Citra udara adalah komponen berharga dari pertanian presisi, memberikan petani informasi penting tentang kesehatan tanaman dan hasil panen. Gambar biasanya diperoleh dengan kamera multispektral mahal yang terpasang pada drone. Tetapi sebuah studi baru dari University of Illinois dan Mississippi State University (MSU) menunjukkan bahwa gambar dari kamera merah-hijau-biru (RGB) standar yang dikombinasikan dengan pembelajaran mendalam AI dapat memberikan alat prediksi panen yang setara dengan biaya yang lebih murah.
Kamera multispektral memberikan peta warna yang mewakili vegetasi untuk membantu petani memantau kesehatan tanaman dan menemukan area masalah. Indeks vegetasi seperti Normalized Difference Vegetation Index (NDVI) dan Normalized Difference Red Edge Index (NDRE) menampilkan area sehat berwarna hijau, sedangkan area bermasalah ditampilkan berwarna merah.
“Biasanya, untuk melakukan ini, Anda perlu memiliki kamera inframerah-dekat (NIR) yang harganya sekitar $5,000. Tetapi kami telah menunjukkan bahwa kami dapat melatih AI untuk menghasilkan gambar seperti NDVI menggunakan kamera RGB yang terpasang pada drone berbiaya rendah, dan itu mengurangi biaya secara signifikan, ”kata Girish Chowdhary, profesor di Departemen Teknik Pertanian dan Biologi di Anda dari saya dan rekan penulis di atas kertas.
Untuk penelitian ini, tim peneliti mengumpulkan gambar udara dari ladang jagung, kedelai, dan kapas pada berbagai tahap pertumbuhan dengan kamera multispektral dan RGB. Mereka menggunakan Pix2Pix, a saraf jaringan dirancang untuk konversi gambar, untuk menerjemahkan gambar RGB ke dalam peta warna NDVI dan NDRE dengan warna merah dan area hijau. Setelah pertama kali melatih jaringan dengan sejumlah besar gambar multispektral dan reguler, mereka menguji kemampuannya untuk menghasilkan gambar NDVI/NDRE dari rangkaian gambar reguler lainnya.
“Ada indeks kehijauan reflektif di foto yang menunjukkan efisiensi fotosintesis. Ini memantulkan sedikit di saluran hijau, dan banyak di saluran inframerah-dekat. Tapi kami telah membuat jaringan yang dapat mengekstraknya dari saluran hijau dengan melatihnya di saluran NIR. Artinya, kita hanya memerlukan saluran hijau, bersama dengan informasi kontekstual lainnya seperti piksel merah, biru, dan hijau,” jelas Chowdhary.
Untuk menguji keakuratan gambar yang dihasilkan AI, para peneliti meminta panel spesialis tanaman untuk melihat gambar berdampingan dari area yang sama, baik yang dihasilkan oleh AI atau diambil dengan kamera multispektral. Para spesialis menunjukkan apakah mereka dapat mengetahui mana yang merupakan gambar multispektral yang sebenarnya, dan apakah mereka melihat adanya perbedaan yang akan memengaruhi pengambilan keputusan mereka.
Para ahli tidak menemukan perbedaan yang dapat diamati antara dua set gambar, dan mereka mengindikasikan bahwa mereka akan membuat prediksi serupa dari keduanya. Tim peneliti juga menguji perbandingan gambar melalui prosedur statistik, memastikan hampir tidak ada perbedaan terukur di antara keduanya.
Joby Czarnecki, profesor riset asosiasi di MSU dan rekan penulis di atas kertas, memperingatkan bahwa ini tidak berarti kedua set gambar itu identik.
“Meskipun kita tidak bisa mengatakannya gambar akan memberikan informasi yang sama dalam semua kondisi, untuk masalah khusus ini, mereka mengizinkan keputusan serupa. Reflektansi inframerah-dekat dapat menjadi sangat penting untuk beberapa keputusan pabrik. Namun, dalam kasus khusus ini, sangat menarik bahwa penelitian kami menunjukkan bahwa Anda dapat mengganti teknologi yang mahal dengan kecerdasan buatan yang murah dan tetap sampai pada keputusan yang sama, ”jelasnya.
Tampilan udara dapat memberikan informasi yang sulit diperoleh dari darat. Misalnya, area kerusakan akibat badai atau defisiensi nutrisi mungkin tidak mudah terlihat setinggi mata, namun dapat terlihat dengan mudah dari udara. Petani dengan otorisasi yang sesuai dapat memilih untuk menerbangkan drone mereka sendiri, atau mereka dapat mengontrak a perusahaan swasta untuk melakukannya. Either way, peta warna memberikan informasi kesehatan tanaman penting yang diperlukan untuk keputusan manajemen.
Perangkat lunak dan prosedur AI yang digunakan dalam penelitian ini tersedia untuk perusahaan yang ingin mengimplementasikannya atau memperluas penggunaannya dengan melatih jaringan pada kumpulan data tambahan.
“Ada banyak potensi dalam AI untuk membantu mengurangi biaya, yang merupakan pendorong utama bagi banyak aplikasi di bidang pertanian. Jika Anda dapat membuat drone seharga $600 lebih berguna, maka semua orang dapat mengaksesnya. Dan informasi tersebut akan membantu petani meningkatkan hasil panen dan menjadi penatalayan yang lebih baik atas tanah mereka,” Chowdhary menyimpulkan.
Departemen Teknik Pertanian dan Biologi berada di Sekolah Tinggi Ilmu Pertanian, Konsumen dan Lingkungan dan Sekolah Tinggi Teknik Grainger di Universitas Illinois.
kertas, “Prediksi NDVI/NDRE dari RGB standar citra udara menggunakan pembelajaran mendalam,” diterbitkan dalam Komputer dan Elektronika dalam Pertanian.
