تشخیص استرس گیاهی زودهنگام با پهپاد UV–VIS
فناوری تصویربرداری فرابنفش–مرئی پهپادی برای شناسایی زودهنگام استرس گیاهی
هارتموت ک. لیختنتالرر (۱۹۹۶) استرس گیاهی را بهعنوان هر وضعیت یا عاملی نامطلوب که متابولیسم، رشد یا نمو گیاه را مختل میکند تعریف کردهاست. این تعریف نشان میدهد که استرس میتواند ناشی از عوامل داخلی مانند ناپایداری هورمونها یا خارجی مانند تغییرات دمایی، شوری یا حضور عوامل بیماریزا باشد و در نتیجه منجر به واکنشهای فیزیولوژیک متنوعی شود.
استرس گیاهی به دو دسته کلی استرسهای غیرزیستی (abiotic) و استرسهای زیستی (biotic) تقسیم میشود. در استرسهای غیرزیستی عواملی مانند کمآبی، شوری، دمای نامناسب، فلزات سنگین و آلودگیهای محیطی مؤثرند، در حالیکه استرسهای زیستی شامل حمله آفات، قارچها، باکتریها و ویروسها و رقابت با گونههای همزیست است. مطالعه دقیق مشخصات هر دسته برای انتخاب راهکارهای مدیریت مناسب ضروری است.
گیاهان در مواجهه با استرسها واکنشهای پیچیده فیزیولوژیک و بیوشیمیایی از جمله تغییر در هدایت روزنهها، تجمع رادیکالهای آزاد، سنتز پروتئینهای حرارتی (Heat Shock Proteins) و تنظیم مسیرهای سیگنالینگ هورمونی را نشان میدهند. برای مثال کاهش فشار آبی منجر به ترشح هورمون ابسزیک اسید (ABA) و در نتیجه بستن روزنهها و کاهش تبخیر میشود تا گیاه از کاهش بیشتر آب جلوگیری کند.
پیامدهای اقتصادی استرس گیاهی قابلتأمل است؛ بهطوریکه بر اساس گزارش FAO هر سال تا ۴۰ درصد از تولید محصولات کشاورزی جهانی بهدلیل آفات و بیماریهای گیاهی از بین میرود و این خسارت بیش از ۲۲۰ میلیارد دلار هزینه اقتصادی ایجاد میکند. همچنین مطالعات جهانی نشان میدهند که استرسهای غیرزیستی مانند خشکی و دمای نامناسب میتوانند عملکرد گیاه را بیش از ۶۰ درصد کاهش دهند که این مسئله تهدیدی جدی برای امنیت غذایی محسوب میشود.
شناسایی زودهنگام استرس گیاهی پیش از ظهور علائم ظاهری امکان اتخاذ راهکارهای اصلاحی مانند تنظیم برنامه آبیاری، بهکارگیری کودهای مناسب و مبارزه هدفمند با عوامل بیماریزا را فراهم میکند. در صورت تأخیر تشخیص، خسارات بهسرعت افزایش یافته و بازیابی شرایط گیاه دشوار و هزینهبر خواهد بود؛ بنابراین توسعه سیستمهای هشدار سریع برای کشاورزان از اهمیت حیاتی برخوردار است.
روشهای سنتی تشخیص استرس شامل بازدید چشمی از مزرعه و تجزیهوتحلیل نمونههای بافتی در آزمایشگاه است که اغلب زمانبر، نیازمند نیروی متخصص و هزینهبر هستند. این روشها به دلیل ماهیت مقطعی و تأخیر زمانی در پردازش دادهها قادر به پوشش مداوم مساحتهای وسیع نیستند و امکان پایش لحظهای گیاهان در بازههای زمانی کوتاه را ندارند.
برای غلبه بر محدودیتهای روشهای مرسوم، فناوریهای نوین غیرمخرب مانند سنجش از دور (Remote Sensing) مبتنی بر سنسورهای طیفسنجی و دوربینهای چندباند، امکان پایش مداوم و گسترده گیاهان را فراهم آوردهاند. این ابزارها میتوانند تغییرات اندک در بازتاب نور گیاه را ثبت کرده و شاخصهای گیاهی مثل NDVI و PRI را برای تشخیص وضعیت سلامت گیاه استخراج کنند.
تصویربرداری فرابنفش–مرئی (UV–VIS) با اندازهگیری بازتاب نور در طول موجهای خاص امکان ارزیابی تغییرات ترکیبات رنگدانهای مانند کلروفیل و کاروتنوئید را فراهم میکند. این تغییرات پیش از ظهور تغییرات رنگی قابلرؤیت رخ داده و میتوان از آنها بهعنوان نشانگری برای تشخیص زودهنگام استرسهای آبی و تغذیهای استفاده کرد.
ادغام فناوری تصویربرداری UV–VIS با پلتفرمهای پهپادی امکان دستیابی به دادههای با وضوح بالا در فواصل زمانی مناسب را فراهم میکند. این روش نهتنها ابعاد زیادی از مزرعه را پوشش میدهد بلکه با کاهش نیاز به دسترسی فیزیکی مداوم، سرعت و دقت در نظارت وضعیت گیاه را بهطور قابلتوجهی افزایش میدهد.
در مجموع، استرس گیاهی بهعنوان یکی از بزرگترین تهدیدها برای تولید پایدار محصولات غذایی مطرح است و تأثیرات آن میتواند از سطح سلولی تا اقتصادی و اجتماعی گسترده باشد. شناسایی زودهنگام استرس پیشنشانهای با استفاده از فناوریهای نوین غیرمخرب، به ویژه تصویربرداری UV–VIS پهپادی، میتواند نقش مؤثری در کاهش ریسکهای زیستمحیطی و بهینهسازی مدیریت منابع در کشاورزی ایفا کند.
اصول تصویربرداری فرابنفش–مرئی و شاخصهای بیومتریک
– مبانی فیزیکی جذب و بازتاب نور UV–VIS
در بازه طیفی فرابنفش–مرئی که شامل طول موجهای تقریبی ۳۰۰ تا ۷۰۰ نانومتر است، گیاهان از خاصیتهای متفاوت جذب و بازتاب نور استفاده میکنند. کلروفیلها نور آبی و قرمز را بهخوبی جذب و نور سبز را بازتاب میکنند؛ در حالیکه اصطلاحاً نور نزدیک مادون قرمز (NIR) توسط ساختار سلولی برگ بهصورت قوی بازتاب میشود. این تفاوت بازتاب باعث میشود سنسورهای تصویربرداری UV–VIS بتوانند با ثبت شدت نور بازتابی در باندهای مشخص، تغییرات ترکیب رنگدانه و ساختار گیاه را آشکار سازند.
افزون بر این، باند فرابنفش (UV) که در محدوده ۳۰۰ تا ۴۰۰ نانومتر قرار دارد، بهدنبال استرسهای محیطی مانند کمآبی و تنشهای اکسایشی سبب تجمع فیتوشیمیاییهایی نظیر فلاونوئیدها و فنولها در سطح برگ میشود. این ترکیبات نقش حفاظتی در برابر اشعه UV دارند و با افزایش غلظت خود، بازتاب UV را افزایش میدهند. بنابراین مقایسه بازتاب در باند UV و VIS میتواند بینشی عمیق نسبت به مکانیسمهای دفاعی گیاه ارائه دهد.
– شاخصهای طیفی مهم در سنجش سلامت گیاه
شاخص تفاوت نرمالشده پوشش گیاهی (NDVI) یکی از پرکاربردترین شاخصها است که از بازتاب نور در باند قرمز (RED) و نزدیک مادون قرمز (NIR) استفاده میکند. فرمول NDVI بهصورت (NIR–RED)/(NIR+RED) تعریف شده و مقادیر آن بین –۱ تا +۱ متغیر است. مقادیر نزدیک به +۱ نشاندهنده گیاهان سالم و پرپشت بوده و مقادیر پایینتر از ۰ بیانگر سطوح غیرگیاهی است.
شاخص بازتاب فوتوشیمیایی (PRI) که توسط جان گامون و همکاران معرفی شد، تغییرات چرخه زانتوفیل را در طول موجهای ۵۳۱ و ۵۷۰ نانومتر پایش میکند. PRI حساس به تغییرات نسبت کاروتنوئید به کلروفیل بوده و بهعنوان نشانگری برای کارایی نوری فتوسنتزی و پاسخ به استرسهای نوری و آبی شناخته میشود. مقدار PRI معمولاً در محدوده –۰.۲ تا +۰.۲ قرار دارد.
علاوه بر NDVI و PRI، شاخصهایی مانند شاخص نسبت سبز به قرمز (Red Green Ratio Index) و شاخص اختلاف نسبتی آب (NDWI) نیز در ارزیابی وضع تغذیهای و تنش آبی گیاه کاربرد دارند. بهعنوان مثال NDWI با مقایسه بازتاب باندهای نزدیک مادون قرمز و کوتاه مادون قرمز (SWIR) توانایی برآورد رطوبت برگ و خاک را دارد.
– تلفیق شاخصهای بیومتریک در تشخیص استرس زودهنگام
استفاده همزمان از چند شاخص طیفی میتواند حساسیت و دقت تشخیص استرسهای اولیه را بهبود دهد. مطالعات اخیر نشان دادهاند که تلفیق NDVI و PRI با الگوریتمهای یادگیری ماشین، امکان افتراق دقیق شرایط نرمال و تنش آبی را با دقت بیش از ۹۰ درصد فراهم میآورد. بهعلاوه، افزودن شاخصهای مبتنی بر بازتاب UV به مجموعه ورودیها میتواند توانایی شناسایی استرس اکسایشی را افزایش دهد.
در سیستمهای مبتنی بر پهپاد، انتقال سریع و بلادرنگ دادههای طیفی به پردازشگر مرکزی و اجرای الگوریتمهای استنتاجی با بهره از هوش مصنوعی، امکان تولید نقشههای تفکیکی از سطوح استرس گیاهی در مقیاس مزرعه را فراهم میکند. این نقشهها میتوانند به کشاورزان در تصمیمگیریهای مدیریتی نظیر زمانبندی آبیاری و تغذیه گیاه کمک کرده و هزینههای عملیاتی را کاهش دهند.
پیادهسازی سیستمهای تصویربرداری با پهپاد در کشاورزی دقیق
– انتخاب سنسور و تجهیزات جانبی
انتخاب مناسب سنسور از نخستین و مهمترین گامها در پیادهسازی سیستم تصویربرداری با پهپاد است. بسته به هدف پایش—مثلاً تشخیص زودهنگام استرس آبی، بررسی تراکم پوشش گیاهی یا شناسایی آفات—میتوان از دوربینهای RGB، چندطیفی (multispectral) و یا فراطیفی (hyperspectral) بهره گرفت. دوربینهای چندطیفی معمولاً در باندهای قرمز، سبز، آبی و نزدیک مادون قرمز (NIR) داده جمعآوری میکنند و برای شاخصهایی مانند NDVI مناسب هستند، در حالی که دوربینهای فراطیفی بیش از صد باند طیفی در اختیار میگذارند و برای تشخیصهای پیچیدهتر مانند جداسازی انواع استرسها کاربرد دارند.
علاوه بر خود سنسور، تجهیزات جانبی همچون تثبیتکننده (gimbal)، ماژول ردیابی GNSS با دقت سانتیمتری و واحد ثبت داده (data logger) نقش مهمی در کیفیت تصویر و دقت مکانی دارند. برای نمونه، تثبیتکننده سهمحوره از لرزشهای ناخواسته حین پرواز میکاهد و وضوح تصاویر را افزایش میدهد. استفاده از ماژول GNSS با قابلیت RTK نیز دقت موقعیتیابی هر پیکسل را به کمتر از ۵ سانتیمتر میرساند که برای تولید نقشههای تفصیلی مزرعه ضروری است.
– پابلو خ. زارکو-تجادا، استاد Precision Agriculture و سنجش از دور در دانشگاه ملبورن: «ضروری است که پلتفرمهای پهپادی توان حمل فناوریهای فراطیفی و حرارتی را داشته باشند تا تشخیصهای غیربصری و زودهنگام استرس گیاهی ممکن شود.»
انتخاب پهپاد مناسب نیز باید با توجه به وزن سنسور و مدت مأموریت انجام گیرد. پهپادهای بال ثابت میتوانند مساحتهای وسیع را با کارایی انرژی بالا پوشش دهند، اما برای پروازهای کوتاهبرد و مانور در ارتفاع کم، نوع مولتیروتور (quad- یا hexacopter) رایجتر است. همچنین ظرفیت باتری و قابلیت تعویض سریع آن در میدانی که نیاز به پروازهای متوالی دارید، اهمیت ویژه دارد.
– برنامهریزی پرواز و سناریوهای تصویربرداری
برنامهریزی دقیق پرواز شامل تعیین ارتفاع، سرعت و الگوی رفتاری پهپاد برای پوشش کاملاً یکنواخت ناحیه هدف است. انتخاب ارتفاع پرواز بر پایه رزولوشن مکانی مورد نیاز تعیین میشود؛ برای مثال برای بهدستآوردن تصاویری با اندازه پیکسل زمینی (GSD) برابر ۵ سانتیمتر، باید در ارتفاع حدود ۵۰ متری پرواز کرد. افزایش ارتفاع منجر به وسعت پوشش بیشتر در هر قاب تصویر میشود، اما رزولوشن مکانی کاهش مییابد.
الگوی مرسوم برای مأموریتهای تصویربرداری مزارع، الگوی «لِیمنوور» (lawnmower) است که با خطوط موازی و پوشش گامبهگام مزرعه را اسکن میکند. نرمافزارهای برنامهریزی پرواز مانند Pix4Dfields یا DJI Terra امکان تعریف پوشش با همپوشانی (overlap) تا ۷۰ درصد عرض تصویر و ۶۰ درصد طول تصویر را فراهم میکنند تا در پردازش پسین نقاط کنترل زمینی (GCP) به حداقل برسد و احتمال ایجاد خلأ داده در نقشه کاهش یابد.
همچنین برای افزایش دقت تشخیص استرس زودهنگام میتوان پروازهای دورهای با فواصل زمانی مشخص—مثلاً هر هفته یا هر ده روز یکبار—تعریف کرد. چنین سناریویی امکان رصد تغییرات پیوسته در پوشش گیاهی و استخراج روندهای زمانی شاخصهای بیومتریک را میدهد و قبل از وقوع خسارت عمده، هشدارهای لازم تولید میشود.
– پردازش دادهها و استخراج نقشههای سلامت گیاه
پس از پایان مأموریت پهپاد، دادههای حاصل از سنسورها وارد یکی از دو مرحله پردازش محلی یا ابری میشوند. در مرحله نخست با استفاده از نرمافزارهای تخصصی (مانند Agisoft Metashape یا Pix4Dmapper) تصاویر RGB چندطیفی به صورت خودکار کالیبره شده، با یکدیگر ترکیب (stitch) و به تصاویر ارثوموزایک تبدیل میشوند. در مرحله دوم، شاخصهای طیفی نظیر NDVI، PRI و NDWI محاسبه شده و بر روی نقشهها نگاشت میگردند.
برای تحلیل پیشرفتهتر میتوان از الگوریتمهای یادگیری ماشین بهره برد. مدلهای رگرسیون یا دستهبندی (مثلاً Random Forest یا SVM) با ورودیهایی مانند مقادیر شاخصهای طیفی و ویژگیهای بافتی تصویر، قادر به تفکیک نواحی استرسدیده از سالم با دقت بالای ۹۰ درصد هستند. بهطور نمونه، ادغام NDVI و PRI در یک مدل Random Forest توانسته است افتراق شرایط تنش آبی را با دقت ۹۳ درصد انجام دهد.
در نهایت نقشههای تولیدشده به صورت لایههای GIS در اختیار کارشناسان حوزه زراعت قرار میگیرند تا با تحلیل فضایی و زمانبندی مناسب، برنامه آبیاری و تغذیه گیاهان را بهینه کنند. این رویکرد میتواند تا ۲۰ درصد مصرف آب و نهادههای شیمیایی را کاهش دهد و عملکرد محصول را تا ۱۵ درصد افزایش دهد.
پردازش دادههای تصویر و الگوریتمهای تشخیص استرس
– پیشپردازش تصاویر و کالیبراسیون رادیومتریک
برای تضمین دقت در تحلیل دادههای تصویربرداری UV–VIS پهپادی، مراحل پیشپردازش شامل تصحیح دوارزی و هندسی تصاویر، کالیبراسیون رادیومتریک و حذف نویز ضروری است. در قدم نخست، از پنلهای مرجع بازتاب برای تبدیل مقادیر دیجیتال به بازتاب نوری استفاده میشود تا تغییرات نور محیط و تنظیمات دوربین حذف شوند. سپس با بهرهگیری از نقاط کنترل زمینی (GCP) و الگوریتمهای ارثوموزایک، تصاویر به نقشههایی با مختصات دقیق تبدیل میشوند. این کار تضمین میکند که هر پیکسل از نظر مکانی و طیفی همگن و قابلمقایسه باشد.
– استخراج ویژگیهای طیفی و مکانی
پس از کالیبراسیون، استخراج ویژگیها گامی کلیدی در آمادهسازی دادهها برای تشخیص استرس گیاهی است. با محاسبه شاخصهای پوشش گیاهی مانند NDVI و PRI، و شاخصهای اختصاصی بر پایه باندهای فرابنفش، میتوان الگوهای غیرعادی بازتاب را شناسایی کرد. علاوه بر این، با بهکارگیری تکنیکهای تحلیل بافت (texture analysis) بر تصاویر فراطیفی، ویژگیهای مکانی مانند ناهمگنی برگ و تراکم پوشش استخراج میشود که در تشخیص تغییرات ظریف ناشی از استرس مؤثرند. ترکیب شاخصهای طیفی و ویژگیهای بافتی، دقت تفکیک نواحی سالم و تنشدیده را تا بیش از ۹۰ درصد افزایش میدهد.
– پابلو خ. زارکو-تجادا، محقق شاخصهای طیفی و الگوریتمهای تشخیص استرس: «ضروری است که الگوریتمهای پردازش دادههای تصاویر کشاورزی، علاوه بر دقت بالا، از نظر تفسیرپذیری نیز توانایی ارائه فیزیکیشده نتایج را داشته باشند.»
– پیادهسازی الگوریتمهای یادگیری ماشین و یادگیری عمیق
در مرحله تشخیص، الگوریتمهای یادگیری ماشین (مانند Random Forest و SVM) و یادگیری عمیق (مانند شبکههای عصبی کانولوشنال) به کار گرفته میشوند تا با تحلیل همزمان چندین ویژگی، نواحی تحت استرس را شناسایی کنند. در روش Random Forest با مجموعهای از درختهای تصمیم، ویژگیهای طیفی و مکانی بهصورت خودکار وزندهی شده و طبقهبندی انجام میشود. مطالعات نشان دادهاند که ترکیب NDVI و PRI در مدل Random Forest میتواند دقت تشخیص تنش آبی را به بیش از ۹۳ درصد برساند. همچنین، مدلهای CNN با ورود مستقیم تصویر فراطیفی قادر به یادگیری الگوهای پیچیده فضایی و بهبود تفکیک نواحی آسیبدیده هستند.
پس از اجرای طبقهبندی، صحت نتایج باید با روشهای اعتبارسنجی متقاطع و مقایسه با دادههای میدانی (مانند اندازهگیری پتانسیل آب ساقه یا شاخص سلامت برگ) ارزیابی شود. بهعنوان مثال، در مطالعهای روی باغهای گردو، مدل Random Forest توانست با تلفیق شاخصهای حرارتی و طیفی، پتانسیل آب ساقه را با MAE برابر ۰.۸۰ بار پیشبینی کند.
برای ارائه نتایج به کشاورزان، خروجیهای الگوریتمها معمولاً به سامانههای GIS منتقل میشوند و بهصورت نقشههای موضوعی نمایش داده میشوند. بسیاری از پلتفرمهای ابری امکان پردازش بلادرنگ و بهروزرسانی دورهای نقشهها را فراهم میکنند تا مدیران مزرعه بتوانند روندهای استرس را تحلیل و تصمیمهای بهینه مدیریتی بگیرند.
مطالعات موردی، چالشها و چشمانداز آینده
– نمونههای عملی در باغهای انگور و میوهزارها
در بررسیهای انجام شده در باغهای انگور Merlot در منطقهای نیمهخشک در اسپانیا، لوز ک. آتنسیه پایارس و همکاران با بهرهگیری از تصویربرداری حرارتی پهپادی و محاسبه تفاوت دمای تاج گیاه و هوا (Tc–Ta)، توانستند با دقت بالاتر از روشهای پیچیدهتر CWSI سطح تنش آبی را شناسایی کنند. این مطالعه نشان داد که شاخص ساده Tc–Ta قابلیت بهینهسازی برنامههای آبیاری را فراهم ساخته و در زمانهای مختلف روز، بینش دقیقی از وضعیت رطوبتی تاکها ارائه میدهد.
در باغهای میوه هلو و شلیل نیز بلنورت ج.، مارسال ج. و گیرونا ج. با استفاده از تصویرسازی حرارتی پهپادی موفق به پایش تغییرات فصلی شاخص استرس آبی شدند. آنان گزارش کردند که نقشههای حرارتی با وضوح بالا میتواند اختلافات کوچک در وضعیت رطوبتی در طول فصل رشد را آشکار سازد و به مدیریت هدفمند زیرمنطقههای باغ برای آبیاری دقیق کمک کند.
بهعلاوه، در باغهای مرکبات جنوب فرانسه، گونزالز-دوگو و زارکو-تجادا با تلفیق شاخص CWSI و بازتابهای مادونقرمز نزدیک (NIR) توانستند همبستگی قوی میان CWSI و میزان محصولدهی را اثبات نمایند. این روش غیرتهاجمی امکان برآورد زودهنگام نیاز آبی و پیشبینی عملکرد اقتصادی را فراهم ساخت.
مطالعه دیگری بر روی گونههای صنوبر در ایستگاههای تحقیقاتی اروپا نشان داد که تصویربرداری حرارتی پهپادی قابلیت تفکیک تنشهای ژنتیکی در جمعیتهای یک گونه را دارد. پژوهشگران دریافتند که در حدود ۲۵ درصد از کلونهای مقاوم به خشکی، دمای تاج کمتری نسبت به گونههای حساس نشان میدهند و این تفاوت حتی قبل از بروز علائم ظاهری قابل تشخیص است.
– چالشهای فنی و عملی در پیادهسازی پهپادها
یکی از مهمترین چالشهای فنی، انتخاب و تطبیق سنسورهای تصویربرداری با پلتفرم پهپادی مناسب است. دوربینهای چندطیفی و فراطیفی وزنی بیش از ۱٫۵ کیلوگرم دارند و نصب آنها نیازمند پهپادهای بالثابت یا مولتیروتور با ظرفیت بالاست. این موضوع میتواند هزینههای اولیه راهاندازی را تا چندین برابر افزایش دهد.
علاوه بر چالش وزن، عمر باتری محدود (بین ۲۰ تا ۴۰ دقیقه) و زمان طولانی شارژ آنها، امکان پوشش مساحتهای بزرگ را کاهش میدهد. برای مثال یک پهپاد مولتیروتور معمولی برای پوشش یک هکتار به بیش از دو پرواز نیاز دارد و در مناطق صعبالعبور ممکن است دسترسی به محل فرود ایمن دشوار شود.
مسئله دیگر تأثیر شرایط جوی بر کیفیت دادههاست. بادهای شدید میتوانند موجب لرزش تصاویر شوند و تابش خورشید در ساعات مختلف روز، نیاز به تصحیح مجدد دوربینها را ایجاد میکند. الگوریتمهای تصحیح رادیومتریک و استفاده از پنلهای مرجع بازتاب، دقت را بهبود میدهد ولی نیازمند زمان و نیروی انسانی متخصص است.
حجم بالای دادههای خام (معمولاً چند صد گیگابایت در هر مأموریت) میتواند زیرساختهای ذخیرهسازی و پردازش محلی را با چالش مواجه کند. بسیاری از کشاورزان و مشاوران فاقد امکانات پردازشی مناسب بوده و به سرویسهای ابری وابستهاند که سرعت انتقال داده را محدود میکند.
در نهایت، مقررات هوانوردی محلی در برخی کشورها پرواز پهپادها را در ارتفاع مشخص، محدود به فواصل شهری و نیازمند مجوز میکند. این قوانین میتواند زمانبندی مأموریتها را با تأخیر مواجه سازد و انعطافپذیری بهرهبرداران را کاهش دهد.
– چشمانداز آینده و فناوریهای نوظهور
یکی از روندهای آتی، ادغام پهپادها با شبکه اینترنت اشیاء (IoT) و حسگرهای زمینی برای ایجاد سامانههای نظارت ترکیبی است. در این رویکرد دادههای سنسورهای خاک، هوا و تصویر بهصورت پیوسته در یک پلتفرم ابری تجمیع شده و الگوریتمهای هوش مصنوعی بهصورت بلادرنگ تحلیل میکنند.
استفاده از «محاسبات لبهای» (edge computing) مستقیم در خود پهپادها امکان اجرای مدلهای ساده یادگیری ماشینی را فراهم میآورد تا تنها نتایج استخراجشده به سرور ارسال شود و بار شبکه کاهش یابد. بهعنوان مثال سامانههای نسل جدید میتوانند بهصورت خودکار نواحی دارای استرس را شناسایی و مسیر تاکسی هواپیمای بدون سرنشین را تنظیم کنند.
شبکههای عصبی کانولوشنال (CNN) و یادگیری عمیق در حال توانمندسازی پردازش تصویر بدون نیاز به شاخصهای از پیش تعریفشده هستند. مدلهای نظیر U-Net میتوانند با ورودی تصاویر چندطیفی و حرارتی، نقشههای کاملاً تفصیلی از نواحی تنشزده تولید کنند و حتی گونههای آفت یا بیماری را بازشناسی نمایند.
گسترش پهپادهای خودران با قابلیت پرواز همزمان (drone swarms) بهمنظور پوشش سریع مساحتهای وسیع، کاهش هزینه و افزایش بازده را به همراه خواهد داشت. همچنین انتظار میرود که با کوچکتر شدن سختافزارها و بهبود سنسورهای CMOS فراطیفی، امکان استفاده از دوربینهای پیشرفته در پهپادهای سبکوزن نیز فراهم شود.
استانداردسازی پروتکلهای کالیبراسیون، ایجاد بانکهای داده باز (open data) و انتشار روشهای اعتبارسنجی میتواند پژوهشگران و کشاورزان را قادر سازد تا نتایج را میان مناطق مختلف مقایسه و تجربه خود را سریعتر بهروزرسانی کنند. در نهایت ترکیب فناوری UV–VIS با تصویربرداری فراسرخ ترموگرافی و لیدار چشماندازی جامع از سلامت و ساختار گیاهان ارائه میدهد و به مدیریت هوشمند منابع آب و نهادهها در کشاورزی کمک شایانی خواهد کرد.