تحسين مؤشر vegetative المعتمد على الأقمار الصناعية باستخدام الطائرات المسيرة وتقنية التعلم الآلي للزراعة الدقيقة

تعتبر الزراعة الدقيقة نهجاً أساسياً لتحقيق نوع زراعة منخفض المدخلات وعالي الكفاءة ومستدام عند تنفيذ ممارسات الإدارة الخاصة بالموقع. لتحقيق هذا الهدف، هناك حاجة لوصف موثوق ومحدث للحالة المحلية للمحاصيل. أثبتت الاستشعار عن بعد، وخاصة الصور المعتمدة على الأقمار الصناعية، أنها أداة قيمة في رسم خرائط المحاصيل والمراقبة وتقييم الأمراض. ومع ذلك، أظهرت الصور الفضائية المتاحة مجاناً بدقة منخفضة أو معتدلة بعض الحدود في التطبيقات الزراعية المحددة، على سبيل المثال، حيث تزرع المحاصيل في صفوف. في الواقع، في هذا الإطار، يمكن أن يتأثر ناتج القمر الصناعي بالتغطيّة داخل الصف، مما يعطي معلومات غير دقيقة عن حالة المحصول. يقدم هذا البحث إطاراً جديداً لتحسين الصور الفضائية، يعتمد على تقنية التعلم العميق التي تستغل المعلومات المستمدة بشكل صحيح من الصور عالية الدقة التي تم الحصول عليها بواسطة أجهزة استشعار متعددة الطيف محمولة جواً بالطائرات المسيرة. لتدريب الشبكة العصبية التلافيفية، يتطلب الأمر فقط مجموعة بيانات واحدة مدفوعة بالطائرة المُسيرة، مما يجعل النهج المقترح بسيطاً وفعالاً من حيث التكلفة. تم اختيار مزارع في سيرالونغا دالتشبا (شمال إيطاليا) كدراسة حالة لأغراض التحقق. أظهرت خرائط مؤشر الفرق الطبيعي المُحسَّنة المعتمدة على الأقمار الصناعية (NDVI)، التي تم الحصول عليها في أربعة فترات مختلفة خلال موسم نمو الكروم، أنها تصف حالة المحاصيل بشكل أفضل بالنسبة لمجموعات البيانات الخام من خلال تحليل الارتباط وتحليل التباين، بالإضافة إلى ذلك، باستخدام مصنف يعتمد على K-means، تم اشتقاق خرائط قوية لمزارع الكروم من خرائط NDVI، وهو أداة قيمة للمزارعين.