Αισθητήρες drone για τη γεωργία ακριβείας

Εισαγωγή

Τα τελευταία χρόνια παρατηρείται μια όλο και ευρύτερη διάδοση των τεχνολογιών στη γεωργία, ιδίως των εργαλείων παρακολούθησης και συλλογής δεδομένων. Ο λόγος είναι απλός: τα δεδομένα είναι πολύτιμα για να μπορεί κανείς να ενεργεί ορθολογικά στο χωράφι, εξοικονομώντας χρόνο και πόρους.

Ένας από τους καθοριστικούς παράγοντες είναι η εξατομίκευση της προσφοράς, καθώς κάθε αγροτική εκμετάλλευση έχει συγκεκριμένες ανάγκες και διαφορετικές δυνατότητες επένδυσης. Σίγουρα, το οικονομικό ζήτημα είναι το πιο ευαίσθητο, καθώς θα μπορούσε να περιορίσει τη διάδοση της γεωργίας ακριβείας, ιδίως στην Ευρώπη όπου η πλειονότητα των αγροτικών εκμεταλλεύσεων έχει έκταση μικρότερη των 10 εκταρίων.

Σε αυτό το πλαίσιο, τα drones εξοπλισμένα με αισθητήρες προσφέρουν μια προσιτή λύση και επιτρέπουν την απόκτηση ακριβών πληροφοριών χωρίς δαπανηρές υποδομές, εξετάζοντας παράλληλα και τη δυνατότητα προσφυγής σε υπηρεσίες τρίτων. Η Agrobit προσφέρει την υπηρεσία iDrone για εναέρια φωτογραμμετρία, δημιουργία χαρτών RGB, πολυφασματικών και θερμικών, χαρτών συνταγογράφησης, τρισδιάστατων μοντέλων και προηγμένη επεξεργασία δεδομένων. Για να μάθετε περισσότερα σχετικά με τις προσφερόμενες υπηρεσίες, μπορείτε να διαβάσετε το αφιερωμένο άρθρο iDrone: το drone ως ισχυρός σύμμαχος του γεωπόνου.

Αισθητήρες drone

Στόχος αυτού του άρθρου είναι να παρουσιάσει μια επισκόπηση των αισθητήρων που μπορούν να τοποθετηθούν σε τηλεκατευθυνόμενα αεροσκάφη, ή drones.

Ας ξεκινήσουμε από τα βασικά: τι είναι ένας αισθητήρας; Τεχνικά, πρόκειται για μια συσκευή ικανή να ανιχνεύει ένα φυσικό μέγεθος (για παράδειγμα θερμοκρασία, υγρασία, ανακλώμενο φως) και να το μεταφράζει σε ερμηνεύσιμο ψηφιακό δεδομένο. Πιο απλά, οι αισθητήρες είναι «μάτια» που συλλέγουν πληροφορίες στο χωράφι, και ο γεωπόνος είναι το «επιχειρησιακό μυαλό» που τις ερμηνεύει μέσω προηγμένων τεχνικών ανάλυσης δεδομένων και τις μετατρέπει σε δράση χάρη στην εμπειρία του. Χάρη στην καταγραφή του φωτός που ανακλάται από τη βλάστηση, είναι δυνατή η κατασκευή της φασματικής υπογραφής της βλάστησης, ενός πραγματικού ψηφιακού αποτυπώματος (Εικόνα 1). Κάθε περιοχή αντιστοιχεί σε συγκεκριμένα χαρακτηριστικά του φυτού· για παράδειγμα, στο υπέρυθρο είναι δυνατός ο χαρακτηρισμός της κυτταρικής δομής των φύλλων.

Εικ.1: Φασματική υπογραφή της βλάστησης (πηγή: Roman, Anamaria & Ursu, Tudor. (2016). Multispectral satellite imagery and airborne laser scanning techniques for the detection of archaeological vegetation marks).

Γιατί να χρησιμοποιήσουμε αισθητήρες drone; Οι κύριοι στόχοι είναι:

• Ανάλυση της κατάστασης υγείας της καλλιέργειας μέσω του υπολογισμού δεικτών βλάστησης (NDVI, VARI, NDRE, GNDVI ανάλογα με τον διαθέσιμο αισθητήρα).
• Βελτιστοποίηση των χρησιμοποιούμενων πόρων χάρη στη δημιουργία ειδικών χαρτών συνταγογράφησης βασισμένων σε δείκτες, για παράδειγμα για την άρδευση και τη λίπανση.
• Έγκαιρος εντοπισμός προσβολών από ασθένειες και παθογόνα έντομα, συχνά αόρατων στα πρώτα στάδια.
• Υποστήριξη των αγρονομικών αποφάσεων με παρεμβάσεις ειδικές ανά σημείο.

Τύποι αισθητήρων

Το drone πετά πάνω από την καλλιέργεια σε χαμηλό ύψος και συλλέγει πληροφορίες μέσω αισθητήρα. Οι κύριοι τύποι αισθητήρων είναι RGB, πολυφασματικοί, θερμικοί και LiDAR (Εικόνα 2). Υπάρχουν επίσης υπερφασματικοί αισθητήρες, αλλά παραμένουν αποκλειστικό προνόμιο του ερευνητικού κόσμου λόγω του υψηλού κόστους αγοράς τους.

Εικ.2: Παραδείγματα εμπορικών αισθητήρων για κάθε τύπο. Από αριστερά: RGB, πολυφασματικός, θερμικός, LiDAR.

Οι αισθητήρες RGB παρέχουν εικόνες υψηλής ανάλυσης στα τρία βασικά κανάλια χρώματος: κόκκινο (R), πράσινο (G) και μπλε (B). Στην πράξη, προσομοιώνουν την ικανότητα του ανθρώπινου ματιού να παρατηρεί το περιβάλλον και λειτουργούν με τρόπο παρόμοιο με την κάμερα ενός smartphone. Το πλεονέκτημα είναι η δυνατότητα λήψης πολύ λεπτομερών εικόνων, από τις οποίες μπορούν να προκύψουν γεωαναφερμένοι χάρτες του χωραφιού, τρισδιάστατα μοντέλα, καταμέτρηση φυτών, οπτική ανάλυση της κατάστασης της καλλιέργειας και εντοπισμός ορατών ζημιών.

Οι πολυφασματικοί αισθητήρες συλλέγουν εικόνες σε ζώνες του ηλεκτρομαγνητικού φάσματος που δεν είναι ορατές στο ανθρώπινο μάτι, όπως το υπέρυθρο και το red edge. Αυτό επιτρέπει μια πιο εμπεριστατωμένη ανάλυση της κατάστασης υγείας του φυτού. Πιο συγκεκριμένα, είναι δυνατός ο υπολογισμός ακριβών δεικτών βλάστησης όπως ο NDVI (Normalized Difference Vegetation Index), ο NDRE (Normalized Difference Red Edge Index) ή ο GNDVI (Green Normalized Difference Vegetation Index). Αυτοί οι δείκτες είναι χρήσιμοι για την έγκαιρη ανίχνευση αβιοτικού και βιοτικού στρες. Μέσω των δεικτών βλάστησης είναι δυνατή η δημιουργία θεματικών χαρτών αντιπροσωπευτικών του χωραφιού· για παράδειγμα, ο δείκτης NDVI χρησιμοποιείται για τη δημιουργία του χάρτη ζωτικότητας (Εικόνα 3). Αυτός ο χάρτης επιτρέπει την παρακολούθηση της βιομάζας της κόμης και τον εντοπισμό των λιγότερο εύρωστων περιοχών.

Εικ.3: Χάρτης ζωτικότητας που προέκυψε από τον δείκτη NDVI σε αμπελώνα.

Οι θερμικοί αισθητήρες εντοπίζουν μεταβολές θερμοκρασίας στην κόμη ή στο έδαφος, μετρώντας την επιφανειακή θερμοκρασία. Αυτός ο αισθητήρας δημιουργήθηκε αρχικά με σκοπό την παρακολούθηση της αποδοτικότητας των αρδευτικών συστημάτων, αλλά μπορεί να χρησιμοποιηθεί αποτελεσματικά για τον εντοπισμό περιοχών που υφίστανται υδατικό στρες (τα φύλλα σε κατάσταση στρες τείνουν να κλείνουν τα στομάτια και να μειώνουν την εξατμισοδιαπνοή, αυξάνοντας την επιφανειακή θερμοκρασία) και για την αξιολόγηση ζημιών από παγετό ή θερμοπληξία. Τα δεδομένα που συλλέγει ο αισθητήρας μπορούν να μεταφραστούν σε θερμικό χάρτη (Εικόνα 4), ο οποίος επιτρέπει την ανάλυση των περιοχών που χαρακτηρίζονται από θερμικό στρες.

Εικ.4: Θερμικός χάρτης αμπελώνα βασισμένος σε καταγραφή με drone και θερμικό αισθητήρα.

Τέλος, οι αισθητήρες LiDAR εκπέμπουν παλμούς λέιζερ και μετρούν τον χρόνο που χρειάζεται ο παλμός για να καταγραφεί από τον δέκτη. Ο χρόνος που απαιτείται μεταφράζεται σε απόσταση και δημιουργείται ένα σημείο. Επαναλαμβάνοντας αυτή τη διαδικασία αμέτρητες φορές, κατά μήκος μιας σειράς φυτών για παράδειγμα, είναι δυνατή η κατασκευή του τρισδιάστατου νέφους σημείων της κόμης του φυτού. Χάρη στο τρισδιάστατο μοντέλο είναι δυνατός ο υπολογισμός βιομετρικών παραμέτρων του φυτού (όπως όγκος, ύψος και πυκνότητα της κόμης) και η δημιουργία του «ψηφιακού διδύμου» (Εικόνα 5 και Εικόνα 6).

Εικ.5: Ψηφιακό δίδυμο ενός αμπελώνα.

Εικ.6: Ψηφιακό δίδυμο ενός εσπεριδοειδούς (αριστερά) και μιας σειράς αμπελιού (δεξιά).

Συμπεράσματα

Η χρήση αισθητήρων drone επιτρέπει στον αγρότη να εργάζεται με πιο ορθολογικό και αντικειμενικό τρόπο, περιορίζοντας τη σπατάλη πόρων και αυξάνοντας την παραγωγικότητα. Παρά τις δυνατότητές τους, είναι πολύ σημαντικό να γνωρίζουμε ορισμένους περιορισμούς. Η χρήση drones απαιτεί τεχνικές δεξιότητες και πιστοποιημένη γνώση των κανονισμών πτήσης στον εναέριο χώρο. Επιπλέον, δεν πρέπει να παραβλέπεται η διαχείριση και η ανάλυση των δεδομένων που προκύπτουν από την τηλεπισκόπηση με drone.

Ακριβώς για αυτούς τους λόγους, μια αποτελεσματική λύση είναι να απευθυνθείτε στην Agrobit, η οποία, με την υπηρεσία iDrone, διαθέτει τεχνογνωσία, τεχνολογίες και προηγμένες υποδομές για να φέρει τη γεωργία ακριβείας απευθείας στο χωράφι. Με το iDrone, η ομάδα της Agrobit αναλαμβάνει το χωράφι σας, από την προγραμματισμένη πτήση έως τη συλλογή δεδομένων, και από την επεξεργασία των χαρτών έως την υποστήριξη λήψης αποφάσεων για τον αγρότη. Με το iDrone, κάθε πτήση είναι μια νικηφόρα επιλογή!