Túl azon, ami látható
a DJI Mavic 3 Multispectral és a Proofminder AI modell segítségével fontos betekintést nyerhetünk egy fenyőfaiskola működésébe
Egy faiskola működtetésekor számos tényezőt figyelembe kell venni a hatékonyság és a hozam maximalizálása érdekében.
A közvetlen helyszíni megfigyelések és az időben történő betekintés a faiskolák működésébe elengedhetetlen a fagazdálkodáshoz, hiszen:
- Megbízható információkat szerezhetsz a fák pontos számáról
- Meggyőződhetsz arról, hogy a faiskola képes megfelelni a felé támasztott igényeknek
- Feltárhatod és nyomon követheted a csírázási problémákat
- Felismerheted a gyomokat és a növény betegségeket, mielőtt azok nagyobb területen megjelennének
- Vizuálisan rögzítheted a kísérletek előrehaladását és eredményeit
- Előrejelezhető lesz a hozam és a bevétel a különböző növekedési fázisokban
- Megbecsülheted az öntözés hatékonyságát, az esetleges károkat és még sok mást.
A faiskolai állomány-számítás kihívásai és jelenlegi módszerei
Jelenleg a faiskolák a kézi szántóföldi mérések időigényes módszerére támaszkodnak. Ez azt jelenti, hogy fizikai mintavételezést kell végezni minden egyes fajból, állománytípus szerint, parcellánként, meg kell becsülni a fák méretbeli eloszlását és ezáltal, értéküket.
Kihívást jelent, hogy egy tucat fajban többféle állománytípus létezhet, fajonként több vetőparcellával, valamennyi eltérő paraméterekkel és növekedési ütemmel. Még egy kis, 18 hektáros faiskola esetében is több napig eltarthat a növények manuális vizsgálata, nem is beszélve a számok elemzéséről és a hiány, illetve többlet megbecsléséről. Mivel a sok változó és a fák iránti kereslet csak növekedni fog (Fargione etal, 2020), a készletezési és termelési kihívások leküzdéséhez új megközelítésekre van szükség. A faiskolai tevékenységek bővítése nem egyszerű feladat, de az iskola működése hatékonyabbá és eredményesebbé tehető.
Egy úttörő megközelítés:
a faiskola-kezelés hatékonyságának maximalizálása DJI Mavic 3 Multispectral (M3M) drón és a Proofminder levélszintű gazdálkodási platform segítségével.
A drónok és speciális szoftverek segítségével nagy felbontású képek és adatok rögzíthetők, amelyeknek hála nemcsak a fák száma, hanem azok állapota és méretbeli eloszlása is megállapítható. Ez a módszer gyorsabb és pontosabb, rövid távon lehetővé teszi a faiskolák számára, hogy jobban kezeljék készleteiket, hogy megalapozott döntéseket hozzanak az értékesítésről, az árakról és a rendelések teljesítéséről. Hosszú távon ezek az új megközelítések segíthetik a faiskolákat abban, hogy betekintést nyerjenek a szántóföldi talaj egészségébe, az öntözésbe és a palánták teljesítményébe, valamint hozzájárul a növény-egészségügyi problémák korai felismeréséhez, így hatékony diagnózis és beavatkozás történhet.
Az alább ismertetett felhasználói eset faiskolai és erdészeti szakemberek együttműködésével készült, egy Észak-Amerika csendes-óceáni részén található faiskola részére.
A csírázás mértéke, a növények egészsége és a fák mérete (főleg a magasság és a lombkorona által lefedett terület) az optimalizált terméshozam alapvető elemei egy faiskolában. Esetünkben a faiskola évente 18 hektáron működik. A 2023-as termelési szezonban a Proofminder és munkatársai 14 tűlevelű faj képeit értékelik, 2 állománytípusban, amelyek több mint 35 parcellába vannak vetve.
A faiskolai szakemberek mindent megtesznek a szárméret, a törzsmagasság és az egyes fák számának felmérése érdekében, hogy biztosítsák, megfelelnek a vevői elvárásoknak, és maximalizálják a teljes hozamot. Az adatgyűjtés és -elemzés felgyorsítása valódi változást hozhat a faiskolai üzletágban a vetőmag csírázásától a palántaértékesítésig.
A faiskola akkor kezdi meg a kézi megfigyeléseket, amikor a növények éppen kikeltek.
A kikelő szakaszban lévő fák körülbelül 3-5 cm magasak, túl kicsik ahhoz, hogy normál vizuális képekkel észlelhetőek legyenek, de a DJI M3M közeli infravörös és vörös szélű sávja még ezeket a kis méretű palántákat is képes észlelni.
Az alábbi, DJI M3M-mel készült képen a kikelő fák területei és a magról vetett fák csírázása látható. Ezek a korai képek azt jelzik, hogy a vetési technika mennyire volt eredményes, és hogy a növekvő növények miként fejlődnek a jelenlegi öntözéshez mérten.
Az öntözési problémák azonosítását célzó rutinszerű terepi megfigyeléseken túl, a faiskola időszakosan és szisztematikusan figyelemmel kíséri a növények növekedését és egészségét a vegetációs időszakban, hogy azonosítsa a gyomok, rovarok és kórokozók által okozott károkat és problémás területeket. A növekedési időszakon túl a faiskola figyelemmel kíséri az időjárást, hogy megállapítsa, mikor ideális megkezdeni az éves betakarítási műveleteket, az úgynevezett „kiemelési időszakot”. Ezalatt a faiskolának szüksége lehet a súlyos fagykárok okozta termésveszteségek felmérésére is.
Ahhoz hogy minden egyes fa észlelhető legyen, nagy felbontású képek rögzítésére van szükség. Az M3M valós idejű kinematikus GPS-szel van felszerelve. A precíziós GPS-t azonban megfelelő repülési paraméterekkel kell párosítani. A faiskolákban szükséges a megfelelően időzített képalkotással kísérletezni, tekintettel arra, hogy a lombkoronák záródása befolyásolhatja az fák észlelhetőségét.
További tesztelések várhatók ferde képekkel és videóval a képelemzési kimenetek további javítása, és a különálló multispektrális sávokból kinyert információk felhasználása érdekében. Az egyéb paramétereket, például a repülési magasságot befolyásolja, hogy kellő felbontásra (azaz talajmintavételi távolságra) van szükség az egyes facsúcsok megkülönböztetéséhez, ami az adott faj koronája és levélmorfológiája miatt változhat.
A repülési sebességnek és a képátfedésnek egyensúlyba kell hoznia a hatékony képrögzítést a konzisztens környezeti megvilágítással, hogy a képfeldolgozás során biztosítható legyen a megfelelő rekonstrukció. Több kisebb (1-2 ha) tábla esetén, amelyeken tűlevelűek nőnek, ha a repülési magasság 12-18m között mozog, és 80%-os átfedéssel konzisztens eredményeket kaphatunk.
További betekintést nyerhetünk a Proofminder levélszintű gazdálkodási platform és AI modelljei segítségével. Az alábbi jelentés egy mesterséges intelligencia modellel készült a faállomány precíz számlálásához, multispektrális képekkel. Minden fa meg van jelölve a táblán, és egyedülálló GPS koordinátákkal rendelkezik. Ezenkívül a modell fenotípus alapján megkülönbözteti a növényeket, azonosítja a gyomokat, a kihagyott növényeket, a növények közötti távolságot, és hasznos információkat szolgáltat a termelőnek.
A szabad szemmel nem látható részletek
A multispektrális képek lehetővé teszik a mezőgazdasági szakemberek számára, hogy felismerjék azokat a szabad szemmel nem látható részleteket, mint a növény-egészségügyi mutatók, amelyek szemrevételezéssel nem láthatók. Az adatok megfelelő értelmezése, a pontos jelentések és a termelők időben történő intézkedései megelőzhetik a termésveszteséget, és elősegíthetik a magabiztos termelést.
Forrás: https://dron.hrp.hu/tul-azon-ami-lathato-a-dji-mavic-3-multispectral-es-a-proofminder-ai-modell-segitsegevel-fontos-betekintest-nyerhetunk-egy-fenyofaiskola-mukodesebe/?fbclid=IwAR1HreecW3NSJnr1mYMdur4GTOtUoHIUpTRVHVwpI3tbfQjlDnusP87Hius
