Unleashing the Power of Plant Trait Extraction from Drone Imagery

Плодородного взаимодействия с использованием дронов долгое время полагалось на трудоемкую полевую работу для оценки растительных признаков. Однако внедрение видеоматериалов с беспилотных аппаратов революционизировало этот процесс, предоставляя данные с высоким разрешением в большом объеме. Технология не только ускоряет процесс селекции, но и оснащает селекционеров безпрецедентными знаниями для разработки культурных растений, которые могут процветать в условиях сельского хозяйства XXI века.

Использование видеоматериалов с беспилотных аппаратов для извлечения признаков уходит корнями в 1973 год, когда Джон Раус (John Rouse) предложил концепцию использования спектральных полос для дифференциации экосистем. Это дало начало Нормализованному разностному вегетационному индексу (NDVI). С течением времени растительные ученые разработали множество вегетативных индексов, таких как МКАРИ, NDRЕ, NRI, LAI и MSAVI, для измерения различных характеристик растений.

В последние годы прогресс в технологии стыковки изображений позволил создавать трехмерные реконструкции полей по видеоматериалам с беспилотных аппаратов. Этот прорыв позволяет селекционерам извлекать архитектурные признаки, такие как высота растений и биомасса. Более того, он облегчает геореференцию карт участков, позволяя извлекать признаки из малых участков, часто используемых исследователями и селекционерами.

Благодаря машинному обучению дроны теперь могут классифицировать и количественно оценивать особенности на изображениях. Точно могут быть определены такие признаки, как количество растений, покрытие почвы и даже количество конкретных органов, таких как колоски пшеницы и паны сорго. Кроме того, к дронам можно подключать термальные датчики и полезные нагрузки ЛиДАР, что позволяет раннее обнаружение растительных заболеваний и улучшает разрешение трехмерных признаков.

Ведущие организации, такие как Hiphen, уже внедрили эти признаки в режим производства для ключевых культурных растений. По мере того как эти признаки становятся более рутинными, полученные данные анализируются по временным рядам или алгоритмам, которые объединяют различные признаки для получения основных показателей эффективности и управления.

Несмотря на огромные перспективы извлечения растительных признаков из видеоматериалов с беспилотных аппаратов, остаются некоторые проблемы. Стандартизация протоколов сбора данных, учет проблем конфиденциальности и совершенствование алгоритмов анализа данных являются постоянными задачами. Сотрудничество между исследователями, селекционерами и разработчиками технологий является необходимым условием для бесшовной интеграции этой технологии в сельскохозяйственный ландшафт.

В заключение, мощное сочетание видеоматериалов с беспилотных аппаратов и техник анализа данных позволяет селекционерам совершать решения, основанные на данных, определять генетические маркеры, связанные с желательными признаками, и упростить выбор превосходных сортов растений. Будущее сельского хозяйства на небесах, так как дроны продолжают революционизировать наше понимание и улучшение производительности сельскохозяйственных культур.

FAQ Раздел:

В: Что представляет собой видеоматериал с беспилотных аппаратов и как он революционировал селекцию растений?
О: Видеоматериал с беспилотных аппаратов — это съемка данных с высоким разрешением с беспилотных аппаратов, что революционизировало селекцию растений, предоставляя селекционерам ценную информацию о растительных признаках в большом объеме. Это ускоряет процесс селекции и помогает разрабатывать культурные растения, которые могут процветать в современном сельском хозяйстве.

В: Что такое Нормализованный разностный вегетационный индекс (NDVI)?
О: Нормализованный разностный вегетационный индекс (NDVI) — это концепция, предложенная в 1973 году, которая использует спектральные полосы для дифференциации экосистем. Это вегетативный индекс, используемый растительными учеными для измерения различных характеристик растений.

В: Как в последние годы развивались видеоматериалы с беспилотных аппаратов?
О: Благодаря прогрессу в технологии стыковки изображений стало возможным создавать трехмерные реконструкции полей по видеоматериалам с беспилотных аппаратов. Этот прорыв позволяет селекционерам извлекать архитектурные признаки, такие как высота растений и биомасса. Он также облегчает геореференцию карт участков для извлечения признаков.

В: Что могут делать дроны в плане классификации и количественной оценки признаков на изображениях?
О: С помощью машинного обучения дроны могут классифицировать и количественно оценивать признаки на изображениях. Они могут точно определить такие признаки, как количество растений, покрытие почвы и даже количество конкретных органов, таких как колоски пшеницы и паны сорго.

В: Как термальные датчики и полезные нагрузки ЛиДАР могут улучшить возможности дронов?
О: К дронам можно подключать термальные датчики и полезные нагрузки ЛиДАР, что позволяет раннее обнаружение растительных заболеваний и повышает разрешение трехмерных признаков. Это дополнительно расширяет возможности дронов в извлечении растительных признаков.

Ключевые термины/жаргон:
— Видеоматериалы с беспилотных аппаратов: Захват данных с высоким разрешением с беспилотных аппаратов для оценки растительных признаков.
— Нормализованный разностный вегетационный индекс (NDVI): Вегетативный индекс, использующий спектральные полосы для дифференциации экосистем.
— Технология стыковки изображений: Технология, позволяющая создавать трехмерные реконструкции полей по видеоматериалам с беспилотных аппаратов.
— Архитектурные признаки: Признаки, связанные с физической структурой и характеристиками растений.
— Количество растений: Признак, измеряющий количество растений или особей на единицу площади.
— Покрытие почвы: Площадь земли, покрытой растениями или другой растительностью.
— Термальные датчики: Датчики, обнаруживающие инфракрасное излучение, излучаемое объектами, используемые для раннего обнаружения растительных заболеваний.
— Лидар (лазерное обнаружение и зондирование): Технология дистанционного зондирования, которая использует лазерные импульсы для измерения расстояния и создания трехмерных карт высокого разрешения.

Ссылки:
— Hiphen: Сайт Hiphen, организации, упомянутой в статье, которая внедрила признаки культурных растений в режим производства для ключевых культурных растений.
— Анализ временных рядов для признаков культурных растений: Исследовательская статья об анализе временных рядов признаков культурных растений с использованием видеоматериалов с беспилотных аппаратов.

[встроенное содержание]https://www.youtube.com/embed/N3hUvwwm1mQ[/встроенное содержание]

от