Mesterséges intelligencia (MI) bevonásával fejlesztenek módszertant a talaj nedvességtartalmának előrejelzésére a Debreceni Egyetem (DE) 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.
Az egyetem közleményük szerint a kutatás alapját a precíziós mezőgazdasághoz kapcsolódó GINOP-projekt adta, amelynek keretében 2019-ben ipari szereplőkkel dolgozott együtt a kar természetföldrajzi és geoinformatikai tanszéke azon, hogyan lehet hatékonyan meghatározni a szántóföldek talajának nedvességtartalmát.
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 - számolt be a kutatás részleteiről Bertalan László adjunktus.
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, majd összehasonlították a különböző módszerekkel mért értékeket.
A tanulmány arról szól, hogy milyen módszerekkel tudjuk leghatékonyabban becsülni a 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 statisztikai összefüggést tudunk meghatározni az adatok kombinációiból - magyarázta a szakember, megjegyezve, hogy a publikációban bemutatják az optimális beállításokat, amelyekkel a lehető legpontosabb eredmény érhető el.
