រូបភាពពីលើអាកាសគឺជាធាតុផ្សំដ៏មានតម្លៃនៃកសិកម្មច្បាស់លាស់ ដែលផ្តល់ឱ្យកសិករនូវព័ត៌មានសំខាន់ៗអំពីសុខភាពដំណាំ និងទិន្នផល។ រូបភាពត្រូវបានទទួលជាធម្មតាជាមួយនឹងកាមេរ៉ាពហុspectral ដែលមានតម្លៃថ្លៃដែលភ្ជាប់ទៅនឹងយន្តហោះគ្មានមនុស្សបើក។ ប៉ុន្តែការសិក្សាថ្មីមួយពីសាកលវិទ្យាល័យ Illinois និងសាកលវិទ្យាល័យ Mississippi State University (MSU) បង្ហាញថារូបភាពពីកាមេរ៉ាស្តង់ដារក្រហម-បៃតង-ខៀវ (RGB) រួមបញ្ចូលគ្នាជាមួយនឹងការរៀនស៊ីជម្រៅ AI អាចផ្តល់នូវឧបករណ៍ទស្សន៍ទាយដំណាំសមមូលសម្រាប់ប្រភាគនៃការចំណាយ។
កាមេរ៉ាចម្រុះផ្តល់នូវផែនទីពណ៌ដែលតំណាងឱ្យបន្លែ ដើម្បីជួយកសិករតាមដានសុខភាពរុក្ខជាតិ និងតំបន់ដែលមានបញ្ហា។ សន្ទស្សន៍បន្លែដូចជា Normalized Difference Vegetation Index (NDVI) និង Normalized Difference Red Edge Index (NDRE) បង្ហាញតំបន់ដែលមានសុខភាពល្អជាពណ៌បៃតង ខណៈដែលតំបន់បញ្ហាបង្ហាញជាពណ៌ក្រហម។
“ជាធម្មតា ដើម្បីធ្វើដូច្នេះ អ្នកត្រូវមានកាមេរ៉ាជិតអ៊ីនហ្វ្រារ៉េដ (NIR) ដែលមានតម្លៃប្រហែល 5,000 ដុល្លារ។ ប៉ុន្តែយើងបានបង្ហាញថាយើងអាចបណ្តុះបណ្តាល AI ដើម្បីបង្កើតរូបភាពដូច NDVI ដោយប្រើកាមេរ៉ា RGB ដែលភ្ជាប់ជាមួយយន្តហោះគ្មានមនុស្សបើកដែលមានតម្លៃទាប ហើយវាជួយកាត់បន្ថយការចំណាយយ៉ាងច្រើន” លោក Girish Chowdhary សាស្ត្រាចារ្យរងនៅនាយកដ្ឋានវិស្វកម្មកសិកម្ម និងជីវសាស្រ្តនៅ។ U of I និងសហអ្នកនិពន្ធនៅលើក្រដាស។
សម្រាប់ការសិក្សានេះ ក្រុមស្រាវជ្រាវបានប្រមូលរូបភាពពីលើអាកាសពីវាលពោត សណ្តែកសៀង និងកប្បាសនៅដំណាក់កាលលូតលាស់ផ្សេងៗ ដោយមានទាំង multispectral និងកាមេរ៉ា RGB ។ ពួកគេបានប្រើ Pix2Pix, a បណ្តាញសរសៃប្រសាទ រចនាឡើងសម្រាប់ការបំប្លែងរូបភាព ដើម្បីបកប្រែរូបភាព RGB ទៅជាផែនទីពណ៌ NDVI និង NDRE ដែលមានពណ៌ក្រហម និង តំបន់បៃតង. បន្ទាប់ពីការបណ្តុះបណ្តាលបណ្តាញជាលើកដំបូងជាមួយនឹងចំនួនដ៏ច្រើននៃរូបភាពចម្រុះ និងរូបភាពធម្មតា ពួកគេបានសាកល្បងសមត្ថភាពបង្កើតរូបភាព NDVI/NDRE ពីសំណុំរូបភាពធម្មតាផ្សេងទៀត។
“មានសន្ទស្សន៍ភាពបៃតងឆ្លុះបញ្ចាំងនៅក្នុងរូបថតដែលបង្ហាញពីប្រសិទ្ធភាពរស្មីសំយោគ។ វាឆ្លុះបញ្ចាំងបន្តិចក្នុងឆានែលបៃតង និងច្រើននៅក្នុងឆានែលជិតអ៊ីនហ្វ្រារ៉េដ។ ប៉ុន្តែយើងបានបង្កើតបណ្តាញមួយដែលអាចទាញយកវាចេញពីឆានែលបៃតងដោយបង្ហាត់វានៅលើប៉ុស្តិ៍ NIR។ នេះមានន័យថាយើងត្រូវការតែឆានែលពណ៌បៃតងប៉ុណ្ណោះ រួមជាមួយនឹងព័ត៌មានបរិបទផ្សេងទៀតដូចជាភីកសែលក្រហម ខៀវ និងបៃតង”។
ដើម្បីសាកល្បងភាពត្រឹមត្រូវនៃរូបភាពដែលបង្កើតដោយ AI អ្នកស្រាវជ្រាវបានស្នើឱ្យក្រុមអ្នកជំនាញខាងដំណាំមើលរូបភាពចំហៀងនៃតំបន់ដូចគ្នា ទាំងបង្កើតដោយ AI ឬថតដោយកាមេរ៉ាពហុទស្សន៍។ អ្នកឯកទេសបានចង្អុលបង្ហាញថាតើពួកគេអាចប្រាប់ថាតើមួយណាជារូបភាពពហុspectral ពិតប្រាកដ និងថាតើពួកគេបានកត់សម្គាល់ពីភាពខុសគ្នាណាមួយដែលនឹងប៉ះពាល់ដល់ការសម្រេចចិត្តរបស់ពួកគេ។
អ្នកជំនាញបានរកឃើញថាមិនមានភាពខុសគ្នាដែលអាចសង្កេតបានរវាងរូបភាពទាំងពីរនេះទេ ហើយពួកគេបានបង្ហាញថាពួកគេនឹងធ្វើការទស្សន៍ទាយស្រដៀងគ្នាពីរូបភាពទាំងពីរ។ ក្រុមស្រាវជ្រាវក៏បានសាកល្បងការប្រៀបធៀបរូបភាពតាមរយៈនីតិវិធីស្ថិតិ ដោយបញ្ជាក់ថា ស្ទើរតែគ្មានភាពខុសគ្នាដែលអាចវាស់វែងបានរវាងពួកវា។
Joby Czarnecki សាស្ត្រាចារ្យស្រាវជ្រាវនៅ MSU និងជាសហអ្នកនិពន្ធលើក្រដាស ព្រមានថា នេះមិនមានន័យថារូបភាពទាំងពីរគឺដូចគ្នាបេះបិទនោះទេ។
“ខណៈពេលដែលយើងមិនអាចនិយាយបាន។ រូបភាព នឹងផ្តល់ព័ត៌មានដូចគ្នានៅក្រោមលក្ខខណ្ឌទាំងអស់ សម្រាប់បញ្ហាជាក់លាក់នេះ ពួកគេអនុញ្ញាតឱ្យមានការសម្រេចចិត្តស្រដៀងគ្នា។ ការឆ្លុះបញ្ចាំងនៅជិតអ៊ីនហ្វ្រារ៉េដអាចមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការសម្រេចចិត្តរបស់រុក្ខជាតិមួយចំនួន។ ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុងករណីពិសេសនេះ វាជាការគួរឱ្យរំភើបដែលការសិក្សារបស់យើងបង្ហាញថាអ្នកអាចជំនួសបច្ចេកវិទ្យាដ៏ថ្លៃមួយជាមួយនឹងបញ្ញាសិប្បនិមិត្តដែលមានតំលៃថោក ហើយនៅតែមកដល់ការសម្រេចចិត្តដដែល»។
ទិដ្ឋភាពពីលើអាកាសអាចផ្តល់ព័ត៌មានដែលពិបាកទទួលបានពីដី។ ជាឧទាហរណ៍ តំបន់ដែលរងការខូចខាតដោយព្យុះ ឬកង្វះសារធាតុចិញ្ចឹមអាចមិនអាចមើលឃើញបានយ៉ាងងាយនៅកម្រិតភ្នែក ប៉ុន្តែអាចត្រូវបានគេមើលឃើញយ៉ាងងាយពីលើអាកាស។ កសិករដែលមានការអនុញ្ញាតត្រឹមត្រូវអាចជ្រើសរើសហោះហើរដ្រូនផ្ទាល់ខ្លួនរបស់ពួកគេ ឬពួកគេអាចធ្វើកិច្ចសន្យា ក ក្រុមហ៊ុនឯកជន ដើម្បីធ្វើដូច្នេះ។ ទោះយ៉ាងណាក៏ដោយ ផែនទីពណ៌ផ្តល់នូវព័ត៌មានសុខភាពដំណាំសំខាន់ៗដែលត្រូវការសម្រាប់ការសម្រេចចិត្តគ្រប់គ្រង។
កម្មវិធី និងនីតិវិធី AI ដែលប្រើក្នុងការសិក្សាមានសម្រាប់ក្រុមហ៊ុនដែលចង់អនុវត្តវា ឬពង្រីកការប្រើប្រាស់ដោយការបណ្តុះបណ្តាលបណ្តាញលើសំណុំទិន្នន័យបន្ថែម។
“មានសក្តានុពលជាច្រើននៅក្នុង AI ក្នុងការជួយកាត់បន្ថយការចំណាយ ដែលជាកត្តាជំរុញដ៏សំខាន់សម្រាប់កម្មវិធីជាច្រើនក្នុងវិស័យកសិកម្ម។ ប្រសិនបើអ្នកអាចធ្វើឱ្យ Drone 600 ដុល្លារមានប្រយោជន៍ជាងនេះ នោះអ្នកគ្រប់គ្នាអាចចូលប្រើវាបាន។ ហើយព័ត៌មាននេះនឹងជួយកសិករបង្កើនទិន្នផល និងធ្វើជាអ្នកគ្រប់គ្រងដីរបស់ពួកគេបានកាន់តែប្រសើរ»។
នាយកដ្ឋានវិស្វកម្មកសិកម្ម និងជីវសាស្រ្ត ស្ថិតនៅក្នុងមហាវិទ្យាល័យកសិកម្ម អ្នកប្រើប្រាស់ និងវិទ្យាសាស្ត្របរិស្ថាន និងមហាវិទ្យាល័យវិស្វកម្ម Grainger នៅសាកលវិទ្យាល័យ Illinois ។
នេះ ក្រដាស"ការព្យាករណ៍ NDVI/NDRE ពី RGB ស្តង់ដារ រូបភាពពីលើអាកាស ដោយប្រើការសិក្សាជ្រៅជ្រះ” ត្រូវបានបោះពុម្ពនៅក្នុង កុំព្យូទ័រ និងអេឡិចត្រូនិចក្នុងវិស័យកសិកម្ម.