Forskere ved University of Missouri har vist, at droner kombineret med kunstig intelligens kan vurdere sundheden af majsafgrøder mere effektivt end traditionelle feltspejlingsmetoder, hvilket giver potentielle gevinster i gødning og miljøstyring.
Undersøgelsen, der blev udført i midten af - Missouri Corn Fields, brugte droner udstyret med multispektrale kameraer til at fange bølgelængder såsom nær - infrarød og rød - kantlys, som er knyttet til plantesundhed, men usynligt til det menneskelige øje. Ved at parre disse billeder med jorddata og behandling af dem gennem maskine - læringsmodeller estimerede teamet bladchlorofylniveauer - en nøgleindikator for nitrogenstatus - på tværs af hele felter med høj nøjagtighed.
"At kende chlorophyllindholdet i hver plante hjælper landmænd med at bestemme det rigtige tidspunkt, placering og mængde nitrogenansøgning," sagde Jianfeng Zhou, lektor i College of Agriculture, Food and Natural Resources og Co - Director of Research ved Mizzous Digital Agriculture Research and Extension Center. "Det kan øge udbyttet, mens det reducerer overskydende kemisk brug, der påvirker miljøet."
Majs er blandt de mest nitrogen - kræver afgrøder, hvilket gør præcis næringsstofstyring til et betydeligt omkostnings- og bæredygtighedsproblem. Over - -applikation hæver udgifterne og kan føre til vandforurening, mens applikationen under - kan reducere udbyttet.
Forskningsteamet, ledet af doktorgradstuderende Fengkai Tian, bemærkede, at sådan overvågning kunne leveres kommercielt af AG - tech -tjenesteudbydere, hvilket giver landmænd mulighed for at drage fordel uden at investere i drone -operationer eller databehandlingsfunktioner. Mens undersøgelsen fokuserede på majs, kunne metoden tilpasses til andre afgrøder, herunder sojabønner og hvede, med justeringer til at redegøre for forskellige næringsstofprofiler.
Resultaterne, der blev offentliggjort iSmart landbrugsteknologi, blev produceret i samarbejde med det amerikanske landbrugsministeriums landbrugsforskningstjeneste. Arbejdet afspejler et bredere skub inden for præcisionslandbrug for at integrere fjernmåling, AI og målrettet inputstyring for at forbedre effektiviteten og reducere miljøpåvirkningerne.
