የአየር ላይ ምስሎች ለገበሬዎች ስለ ሰብል ጤና እና ምርት ጠቃሚ መረጃ በመስጠት ትክክለኛ የግብርና ጠቃሚ አካል ነው። ምስሎች በተለምዶ ከድሮን ጋር ከተጣበቀ ውድ ባለብዙ ስፔክትራል ካሜራ ያገኛሉ። ነገር ግን የኢሊኖይ ዩኒቨርሲቲ እና ሚሲሲፒ ስቴት ዩኒቨርሲቲ (MSU) አዲስ ጥናት እንደሚያሳየው ከመደበኛ ቀይ-አረንጓዴ-ሰማያዊ (አርጂቢ) ካሜራ ከ AI ጥልቅ ትምህርት ጋር ተዳምሮ ለትንሽ ዋጋ ተመጣጣኝ የሰብል ትንበያ መሳሪያዎችን ሊያቀርብ ይችላል።
ባለብዙ ስፔክትራል ካሜራዎች ገበሬዎች የእጽዋትን ጤና እንዲከታተሉ እና ችግር ያለባቸውን አካባቢዎች እንዲለዩ ለማገዝ ዕፅዋትን የሚወክሉ የቀለም ካርታዎችን ያቀርባሉ። እንደ መደበኛ ልዩነት የእፅዋት መረጃ ጠቋሚ (NDVI) እና መደበኛ ልዩነት ቀይ ጠርዝ ኢንዴክስ (NDRE) ያሉ የእፅዋት ኢንዴክሶች ጤናማ አካባቢዎችን እንደ አረንጓዴ ያሳያሉ፣ የችግር አካባቢዎች ደግሞ ቀይ ሆነው ይታያሉ።
“በተለምዶ ይህንን ለማድረግ ወደ 5,000 ዶላር የሚያወጣ ኢንፍራሬድ ካሜራ (NIR) ሊኖርዎት ይገባል። ነገር ግን AI NDVI መሰል ምስሎችን በዝቅተኛ ዋጋ ከድሮን ጋር የተያያዘውን RGB ካሜራ በመጠቀም ማሰልጠን እንደምንችል አሳይተናል፣ ይህም ዋጋውን በእጅጉ ይቀንሳል” ሲሉ የግብርና እና ባዮሎጂካል ምህንድስና ክፍል ተባባሪ ፕሮፌሰር ጊሪሽ ቻውድሃሪ ተናግረዋል። U of I እና ተባባሪ ደራሲ በወረቀቱ ላይ።
ለዚህ ጥናት የምርምር ቡድኑ በተለያዩ የእድገት ደረጃዎች ከቆሎ፣ አኩሪ አተር እና ጥጥ ማሳዎች የአየር ላይ ምስሎችን በሁለት ስፔክትራል እና አርጂቢ ካሜራ ሰብስቧል። Pix2Pix፣ አ የነርቭ ኔትወርክ ለምስል ልወጣ የተነደፈ፣ የ RGB ምስሎችን ወደ NDVI እና NDRE የቀለም ካርታዎች በቀይ እና ለመተርጎም አረንጓዴ ቦታዎች. ኔትወርኩን ለመጀመሪያ ጊዜ ካሰለጠኑ በኋላ ብዙ ቁጥር ባላቸው ባለብዙ ስፔክትራል እና መደበኛ ሥዕሎች፣ NDVI/NDRE ስዕሎችን ከሌላ መደበኛ ምስሎች የማመንጨት ችሎታውን ፈትነዋል።
"በፎቶዎቹ ውስጥ የፎቶሲንተቲክ ቅልጥፍናን የሚያመለክት አንጸባራቂ አረንጓዴነት ጠቋሚ አለ. በአረንጓዴው ሰርጥ ውስጥ ትንሽ ያንፀባርቃል, እና ብዙ በአቅራቢያው ባለው የኢንፍራሬድ ሰርጥ ውስጥ. እኛ ግን በNIR ቻናል በማሰልጠን ከአረንጓዴው ቻናል ማውጣት የሚችል ኔትወርክ ፈጥረናል። ይህ ማለት እኛ የምንፈልገው አረንጓዴውን ቻናል ብቻ ነው፣ከሌሎች አውድ መረጃዎች ጋር እንደ ቀይ፣ ሰማያዊ እና አረንጓዴ ፒክስሎች” ሲል ቻውድሃሪ ያስረዳል።
በ AI የተፈጠሩ ምስሎችን ትክክለኛነት ለመፈተሽ ተመራማሪዎቹ በ AI የተፈጠሩትን ወይም በባለብዙ ስፔክትራል ካሜራ የተወሰዱ ተመሳሳይ ቦታዎችን በጎን ለጎን ምስሎች እንዲመለከቱ የሰብል ስፔሻሊስቶች ፓነል ጠይቀዋል። ስፔሻሊስቶች የትኛው ትክክለኛው የባለብዙ ስፔክትራል ምስል እንደሆነ እና በውሳኔ አሰጣጡ ላይ ተጽእኖ የሚፈጥር ልዩነት እንዳስተዋሉ ጠቁመዋል።
ባለሙያዎቹ በሁለቱ የምስሎች ስብስቦች መካከል የሚታይ ልዩነት አላገኙም, እና ከሁለቱም ተመሳሳይ ትንበያዎችን እንደሚያደርጉ ጠቁመዋል. የምርምር ቡድኑ የምስሎችን ንፅፅር በስታቲስቲካዊ ሂደቶች ሞክሯል ፣በእነሱ መካከል ምንም ሊለካ የሚችል ልዩነት አለመኖሩን አረጋግጧል።
በኤምኤስዩ የምርምር ተባባሪ ፕሮፌሰር እና በወረቀቱ ላይ ተባባሪ ደራሲ የሆኑት ጆቢ ዛርኔኪ ይህ ማለት ሁለቱ የምስሎች ስብስቦች አንድ አይነት ናቸው ማለት እንዳልሆነ ያስጠነቅቃሉ።
"እኛ ማለት ባንችልም ምስሎች በሁሉም ሁኔታዎች ውስጥ ተመሳሳይ መረጃ ይሰጣሉ, ለዚህ የተለየ ጉዳይ, ተመሳሳይ ውሳኔዎችን ይፈቅዳል. ለአንዳንድ የእጽዋት ውሳኔዎች ቅርብ የሆነ ኢንፍራሬድ ነጸብራቅ በጣም ወሳኝ ሊሆን ይችላል. ይሁን እንጂ በዚህ ጉዳይ ላይ ጥናታችን እርስዎ ውድ ቴክኖሎጂን ርካሽ በሆነ ሰው ሰራሽ የማሰብ ችሎታ በመተካት አሁንም ተመሳሳይ ውሳኔ ላይ መድረሱ በጣም የሚያስደስት ነው" ትላለች.
የአየር ላይ እይታ ከመሬት ውስጥ ለማግኘት አስቸጋሪ የሆነውን መረጃ ሊሰጥ ይችላል. ለምሳሌ አውሎ ነፋስ የተበላሹ ቦታዎች ወይም የንጥረ ነገሮች እጥረት በአይን ደረጃ በቀላሉ ላይታዩ ይችላሉ ነገርግን ከአየር ላይ በቀላሉ ሊታዩ ይችላሉ። ተገቢው ፈቃድ ያላቸው ገበሬዎች የራሳቸውን ሰው አልባ አውሮፕላኖች ለማብረር ሊመርጡ ይችላሉ ወይም ደግሞ ሀ የግል ኩባንያ እንደዚህ ለማድረግ. ያም ሆነ ይህ፣ የቀለም ካርታዎች ለአስተዳደር ውሳኔዎች አስፈላጊ የሆነውን የሰብል ጤና መረጃ ይሰጣሉ።
በጥናቱ ውስጥ ጥቅም ላይ የዋለው AI ሶፍትዌሮች እና ሂደቶች እሱን ለመተግበር ወይም አጠቃቀሙን ለማስፋት ለሚፈልጉ ኩባንያዎች አውታረ መረቡን ተጨማሪ የውሂብ ስብስቦችን በማሰልጠን ይገኛሉ።
“ለበርካታ የግብርና አፕሊኬሽኖች ቁልፍ ነጂ የሆነውን ወጪን ለመቀነስ በ AI ውስጥ ብዙ እምቅ አቅም አለ። የ600 ዶላር ሰው አልባ አውሮፕላን የበለጠ ጠቃሚ ማድረግ ከቻሉ ሁሉም ሰው ሊያገኘው ይችላል። እና መረጃው ገበሬዎች ምርቱን እንዲያሻሽሉ እና መሬታቸው የተሻለ መጋቢ እንዲሆኑ ያግዛቸዋል፣” ሲል ቻውድሃሪ ተናግሯል።
የግብርና እና ባዮሎጂካል ምህንድስና ትምህርት ክፍል በግብርና፣ የሸማቾች እና የአካባቢ ሳይንስ ኮሌጅ እና በኢሊኖይ ዩኒቨርሲቲ የግሬንገር ምህንድስና ኮሌጅ ነው።
የ ወረቀት፣ “NDVI/NDRE ትንበያ ከመደበኛ RGB የአየር ላይ ምስል ጥልቅ ትምህርትን በመጠቀም” ታትሟል ኮምፒተሮች እና ኤሌክትሮኒክስ በግብርና.