Integrating RS&GIS for Precision Agriculture Solutions Հեռազննման և ԱՏՀ-ի ինտեգրումը ճշգրիտ գյուղատնտեսության լուծումների համար
Reading time
Content
Այս բաժինը շեշտում է պիստակի ծառերի մոնիթորինգը, դասընթացի համար դեպքերի ուսումնասիրությունների նախապատրաստումը և դաշտային աշխատանքների տվյալների հավաքագրումը՝ հմտությունների զարգացման շեշտադրմամբ։
Հաջորդ բաժնում կքննարկվեն պիստակի ոլորտում առկա մարտահրավերները, առաքելության պլանավորումը, պիստակի այգիներում վնասատուների և մոլախոտերի խնդիրների սահմանումը, տվյալների ձեռքբերումը՝ ներառյալ հեռազննման և դրոնների տվյալների օգտագործումը, ինչպես նաև թվային գործիքներ մոնիթորինգի, պիստակի հայտնաբերման, դասակարգման, կառավարման գոտիների ստեղծման և վնասատուների հայտնաբերման համար։
Վնասատուների կառավարում. Agonoscena pistaciae (Պիստակի տերևալվիկ)
Նշանակությունը Պիստակի տերևալվիկը՝ Agonoscena pistaciae-ը, նույնականացվում է որպես «լուրջ վնասատու», որը «զգալի վնաս է պատճառում տերևներին՝ իր հյութ ծծող թրթուրների պատճառով, որոնք արտազատում են մոմ և մեղրացող»՝ ի վերջո խաթարելով ֆոտոսինթեզը և նվազեցնելով ընկույզի բերքատվությունն ու որակը։ Այն պիստակի այգիներում տնտեսապես ամենակարևոր վնասատուներից է։
Հայտնաբերման մարտահրավերները Տերևալվիկի խտությունը հեռակա չափելու համար անհրաժեշտ է հայտնաբերել «տերևի արտացոլման կամ քլորոֆիլի պարունակության նուրբ փոփոխությունները, որոնք առաջացել են տերևալվիկի վարակման պատճառով»՝ օգտագործելով բարձր լուծաչափով տեսախցիկներ կամ RGB/մուլտիսպեկտրալ սենսորներ՝ դրոնների կամ շարժական հարթակների վրա։
Բազմափուլ հայտնաբերման ռազմավարություն.
ԿԳ-ի ստեղծում. Նախ, Կառավարման գոտիներ (ԿԳ) են ստեղծվում՝ օգտագտելով Sentinel-2 տվյալները՝ այգու այն «թույլ հատվածները» բացահայտելու համար, որտեղ վնասատուների խնդիրներն առավել հավանական են։
Տերևների մակարդակի հայտնաբերում (Թրթուրի/ձվի փուլ). «Յուրաքանչյուր ԿԳ-ում կտեղադրվի տեսախցիկներով «շասսի-վանդակ»՝ տերևների վրայի վնասատուի թվային հսկողության համար… վնասատուի նույնականացման (հայտնաբերում և դասակարգում) համար»։ Սա ներառում է առանձին առանձնյակների հաշվարկը տերևի մակերեսների վրա։
Հասուն փուլի մոնիթորինգ. Մեթոդ կմշակվի այգում վնասատուի հասուն փուլի պոպուլյացիայի փոփոխությունը մոնիթորինգի և որոշելու համար, որպեսզի ֆերմայի ղեկավարներին տեղեկացվի հետագա գործողությունների մասին (օրինակ՝ քիմիական պայքար)։
Սենսորների առանձնահատկությունները Սենսորների համար գործնական նկատառումները ներառում են ավտոֆոկուսը, մոտ տարածության ֆոկուսը, լարային/անլար կապը, ամրությունը, ճշգրտությունը, մատչելիությունը և թվային կապը՝ հեռակա տվյալների մուտքի համար։ Նշվում են նաև շարժման հետևանքով առաջացած լղոզման (motion blur) և ցրված լույսի հետ կապված մարտահրավերները։ Տրվում են տերևների վրա տերևալվիկի նմուշային պատկերներ՝ նշելով վնասատուներին վիզուալ և Matlab-ի կոդով մշակված սահմանազատող շրջանակների (bounding box overlays) միջոցով նույնականացնելու հնարավորությունը։
Արհեստական ինտելեկտի (ԱԻ) ինտեգրում Առաջարկվում են «եզրային տեսախցիկներ ԱԻ-ով՝ ԱԻ-ով աշխատող LoRaWAN վնասատուների դետեկտոր՝ RGB ԱԻ սենսորի միջոցով հավելվածի միջոցով»՝ պատկերների արագ վերլուծության և վնասատուների ավտոմատ հայտնաբերման համար։
Վնասատուների մոդելներ և ցողման ժամանակացույց «Վնասատուների մոդելները հարմարեցվում են յուրաքանչյուր այգու համար՝ թույլ տալով ճշգրտված ցողումներ առավելագույն ազդեցության համար և հնարավորություն տալով կրճատելու մշակումների թիվը»։ Այս մոդելները, կլիմայական տեղեկատվության հետ համակցված (օրինակ՝ աստիճան-օրվա մոդելավորում), ապահովում են «ճշգրիտ և հուսալի ռիսկի մակարդակներ ավելի վաղ, ինչը հեշտացնում է ցողման ժամանակացույցի և լոգիստիկայի կառավարումը»։
Արդյունքում, այս բաժինը ներկայացնում է մրգատու ծառերի համար ճշգրիտ գյուղատնտեսության լուծումներ՝ օգտագործելով Իրերի ինտերնետ (ԻԻ) սենսորներ, մեքենայական ուսուցում և մեծ տվյալների վերլուծություն։ Հիմնական դեպքի ուսումնասիրությունները ներառում են միջատ-վնասատուների կառավարումը շարժական հարթակների և սենսորների միջոցով, ինչպես նաև բույսերի սթրեսի մոնիթորինգը՝ ոռոգումը օպտիմալացնելու համար։ VETfarm-ի գործընկերները շեշտում են պիստակագործների համար սենսորային լուծումների ինքնուրույն կարգավորման, տեղադրման և պահպանման կարևորությունը։
Ստեղծված VETfarm ցանցի պիստակագործները պետք է չափեն տերևալվիկի կամ նմանատիպ վնասատուների և հիվանդությունների խտությունը պիստակի այգիներում՝ օգտագործելով հեռազննման տեխնոլոգիա՝ ճշգրիտ չափումներ ստանալու համար։
Տերևալվիկի խտության չափումը պիստակի դաշտերում՝ հեռազննման միջոցով Տերևալվիկը՝ վնասատուն, կարող է զգալի ազդեցություն ունենալ պիստակի բերքատվության վրա։ Կարո՞ղ է արդյոք տերևալվիկի խտության մոնիթորինգը հեռազննման միջոցով իրականացվել՝ օգտագործելով ձողի վրա տեղադրված բարձր լուծաչափով տեսախցիկներ կամ դրոնի վրա տեղադրված RGB/մուլտիսպեկտրալ սենսորներ։ Մենք պետք է հայտնաբերենք տերևի արտացոլման կամ քլորոֆիլի պարունակության նուրբ փոփոխությունները, որոնք առաջացել են տերևալվիկի վարակման պատճառով։
Ստորև ներկայացված է գրականության ակնարկ՝ հասած ճշգրտության վերաբերյալ, որը հիմնված է սենսորների լուծաչափի և կիրառվող մեթոդի վրա։
Ակնարկ Agonoscena pistaciae-ի կենսաբանության, էկոլոգիայի և կառավարման վերաբերյալ
Պարզվել է, որ Իրանի պիստակի դաշտերում կա ավելի քան 100 վնասակար միջատների տեսակ, և դրանցից 20-ը տնտեսական վնաս են պատճառում և առաջացնում արտադրանքի 50% կորուստ (Davatchi, 1958)։
Հայաստանի VETfarm թիմը 2025 թվականին զեկուցեց, որ Արմավիրի մարզի ուսումնասիրվող տարածքում կան որոշ վնասակար միջատների տեսակներ, և դրանցից մեկը Agonoscena pistaciae-ն է։
Agonoscena pistaciae Burckhardt & Lauterer (Hemiptera: Psyllidae)՝ որը հայտնի է որպես պիստակի տերևալվիկ, լուրջ վնասատու է Pistacia vera L.-ի (Sapindalis: Anacardiaceae) համար Մերձավոր Արևելքում և Միջերկրական ավազանում։ Այս վնասատուն առաջին անգամ հայտնաբերվել է Կերիոխինի (1946) կողմից ինչպես ընտելացված (P. vera), այնպես էլ վայրի պիստակի (Pistacia mutica) վրա Իրանում (Takalloozadeh, 2008)։ Այս վնասատուն, որը հայտնի է իր պոպուլյացիայի արագ աճով և տարեկան բազմաթիվ սերունդներով, զգալի վնաս է հասցնում տերևներին՝ իր հյութ ծծող թրթուրների պատճառով, որոնք արտազատում են մոմ և մեղրացող։ Այս արտազատումները նպաստում են սև ծխախոտի բորբոսի զարգացմանը, ինչը խաթարում է ֆոտոսինթեզը և նվազեցնում ընկույզի բերքատվությունն ու որակը։ Իր տնտեսական կարևորության պատճառով անհրաժեշտ են կայուն կառավարման մոտեցումներ, որոնք պետք է համատեղեն միջատի կենսաբանության խորը ըմբռնումը, դաշտային մոնիթորինգը և ժամանակակից տեխնոլոգիաների, ինչպիսին է հեռազննումը, կիրառումը
Հմտությունների զարգացման պահանջների վերլուծություն
Այս հատվածը նվիրված է հմտությունների զարգացման պահանջների վերլուծությանը և ներկայացնում է գործնական ենթակառուցվածք, սենսորների և հարթակների նախագծում՝ տերևալվիկների վերաբերյալ որակյալ տվյալների հավաքագրման համար։ Այն կօգտագործվի հեռազննման մեթոդներով Agonoscena pistaciae-ի պոպուլյացիայի զարգացումը որոշելու համար՝ դաշտային ուսումնասիրությունների, վնասատուի հասուն, թրթուրային և ձվի փուլի նմուշառման միջոցով։
- Կառավարման գոտիների (ԿԳ) ստեղծում Նախ, պիստակի այգում կստեղծվեն Կառավարման գոտիներ (ԿԳ)՝ օգտագործելով Sentinel-2 արբանյակային տվյալները և նախկինում քննարկված WI գործիքները։ Դասընթացի այս հատվածը վերաբերում է ԿԳ-ի ստեղծման տեխնիկաներին և կիրառություններին։ ԿԳ-ները սահմանվում են որպես ֆերմերային դաշտերի ենթամիավորումներ՝ բերքատվությունը սահմանափակող գործոնների համեմատաբար համասեռ համակցությամբ։ Յուրաքանչյուր գոտի կարող է կառավարվել տարբեր, բայց հատուկ միասնական դրույքաչափով կառավարման պրակտիկայով՝ ճշգրիտ գյուղատնտեսության համատեքստում ֆերմերային ներդրումների արդյունավետությունը առավելագույնի հասցնելու համար։ Ըստ վերևում քննարկված պիստակի ֆերմայի կառավարման հարցումների՝ ֆենոլոգիական տեղեկատվությունը և կլիմայական տեղեկատվությունը (երաշտ) ԿԳ-ի սահմանազատման համար կենսական գործոններ են։ Այս համատեքստում, ԿԳ-ի կիրառությունները հետևյալն են. Ֆերմայի ղեկավարի հետ համատեղ բացահայտել ցածր ակնկալվող բերքատվությամբ ԿԳ-ներ («թույլ հատվածներ այգում»)։ Հայտնաբերել բերքատու և ոչ բերքատու ծառերի հատվածները և դրանց տարբերությունները։ Ֆերմերի ղեկավարի և տեղացի փորձագետների հետ համատեղ («փորձագիտական գիտելիքներ») բացահայտել հիվանդ և ցածր բերքատու ծառեր «թույլ» ԿԳ-ում։ Որքանո՞վ ճշգրիտ կարող են ծառերը համեմատվել բարձր և ցածր բերքատվությամբ (բերքատու և ոչ բերքատու ծառերի) Շարժական լաբորատորիաների միջոցով։ Այս մասում ԿԳ-ներ կստեղծվեն բաց, անվճար Sentinel-2 արբանյակային տվյալների հիման վրա՝ փոփոխական դրույքաչափով կիրառությունների համար։ Ինչպես քննարկվեց վերևում, ստեղծված ԿԳ-ները կօգնեն որոշել, թե որտեղ պետք է վերցվեն բերքի/վնասատուների ներկայացուցչական նմուշները։ Ընդհանուր ուղեցույցն է հետաքրքրության դաշտերը բաժանել երեք հատվածի, յուրաքանչյուր հատվածից վերցնելով առնվազն երեք նմուշ։ Սա ընդհանուր առմամբ տալիս է 9 նմուշ (3 x 3), եթե տարածքների կամ գոտիների միջև տարբերությունները վիճակագրորեն էական չեն։
- Թրթուրների և ձվերի փուլի հայտնաբերում Երկրորդ, յուրաքանչյուր ԿԳ-ում կկառուցվի տեսախցիկներով «շասսի-վանդակ»՝ պիստակի աճի փուլում տերևների վրա (բարդ տերևներ) վնասատուների թվային վերահսկման համար՝ շասսիի տակից տարբեր ուղղություններով։ Այս փուլը նախատեսված է վնասատուի նույնականացման (հայտնաբերման և դասակարգման) համար։ Բացի այդ, կդիտարկվի Agonoscena pistaciae-ի կյանքի տևողությունը տարբեր ջերմաստիճաններում և աճի փուլերում։ Այս փուլում յուրաքանչյուր «շասսի-վանդակում» կկատարվի վնասատուների հաշվարկ (դիտվում են գույնի և չափի զգալի տարբերություններ) և դրանց բաշխում։ Վնասատուի ձվի և թրթուրային փուլի հաշվարկը կկատարվի՝ հաշվելով առանձին առանձնյակները բարդ տերևների ստորին և վերին մակերեսների վրա։
- Հասուն փուլի մոնիթորինգ Երրորդ, կմշակվի մեթոդ՝ այգում վնասատուի հասուն փուլի պոպուլյացիայի փոփոխությունը մոնիթորինգի և որոշելու համար, որպեսզի ֆերմայի ղեկավարներին տեղեկացվի հետագա գործողությունների մասին (օրինակ՝ քիմիական պայքար), ինչպես նաև գործողություններից հետո մոնիթորինգի և ազդեցության գնահատման համար։ Գործնական օգտագործման հնարավորություն դաշտում, ձեռքի փուլ Ինչպե՞ս հասնել տերևներին։ Առավել հավանական է, որ վնասատուն լինի վերևում, ուստի կարող ենք սկսել ձեռքով կառավարվող աստղադիտակային «սելֆի» տիպի ձողով։ Օգտագործել ակնոցներ՝ որպես «տեսախցիկը» ուղղորդելու համար։ Շարժական պորտալ համակարգ՝ բոլոր սենսորներով, ներառյալ RGB տեսախցիկը (ցածր/բարձր) լուծաչափով, որը կենտրոնացած է կարճ հեռավորության վրա, դիրքով, դիտման անկյունով, բույսի ID-ով, ամսաթվով և ժամանակի կնիքով։ Կա նաև ցրված լույսի խնդիր, որը կարող է հաղթահարվել։ Ցածր լուծաչափը կարող է առավելություն լինել GPU edge computing-ով տեսախցիկների կամ տեսախցիկների տախտակների համար։ Դրանք կարող են կատարել պատկերների արագ վերլուծություն։ Անհրաժեշտ տարածական հղումները, GPS-ը, մագնիսական դաշտը և ճնշումը կարող են ավելացվել որպես HAT տախտակներ։ Մենք կարող ենք նախնական աղյուսակ կազմել՝ կողմ և դեմ կողմերով։ Քաշի գործոնները քննարկման ենթակա են։ Ծախս-օգուտ վերլուծություն՝ վնասատուների հայտնաբերման համար, հիմնված UNDER SUN ընկերության և ցանցի կարիքների վրա։ Մեխանիկական փուլը կարող է իրականացվել որպես ինքնահավասարակշռվող շարժական «սելֆի» ձող։ Շարժվող տերևների նկատմամբ դիրքորոշման խնդիրը կարող է լուծվել վիդեո փլուզումներով, որին հաջորդում է հարմար տվյալների ալգորիթմական ընտրությունը [փորձնական]։ 3D բույսերի մոդելներ Եզրային տեսախցիկներ ԱԻ-ով՝ ԱԻ-ով աշխատող LoRaWAN վնասատուների դետեկտոր՝ RGB ԱԻ սենսորի միջոցով հավելվածի միջոցով։ Պահանջներ և նկատառումներ. Օգտագործելով տարբեր սենսորներ և սարքեր, մենք ցանկանում ենք մոնիթորինգի ենթարկել հողի, պիստակի, վնասատուների և շրջակա միջավայրի ցուցանիշների, օդերևութաբանական տեղեկատվության և այլնի վերաբերյալ իրական ժամանակի տվյալներ՝ ապահովելով ճշգրիտ հղումներ պիստակի արտադրության և շրջակա միջավայրի մոնիթորինգի համար։ Այս կերպ VETfarm թիմը կարող է օգնել պիստակի արդյունաբերությանն աջակցել՝ հասնելով գործնական և մատչելի լուծումների։ Գործնական նկատառումներ տերևի և սաղարթի մակարդակի սենսորների համար, ինչպես նաև շարժական հարթակի համակարգում դյուրին տեղադրման, տվյալների հավաքագրման և դրանք փոխանակելու պահանջներ.
Pan & Tilt (PTZ),
Ավտոֆոկուս, և
Արդյունավետ ֆոկուս շատ մոտ տարածությունից (5 դյույմից պակաս / ~12 սմ),
Լարային կամ անլար
Ամուր մոտ տարածության վնասատուների մոնիթորինգ
Ճշգրտություն, հուսալիություն, օգտագործման և տեղադրման հեշտություն։
Մատչելի ծախսեր
Սենսորները սնուցելու հեշտ եղանակ
Թվային հաղորդակցություն և տվյալների փոխանցում (տվյալների հեռակա մուտք ամպի միջոցով), և կառավարում (տվյալների գրանցիչներ)։
Կարո՞ղ ենք արդյոք այս սենսորները միացնել ցանցին՝ Իրերի ինտերնետ (ԻԻ) սենսորային ցանց ստեղծելու համար։
Ուսուցում և տեխնիկական աջակցություն այս սենսորների տեղադրման, պահպանման և շահագործման համար Հայաստանի ազգային ագրարային համալսարանի (ՀԱԱՀ) և UNDER SUN-ի համար։
Ո՞րն է այս սենսորների երաշխիքը։
Անջրանցիկ և եղանակային պայմաններին դիմացկուն հատկություններ
Այն սմարթֆոնից գործարկելը՝ որպես դրոնների այլընտրանք։
Գործնական կիրառելիությունը դաշտում, ձեռքի եղանակով (մեթոդով)
Ինչպե՞ս հասնել տերևներին։
- «Առավել հավանական է, որ վնասատուները գտնվեն վերին հատվածում, ուստի կարող ենք սկսել ձեռքով կառավարվող աստղադիտակային «սելֆի» տեսակի ձողից»
- «Կրել ակնոցներ որպես մոնիտոր՝ տեսախցիկը ուղղորդելու համար»։
- Շարժական պորտալ համակարգ՝ բոլոր սենսորներով, ներառյալ RGB տեսախցիկը՝ (ցածր/բարձր) լուծաչափով, որը կենտրոնացած է կարճ հեռավորության վրա, դիրքով, դիտման անկյունով, բույսի ID-ով, ամսաթվով և ժամանակի կնիքով։ Կա նաև ցրված լույսի խնդիր, որը կարող է հաղթահարվել։ Ցածր լուծաչափը կարող է առավելություն լինել GPU edge computing-ով տեսախցիկների կամ տեսախցիկների տախտակների համար։ Դրանք կարող են կատարել պատկերների արագ վերլուծություն։ Անհրաժեշտ տարածական հղումները, GPS-ը, մագնիսական դաշտը և ճնշումը կարող են ավելացվել որպես HAT տախտակներ։ Մենք կարող ենք նախնական աղյուսակ կազմել՝ կողմ և դեմ կողմերով։ Քաշի գործոնները քննարկման ենթակա են։
- Վնասատուների հայտնաբերման համար ծախս-օգուտ վերլուծություն՝ հիմնված «UNDER SUN» ընկերության և ցանցի կարիքների վրա։
- Մեխանիկական փուլը կարող է իրականացվել որպես ինքնահավասարակշռվող շարժական «սելֆի» ձող։
- «Շարժվող տերևների նկատմամբ դիրքի որոշման խնդիրը կարող է լուծվել՝ նկարահանելով վիդեո-բերսթեր, որին կհաջորդի համապատասխան տվյալների ալգորիթմական ընտրությունը [փորձնական]»։
- բույսի 3D մոդելներ
- AI-ով եզրային տեսախցիկներ (Edge cameras) - AI-ի վրա հիմնված LoRaWAN վնասատուների դետեկտոր՝ օգտագործելով RGB AI սենսորը հավելվածի միջոցով:
Պահանջներ և նկատառումներ
Տարբեր սենսորների և սարքերի միջոցով մենք ցանկանում ենք իրական ժամանակում վերահսկել հողի, պիստակի, վնասատուների, ինչպես նաև շրջակա միջավայրի ցուցանիշների, օդերևութաբանական տվյալների և այլնի վերաբերյալ տվյալները՝ ապահովելով ճշգրիտ տեղեկատվություն պիստակի արտադրության և շրջակա միջավայրի մոնիթորինգի համար։ Այս կերպ, VETfarm թիմը կարող է աջակցել պիստակի արդյունաբերությանը՝ հասնելով գործնական և մատչելի լուծումների։
Գործնական նկատառումներ տերևների և բուսածածկույթի մակարդակի սենսորների համար, ինչպես նաև հեշտ տեղադրման պահանջները շարժական հարթակի համակարգի վրա, տվյալների հավաքագրումն ու փոխանցումը:
- Պանորամա և թեքություն (PTZ),
- Ավտոմատ ֆոկուս, և
- Արդյունավետ ֆոկուս շատ մոտ հեռավորությունից (5 դյույմից / ~12 սմ-ից պակաս),
- Լարային կամ անլար
- Մոտիկ պլանով վնասատուների հուսալի մոնիթորինգ
- Ճշգրտություն, հուսալիություն, օգտագործման հեշտություն և տեղադրման հարմարավետություն։
- Սենսորների սնուցման հեշտ եղանակ
- Թվային կապ և տվյալների փոխանցում (ամպային տվյալների հեռակա մուտք) և կառավարում (տվյալների գրանցող սարքեր):
- Կարո՞ղ ենք այս սենսորները միացնել ցանցին՝ IoT սենսորային ցանց ստեղծելու համար:
- Այս սենսորների տեղադրման, սպասարկման և շահագործման ուսուցում և տեխնիկական աջակցություն ANAU-ի և UNDER SUN-ի համար:
- Ի՞նչ երաշխիք ունեն այս սենսորները:
- Ջրակայուն և եղանակային պայմաններին դիմակայող հատկանիշներ
- Սմարթֆոնից ակտիվացում՝ որպես անօդաչու թռչող սարքերի այլընտրանք:
Նախնական արդյունքներ
Շարժական լաբորատորիաներ պտղատու այգիներում: Ավանդական ֆերմերային տնտեսությունների կառավարումը բարելավելու համար կներառենք նորագույն, նորարարական տեխնոլոգիաներ և մեքենայացում։ Կներկայացվեն այնպիսի հայեցակարգեր, ինչպիսիք են՝ չափումն ու վերահսկումը, արհեստական բանականությունը (AI), ճշգրիտ ագրոանտառաբուծության մեթոդները, սենսորների վրա հիմնված մոնիթորինգը և տվյալների վերլուծությունը՝ ներդրումները օպտիմալացնելու և մարտահրավերները, ինչպիսիք են վնասատուների բազմացումը և ջրի պակասը, լուծելու նպատակով։ Այս դասընթացի ընթացքում մենք կուսումնասիրենք շարժական լաբորատորիաների նախագծումն ու ստեղծումը։ Լաբորատորիաները կներառեն շարժական սենսորներ, որոնք կարող են օգտագործվել ֆերմերային տնտեսություններում՝ տեղական համայնքի հետ կապ հաստատելու համար։
Ներկայիս տեխնոլոգիաների միջոցով, ինչպիսիք են Հեռազոնդումը (Remote Sensing), Իրերի ինտերնետը (IoT), Արհեստական բանականությունը (AI) և Երկրատեղեկատվական համակարգերը (Geoinformation), հնարավոր է վերահսկել տնտեսական և բնապահպանական նշանակություն ունեցող բույսերի աճն ու զարգացումը։
Կատարել համապարփակ շուկայական վերլուծություն՝ ծախսարդյունավետ սենսորային համակարգեր ընտրելու և ինտեգրելու համար։ Սա ներառում է հողի և բույսերի սենսորներ, ինչպես նաև հարթակների և ձողերի վրա տեղադրված սենսորներ ու տեսախցիկներ՝ վնասատուների և հիվանդությունների մոնիթորինգի համար։
Բացի այդ, ստեղծել լաբորատորիա՝ տեխնոլոգիական անհատական լուծումներ փորձարկելու և մշակելու համար։ Կիրառել «Շարժական լաբորատորիաներ»՝ փորձարկումների և գիտափորձերի համար՝ օգտագործելով «Իրերի Ինտերնետ»-ով (IoT) ապահովված համակարգեր՝ սթրեսային գործոնները, ինչպիսիք են՝ միջատների բազմացումը, հիվանդությունները և ջրի պակասը, հայտնաբերելու համար։ Այս մոտեցումը նպատակ ունի վերահսկել հիվանդությունների բռնկման վաղ նշանները՝ դրանով իսկ նպաստելով կանխարգելիչ և թիրախային միջամտություններին։
Միջատի (Psyllid) նկարների նմուշներ
Ստորև ներկայացված է յոթ RGB պատկերներ՝ արված դաշտային պայմաններում՝ վնասատուների հայտնաբերման մարտահրավերի համար։
Նկար 1: Ագոնոսցենա պիստացիաե (Agonoscena pistaciae) տեսակի միջատների և դրանց արտաթորանքների չափը, գույնը և բաշխվածությունը տերևների վրա՝ սնվող հասուն և երիտասարդ առանձնյակների (նիմֆաներ) հետևանքով (տեսողական պատկերներ, որոնք ձեռք են բերվել բջջային հեռախոսի միջոցով)։
Նկար XX. Matlab-ում մշակված կոդը յոթ RGB պատկերների վրա գործարկելուց հետո սահմանային վանդակների համադրում, որը տալիս է RGB + սահմանային վանդակների ընդհանուր պատկերը: Յոթերորդ նկարը ցույց է տրված ավելի հեշտ քննարկման համար:
Հաշվի առնելով տվյալների հավաքագրման հետ կապված այլ մարտահրավերները, օգտատերերն է որոշում, թե արդյոք այս տարբերակը բավարար է։
Ակադեմիական/ուսուցողական տեսանկյունից մենք առաջարկում ենք.
- Հմտությունների մարզման համար սա կարող է բավականին լավ լինել՝ մարդկային ինտելեկտի վրա հիմնված նախնական զարգացումից հետո, կարճ ժամանակում, առանց մեթոդների և պարամետրերի կարգավորման։
- գիտելիքահեն պատկերի վերլուծության/հրապարակման վերաբերյալ ակադեմիական/դասընթացային նյութեր: Մենք կարող ենք ավելացնել օպտիմալ շփոթության մատրիցի արդյունքի որոնում: Օպտիմալը պետք է սահմանվի օգտատիրոջ կողմից:
Գործնականում:
- Ձեռքով ստացված տվյալները պետք է պահվեն ԱՏՀ տիպի տվյալների կառուցվածքում՝ տեղադիրքով, դիտման անկյունով, բույսի ID-ով, ամսաթվով և ժամանակի դրոշմանիշով: Հիմնաբառեր՝ սկզբնական և մշակված տվյալները վերականգնելու համար:
- Ցանկացած տեսախցիկով (RGB սենսոր, iPhone, հորատանցքերի զննման սարք և այլն) տվյալների հավաքագրման ժամանակ առկա է մի չլուծված խնդիր՝ տերևները տեսախցիկի նկատմամբ անշարժ պահելը՝ շարժումից առաջացած մշուշը (motion blur) կանխելու համար (ուսումնասիրել թույլատրելի շեղումները):
Ձեռքի և «սելֆի ձողի» տիպի երկարացված սարքով սկսել բարձր տերևների նմուշառումը։ Ինչպե՞ս է վնասատուների պոպուլյացիայի խտությունը մեծանում Z-ի (բարձրության) կամ դեպի դուրս աճող «ալիքի» (շրջանի) հետ մեկտեղ։ Եթե հնարավոր է, փորձարկել, օրինակ, ամբարձիչ կամ փոքրիկ կռունկ օգտագործելով։ Անօդաչու թռչող սարքերը (դրոնները) տերևների համար առաջացնում են լրացուցիչ տուրբուլենտ (խառնաշփոթ) շարժում։
Տերևների վնասվածքների որակյալ տվյալների հավաքագրումը, որոնք կարող են պայմանավորված լինել վիրուսային վարակով, պետք է լինի առաջին քայլը, որպեսզի տվյալների վերլուծության հատվածն իմաստ ունենա։
Ո՞րն է առաջնահերթությունը, և ո՞րն է հաջորդ առաջնահերթությունը։
Դեռ անելիք կա՝ կարգավորել սենսորները, օրինակ՝ RGB տեսախցիկը կամ էնդոսկոպիկ տեսախցիկը, դաշտային/շարժական օգտագործման համար։
Վերանայել տվյալների հավաքագրման գործընթացը և ստացված պատկերները։
Ցուցադրել յուրաքանչյուր սենսորով ստացված բնորոշ պատկերները և առկա խնդիրները։
Օրինակ, ստորև ներկայացված նկարը, 100% չափով ցուցադրելիս, ցույց է տալիս iPhone-ով արված լուսանկար, որում հստակ երևում է ավտոֆոկուսի հետ կապված խնդիր և զգալի օբյեկտի հեռավորության նախապատվություն։ Բայց եթե մենք շտկենք ֆոկուսը, այն կապահովի 4x ավելի լավ գծային լուծաչափ (linear resolution), քան հորատանցքի/էնդոսկոպիկ տեսախցիկը։
Հորատանցքի տեսախցիկն ունի շատ ավելի ցածր լուծաչափ, բայց կարճ հեռավորությունների վրա ֆոկուսն ավելի լավն է:
Կա նաև թափառող լույսի խնդիր, որը հնարավոր է հաղթահարել:
Ցածր լուծաչափը կարող է առավելություն լինել այն տեսախցիկների կամ տեսախցիկի տախտակների համար, որոնք ունեն GPU եզրային հաշվարկներ (edge computing): Դրանք կարող են կատարել պատկերի արագ վերլուծություն։
Պահանջվող տարածական կոորդինատները (spatial references)՝ GPS-ը, մագնիսական դաշտը և ճնշումը, կարող են ավելացվել որպես HAT / Hardware Attached on Top" (Վերևից կցվող սարքավորում) /տախտակներ։
Մենք կարող ենք կազմել նախնական աղյուսակ՝ առավելություններով և թերություններով։ Կշռային գործոնները քննարկման ենթակա են։
Այս արդյունքները մեզ կառաջնորդեն օպտիմալ կարգավորում և շասսի կամ շարժական պորտալ (portal) պլանավորելու համար։
Շարժական լաբորատորիաներ և Ճշգրիտ գյուղատնտեսության հարթակ (PFP)
Նախագծում և կարգավորում «Ճշգրիտ գյուղատնտեսության հարթակ (PFP)»
Հասկացություն: «Շարժական լաբորատորիաներ» (Mobile Labs) և «Ճշգրիտ գյուղատնտեսության հարթակ (PFP)» են ներկայացվում որպես գործնական, շարժական համակարգեր՝ ֆերմայում տվյալների հավաքագրման և փորձարկումների համար: Դրանք «ներառում են առաջնային նորարարական տեխնոլոգիաներ և մեքենայացում», այդ թվում՝ «չափում և կառավարում, արհեստական բանականություն (ԱԲ), ճշգրիտ ագրոանտառային պրակտիկաներ, սենսորների վրա հիմնված մոնիթորինգ և տվյալների վերլուծություն»։
Դիզայն և ֆունկցիոնալություն: AgriWatch-ի կողմից մշակված և պիստակենու ծառերին հարմարեցված բազմաֆունկցիոնալ շասսին ծառայում է որպես PFP: Այն կարող է ինտեգրել տարբեր սենսորներ (RGB, բազմասպեկտրային, խորության տեսախցիկներ, ինֆրակարմիր ռադիոմետրեր)՝ մշակաբույսերի մանրամասն մոնիթորինգի, ներառյալ վնասատուների հայտնաբերման համար։
Առավելություններ: PFP-ն հնարավորություն է տալիս «ստանդարտացված նմուշառում» (օրինակ՝ 3մ x 3մ ցանց) կառավարման գոտիների (MZ) ներսում, ինչը թույլ է տալիս կազմակերպել տվյալների հավաքագրում և առողջական ցուցանիշների համեմատություն ֆերմայի տարբեր հատվածներում։ Այն նաև նպաստում է «ֆերմայի կառավարման պրակտիկաների, մասնավորապես՝ վնասատուների դեմ պայքարի և թունաքիմիկատների կիրառման ազդեցության գնահատմանը բույսերի աճի և առողջության վրա՝ վերահսկվող պայմաններում։»
Պտղատու ծառերի առողջության և վիճակի գնահատումը կարևոր է բույսի/մրգի որակի և բերքատվության պահպանման համար: Այնուամենայնիվ, ամբողջ ֆերմայում առողջության չափումը և բոլոր համապատասխան գործոնների հաշվառումը զգալի աշխատանքային բեռ է ներկայացնում՝ օգտագործելով գետնի նմուշառում, հատկապես, երբ հաշվի է առնվում ձեռքով ստուգումը (վնասատուների վարակը ստուգելու համար): Այս գործընթացը հեշտացնելու համար AgriWatch-ը առաջարկել է ստանդարտ նմուշառման չափանիշ, օրինակ՝ 3 մետր 3 մետր չափսերով, օգտագործելով WI-ի կողմից սահմանված MZ գործիքները՝ օգտագործելով Sentinel-2 բազմաժամանակային տվյալներ, և կարող է բարելավվել անօդաչու թռչող սարքերի պատկերների միջոցով: Այս ստանդարտացված նմուշառումը թույլ է տալիս գործնական և կառավարելի (հաշվի առնելով աշխատանքային պահանջները) նմուշային տվյալների հավաքագրում՝ հեշտացնելով ֆերմայում առողջության չափանիշների համեմատությունը՝ առանց բոլոր բաժինների համապարփակ վերլուծության համար անհրաժեշտ սպառիչ ջանքերի:
Այս նմուշառման համար Նիդեռլանդներում՝ AgriWatch-ում, հապալասի բույսերում մշակվել է շարժական սենսորային հարթակ՝ անհրաժեշտ սարքավորումների ռեսուրսները և գործնականությունը ցուցադրելու համար: Շարժական սենսորային հարթակով այս շասսիի վանդակը կոչվում է «Ճշգրիտ գյուղատնտեսության հարթակ (PFP)»: Այս հարթակը կարող է հեշտությամբ հարմարեցվել UNDER SUN ֆերմայում գտնվող պիստակի ծառերի համար:
Բազմաֆունկցիոնալ շասսի.
Բազմաֆունկցիոնալ շասսիի դիզայնը կարող է հարմարեցվել պտղատու ծառերի և պիստակի մոնիթորինգի տարբեր կիրառությունների համար: Նախագծման հարթակը նպատակ ունի ապահովել ծախսարդյունավետ, տվյալների վրա հիմնված լուծումներ պիստակի կայուն մշակման համար՝ օգտագործելով ամպային գործիքներ, IoT սենսորային ցանցեր և շարժական լաբորատորիաների կարգավորումներ՝ իրական ժամանակում մոնիթորինգի և որոշումների կայացման աջակցության համար:
Թռչուններից պաշտպանող ցանց: Ծածկ պտղատու ծառերի համար՝ թռչուններից պաշտպանվելու համար
Թարմացված շասսիի շրջանակ՝ անիվներով, որն օգտագործվում է խորության տեսախցիկի հետ համատեղ: Տվյալները կարդալու և մշակելու համար անհրաժեշտ է MATLAB:
Ամփոփելով՝ պիստակի առողջության և վիճակի շարունակական գնահատումը, ինչպես նաև քիմիական նյութերի կիրառման մեթոդների փորձարկումը կարևոր քայլեր են ֆերմերային տնտեսությունների կառավարման բարելավման ուղղությամբ: Ստանդարտացված նմուշառման կիրառումը, զուգորդված IoT հեռազննման և պատկերային վերլուծության, ինչպես նաև վնասատուների թիրախային նույնականացման հետ, առաջարկում է գործնական և ծախսարդյունավետ մոտեցում ֆերմայում առկա մարտահրավերները հասկանալու և լուծելու համար: Այս գործելակերպերի շարունակական մոնիթորինգը և հարմարեցումը կարևոր կլինեն բերքատվության բարձրացման և պիստակի այգու երկարաժամկետ կայունության ապահովման համար:
Բացի այդ, ֆերմերային տնտեսությունների կառավարման պրակտիկայի, մասնավորապես՝ վնասատուների դեմ պայքարի և թունաքիմիկատների կիրառման, ազդեցությունը բույսերի աճի և առողջության վրա կարելի է գնահատել՝ օգտագործելով IoT սենսորային տվյալներ շարժական հարթակի վրա՝ վերահսկվող պայմաններում։