Onderzoekers van de Universiteit van Missouri hebben aangetoond dat drones in combinatie met kunstmatige intelligentie de gezondheid van maïsgewassen efficiënter kunnen beoordelen dan traditionele veldscoutingmethoden, waardoor potentiële winst biedt in het gebruik van kunstmest en milieubeheer.
De studie, uitgevoerd in Mid {- Missouri Corn Fields, gebruikte drones uitgerust met multispectrale camera's om golflengten te vangen zoals nabij - infrarood en rood - edge -licht, die gekoppeld zijn aan de gezondheid van de plant maar onzichtbaar aan het menselijk oog. Door deze afbeeldingen te koppelen aan bodemgegevens en deze te verwerken via machine - leermodellen, schatte het team bladchlorofylniveaus - Een sleutelindicator van stikstofstatus - Over hele velden met hoge nauwkeurigheid.
"Het kennen van het chlorofylgehalte van elke plant helpt boeren om de juiste tijd, locatie en hoeveelheid stikstoftoepassing te bepalen," zei Jianfeng Zhou, universitair hoofddocent aan het College of Agriculture, Food and Natural Resources and Co - Director of Research at Mizzou's Digital Agriculture Research and Extension Center. "Dat kan de opbrengsten verhogen en tegelijkertijd overmatig chemisch gebruik worden verminderd dat van invloed is op het milieu."
Maïs is een van de meest stikstof - veeleisende gewassen, waardoor precieze voedingsbeheer een aanzienlijk kosten- en duurzaamheidsprobleem is. Over - Toepassing verhoogt de kosten en kan leiden tot watervervuiling, terwijl de toepassing onder - de opbrengsten kan verminderen.
Het onderzoeksteam, geleid door doctoraatsstudent Fengkai Tian, merkte op dat dergelijke monitoring commercieel zou kunnen worden geleverd door AG - technische dienstverleners, waardoor boeren kunnen profiteren zonder te investeren in drone -activiteiten of gegevensverwerkingsmogelijkheden. Hoewel de studie zich op maïs concentreerde, kon de methode worden aangepast voor andere gewassen, waaronder sojabonen en tarwe, met aanpassingen om rekening te houden met verschillende voedingsstoffen.
De bevindingen, gepubliceerd inSlimme landbouwtechnologie, werden geproduceerd in samenwerking met de Agricultural Research Service van het Amerikaanse ministerie van Landbouw. Het werk weerspiegelt een bredere push binnen de precisielandbouw om teledetectie, AI en gerichte inputbeheer te integreren om de efficiëntie te verbeteren en de milieueffecten te verminderen.
