کاربردهای پهپاد در کشاورزی

کاربردهای پهپاد در کشاورزی

وسایل نقلیه هوایی بدون سرنشین (پهپادها) کاربرد بالقوه قابل توجهی در کشاورزی دارند و با ظهور عصر کشاورزی دیجیتال و کشاورزی 4.0، این پلت فرم اهمیت فزاینده ای پیدا کرده است. تصاویر پهپاد ممکن است بررسی‌های معمول داده‌ها را بهبود بخشد یا حتی جایگزین کند و همچنین کاربرد محصولات بهداشتی گیاهی را بهینه کند. تصاویر با وضوح فضایی بالا پهپادها را برای چندین کاربرد جذاب می کند که در آن سنجش ماهواره ای سنتی هنوز نامناسب است. با پیشرفت قابل توجه تکنیک‌های علم داده، پهپادها موقعیت برجسته‌ای در کمک به کشاورزان برای تصمیم‌گیری کارآمدتر و خودکارسازی فرآیندهای کشاورزی دارند. بنابراین، این کار به برنامه‌های کشاورزی اصلی پهپادها در پنج موضوع اصلی می‌پردازد: بررسی توپوگرافی، ارزیابی‌های فیزیولوژیکی، ارزیابی‌های بیوفیزیکی، پایش اهداف بیولوژیکی، و سمپاشی محصولات بهداشتی گیاهی و استفاده از ورودی‌های زیستی.

مقدمه

برای تغذیه جمعیت جهان که تخمین زده می شود تا سال 2050 به 10 میلیارد نفر برسد، بهره وری کشاورزی جهان باید بین 14 تا 28 درصد افزایش یابد.فائو، 2018) چالشی برای کشاورزی است. برای کمک به این تلاش، فناوری به طور فزاینده ای در این زمینه مورد استفاده قرار گرفته است و اصطلاحات کشاورزی دقیق (PA)، کشاورزی دیجیتال (DA) و کشاورزی 4.0 (Agri 4.0) را مشخص می کند. اگرچه DA و Agri 4.0 هنوز تعریف روشن و متفق القولی ندارند، تعریف فعلی انجمن بین المللی برای کشاورزی دقیق (ISPA) از PA کاملاً جامع است. این نشان می دهد که به زودی این اصطلاحات هیچ تمایزی نخواهند داشت و به سادگی به عنوان روشی کارآمد و پایدار برای تمرین کشاورزی درک می شوند: «کشاورزی دقیق یک استراتژی مدیریتی است که داده های زمانی، مکانی و فردی را جمع آوری، پردازش و تجزیه و تحلیل می کند و آن را با اطلاعات دیگر ترکیب می کند. برای حمایت از تصمیمات مدیریت با توجه به تنوع تخمینی برای بهبود بهره وری استفاده از منابع، بهره وری، کیفیت، سودآوری و پایداری تولید محصولات کشاورزی. چنین رویکردی منجر به “دیجیتالی شدن کشاورزی” شدید توسط انواع مختلف داده های جمع آوری شده از منابع متعدد، مانند خاک، گیاه، آب و هوا، امداد و چندین عامل دیگر می شود و کاربرد علم داده و فناوری اطلاعات را در کشاورزی برای حمایت از تصمیم گیری مناسب اجباری می کند.

در میان منابع داده های متنوع برای کشاورزی پایدارتر و فناورانه تر (در این متن به عنوان Agri 4.0 تعمیم داده شده است)، ممکن است بر فناوری های مختلف سنجش از دور (RS) تاکید کنیم. سنجش از دور عمل به دست آوردن اطلاعات در مورد یک هدف بدون تماس با آن است. در مورد کشاورزی، حسگرها و دوربین‌های متصل به پلتفرم‌های مختلف می‌توانند برای نظارت یا نقشه‌برداری یک منطقه توسط RS استفاده شوند. این سکوها به دو دسته مداری (ماهواره ها)، هوایی (هواپیماها و وسایل نقلیه هوایی بدون سرنشین – پهپادها) و زمینی (از جمله مواردی که توسط ماشین آلات کشاورزی حمل یا کشیده می شوند) تقسیم می شوند. * پلتفرم های مداری در سال های اخیر به طور قابل توجهی تکامل یافته اند و به طور مداوم محصولاتی را با کاربردهای کشاورزی متعددی ارائه می دهند و در عین حال کیفیت وضوح های مکانی، طیفی و زمانی را بهبود می بخشند. به طور مشابه، RS با استفاده از سیستم عامل های زمینی به طور قابل توجهی از نظر سنسورها و کاربردها تکامل یافته است. پهپادها ابزارهای نوظهوری برای استفاده در کشاورزی هستند که عمدتاً به دلیل کاربردهای متنوع آنها است.TSOUROS و همکاران ، 2019;یانگ و همکاران ، 2017یکی از تکنیک های Agri 4.0 است که در سال های اخیر بیشترین پیشرفت را داشته است. این امر با این واقعیت توضیح داده می شود که بسته به کاربرد مورد نظر، دریافت داده توسط پهپادها (معمولاً تصاویر) دارای مزایای متعددی نسبت به سایر پلتفرم ها از جمله انعطاف پذیری آن است. به عنوان مثال، کاربران می توانند مجموعه حسگر پهپاد را انتخاب کنند که به بهترین وجه با نیازهای آنها مطابقت دارد و برنامه پرواز را با توجه به موقعیت های خاص و کیفیت تصویر دلخواه تعریف کنند و از کیفیت داده ها برای متنوع ترین برنامه ها اطمینان حاصل کنند. یک مانع برای استفاده از این فناوری، نیازهای محاسباتی بالا برای پردازش داده ها، به ویژه برای مناطق بزرگ و/یا تصاویر با وضوح بالا است. با این حال، این عوارض با توسعه داده های بزرگ و اینترنت اشیا (IoT) کاهش می یابد.

برای تعریف بهترین مجموعه حسگر پهپاد، باید کاربرد مورد نظر برای تجهیزات را درک کنید. در انتخاب پهپاد باید ویژگی‌های متفاوتی در نظر گرفته شود، به‌ویژه در مورد عملکرد آن (محدوده تحت پوشش در واحد زمانی)، استقلال (زمان پرواز بدون وقفه برای سوخت‌گیری یا شارژ مجدد)، و ظرفیت بار (سنسور یا محموله‌ای که باید حمل شود). سنسور جفت شده باید بر اساس هدف بررسی RS و در درجه اول بر اساس باند طیفی که سنسور در آن کار می کند، تعریف شود. حسگرهایی که با طیف مرئی کار می کنند به طور محدود برای آنچه چشم انسان قادر به تمایز است قابل استفاده هستند. از سوی دیگر، حسگرهای چند طیفی، که طیف مادون قرمز را نیز تشکیل می‌دهند، حساسیت بیشتری نسبت به تغییرات بنیه گیاهی، تاج پوشش گیاهی و رطوبت خاک فراهم می‌کنند. حسگرهای فراطیفی باندهای باریک‌تر و در کمیت بیشتر دارند که پتانسیل شناسایی هدف را بر اساس رفتار طیفی آن‌ها افزایش می‌دهند، علاوه بر این، نتایج پیش‌بینی بهتری را با استفاده از الگوریتم‌های یادگیری ماشین ممکن می‌سازند. حسگرهای حرارتی پتانسیل زیادی برای ردیابی تنش‌ها مانند کمبود آب و حمله آفات دارند، علی‌رغم اینکه عوامل متعددی در اندازه‌گیری‌هایشان تداخل دارند. بنابراین، انتخاب حسگر با ویژگی‌های مناسب برای هدف مورد نظر برای به دست آوردن اطلاعات مفید و کارآمد برای تصمیم‌گیری Agri 4.0 ضروری است.

با توجه به اینکه، این کار مروری بر ادبیات مطالعاتی است که به کاربردهای کشاورزی اصلی پهپادها و ویژگی‌های آنها می‌پردازد. این مقاله به پنج کاربرد کلی پهپادهای کشاورزی تقسیم می‌شود: بررسی توپوگرافی، ارزیابی‌های فیزیولوژیکی، ارزیابی‌های بیوفیزیکی، پایش اهداف بیولوژیکی، و سمپاشی محصولات بهداشتی گیاهی و استفاده از نهاده‌های زیستی.

بررسی توپوگرافی

داده های توپوگرافی به طور گسترده ای به عنوان اطلاعات پشتیبان قوی در چندین زمینه تحقیقاتی و کاربردهای عمرانی مانند مدیریت زیست محیطی و برنامه ریزی چشم انداز استفاده می شود.PIJL و همکاران ، 2020). پیشرفت‌ها در تکنیک‌های فتوگرامتری، که اغلب برای کمک به بررسی‌های توپوگرافی استفاده می‌شوند، توسط فناوری سنجش از دور هدایت می‌شوند. به عنوان مثال، بازسازی های سه بعدی دقیق از مناظر برای محاسبه حجم فرسایش استفاده می شود.MEINEN; رابینسون، 2020a). نوسازی تکنیک های سنجش از دور برای توپوگرافی، داده ها را به طور فزاینده ای در دسترس و دقیق می کند. خروجی اصلی چنین رویکردی مدل دیجیتال ارتفاع (DEM) است که ارتفاعات پیوسته را بر روی یک سطح توپوگرافی به دو صورت تعریف شده نشان می دهد: مدلی که حاوی اطلاعات بالای زمین مانند پوشش گیاهی است که به عنوان مدل سطح دیجیتال (DSM) شناخته می شود. و مدل حاوی اطلاعات کاملاً زمینی (به عنوان مثال، مدلسازی سطح خاک)، که به عنوان مدل دیجیتال زمین (DTM) شناخته می شود. اختلاف ارتفاع بین DTM و DSM ممکن است مدل سومی مانند مدل ارتفاع سایبان ایجاد کند (CHM –PIJL و همکاران ، 2020).

DEM های مبتنی بر تصاویر پهپاد قبلا فقط در مناطق شهری استفاده می شدند اما اکنون برای کاربردهای کشاورزی مفید هستند. نمونه ای از این تکنیک “ساختار حرکتی” است که برای تولید یک ابر نقطه سه بعدی از ترکیبی از تصاویر دوبعدی همپوشانی استفاده می شود، که به طور گسترده برای ردیابی و تعیین کمیت فرسایش در مزارع کشاورزی استفاده می شود.کاندیدو و همکاران ، 2020;جیانتی و همکاران ، 2020;MEINEN; رابینسون، 2020a). در مورد اندازه گیری گیاهان،میلان و همکاران (2020)نشان داد که بازسازی دیجیتالی سه بعدی سایبان‌های گیاهی امکان تشخیص تغییرات ناگهانی در زاویه شیب آن‌ها را فراهم می‌آورد که ممکن است با آسیب تاج پوشش مرتبط باشد. چنین ارزیابی بیوفیزیکی محصول بعداً در این متن مورد بررسی قرار خواهد گرفت.

تصاویر به دست آمده برای یک رویکرد فتوگرامتری دقیق بر اساس نقشه هوایی باید ارجاع جغرافیایی شوند. با این حال، دقت و صحت ارجاع جغرافیایی با توجه به نوع سیستم جهانی ناوبری ماهواره ای (GNSS) تعبیه شده در پهپاد متفاوت است. رایج ترین و مقرون به صرفه ترین پهپادها دارای GNSS فقط برای اهداف ناوبری – دقیق در مقیاس متریک اما برای نقشه برداری با دقت بالا (سانتی متر یا حتی میلی متر) کافی نیستند – مانند اکثر برنامه های توپوگرافی. رویکرد نقاط کنترل زمینی (GCPs) نقشه برداری با دقت بالایی را فراهم می کند، همانطور که توسط مشاهده شده استماینن و رابینسون (2020b)هنگام ترسیم نقشه فرسایش در یک چشم انداز کشاورزی علیرغم کارایی، سایر مطالعات GCP ها را به عنوان یک نقطه ضعف فناوری پهپاد در نظر می گیرند و کسب آن در میدان را زمان بر و پر زحمت می دانند، در حالی که هیچ استاندارد کمیت و توزیع حداکثر دقت را تضمین نمی کند.REN و همکاران ، 2020). با توجه به این، برخی از تکنیک های موقعیت یابی محبوب برای بهبود GNSS استفاده می شود، مانند تصحیح سینماتیک بلادرنگ (RTK) و تصحیح سینماتیک پس از پردازش (PPK). در حالی که RTK به طور همزمان در طول پرواز اعمال می شود، PPK موقعیت یابی را در طول پردازش پس از برگشت در دفتر تصحیح می کند. مطالعات نشان می دهد که سیستم های موقعیت یابی RTK و PPK موقعیت یابی با کیفیت بالاتری را برای پهپادها نسبت به GCP ها برای یک ارجاع جغرافیایی صحیح ارائه می کنند.TOMAŠTÍK و همکاران ، 2019;WOO و همکاران ، 2018). با این حال، حتی با استفاده از RTK یا PPK، برای به دست آوردن حداکثر دقت موقعیت‌یابی، به تحقیقات عمیق‌تری نیاز است که از دقت سطح زیر سانتی‌متری در DEM‌های به‌دست‌آمده اطمینان حاصل شود. با این حال،فورلانی و همکاران (2018)استدلال می کنند که GCP ها با وجود پهپادهای دارای RTK ضروری هستند، احتمالاً به دلیل پایداری پارامترهای کالیبراسیون دوربین. 

ارزیابی های فیزیولوژیکی

اطلاعات مکانی و زمانی در مورد قدرت و توسعه محصول، به ویژه در طول فصل رشد، می تواند مدیریت خاص سایت را بهینه کند، کارایی نهاده ها را بهبود بخشد (به عنوان مثال، استفاده از مواد مغذی و محصولات بهداشتی گیاهی –NÄSI و همکاران ، 2018;MODICA و همکاران ، 2020). داده های مربوط به این ویژگی ها را می توان با استفاده از حسگرهای تعبیه شده در پهپاد به دست آورد. حسگرها می توانند به راحتی رفتار بازتاب شلوار را ثبت کنند و از طریق تجزیه و تحلیل داده ها، تصمیم گیری را هدایت کنند. در برخی موارد، گیاهان ممکن است رفتاری به راحتی قابل شناسایی از خود نشان دهند، مانند پژمرده شدن، زرد شدن، کاهش رشد و غیره، که امکان بازرسی توسط طیف مرئی و مبارزات میدانی را فراهم می کند. با این حال، برخی از رفتارها را فقط می توان با استفاده از حسگرهایی شناسایی کرد که قادر به گرفتن سیگنال های بازتابی خاص هستند که توسط حسگرهای چند طیفی یا ابرطیفی به دست می آیند. در زیر، برخی از کاربردهای این نوع حسگرها را در تشخیص تنش آبی و کمی کردن بنیه و وضعیت تغذیه گیاهان شرح می دهیم.

استرس آب

انعطاف‌پذیری فعال شده توسط UVA در مقایسه با داده‌های به‌دست‌آمده دستی – مانند استفاده از دماسنج‌های مادون قرمز، که به دلیل مقدار محدود داده، نقشه‌برداری ویژگی‌های گیاه را مختل می‌کند.CRUSIOL و همکاران ، 2020) – انجام چندین مطالعه را برای ارزیابی تنش آبی محصولات کشاورزی تشویق کرد. بنابراین، کاربرد موفقیت‌آمیز فناوری پهپاد، جایگزینی جذاب برای مدیریت آبیاری بر اساس استفاده از تصویربرداری حرارتی برای اندازه‌گیری دمای تاج پوشش گیاهی است.کینگ و همکاران ، 2021). به همین ترتیب، پایش روزانه وضعیت آب گیاه، برآورد شده توسط باندهای موج کوتاه مادون قرمز (KANDYLAKIS و همکاران ، 2020اندازه گیری پاسخ های فیزیولوژیکی گیاه به تنش آبی (IHUOMA; MADRAMOOTOO، 2019). مطالعات نشان می دهد که استفاده روزافزون از دوربین های حرارتی همراه با پهپاد، به ویژه برای اندازه گیری پژمرده شدن برگ های تاج پوشش (ژو و همکاران ، 2020). این تکنیک علاوه بر اندازه گیری تاج پوشش گیاهی، برای تخمین نیاز آب بر اساس مشاهده دمای سطح خاک نیز قابل استفاده است.هاینمن و همکاران ، 2020). تصویربرداری حسگر چند طیفی همچنین می‌تواند به شناسایی ژنوتیپ‌های گیاهی حساس و متحمل به تنش آبی کمک کند، زیرا رفتار طیفی گیاهان آشکارساز خوبی برای تغییرات در ساختار و رشد تاج پوشش است.SHENDRYK و همکاران ، 2020).Maimaitijiang و همکاران همکاران (2020)تصاویر حرارتی را با داده‌های حسگرهای چندطیفی برای پیش‌بینی محصولات سویا ادغام کرد و در مقایسه با استفاده از یک سنسور، نتایج بهتری به دست آورد.

قدرت و تغذیه گیاهان

رویکرد کلاسیک برای سنجش از دور، از جمله تصاویر پهپاد، شامل استفاده از حسگرهای چندطیفی و محاسبه شاخص‌های مختلف پوشش گیاهی مرتبط با وضعیت فیزیولوژیکی گیاه، مانند غلظت رنگدانه‌های گیاهی، بنیه، زیست توده بالای سطح زمین، تنش است.BUCHAILLOT و همکاران ، 2019;GARCÍA-MARTÍNEZ و همکاران ، 2020). داده‌های طیفی معمولاً با ترکیب باندهای منفرد، معمولاً شامل باند فروسرخ (IR) به دلیل حساسیت آن به تنوع پوشش گیاهی، که شاخص‌های پوشش گیاهی (VIs) را تشکیل می‌دهند، استفاده می‌شود. اخیراً بیش از صد VI برای بررسی خواص بیوفیزیکی و شیمیایی پوشش گیاهی ساخته شده است.XUE; SU، 2017).

تجزیه و تحلیل وضعیت تغذیه گیاه توسط سنجش از دور پهپاد به ما اجازه می دهد تا برخی از اطلاعات مربوطه را برجسته کنیم، به ویژه در مورد مدیریت کوددهی نیتروژن، که مورد نیازترین ماده غذایی برای رشد، نمو و کیفیت گیاه در نظر گرفته می شود.LIU و همکاران ، 2017). کمی کردن تنوع از نظر وضعیت نیتروژن و رشد گیاه در طول فصل رشد می تواند تعیین کند که آیا کود با نرخ متغیر ارزش اجرا در مزرعه را دارد یا خیر.آرجنتو و همکاران ، 2020). این موضوع اخیرا توسطیانگ و همکاران (2020)روی گندم،تامپسون و پانتل (2020)در مورد ذرت، ژنگ و همکاران . (2020) روی برنج، وگرونر و همکاران (2020)روی مخلوط های علف حبوبات

وی‌ها حساسیت‌های متغیری را نسبت به تغییرات تاج‌پوش گیاه نشان می‌دهند و کارایی آن‌ها در اندازه‌گیری بنیه گیاه به برخی ویژگی‌های گیاه، مانند شاخص سطح برگ، محتوای کلروفیل برگ، و مرحله فنولوژیکی محصول بستگی دارد.اولسون و همکاران ، 2019). در میان VIs، شاخص گیاهی تفاوت نرمال شده (NDVI) به طور سنتی گسترده‌ترین است (HASSAN et al ., 2019) برای ارائه استنباط‌های زراعی خوب برای اکثر محصولات غلات در مراحل اولیه رشد. با این حال، NDVI اغلب در طول پیشرفته ترین مراحل رشد، به دلیل شاخص سطح برگ بالا و همگنی نسبی تاج پوشش، حساسیت خود را از دست می دهد.SULIK; LONG، 2016;YUE و همکاران ، 2019). در این مورد، مشکل اصلی در نوار قرمز است، زیرا انعکاس آن در شرایط با تاج پوشش بالا به سطح بسیار پایین می رسد.FU و همکاران ، 2014) از دست دادن توانایی تمایز بنیه محصول، که به عنوان “اشباع” شناخته می شود. بنابراین، نوار لبه قرمز به ضرر نوار قرمز ترجیح داده شده است، که منجر به شاخص تفاوت نرمال شده لبه قرمز (NDRE) می شود.

بر خلاف مشکل اثر اشباع، پوشش کم تاج در مراحل اولیه رشد ممکن است باعث مشکلات مربوط به پیکسل های مخلوط شود، به عنوان مثال، همان پیکسل حاوی اطلاعات بازتابی هم از گیاه و هم از خاک است. برای بهبود عملکرد کمی‌سازی‌های مبتنی بر VI و طبقه‌بندی هدف، رویکردهای مبتنی بر بینایی کامپیوتری آزمایش شده‌اند. بالاستروس و همکاران همکاران (2020) دریافتند که تکنیک‌های بینایی کامپیوتری باید در تصاویر چند طیفی پهپاد به کار گرفته شود تا اطلاعات مفیدی برای حذف منابع نویز مانند اثر خاک استخراج شود.

با توجه به هزینه بالاتری که سنسورهای چندطیفی با باندهای مادون قرمز متحمل می شوند، چندین کاربر پهپاد تمایل دارند دوربین های RGB را انتخاب کنند، به طوری که چندین شاخص پوشش گیاهی برای این سنسور پیشنهاد شده است.GARCÍA-MARTÍNEZ و همکاران ، 2020;DU; NOGUCHI، 2017;SCHIRRMANN و همکاران ، 2016). به عنوان مثال، شاخص سبزی مثلثی (TGI)، برای حساس بودن به محتوای کلروفیل برگ، قابل استفاده برای مدیریت نیتروژن ایجاد شده است.HUNT و همکاران ، 2012). برخی از کاربران دوربین های RGB را برای استفاده از VI های سنتی تر، مانند NDVI، با حذف نوار آبی و شامل باند مادون قرمز نزدیک تغییر داده اند. با این حال، چنین روشی به دو دلیل محدود است: 1) عدم وجود نوار آبی از ایجاد تصاویر در ترکیب رنگ واقعی جلوگیری می کند، که احتمالاً تفسیر تصویری بصری را به خطر می اندازد. 2) بازتاب اندازه گیری شده توسط باند مادون قرمز اصلاح شده برخی از مسائل کالیبراسیون را نشان می دهد (NIJLAND و همکاران ، 2014;ژانگ و همکاران ، 2020). با توجه بهنایلند و همکاران همکاران (2014)، باید از دوربین هایی با چنین تغییراتی اجتناب کرد و دوربین های اصلی RGB را برای تشخیص و نظارت قابل اعتماد تنش، رشد و فنولوژی گیاه توصیه می کند.ورگارا-دیاز و همکاران همکاران (2015)یک رویکرد مبتنی بر تصویر RGB برای پیش‌بینی عملکرد دانه، کمی کردن کمبود مواد مغذی، و اندازه‌گیری اثرات زنگ زرد بر اساس شاخص‌های پوشش گیاهی با استفاده از دو روش ارائه کرد: منطقه سبز (GA) و منطقه سبزتر (GAA). هر دو تعداد پیکسل های سبز در تصویر را کمیت می کنند، اما دومی این کار را با حذف رنگ های سبز مایل به زرد انجام می دهد. نویسندگان هر دو روش را برای نشان دادن نتایج قوی و قابل اعتماد، قابل مقایسه با پیش‌بینی‌های انجام شده با استفاده از NDVI و کمی‌سازی‌های زراعی در این زمینه یافتند.

ارزیابی های بیوفیزیکی

اطلاعات در مورد تنوع ویژگی های بیوفیزیکی محصول، مانند مرحله رشد، تجمع زیست توده، و شرایط کلی محصول، برای کشاورزان برای نظارت بر توسعه محصولات خود و برنامه ریزی مدیریت بیشتر، مانند تعیین زمان استفاده از نهاده ها و شروع برداشت، بسیار مفید است. . اگرچه پهپاد در Agri 4.0 کاربردهای زیادی دارد، تخمین زیست توده، تقاضای مواد مغذی و بهره وری بدون شک از محبوب ترین کاربردها است.HASSLER; BAYSAL-GUREL، 2019). بر این اساس، ابرهای نقطه‌ای و مدل‌سازی سه‌بعدی در کشاورزی عمدتاً برای تخمین بیومس بالای زمین (AGB)، مدل‌سازی ساختار درخت و سایبان‌های محصول و شناسایی علف‌های هرز استفاده شده‌اند.HASSLER; BAYSAL-GUREL، 2019). مدل‌های سه‌بعدی ارتفاع پوشش گیاهی تخمین معقولی از ارتفاع محصولات غلات هستند.براکز، 2018;WATANABE و همکاران ، 2017) و باغات میوه (DÍAZ-VARELA و همکاران ، 2015;دیلن و همکاران ، 2016) ترکیب تخمین ارتفاع پوشش گیاهی با یک یا چند VI از داده‌های چند طیفی تخمین‌های منطقی AGB را ارائه می‌کند.BENDIG و همکاران ، 2015;YUE و همکاران ، 2017). برای این منظور می توان از سنسورها و تکنیک های مختلف پردازش تصویر برای مدل سازی سه بعدی استفاده کرد.

حسگرهای عمق در مجموعه حسگرهایی هستند که می‌توانند در پهپاد برای کاربردهای کشاورزی، تولید ابرهای نقطه‌ای و مدل‌های سه‌بعدی تعبیه شوند. در میان این حسگرها، دو فناوری برجسته هستند: فناوری تشخیص نور و محدوده (LiDAR) که اغلب اسکن لیزری نامیده می‌شود و دوربین‌های RGB-D. دوربین‌های RGB-D روشی نسبتاً ارزان و مؤثر برای تولید داده‌های عمق هستند و مقدار اضافی را در هر پیکسل RGB ثبت می‌کنند – که نشان‌دهنده فاصله سنسور تا آن نقطه در تصویر است.CHÉNÉ و همکاران ، 2012;شانی; VIT، 2018;WANG; LI، 2014). برای آن، از یک سنسور فعال برای اندازه‌گیری فاصله بین سنسور و هدف بر روی زمین استفاده می‌شود و تأخیر زمانی از انتشار سیگنال (بازتاب هدف) تا تشخیص آن توسط خود سنسور را تخمین می‌زند.سربلندی و همکاران ، 2015). KINECT 2.0 (شرکت مایکروسافت، ردموند، WA، ایالات متحده آمریکا)، فناوری کنسول بازی های ویدئویی ایکس باکس وان، احتمالاً شناخته شده ترین حسگر برای این منظور است.

جایگزین ساده‌تر از دو فناوری فوق، پردازش تصاویر با وضوح بالا مرتبط با الگوریتم‌های «ساختار از حرکت» (SfM) برای تولید ابرهای متراکم نقطه و مدل‌های سه‌بعدی است. نکته کلیدی در این روش، توانایی محاسبه موقعیت، جهت گیری و هندسه دوربین از روی مجموعه ای از تصاویر همپوشانی است که ساختار سه بعدی کامل صحنه را از طیف گسترده ای از موقعیت ها یا همان طور که از نامش پیداست، تصاویر حاصل از حرکت حسگر را ثبت می کند. (جیمز و همکاران ، 2014). چندین نویسنده موافق هستند که جنبه منفی این فناوری تقاضا برای تصاویر با درجه همپوشانی بالا و توزیع گسترده GCPها برای به دست آوردن مدل های سه بعدی قابل اعتماد است. با این حال، تصاویر با وضوح فضایی بالاتر دقت مدل را بهبود می بخشد (هولمن و همکاران ، 2016) و دوربین‌های RGB برای چنین کاربردهایی کافی هستند و هزینه‌های خرید پایینی را متحمل می‌شوند.

ادبیات شامل چندین مطالعه در مورد تخمین ارتفاع گیاه با استفاده از حسگرهای LiDAR است (جیمنز-برنی، 2018سنسورهای RGB-D (CHÉNÉ و همکاران ، 2012;شانی; VIT، 2018;WANG; LI، 2014، و سنسورهای RGB با پردازش تصویر توسط الگوریتم SfM (حسن و همکاران ، 2019a;HASSLER; BAYSAL-GUREL، 2019;هولمن و همکاران ، 2016;HU و همکاران ، 2018;MADEC و همکاران ، 2017;براکز، 2018;WATANABE و همکاران ، 2017; DÍAZVARELA و همکاران ، 2015;دیلن و همکاران ، 2016). ارتفاع بوته یک متغیر مهم برای ارزیابی وضعیت عمومی محصولات و کمک به برآورد بهره وری است.LAZCANO; دومانگوز، 2011و همچنین در ارائه یک تقریب خوب برای تخمین زیست توده (BENDIG و همکاران ، 2014;OTA و همکاران ، 2015;تیلی و همکاران ، 2015). به نظر می رسد ارتفاع ساقه نسبت به تنش های وارده به محصول حساس است و همچنین یک متغیر ورودی برای مدل های مورد استفاده برای ارزیابی تنش آبی است.BLONQUIST و همکاران ، 2009) و حساسیت محصول به میرایی (بری و همکاران ، 2003). با توجه به اینکه، چنین تخمین‌هایی ممکن است استنتاج‌های ساختاری تاج‌پوش معنی‌داری را ارائه دهند، به‌ویژه برای فنوتیپ‌سازی مزرعه جذاب است.MADEC و همکاران ، 2017). ارتفاع گیاه یا ارتفاع تاج را می توان با استخراج بالاترین نقاط شناسایی شده در ابر نقطه متراکم به دست آورد.

برخی از نویسندگان ناتوانی در جداسازی جزئیات منحصر به فرد گیاهان را در مدل های تولید شده از داده های به دست آمده توسط پهپاد به دلیل حرکت آنها در طول گرفتن تصویر، احتمالاً به دلیل باد، برجسته می کنند.WILLKOMM و همکاران ، 2016). چنین حرکتی ممکن است باعث تغییراتی در ساختار گیاه شود، که ممکن است کاهش ارتفاع توسط مدل ها را توضیح دهد.MADEC و همکاران ، 2017).حسن و همکاران (2019a)گزارش داد که SfM ارتفاع گیاه را در رابطه با تخمین‌های به‌دست‌آمده توسط حسگر LiDAR تعبیه‌شده در وسیله نقلیه زمینی دست‌کم می‌گیرد، و چنین یافته‌ای را به وضوح فضایی درشت‌تر تصاویر پهپاد و توانایی محدود SfM برای نفوذ به تاج پوشش گیاه در مقایسه با ابر نقطه‌ای LiDAR نسبت می‌دهد. همچنین مشخص شد که ساختار و چگالی تاج پوشش بر تخمین های نهایی تأثیر می گذارد.GEIPEL و همکاران ، 2014).

یک نکته مهم در مورد مدل‌سازی سه بعدی با استفاده از پهپاد این است که اندازه‌گیری ارتفاع گیاه و حجم تاج به مدل دیجیتال زمین مناسب (DTM) بستگی دارد که برای ارزیابی مشخصات سطح خاک (پایین‌ترین حد ابر نقطه‌ای) استفاده می‌شود. متداول ترین روش های مورد استفاده برای ارزیابی DTM عبارتند از: 1) درون یابی و تنظیم سطح زمین با استفاده از GCPs و تکنیک های نقشه برداری توپوگرافی سنتی (روش 1 –ویس; بارت، 2017) 2) تقسیم بندی پیکسلی مدل سطح دیجیتال (DSM) جمع آوری شده در طول توسعه محصول، تمایز پوشش گیاهی از پیکسل های خاک (روش 2 –GEIPEL و همکاران ، 2014) و 3) DTM حاصل از پروازهای قبل از کاشت یا پس از برداشت (BENDIG و همکاران ، 2013;هولمن و همکاران ، 2016;WU و همکاران ، 2017) هنگامی که پوشش گیاهی در سطح زمین وجود ندارد (روش 3). از طرف دیگر، DTM را می توان با درونیابی رکوردهای موقعیت به دست آمده در طول هر عملیات کشاورزی تا زمانی که وسیله نقلیه مجهز به GNSS با دقت بالا (روش 4) باشد، به دست آورد.مادک و همکاران (2017)تخمین های ارتفاع گیاه را بر اساس DTM ارائه شده توسط سوابق موقعیت درونیابی شده در طول کاشت و موارد ارائه شده توسط تقسیم بندی پیکسل های DSM (روش 2) مقایسه کرد و عملکرد مشابهی را بین روش ها به دست آورد.هولمن و همکاران (2016)تخمین ارتفاع بوته بدست آمده توسط روش 2 و روش 3 را با DTM بدست آمده توسط ابر نقطه زمین پس از برداشت مقایسه کرد و برآوردهای بهتری را برای روش 2 یافت. در هر دو DTM و DSM وجود دارد و تأثیر آن را لغو می کند. با این حال، هنگامی که داده‌های DTM و DSM در زمان‌های مختلف، مانند پس از برداشت، جمع‌آوری می‌شوند، چندین مسئله ممکن است بر نتیجه تأثیر بگذارد، مانند تغییرات در ویژگی‌های پرواز، جمع‌آوری و پردازش تصاویر، و همچنین تغییرات در خود سطح خاک، که این سوگیری و تغییر را تغییر می‌دهد. تاثیر بر محاسبه DSM

اندازه‌گیری‌های میدانی زیست توده روی زمین (AGB) به دلیل روش‌های پرزحمت و مخرب مورد نیاز برای ارزیابی آن، به‌ویژه برای به دست آوردن مشکل‌ساز است. روش های غیر مخرب برای تخمین AGB به طور گسترده با استفاده از تصاویر دو بعدی و VIs مورد بررسی قرار گرفته است.HASSAN و همکاران ، 2019b;HASSLER; BAYSAL-GUREL، 2019;مارینو آلوینو، 2019;VILJANEN; HONKAVARA، 2018، اما مطالعات کمی در حال بررسی استفاده از روش های سه بعدی برای این منظور هستند.والتر و همکاران (2018)تخمین های AGB خوبی را در کرت های گندم با استفاده از دوربین RGB تعبیه شده در پهپاد برای اندازه گیری حجم و ارتفاع تاج پوشش یافت. مطالعات دیگر زیست توده چمن را با استفاده از مدل های سه بعدی تخمین زدند و همبستگی خوبی با مقادیر واقعی پیدا کردند.چانگ و همکاران ، 2017;گرونر و همکاران ، 2019). برآوردهای خوب AGB نیز با ترکیب تخمین‌های سه بعدی ارتفاع پوشش گیاهی با VIs از داده‌های چند طیفی به دست آمد.BENDIG و همکاران ، 2015;YUE و همکاران ، 2017).

نظارت بر محصول موقت نیز یک برنامه جالب است. چندین ابر نقطه سه‌بعدی تولید شده در طول برداشت ممکن است مدل‌سازی رشد گیاه یا تغییرات ناگهانی در رشد آن‌ها را که ابرهای نقطه‌ای 4 بعدی نامیده می‌شوند، ممکن کند.HASSAN و همکاران ، 2019a;HASSLER; BAYSAL-GUREL، 2019;هولمن و همکاران ، 2016).

یکی دیگر از کاربردهای مهیج کشاورزی پهپاد، شمارش سریع و کارآمد گیاهان، میوه ها و غیره است.رهنمون فر و شپرد (2017)از روش شمارش میوه مبتنی بر پهپاد در یک محصول مرکبات استفاده کرد. آن‌ها از VI برای تقسیم‌بندی درختان از پس‌زمینه تصاویر استفاده کردند و سپس یک روش شمارش را بر اساس سایبان‌ها به معنای منطقه سبز اجرا کردند.او و همکاران (2014)پیشنهاد مشابهی را برای تعیین کمیت درختان کریسمس مورد مطالعه قرار داد، جایی که الگوریتم به دنبال مکان یابی و شمارش مکان های حداکثر بازتاب در پنجره های متحرک تقسیم شده بالای درختان بود. سال‌ها بعد، این محققان مقاله دیگری را منتشر کردند که به مسائل اندازه‌گیری در مناطقی که به طور متراکم توسط گیاهان پوشیده شده است و روشی برای شمارش دقیق در این محیط‌ها بر اساس الگوریتم ماشین بردار پشتیبان (Support Vector Machine) می‌پردازد.SHE و همکاران ، 2018).چن و همکاران (2017)همچنین نشان داد که بینایی کامپیوتری و الگوریتم های یادگیری عمیق می توانند سیب ها و پرتقال ها را با استفاده از تصاویر بدست آمده از پهپاد بشمارند.

نظارت بر اهداف بیولوژیکی

شناسایی عواملی که ارزش تولید کشاورزی را کاهش می دهند – مانند علف های هرز، آفات حشرات و عوامل بیماریزای گیاهی (بیماری های گیاهی) – یک کار معمول و اجباری برای ترویج درمان گیاهی مناسب و تضمین بهره وری محصول است. روش‌های شناسایی در محل این عوامل معمولاً دستی هستند و به تلاش‌های نمونه‌گیری برای ایجاد نماینده ارزیابی میدانی نیاز دارند. با توجه به عملکرد عملیاتی پهپاد و وضوح فضایی بالا، استفاده از آن برای انجام چنین تشخیصی به دنبال خودکارسازی و اطمینان از بازنمایی بیشتر ارزیابی‌ها، رفع کمبودهای نظارت ماهواره‌ای است. قابل اجرا کردن این برنامه از طریق حسگرهای تعبیه شده در پهپاد چالش هایی را در رابطه با شناسایی ویژگی هایی که به طور مستقیم یا غیرمستقیم اهداف را متمایز می کند، طبقه بندی مناسب آنها و ارتقای یادگیری خودکار با ابزارهای محاسباتی ایجاد می کند.

تصاویر با کیفیت خوب امکان توصیف مناسب صحنه ها و اهداف را فراهم می کند. بنابراین، تصاویر با وضوح فضایی بالا پهپاد به طور بالقوه دقت تحقیق را افزایش می دهد، زیرا پدیده ای که باید شناسایی شود می تواند توسط پیکسل های خالص ثبت شود.YE و همکاران ، 2020). همانطور که نشان داده شده است، این فرآیند فردی سازی هدف را قادر می سازد و به شناسایی مناسب هدف کمک می کندلوپز-گرانادوس و همکاران . (2016)با گیاهان سورگوم halepense ، به صورت جداگانه با پیکسل های 0.01 تا 0.04 متر شناسایی شده است. با این حال، این نویسندگان تاکید می‌کنند که ارتوموزائیک‌های با کیفیت با وضوح فضایی بالا به تصاویر زیادی نیاز دارند، که منجر به پروازهای طولانی‌تر و پردازش پس از تصویربرداری با هزینه محاسباتی بالا می‌شود.

کیفیت طیفی سنسورهای تعبیه شده نیز بر نتایج شناسایی تأثیر می گذارد.کاستالدی و همکاران (2017)مشاهده کردند که باندهای باریک حسگرهای چندطیفی برای شناسایی علف‌های هرز و تولید نقشه‌های نسخه علف‌کش نسبت به وضوح فضایی مرتبط‌تر بودند. شدت هلمینت اسپوریوز در گندم با شناسایی ویژگی های علائم در تصاویر RGB با وضوح فضایی 0.034 متر طبقه بندی شد.HUANG و همکاران ، 2019اما از طول موج‌های خاص یک حسگر فراطیفی برای شناسایی دو بیماری گوجه‌فرنگی و تعیین میزان شدت علائم استفاده شد.عبدالریده و همکاران ، 2019). نوارهای حرارتی که قدرت تفکیک فضایی درشت تری دارند، کمتر مورد استفاده قرار می گیرند. با این حال، ادغام اطلاعات طیفی آنها با سایر باندهای طیفی ممکن است شناسایی بیماری ها و آفات را حتی در مراحل اولیه، با توجه به حساسیت به تغییرات فیزیولوژیکی گیاهان بهبود بخشد (MESSINA؛ MODICA، 2020).

برای انتخاب یک سنسور، نه تنها باید کارایی در ثبت رفتار هدف، بلکه تفاوت در عملکرد تصویربرداری عملیاتی را نیز در نظر گرفت. به عنوان مثال، سنسورهای چند طیفی باید در ارتفاعات پایین‌تری پرواز کنند تا وضوح فضایی یکسان حسگر RGB را به دست آورند، که به زمان یا تعداد پروازهای پهپاد بیشتر، هزینه مالی بالاتر و زمان پردازش تصویر طولانی‌تر نیاز دارد.LÓPEZ-GRANADOS و همکاران ، 2016). در مورد بهترین انتخاب در میان حسگرهای مختلف و پتانسیل آنها برای کاربردهای خاص، توافق نظر حاصل نشده است، زیرا بسیاری از عوامل هدف و محیطی مختلف ممکن است بر نتیجه نهایی تأثیر بگذارند. بنابراین، اهمیت ویژگی‌های فضایی و طیفی تصاویر با توجه به ویژگی‌های هدف و اهداف نقشه‌برداری متفاوت است.

پس از حصول اطمینان از کیفیت تصاویر، تمرکز بر استخراج ویژگی های مشخصه، مانند رنگ، شکل، بافت و آمار برای هدف یا علائم تولید شده در گیاه است.BAH و همکاران ، 2018;ژانگ و همکاران ، 2018;SIEBRING و همکاران ، 2019). با این حال، محیط کشاورزی به دلیل پیچیدگی الگوها و پویایی عناصر آن چالش برانگیز است. هنگامی که علف های هرز و محصولات به یک خانواده مربوط می شوند، الگوهای طیفی و فنولوژیکی ممکن است مشابه باشند.LÓPEZ-GRANADOS و همکاران ، 2016) در این زمینه، در نظر گرفتن علف های هرز و موقعیت محصول ممکن است در شناسایی کمک کند. تجزیه و تحلیل موقعیت و رابطه فضایی بین پیکسل ها شناسایی ردیف های محصول و در نتیجه آرایش علف های هرز را امکان پذیر می کند.BAH و همکاران ، 2018).گائو و همکاران (2018)از اطلاعات فضایی در ردیف و فضای بین ردیفی برای بهبود طبقه بندی علف های هرز به عنوان محصول استفاده کرد و علف های هرز در مراحل اولیه رنگ و شکل مشابهی داشتند.

برای آسیب شناسی گیاهی، شناسایی عامل دقیق (به عنوان مثال، گونه های قارچ) چالش برانگیز است، زیرا علائم مشابه می تواند برای چندین پاتوژن مشترک باشد.HUANG و همکاران ، 2019). VIهای خاص می توانند برخی علائم را بر اساس تغییرات مورفولوژیکی و فیزیولوژیکی استنباط کنند که پاسخ طیفی را تغییر می دهد.XUE; SU، 2017).عبدالرضا و همکاران (2019)روابطی را ارزیابی کرد که امکان شناسایی علائم شانکر مرکبات در مراحل اولیه را در درختان و میوه ها با استفاده از داده های تصاویر فراطیفی فراهم کرد.

اهداف پویا، مانند آفات کشاورزی، به دلیل مشکلات زاویه دید و فاصله کانونی، حتی در هنگام عکاسی از اهداف ساکن مگس میوه ( Drosophila suzukii ) که در تله های چسبنده به دام افتاده اند، چالش برانگیزتر هستند.روزجن و همکاران ، 2020).شیائو و همکاران همکاران (2018)تصاویر ایستا از حشرات در کتابخانه های دیجیتال عمومی را تجزیه و تحلیل کرد و مسیری را برای تشخیص آفات در آینده با استفاده از پهپاد باز کرد. با این حال، شرایط مزرعه هنوز برای شناسایی مستقیم آفات با استفاده از پهپاد بسیار محدود است، به طوری که روابط پاسخ طیفی هدف غیرمستقیم بیشتر مورد استفاده قرار می گیرد، همانطور که با پاسخ مادون قرمز نزدیک (NIR) گیاهان سویا مورد حمله گلایسین های Aphis رخ داد .ALVES و همکاران ، 2019). با توجه به اینکه چنین پاسخی ممکن است به راحتی با هر نوع تنش دیگری که بر گیاهان تأثیر می گذارد اشتباه گرفته شود و ویژگی های طبقه بندی انتخاب شده در تصاویر ممکن است با الگوریتم و مدل پیش بینی استفاده شده متفاوت باشد، انتخاب برای یک محصول معین ممکن است برای سایر محصولات و یا برای تغییرات قابل استفاده نباشد. در سال تقویمی، به دلیل ورود عناصر جدید در صحنه (BAH و همکاران ، 2018). این شرایط ممکن است ظرفیت مدل های پیش بینی ساخته شده در شرایط مختلف را به شدت کاهش دهد. همچنین، این استراتژی شناسایی اهداف بیولوژیکی مستلزم نظارت کارشناسان با مهارت‌های محاسباتی معقول و دانش در مورد کالیبره کردن الگوریتم‌های یادگیری ماشینی است که برای کاربران نهایی ادعایی مانند کشاورزان بعید است.هانتر و همکاران ، 2020).

اگرچه الگوریتم‌های طبقه‌بندی‌کننده مختلفی مانند ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با موفقیت نسبی استفاده شده‌اند.کاستالدی و همکاران ، 2017;CAO و همکاران ، 2018تکنیک‌های یادگیری عمیق (DL) نتایج هیجان‌انگیزتری برای طبقه‌بندی پیچیده نشان داده‌اند.ویزنر-هنکس و همکاران ، 2019;ROOSJEN و همکاران ، 2020) مانند مسائل کشاورزی. یکی از مزایای DL استخراج سلسله مراتبی خودکار ویژگی ها است (LIAKOS و همکاران ، 2018) حل یکی از گلوگاه های مهم تکنیک های یادگیری ماشین که نیاز کارشناسان نظارت بر این رویه است (BAH و همکاران ، 2018). ظرفیت یادگیری بیشتر تکنیک‌های DL به پایگاه داده‌ای بستگی دارد که باید به اندازه کافی بزرگ باشد و مشکل را مشخص کند (کمیلاریس; PRENAFETA-BOLDÚ، 2018) که ممکن است استفاده از این الگوریتم را نیز با چالش مواجه کند. با این حال، به نظر می‌رسد که این برای تصاویر دیجیتال و داده‌های حسگرهای مختلف که در Agri 4.0 استفاده شده‌اند کاملاً امکان‌پذیر باشد.

با توجه به موارد فوق، علیرغم دشواری هایی که برای جمع آوری تصاویر میدانی به دلیل تأثیر خاک، نور و سایه یا انسداد عناصر مورد نظر وجود دارد.HAMUDA و همکاران ، 2016)، گلوگاه های اصلی در شناسایی اهداف بیولوژیکی با استفاده از پهپادها در خود پلت فرم نیست، بلکه در پردازش اطلاعات جمع آوری شده به ویژه در مدل ها و ویژگی های مورد استفاده قرار می گیرد. با این حال، پیشرفت در هوش مصنوعی، به ویژه در مورد DL، که کاربردهای کشاورزی آن هنوز نسبتاً جدید است، انتظارات زیادی را افزایش می دهد.

سمپاشی محصولات گیاهی و توزیع نهاده های زیستی

افزایش مقدار اطلاعات میدانی امکان شناسایی دقیق نیازهای ورودی های خاص سایت را فراهم می کند. از این نظر، علاوه بر کمک به جمع‌آوری داده‌ها (همانطور که تاکنون ارائه شد)، سیستم‌های پاشش پهپاد پتانسیل این را دارند که این نیازهای برنامه‌های پاشش و ورودی‌ها را برآورده کنند – زیرا سیستم‌های کاربردی ورودی سنتی، چه دستی، چه هوایی و یا با استفاده از تراکتور، گاهی اوقات با شکست مواجه می‌شوند. ویژگی های سیستم تولید محصول توسعه علمی-فنی تاریخی و رو به رشد سمپاشی با پهپاد در آسیا به ویژه چین، کره جنوبی و ژاپن به ثبت رسیده است که با ویژگی های محلی مانند واحدهای تولیدی در مقیاس کوچک، در مناطق شیب دار و با کمبود نیروی انسانی تقویت شده است.یانگ و همکاران ، 2018). در ایالات متحده آمریکا، پهپادها به طور کامل کاربردهای خاصی در مناطق کشت انگور دارند.GILES; BILLING، 2015). پهپادهای سمپاشی اخیراً به جایگزینی برای شرایطی تبدیل شده اند که سمپاش های سنتی غیرقابل اجرا هستند. برخاستن عمودی، توانایی مانور در فضاهای تنگ، عملکرد مستقل، دسترسی سریع به نقاط مورد نظر و آسیب بی اثر به محصولات توسط چرخ از جمله مزایای سمپاشی پهپاد در مقایسه با ماشین آلات کشاورزی است. با این حال، دانش علمی بیشتر در مورد پاشش پهپادها و استانداردهای صنعتی برای این تجهیزات ضروری است.HE و همکاران ، 2017). از این نظر، ما حداقل سه جهت را برای توسعه فنی و علمی این عملیات مشاهده کردیم: الف) توسعه پهپادهای سمپاشی. ب) تحقیق برای ایجاد شرایط ایده آل برای عملیات؛ و ج) توسعه سیستم های تکمیلی برای افزایش کارایی فرآیند.

توسعه پهپادهای سمپاشی

پهپادهای برخاست عمودی با یک یا چند موتور اغلب در فعالیت سمپاشی استفاده می شوند. اگرچه اکثر آنها با برق کار می کنند، ماشین های بزرگتر با ظرفیت بار بالاتر عمدتاً از موتورهای احتراقی استفاده می کنند، در حالی که برخی از فرمت های هیبریدی در حال حاضر در دسترس هستند.شبکه LAN چن، 2018). هنگامی که عملیات نیاز به حجم بالایی از محلول پاشش در واحد سطح دارد، ظرفیت بار و سرعت جریان پاشش اعمال شده توسط پهپاد عامل محدود کننده ای برای کاربرد کلی آن در جایگزینی ماشین آلات سمپاشی سنتی است. ظرفیت مخزن پاشش پهپادها معمولاً 5.0 تا 20.0 لیتر است، اما برخی از مدل ها تا 30.0 لیتر (HE و همکاران ، 2017). هیچ محدودیت تکنولوژیکی برای توسعه پهپادهای با ظرفیت بیشتر وجود ندارد. این صرفاً به دلیل مشورت سازندگان و توسعه دهندگان با در نظر گرفتن قوانین سختگیرانه منطقه ای، مانند اسناد قسمت 107 و قسمت 137 آژانس هوانوردی فدرال آمریکا (FAA، 2020) رخ می دهد. چنین اسنادی عملکرد پهپاد را با توجه به ظرفیت بار محدود می کند و آموزش را برای اپراتورهای پهپاد که ممکن است با محصولات شیمیایی و بیولوژیکی کار کنند اجباری می کند. بنابراین، تحقیقاتی برای کاهش نرخ جریان آفت کش توصیه شده، به منظور مناسب ساختن پاشش پهپاد توسعه یافته است. ژاپن، زادگاه پاشش پهپاد، نرخ جریان تا 1.0 لیتر در هکتار را توسعه داده است که در مقایسه با کاربردهای اصلی تا 30.0 لیتر در هکتار، به عنوان حجم بسیار کم مشخص می شود.HE و همکاران ، 2017).

در بسیاری از کشورها، سازگاری های محلی عملیات پهپادهای سمپاشی، به طور تجربی استفاده از این تجهیزات را در محصولات مختلف، مانند برنج، امکان پذیر کرده است.LI و همکاران ، 2019، ذرت (ZHENG و همکاران ، 2017)، سویا (ژانگ و همکاران ، 2019، گندم (WANG و همکاران ، 2019، پنبه (YAO و همکاران ، 2018، نیشکر (ژانگ و همکاران ، 2020، مرکبات (PAN و همکاران ، 2017) و انگور (GILES; BILLING، 2015). با این حال، کاربرد این روش در متنوع ترین محصولات منجر به سؤالاتی در مورد عملکرد عملیاتی چنین تجهیزاتی می شود. تنها با در نظر گرفتن زمان پرواز،وانگ و همکاران (2019)با استفاده از حشره کش بر روی گندم به عملکرد 4.1 هکتار در ساعت رسیدGiles and Billing (2015)عملکرد مشابهی (4.5 هکتار در ساعت) آزمایش پهپاد در یک تاکستان به دست آورد. با این حال،وانگ و همکاران (2017)گزارش دهید که زمان پرواز تنها با 30٪ از کل زمان صرف شده برای تکمیل عملیات سمپاشی مطابقت دارد. 70% زمان دیگر برای چک لیست های قبل از پرواز، تعویض باتری، تامین مخزن ورودی و سایر فعالیت های مشابه استفاده می شود. با این وجود،یانگ و همکاران (2018)ارزیابی های متعددی را ذکر کنید که در آنها پهپادها نسبت به سایر دستگاه های سمپاش برتری داشتند، مشابه چه چیزیمارتینز-گوانتر و همکاران (2020)در مقایسه با سمپاش تراکتور در عملیات با زیتون و مرکبات مشاهده شد.

به نظر می رسد کارایی تیمارهای پهپاد با سایر روش های سمپاشی نسبتاً سازگار باشد.XIAO و همکاران ، 2020;WANG و همکاران ، 2019، حتی اگر پارامترهای میانی برای کیفیت پاشش (یعنی یکنواختی رسوب) ممکن است کمتر از سایر حالت های کاربردی باشد (WANG و همکاران ، 2019). نتایجی مانند آنهایی که توسطلو و همکاران (2018)26 درصد کنترل بهتری برای شته ها و 6 درصد برای کنه ها به نفع سمپاش زمینی در محصول پنبه نشان می دهد. با این حال، تنظیمات پارامترهای پاشش تحقیقاتی را برای بهبود کارایی پهپادها تحریک کرده است.

شرایط ایده آل برای سمپاشی

سمپاشی کارآمد مستلزم انتخاب صحیح و تنظیم سیستم سمپاشی با توجه به شرایط محیطی و ویژگی های اهداف است. تصمیمات اشتباه هنگام انتخاب نازل اسپری ممکن است منجر به تفاوت تا 30 درصد در اثربخشی درمان شود.چن و همکاران (2020)در مطالعه آنها نازل های نامناسب برای کنترل ملخ در مراحل مختلف رویشی برنج مشاهده شد. انتخاب های صحیح در این مورد تعیین کننده بهترین پوشش هدف و در نتیجه افزایش کارایی درمان گیاهی و کاهش مشکلات رانش است. نازل هایی که اغلب آزمایش می شوند 110 درجه با سرعت جریان 0.1 تا 0.2 گالن هستند.چن و همکاران ، 2020). با این حال، چندین مشخصات مناسب برای سمپاشی، به ویژه در مورد ویژگی های هدف وجود دارد. نازل هایی که قطرات بزرگتر تولید می کنند، با قطر متوسط ​​حجمی (VMD) بالای 160 میکرون، رسوب قطرات بهتر، نفوذ بهتر و رانش کمتری برای پاشیدن حشره کش ها روی برنج دارند.چن و همکاران ، 2020). علاوه بر این، دبی کافی، سرعت پرواز و ارتفاع پارامترهای حیاتی برای تعیین بهترین شرایط سمپاشی هستند.

سرعت یک پهپاد چرخش موتور آن را تغییر می دهد و میدان جریان هوا را به سمت پوشش گیاهی که برای رسوب قطرات لازم است تغییر می دهد و باعث تغییر در جریان هوا و در نتیجه تغییر در رسوب قطرات می شود. این به این دلیل رخ می دهد که تغییر وزن منحنی تخلیه باتری و در نتیجه عملکرد موتور را تغییر می دهد.مارتینز-گوانتر و همکاران ، 2020). هرچه گرداب هوا قوی تر باشد، رسوب بیشتری در مسیر پرواز دارد. در حالی که گردابه های ضعیف تر، رسوب گذاری را هم در مسیر و هم به صورت جانبی فراهم می کنند. برای گرداب های بسیار ضعیف، رسوب تابع جهت و نیروی باد است (GUO و همکاران ، 2019).ژنگ و همکاران (2017)نتایج توزیع کافی را با سرعت تا 6.0 متر بر ثانیه گزارش کنید.

تأثیر گرداب نیز مستقیماً با ارتفاع پرواز مرتبط است که می تواند چگالی رسوب و نفوذ را تغییر دهد.ژانگ و همکاران ، 2020، دستیابی به تغییرات تا 40٪ در توزیع قطرات (GUO و همکاران ، 2019). ارتفاع مناسب پرواز و همچنین سرعت و جهت پرواز برای کاربرد در محصولاتی مانند مرکبات اهمیت ویژه ای داشت.TANG و همکاران ، 2018درختان زیتون (مارتینز-گوانتر و همکاران ، 2020و درختان هلو (MENG و همکاران ، 2020ساختارهای مورفولوژیکی و تراکم تاج پوشش تاثیر مرتبطی بر کیفیت سمپاشی داشتند. بهترین توزیع سمپاشی و نتیجه پوشش با 1.4 متر بالای تاج پوشش در محصول مرکبات به دست آمد.HOU و همکاران ، 2019) در حالی که برای کاربردهای پاک کننده روی پنبه، بسته به پهپاد مورد استفاده، با 1.5 متر و سرعت 2.5-3.8 متر بر ثانیه بود.LIAO و همکاران ، 2019).ژانگ و همکاران (2020)ارتفاع 3.0 متر، حجم 15.0 لیتر در هکتار و سرعت 4.0 متر بر ثانیه به عنوان پارامترهای مرجع بهینه برای سمپاشی نیشکر، به دلیل نیاز به رسیدن به کمترین برگ ها تعریف شده است. این پارامترها تأثیر چندعاملی مورد نیاز برای دستیابی به کیفیت کاربرد و نیاز به تعداد قابل توجهی از آزمایش‌ها را در شرایط مختلف روشن می‌کنند.

سیستم های تکمیلی برای افزایش راندمان پاشش پهپاد

حداقل دو خط تحقیقاتی با هدف توسعه سیستم‌های بهینه‌سازی برای پاشش با پهپادها انجام می‌شوند: 1) یکی بر کنترل زمان واقعی پاشش با در نظر گرفتن تغییرات در شرایط محیطی تمرکز دارد. 2) دیگری به دنبال تعریف معیارهای سمپاشی بر اساس ویژگی های هدف، با استفاده از استراتژی های متنوع برای افزایش عملکرد است.

سیستم‌های سنجش بی‌درنگ گامی اساسی برای فعال کردن مداخلات خاص و بهینه‌تر با پهپادها هستند. مسائل در این زمینه هنوز چالش برانگیز هستند زیرا به سخت افزار و نرم افزار با هزینه محاسباتی بالا نیاز دارند که مستقیماً با مصرف انرژی باتری ها و ظرفیت بار مرتبط است. یک استراتژی برای افزایش راندمان سمپاشی و کاهش خطرات زیست محیطی، که عمدتاً با رانش نشان داده می شود، توسعه سیستم هایی برای تطبیق پارامترهای پرواز در زمان واقعی است.HE و همکاران ، 2017) به عنوان مثال، با استفاده از شبکه ای از حسگرهای بی سیم در میدان، ارسال اطلاعات موقعیتی سرعت و جهت باد، به منظور اصلاح پارامترهای پهپاد (FAIÇAL و همکاران ، 2017). با درجه ای از پیچیدگی بیشتر، یک شبکه عصبی با اطلاعاتی در مورد دمای محیط، رطوبت نسبی هوا، سرعت باد و تنظیمات پهپاد (مانند سرعت و ارتفاع پرواز، تعداد روتورها و نازل های اسپری، و حجم کاربرد تجویز شده) تغذیه می شود. برای کنترل در زمان واقعی حجم و اندازه قطرات اسپری، به منظور بهبود کیفیت رسوب محصول گیاهی (WEN و همکاران ، 2019). برای مداخلات بلادرنگ که نیاز به فرمان اپراتور دارد، سرعت پرواز یک جزء ضروری برای برقراری ارتباط فرماندهی بین پایگاه کنترل و پهپاد تا حد اطمینان از دقت در پاشش است.HE و همکاران ، 2017). با توجه به شرایط پرواز پهپاد،لیان و همکاران (2019)با توسعه یک سیستم واکنش سریع برای تنظیم سرعت جریان پاشش، بر این چالش غلبه کرد.

در مورد تعریف معیارهای پاشش با توجه به ویژگی های هدف، سیستم های پشتیبانی برنامه با هدف افزایش اتوماسیون و دقت فعالیت، تعریف حوزه های کاربردی و غیر کاربردی در تصاویر با وضوح بالا می باشد.GAO و همکاران ، 2019). یکی از چالش‌های مهم طبقه‌بندی تصاویر، اجرای آن در زمان واقعی در طول پرواز است. متناوباً، تصاویر یا داده‌های حسی که قبلاً به دست آمده‌اند می‌توانند برای ساده‌سازی پردازش بلادرنگ استفاده شوند. از این نظر،وانگ و همکاران (2019)سیستمی را توسعه داد که به طور مستقل مناطق کاربردی و غیر کاربردی را در کشت برنج با استفاده از ویژگی‌های بررسی شده قبلی مزارع (مانند پارامترهای رنگ و بافت) برای تغذیه طبقه‌بندی کننده ماشین بردار پشتیبان (SVM) تعریف کرد. پردازش تصویر بلادرنگ همچنین چالش‌هایی را که قبلاً ذکر شد، مانند زمان پاسخ، سخت‌افزار تعبیه‌شده، مصرف انرژی و غیره را تحمیل می‌کند.

به طور خلاصه، در پنج سال گذشته توسعه قابل توجهی در سمپاشی پهپاد وجود داشت. تنوع کاربرد پهپادهای کشاورزی چالشی برای توسعه و انطباق مداوم این سیستم‌های پاشش است که نیاز به بررسی بیشتر دارد که ممکن است این فعالیت را از نظر زراعی عملکردی و کارآمد کند و در عین حال برای مردم و محیط زیست ایمن باشد. تعریف پارامترهای بهینه برای پرواز، سیستم های اتوماسیون و پشتیبانی تصمیم گیری در زمان واقعی به این هدف کمک می کند. ابتکارات تحقیقاتی مانند Ivić و همکاران . (2019) این اهداف را به اشتراک بگذارید. برخی از کمک‌ها توسعه سیستم‌های کنترل ازدحام برای پاشش پهپادها برای خودکارسازی کامل عملیات، در نتیجه افزایش دقت برنامه و بهبود عملکرد بود. در نتیجه این پیشرفت‌ها، کاربردهای دیگر برای پراکندگی انواع مختلف ورودی‌ها با استفاده از پهپادها بیشتر مورد مطالعه قرار خواهند گرفت، مانند توزیع دانه‌ها.LI و همکاران ، 2016)، کودها و نهاده های زیستی. مورد دوم قبلاً به صورت تجاری اجرا شده است و توسط آن تأیید شده استتسکه و همکاران (2019)، به منظور توزیع دشمنان طبیعی با استفاده از پهپاد در میدان و گسترش این جمعیت ها. 

نتیجه گیری

• 1. کاربردهای پهپاد در کشاورزی در سال های اخیر با چشم انداز جایگزینی فعالیت هایی با عملکرد پایین انسانی، مانند نمونه برداری نظارت بر محصولات، به طور قابل توجهی تکامل یافته است. سهم دیگر بهبود کارایی عملیات کشاورزی است، مانند کاربرد محصولات بهداشتی گیاهی در سایت. با این حال، بیشتر تلاش‌های تحقیقاتی در محدوده Agri 4.0، یعنی تحقیقات متمرکز بر داده‌ها، که تصمیم‌گیری مستقل یا با حداقل وابستگی به یک متخصص انسانی را ممکن می‌سازد، توسعه یافته‌اند. از این نظر، کاربردهای علم داده از طریق یادگیری ماشینی، کلان داده و اینترنت اشیا در کشاورزی به طور تصاعدی در حال رشد هستند. ما قبلاً از دقت تصویر زیر سانتی متری از طریق وضوح بالای سنسور و جمع آوری داده های با فرکانس بالا اطمینان حاصل کرده ایم. این به دلیل انعطاف پذیری به دست آوردن این داده ها است که طیف وسیعی از کاربردهای کشاورزی را ممکن می سازد. برای این منظور، تکنیک‌های بینایی کامپیوتری برای جایگزینی ارزیابی بصری تکنسین‌ها و متخصصان حوزه انسانی پیشنهاد می‌شود، با این تفاوت که کل مزرعه را می‌توان با وضوح بسیار بالا از طریق تجزیه و تحلیل تصویر بدون رویکردهای نمونه‌برداری بررسی کرد و اطلاعات با کیفیتی را برای کشاورز فراهم کرد. تصمیم گیری در یک سناریوی بهینه، حتی نیازی به تصمیم‌گیری کشاورز نخواهد بود، زیرا خود هوش مصنوعی بخش‌های نامتعادل مزرعه و علل آن‌ها را شناسایی می‌کند، مؤثرترین روش‌های کنترلی را انتخاب می‌کند و ماشین‌آلات خودمختار مناسب مسئول چنین مداخلاتی را فعال می‌کند.
• 2. اجرای چنین پروژه ای مستلزم توسعه زیادی در مورد ظرفیت انتقال داده و همچنین ذخیره سازی و پردازش ابری است. در حال حاضر، ارتباطات داده در این زمینه هنوز فاقد کارایی لازم برای چنین رویکردی است. سیستم 5G در این زمینه امیدوارکننده است. با این حال، چندین سوال هنوز نیاز به توضیح دارند، مانند نرخ واقعی انتقال داده در فواصل طولانی و هزینه های اجرای چنین ساختار اختصاصی در محیط روستایی. به طور مشابه، تکنیک‌های یادگیری ماشین هنوز به تلاش قابل توجهی برای به دست آوردن یک پایگاه داده قوی نیاز دارند تا الگوها را تحت شرایط مختلف در محیط کشاورزی، مانند گیاهان با رنگ‌ها و شکل‌های مختلف ناشی از انواع مختلف استرس، مانند آب و هوا و حمله بیماری‌زا، شناسایی کنند. بنابراین، کاربرد چنین تکنیک‌هایی در زمینه کشاورزی با چالش‌های بسیار بیشتری نسبت به رویکرد مشابه در محیط صنعتی مواجه است، که در آن کنترل محیطی بر اکثر عواملی که با پیش‌بینی‌های خودکار تداخل دارند، وجود دارد. واقعیت این است که اتوماسیون کشاورزی مستلزم یادگیری هوش مصنوعی در مورد متنوع‌ترین و نماینده‌ترین موقعیت‌ها در زمینه‌ها است، که نیازمند پایگاه‌های اطلاعاتی گسترده و قوی برای اعمال جامع Agri 4.0 است. بنابراین، پهپادها، به عنوان یک پلتفرم جمع آوری داده با وضوح بالا، یک واقعیت هستند. در مقابل، دانشی که این داده‌ها می‌توانند برای برنامه‌های Agri 4.0 فراهم کنند، هنوز درک کامل و کمی کردن آن دشوار است.