Сбор данных IoT способствует точному земледелию

Примечание редактора:эта статья нашего глобального управляющего редактора Рича Квиннелла является частью специального проекта AspenCore Media по «Сельскохозяйственные технологии», в котором рассматривается, как Интернет вещей, аналитика и сенсорные технологии вносят фундаментальные изменения в сельское хозяйство и производство продуктов питания.

Две мощные тенденции - Интернет вещей (IoT) и аналитика данных - вызывают много внимания со стороны их промышленных и инфраструктурных приложений. Но есть еще одна область применения, которая постепенно набирает обороты в применении этих технологий:производство продуктов питания. Фермеры повышают урожайность, сокращают потери и сокращают расходы за счет более целенаправленного использования ресурсов, таких как удобрения и вода. Отправной точкой для этого «точного земледелия» являются данные, в сборе которых ключевую роль играют датчики и беспроводные сети.

По сути, в точном земледелии используются три типа платформ:воздушные, наземные мобильные и стационарные. Датчики и сетевые технологии, которые обычно используются на платформах, различаются, хотя есть и некоторые совпадения. Однако платформы объединяет огромное разнообразие наборов функций многих конкурирующих продуктов, предназначенных для этой области приложений.

Рис. 1. Многороторные дроны становятся все более популярной воздушной платформой для точного земледелия на небольших и средних полях. (Источник:ublox)

Воздушные платформы предназначены для сбора данных о посевах и полях сверху с помощью дистанционного зондирования. Датчики могут быть расположены на пилотируемых самолетах или спутниках, но все чаще они используются беспилотными летательными аппаратами (БПЛА) - дронами - конструкции с неподвижным крылом или мультикоптерами. Оснащенные датчиком точного позиционирования, таким как прецизионный модуль GNSS Ublox F9, дроны особенно подходят для съемки полей малого и среднего размера для мониторинга состояния растений, с самолетами и спутниками, обеспечивающими съемку на больших площадях.

Основным датчиком при мониторинге здоровья растений является многоспектральная камера, которая может делать изображения с высоким разрешением как в видимом, так и в ближнем инфракрасном (NIR) свете. Большинство датчиков изображения CMOS могут обеспечить такие изображения, хотя большинство коммерческих камер не могут. Ключ к этому очевидному противоречию заключается в фильтрации.

На рисунке ниже показана квантовая эффективность (т. Е. Чувствительность) типичного КМОП-датчика изображения, в данном случае от ON Semiconductor, в зависимости от длины волны. Датчик включает встроенные красный, зеленый и синий фильтры в типичном устройстве Байера, но даже с синей фильтрацией сохраняется значительная чувствительность в инфракрасных длинах волн. Таким образом, в большинстве универсальных камер перед датчиком устанавливается блокирующий ИК-фильтр для более точной передачи цвета в видимом свете.

Рис. 2. Типичные датчики цветного изображения также включают в себя чувствительность NIR, которую камеры общего назначения стремятся отфильтровать. (Источник:ON Semiconductor)

ИК-зондирование
Однако для мониторинга здоровья растений такая чувствительность к ИК-излучению - благо. Листья здоровых растений будут отражать больше инфракрасного излучения и поглощать больше красного света, чем листья растений, подвергшихся стрессу. Это побудило ученых-растениеводов определить «нормализованный разностный вегетационный индекс» (NDVI) - (NIR-Red) / (NIR + Red) - как показатель здоровья растений. Таким образом, при правильной фильтрации и некоторой базовой обработке изображения CMOS-датчик изображения можно превратить в датчик NDVI, такой как Sentera AGX710. Воздушные платформы обеспечивают перспективу, необходимую для наблюдения за состоянием растений на целых полях с помощью единой системы.

Рис. 3. Опросы NDVI дают подробное представление о здоровье растений на всех полях, указывая, где такие ресурсы, как вода и удобрения, нуждаются в большем или меньшем применении.