Az orosz Szamarai Nemzeti Kutatóegyetem egy tudóscsoportja azon dolgozik, hogy olyan digitális távérzékelő rendszereket biztosítson a mezőgazdasági gépek számára, amelyek űrbéli kutatásokhoz kifejlesztett technológiákon alapulnak, írta meg a Future Farming. Az űrbéli távérzékelési rendszereket hagyományosan a marsi élet kutatására szokták használni, valamint a Naprendszeren belüli bolygókutatásra. Ezek rendszerint erős optikával és olyan szenzorokkal vannak felszerelve, amelyek többek között a talaj összetételének elemzésére is alkalmasak. A tudósok szerint egy-két innovatív megoldással ezek az eszközök öntözési rendszereket, kombájnokat és egyéb mezőgazdasági eszközöket is segíthetnének.
A Szamara Egyetem műszaki kibernetikai tanszéke olyan kompakt hiperspektrométert tervezett, amelyet az orosz műholdakra lehetett telepíteni, és azóta is a Föld felszínéről kapott hiperspektrális képek feldolgozására és osztályozására szolgáló neurális hálózatokon dolgozott. A hiperspektrális képek nemcsak a talaj nedvességtartalmát és ásványianyag-tartalmát, de a növénybetegségek jelenlétét, sőt a kártevők terjedésének forrásait is be tudják mutatni.
Azonban kiderült, hogy egy műhold által megszerzett hiperspektrális információk ebben a formájukban nem alkalmasak arra, hogy a precíziós mezőgazdaság hasznára legyenek, ugyanis ezek összegyűjtése időbe telik. Ezért kezdtünk földi hiperspektrális szenzorok fejlesztésébe – magyarázta Nyikolaj Kazanszkij professzor, a Szamara Egyetem műszaki kibernetikai tanszékének munkatársa.
A szakember elmondta, hogy a földi érzékelőkre vonatkozó követelmények jelentősen eltérnek az űrjárművek hiperspektrális berendezéseinél megszokott követelményektől. Az űrhiperspektrométereknél a lényeg a lehető legnagyobb mennyiségű optikai adat megszerzése, míg a földi érzékelőknél ez messze nem az elsődleges feladat.
A tudósok lapos optikát és nagy mikrorelief elemeket ötvöző érzékelő rendszereket alkalmaznak, amelyek több különböző feladatot is elláthatnak a talaj és a növények állapotára vonatkozó információk megszerzése során. Ezzel a hiperspektrális kamera egy rendkívül egyszerű eszközzé válik, összetettségében a hagyományos videokamerákkal lesz összehasonlítható. Az eszköz kezelője képes elemezni az így begyűjtött információkat, de a jövőben ezt a feladatot az a neurális hálózat fogja végezni, amely akár a mezőgazdasági gépeket is irányíthatja majd.
Nyikolaj Kazanszkij elmondta, hogy az új technológiával például arra is lehetőségük nyílik majd, hogy öntözési berendezésekre is hiperspektrális szenzorokat telepítsenek. A hiperspektrális képek ugyanis sokkal többet mutatnak, mint amit az emberi szem, vagy a hagyományos fekete-fehér, illetve színes képek érzékelni képesek. A szenzor azonnal képes lesz eldönteni, hogy az adott táblán szükség van-e öntözésre, vagy sem. A kutató azt is elmondta, hogy több mint 50 spektrális csatorna használatát tervezik a 0,4-1,05 mikron hullámhossz-tartományban.
A tudósok szerint ez az új technológia „elképesztően okossá” tenné a mezőgazdaságot. A számítások szerint ha csak az oroszországi öntözőrendszereket szerelnék fel ezekkel az új szenzorokkal, már az is 25%-kal növelné a terméshozamokat. Csak viszonyításképpen, Oroszország 2019-ben 120,6 millió tonna búzát termelt. A projekt során a tudósok megfogadták, hogy kiemelt figyelmet fordítanak a szenzorok műszaki tervezése során arra, hogy azok elég egyszerűek és olcsók legyenek ahhoz, hogy nagyobb mennyiségben lehessen őket alkalmazni a mezőgazdasági gépekben. A hiperspektrális szenzorokat nem csak földi járművekre lehetne felszerelni, a drónokat is el lehetne látni ilyen érzékelőkkel, amelyek így képesek lennének nagyobb földterületek azonnali felmérésére is. A Szamarai Nemzeti Kutatóegyetem mezőgazdasági kara már meg is szerezte a szükséges előzetes hozzájárulásokat ahhoz, hogy kipróbálják a technológiájukat a környékbeli termőföldeken.
A projektjük keretén belül a tudósok támogatást kaptak egy négyéves kutatásra is. Ennek során a technológia kialakítását tervezik, valamint megfelelő algoritmusok megalkotását a hiperspektrális képek rekonstruálására és elemzésére az ideghálózatok mély tanulási módszereivel.
Forrás: agrarszektor.hu