Anglicky: Low-cost automated generation of application maps for control of Rumex Obtusifolius in grasslands
Zdroj: Xiuliang, J, Lalit, K, Zhenhai, L, Haikuan, F, Xingang, X, Guijun, Y, Jihua, W. 2018. A review of data assimilation of remote sensing and crop models, European Journal of Agronomy, 92.
Klíčová slova: "precizní postřikování, uav, kontrola plevele, detekce objektů, rumex obtusifolius, trvalé travní porosty"
Dostupný z: https://www.sciencedirect.com/science/article/pii/S1161030117301685
Většina nově vyvinutých postřikovačů disponuje pokročilými funkcemi, které umožňují aplikaci herbicidů s přesností na centimetr, což potenciálně snižuje používání herbicidů až o 90 %. Přesná identifikace míst pro postřik, známá jako aplikační mapa, však zůstává významnou výzkumnou výzvou. V poslední době jak komerční, tak výzkumné instituce navrhly různé metody pro generování aplikačních map pomocí dronů. Navzdory tomuto pokroku je praktické využití omezené, a to především kvůli regulačním omezením a vysokým nákladům spojeným s touto technologií. Slibný přístup ke zvýšení využívání těchto technologií spočívá ve využití cenově efektivnějších hardwarových řešení. Tento článek představuje a hodnotí novou detekční metodu speciálně navrženou pro identifikaci šťovíku obecného (Rumex obtusifolius) a pro automatické generování aplikačních map, které jsou kompatibilní s většinou postřikovačů s podporou GNSS. Byla představena srovnávací analýza výkonu DJI Mini 2 a DJI Matrice 350 RTK. Špičkový DJI Matrice 350 vytvořil nejlepší aplikační mapu, zatímco levný DJI Mini 2, i přes nižší kvalitu aplikační mapy, stále generoval mapy dobré kvality. To je slibné pro praktické aplikace díky nižším finančním a regulačním překážkám spojeným s přijetím těchto systémů. Hlavním limitujícím faktorem byla přesnost a spolehlivost dosažená modelem detekce objektů, přičemž chyby GNSS a fotogrammetrie měly jen malý vliv. Za kontrolovaných experimentálních podmínek bylo pozorováno snížení používání herbicidů až o 97 %, aniž by se minuly jakékoli cíle. V praktických aplikacích na reálných loukách bylo dosaženo 40% snížení spotřeby herbicidů s přesností ošetření 85 %. Tato zjištění podtrhují značný potenciál pro budoucí technologický pokrok. Stále existuje potenciál pro zlepšení výkonu metody, především v kvalitě modelu detekce objektů. Hodnocení ukázalo, že model trpěl falešně pozitivními a negativními detekcemi v důsledku posunu domény mezi trénovacími a vyhodnocovacími daty. Výkon algoritmu pro detekci objektů je identifikován jako kritické úzké místo v systému. Pro usnadnění dalšího výzkumu a vývoje v této oblasti je zpřístupněna trénovací datová sada ke stažení – viz originální článek.
Příspěvek se zabývá pro nás vysoce aktuálním tématem zejména v oblasti ošetření pastvin a trvalých travních porostů tak, aby se co nejvíce eliminovalo rozšíření šťovíku obecného jako nežádoucího plevele. Velkým benefitem je zpřístupnění trénovacích datových sad, které mohou usnadnit rozšíření a postupné vylepšení navržených metod pro ošetření pastvin.
