρησιμοποιούμενος δείκτης για τον υπολογισμό πότε και πού απαιτείται εφαρμογή αζώτου. Κανονικά, ο χάρτης καλλιέργειας που προκύπτει είναι χρωματικά κωδικοποιημένος σύμφωνα με τις τιμές GAI, με χαμηλότερες τιμές GAI που υποδηλώνουν μεγαλύτερη ανάγκη για άζωτο.

Επιθεώρηση περιοχής πλημμυρισμένης καλλιέργειας: Για αξιολογήσεις ασφαλιστικών ζημιών, ένα UAV μπορεί να πετάξει πάνω από τις περιοχές που έχουν υποστεί ζημιά για τη συλλογή δεδομένων χρησιμοποιώντας κάμερες RGB ή MS. Τα δεδομένα μπορούν να υποβληθούν σε επεξεργασία και να εμφανιστούν χρησιμοποιώντας τις κατάλληλες τεχνολογίες αιχμής για τον υπολογισμό της απώλειας καλλιέργειας. Για να αναλύσει τη ζημιά στις καλλιέργειες και να παράσχει μια αναφορά των ευρημάτων για τον αγρότη, ο επιθεωρητής ζημιών θα πρέπει πρώτα να δημιουργήσει μια σειρά από απεικονίσεις, παρόμοιες με έναν ορθομωσαϊκό χάρτη. Ο επιθεωρητής απώλειας μπορεί επίσης να υπολογίσει το NDVI, το οποίο είναι αποτελεσματικό στον εντοπισμό της βλάστησης και του γυμνού εδάφους, για να προσδιορίσει τον βαθμό της ζημιάς. Αφού αναπτύξει τον κατηγοριοποιημένο χάρτη NDVI που εμφανίζει τα γυμνά μπαλώματα του εδάφους στο αγρόκτημα, ο επιθεωρητής μπορεί να χρησιμοποιήσει τον χάρτη για να προσδιορίσει ποιες περιοχές του αγρού απαιτούν πιο προσεκτική εκτίμηση του επιπέδου ζημιάς.

Συμπεράσματα

Αυτό το άρθρο περιγράφει την εμφάνιση της τεχνολογίας UAV για έξυπνη γεωργία σε διάφορες εφαρμογές που σχετίζονται με την παρακολούθηση και τη διαχείριση των καλλιεργειών και υπογραμμίζει τα πλεονεκτήματα της χρήσης UAV σε αυτόν τον τομέα σε σύγκριση με τεχνικές πεδίου και δορυφόρων. Επεξηγούνται εν συντομία διάφοροι δείκτες βλάστησης, συμπεριλαμβανομένων των συνδέσεών τους με τους τύπους αισθητήρων που χρησιμοποιούνται στα UAV, όπως πολυφασματικές, θερμικές, κάμερες RGB και Lidar.

Πηγή: www.gim-international.com