Drónokkal és mesterséges intelligenciával készítettek talajnedvesség-térképet a magyar kutatók

Mesterséges intelligencia bevonásával fejlesztenek módszertant a talaj nedvességtartalmának előrejelzésére a Debreceni Egyetem Természettudományi és Technológiai Karának kutatói. Az újfajta, pilóta nélküli légijárművekre szerelt multispektrális és hőkamerákkal végzett eljárás hatékonyabbá teheti a hozamok optimalizálását és a tervek szerint a gazdák számára is elérhető lesz. A kutatás alapját egy precíziós mezőgazdasághoz kapcsolódó GINOP-projekt adta. 

A Debreceni Egyetem adta közre, hogy a GINOP-projektben 2019-ben ipari szereplőkkel dolgozott együtt a DE TTK Természetföldrajzi és Geoinformatikai Tanszék azon, hogyan lehet szántóföldi környezetben hatékonyan meghatározni a talaj nedvességtartalmát. 

Miután légitérképezéssel is foglalkozunk, a kutatásban és a fejlesztésben azzal vettünk részt, hogy felállítottunk egy hipotézist, miszerint drónos légifelvételekkel is meghatározható a nedvességtartalom. Hagyományos keretek között, a terepen ez úgy történik, hogy mintavevőt szúrunk a talajba, ám ez 100 hektáron elég körülményes lenne. Nagy területeken működik űrfelvételekkel is, azok térbeli felbontása viszont kicsi, 10 vagy 20 méteres egy képkocka, miközben nagyjából 10 centiméteres felbontással kellene vizsgálni, ha annyira heterogén a szántóföldi parcella. Ráadásul a Föld körül keringő műholdak csak több nap elteltével képesek ismételten felvételeket készíteni a vizsgált területről. Így jött a kérdés, hogy mivel lehetne ezt hatékonyabban kiváltani – idézte fel a kezdeteket Bertalan László, a DE TTK Természetföldrajzi és Geoinformatikai Tanszék adjunktusa.

A projekt részeként Hajdúböszörmény határában egy kukoricaföldön, illetve annak parlagterületén végeztek teszteket úgy, hogy a tanszék ipari kategóriás drónjaira hőkamerát szerelve úgynevezett termális ortofotó-mozaikot, egyfajta hőtérképet készítettek. Különböző adatfeldolgozási kombinációkkal vizsgálták, milyen módon lehet meghatározni a talaj nedvességtartalmát, amihez tudni kellett, hogy ténylegesen milyen mértékűek voltak a talajnedvesség eloszlásai a vizsgálat időpontjaiban.

A technológia gyakorlata

A kutatásba bevont szakemberek talajmintákat gyűjtöttek, amelyekben laboratóriumi körülmények között határozták meg az adott pontokban a talaj nedvességtartalmát. Ezzel párhuzamosan pedig elvégezték a drónos adatgyűjtést is, egyrészt hőkamerás, másrészt úgynevezett multispektrális térképezéssel, amikor az elektromágneses spektrum eltérő tartományaiban visszavert napsugárzás alapján mutatták ki a talajfelszín különbségeit. Mindezek után kiszámolták a drónos hőkamera alapján a lehetséges talajnedvesség-tartalmat és összehasonlították a talajminták laborban mért értékeivel. 

A tanulmányunk arról szól, hogy milyen módszerekkel tudjuk leghatékonyabban megbecsülni az nedvességtartalmat. Ha például a drónos hőtérképen 35 fokos a talajfelszín, de mellette az adott talajminta esetén 20 százalék a nedvességtartalom, akkor elegendő talajminta esetén, a mesterséges intelligencia, azon belül is a gépi tanulás segítségével egy statisztikai összefüggést tudunk meghatározni. A talajminták nedvességtartalma és drónos adatok kombinációiból származtatott nedvességértékek összefüggései segítenek ebben.

Gazdaszemmel a kísérlet haszna

A publikációban bemutatták az optimális beállításokat, amikkel a lehető legpontosabb eredmény érhető el és amikkel a gazdálkodók is hasznosíthatják majd a módszert a gyakorlatban. A teendő számukra mindössze annyi lesz, hogy első lépésként drónos térképezéssel berepülik a területet, digitális légifelvételeket készítenek és a megfelelő számítógépes szoftver segítségével feldolgozzák az adatokat. A gépi tanulás eszköztárával ezt követően állítható elő az egyenletrendszer, aminek a végeredményeként egy talajnedvesség-térkép rajzolódik ki.

Bár a GINOP-projekt véget ért, a kutatás folytatódik a Természetföldrajzi és Geoinformatikai Tanszéken. Az egyik PhD-hallgató együttműködésben a KITE Zrt-vel, Tépe határában egy kísérleti parcellán végez további vizsgálatokat. A módszertan tehát még véglegesítés alatt áll, most próbáljuk letisztázni a technológia korlátait annak érdekében, hogy a végén tudjunk egy egységes módszertant adni a hazai gazdáknak – összegezte a szakember.

Adatsor és modell

Egy nagy adatsort szeretnénk összeállítani, hogy minél megbízhatóbb legyen a mesterséges intelligencia-modell, ami erre a végső egyenletet elkészíti. Ezt értelemszerűen mindig egy adott helyre, specifikusan kell kidolgozni. Az alap keretrendszert mi ki tudjuk alakítani és utána a helyi felméréssorozatok alapján, parcellára szabottan lehet majd alkalmazni. Ha a módszerünk véglegesedik, hozzájárulhat ahhoz, hogy a precíziós öntözéstervezésbe integrálva hatékonyabbá tudjuk tenni a hozamok optimalizálását, illetve  maximalizálását – fogalmazott Bertalan László.