Пятница - время подбить итоги и проанализировать свою трудовую пятидневку. И мы хотим больше анализа! Представляем адаптацию авторской колонки Майкла Колинза,стратегического конструктора Bayer Crop Science для PrecisionAg.
Пятница — время подбить итоги и проанализировать свою трудовую пятидневку. И мы хотим больше анализа! Представляем адаптацию авторской колонки Майкла Колинза,стратегического конструктора Bayer Crop Science для PrecisionAg.
Недавно меня спросили: "Как выглядит диджитал фарминг?". Изображения, особенно со спутников и беспилотных летательных аппаратов, часто представляют как основную функцию цифрового земледелия. Почему тогда их до сих пор обсуждают на каждом шагу и кое-кто до сих пор не понимает их ценность? Цифровое земледелие" имеет две основные цели. Первая цель заключается в том, чтобы попасть внутрь циклов принятия решений на агропредприятии, прежде чем они станут восприниматься как риск. Вторая цель — позволить цифровому агро использовать свои данные для прогнозирования, оценки и изучения альтернатив.
Сначала пользователь должен понять, по какому принципу применяются решения в сельском хозяйстве, а затем отделить переменные данные от постоянных. Сельскохозяйственный процесс будет содержать непрерывные циклы принятия решений во время культивирования и статичные данные будут основой для анализа решений. С другой стороны, переменные данные позволят разработать информацию для их решений.
Процесс принятия решений в сельском хозяйстве выглядит так же, как выглядел цикл принятия решения для американских военных в 1960-х. Он называется "Петля Бойда" или "Цикл НОРД". Вот что пишет Википедия:
Цикл НОРДэто цикл наблюдения, ориентации, решения и действий, разработанный военным стратегом и полковником ВВС США Джоном Бойдом.
Диджитал фарминг тоже может использовать модифицированную петлю для своего цикла принятия решений. Потому что модифицированная петляэто: индикация, обнаружение, идентификация, локализация, смягчение и валидация.
Работа с изображениями используется на этапах обнаружения, идентификации, локализации и проверки.
Изображения для агро могут быть как переменными, так и постоянными данными. Самая известная из технологий обработки изображений измеряет количество энергии, которая отражается в растительности и почве при выращивании. Эти датчики изображения имеют различные пространственные, спектральные, радиометрические и временные разрешения. Другие датчики обнаруживают свет и дальность (LIDAR), имеют радиолокатор с синтезированной апертурой (SAR) и проникающие в землю радары. Эти датчики передают импульс, а затем измеряют отраженную энергию.
Размеры файлов для сред обработки изображений обычно большие и часто измеряются в гигабайтах. Создание, сбор, управление и анализ этих стоит достаточно дорого. А размер файлов требует их оптимального использования и управления до начала запуска агропроцессов. Как и автоматизации приложений и их интеграции.
Но сегодня изображение часто вносит ограниченный вклад в общий процесс принятия решений. Возможно, это связано с тем, что датчик для их получения работают неправильно, у фотографий неправильное разрешение или они сделаны слишком поздно, чтобы сделать что-то хорошее. Вклад визуального в процесс принятия решений необходим только тогда, когда это оправдывает цель.
Когда технология обработки изображений используется, как часто и какова ее цель?
Во-первых, визуализация помогает наблюдать за почвой. В этой экосистеме должна быть цифровая модель, то есть цифровой двойник, который моделирует почву и ее производственные возможности.
Затем производство семян генерирует массу информации о посаженной культуре, и показатели для этой продукции доступны для следующих сезонов. Это информация о культурах и разновидностях во время их проростания, о сроках вегетативных состояний, данные о росте корней, использовании питательных веществ и влаги, а также о размере и созревании плодов.
И, наконец, стрессы, которые влияют на культивирование, тоже должнеы быть запечатлены визуально.
