Автоматизована система дистанційного зондування для моніторингу посівів та управління зрошенням, що базується на зміні кольору листя та кусковолінійних регресійних моделях для прогнозування вмісту вологи в ґрунті
Анотація
Рослини можуть слугувати біологічними сенсорами доти, доки ми можемо правильно інтерпретувати їхні «показання» та зворотній зв›язок, який вони надають нам через зміну кольору їхнього листя. Метою даного дослідження було прогнозування вологості ґрунту і, відповідно, потреби в зрошенні на основі створених нелінійних математичних моделей, що описують взаємозв’язок між компонентами колірних моделей RGB і HSL та вологістю і температурою ґрунту. Ці нелінійні математичні моделі базуються на кусково-лінійній регресії з точкою розриву і прогнозують вологість ґрунту за допомогою колірних компонентів і температури ґрунту з похибкою +-6 %. Створено систему автоматизованого поливу та написано програму керування нею, де основним законом керування є створені нелінійні кусково-лінійні моделі. Система автоматизованого управління зрошенням включає підсистему дистанційного моніторингу стану посівів та підсистему управління зрошенням. Програма обробляє фото, отримане з камери, і активує виконавчі механізми, якщо є потреба в поливі. У порівнянні з ручним збором даних у першій частині дослідження, програма розраховує на основі зображення середні значення RGB-моделі в досліджуваному ряду томатних плантацій з точністю понад 99 % для R- і G-компонентів і понад 92 % для B-компонента. Програма також прогнозує вологість ґрунту з точністю 98 %. Практичне значення роботи з точки зору водозбереження полягає в розробці програмно-керованої автоматизованої системи зрошення, яка використовує рослини як біологічні сенсори, застосовуючи нелінійні математичні моделі, засновані на зміні кольору листя, для точного прогнозування вологості ґрунту
Ключові слова
біосенсори; точне зрошення; RGB-колориметрія; обробка зображень; оцифрування; біоінформатика
[1] Araújo-Paredes, C., Portela, F., Mendes, S., & Valín, M.I. (2022). Using aerial thermal imagery to evaluate water status in Vitis vinifera cv. Loureiro. Sensors, 22(20), article number 8056. doi: 10.3390/s22208056.
[2] Atanasov, S. (2021). Methodology for irrigation water uptake time estimation based on RGB colorimetric measurements of leaves (A visual-graphical observation). IOP Conference Series: Materials Science and Engineering, 1031(1), article number 012016. doi: 10.1088/issn.1757-899X.
[3] Atanasov, S. (2023). State-of-the-art technologies for remote sensing of crops water status and nutrients in agriculture: A review. Scientific Horizons, 26(9), 167-177. doi: 10.48077/scihor9.2023.167.
[4] Chandel, N.S., Rajwade, Y.A., Dubey, K., Chandel, A.K., Subeesh, A., & Tiwari, M.K. (2022). Water stress identification of winter wheat crop with state-of-the-art AI techniques and high-resolution thermal-rgb imagery. Plants, 11(23), article number 3344. doi: 10.3390/plants11233344.
[5] Dhillon, R., Rojo, F., Upadhyaya, S.K., Roach, J., Coates, R., & Delwiche, M. (2019). Prediction of plant water status in almond and walnut trees using a continuous leaf monitoring system. Precision Agriculture, 20, 723745. doi: 10.1007/s11119-018-9607-0.
[6] Fernández-Novales, J., Saiz-Rubio, Tardaguila, J., Valente, J., Barrio, I., Rovira-Más, F., Cuenca-Cuenca, A., Santos Alves, F., & Diago, M.P. (2021). Monitoring and mapping vineyard water status using non-invasive technologies by a ground robot. Remote Sensing, 13(14), article number 2830. doi: 10.3390/rs13142830.
[7] GitHub. (n.d.). Retrieved from https://github.com/SSAtanasov/living-biosensors.
[8] Gnatowski, T., Szatyłowicz, J., Pawluśkiewicz, B., Oleszczuk, R., Janicka, M., Papierowska, E., & Szejba, D. (2018). Field calibration of TDR to assess the soil moisture of drained peatland surface layers. Water, 10(12), article number 1842. doi: 10.3390/w10121842.
[9] Hahn, F., Espinoza, J., & Zacarías, U. (2021). Mango leaf monitoring with inductive and capacitive sensors and its comparison with trunk dendrometer measurements. Engineering Proceedings, 9(1), article number 28. doi: 10.3390/engproc2021009028.
[10] Kang, S., van Iersel, M.W., & Kim, J. (2019). Plant root growth affects FDR soil moisture sensor calibration. Scientia Horticulturae, 252, 208-211. doi: 10.1016/j.scienta.2019.03.050.
[11] Laureti, T., Benedetti, I., & Branca, G. (2021). Water use efficiency and public goods conservation: A spatial stochastic frontier model applied to irrigation in Southern Italy. Socio-Economic Planning Sciences, 73, article number 100856. doi: 10.1016/j.seps.2020.100856.
[12] Li, Q., Gao, M., & Li, Z.L. (2022). Ground hyper-spectral remote-sensing monitoring of wheat water stress during different growing stages. Agronomy, 12(10), article number 2267. doi: 10.3390/agronomy12102267.
[13] López-García, P., Intrigliolo, D., Moreno, M.A., Martínez-Moreno, A., Ortega, J.F., Pérez-Álvarez, E.P., & Ballesteros, R. (2022). Machine learning-based processing of multispectral and RGB UAV imagery for the multitemporal monitoring of vineyard water status. Agronomy, 12(9), article number 2122. doi: 10.3390/agronomy12092122.
[14] Madhavi, B.G.K., Basak, J.K., Paudel, B., Kim, N.E., Choi, G.M., & Kim, H.T. (2022). Prediction of strawberry leaf color using RGB mean values based on soil physicochemical parameters using machine learning models. Agronomy, 12(5), article number 981. doi: 10.3390/agronomy12050981.
[15] Reich, M., Mikolaj, M., Blume, T., & Güntner, A. (2021). Field-scale subsurface flow processes inferred from continuous gravity monitoring during a sprinkling experiment. Water Resources Research, 57(10), article number e2021WR030044. doi: 10.1029/2021WR030044.
[16] Rodriguez-Perez, J.R., Ordóñez, C., González-Fernández, A.B., Sanz-Ablanedo, E., Valenciano, J.B., & Marcelo, V. (2018). Leaf water content estimation by functional linear regression of field spectroscopy data. Biosystems Engineering, 165, 36-46. doi: 10.1016/j.biosystemseng.2017.08.017.
[17] Ru, C., Hu, X., Wang, W., Ran, H., Song, T., & Guo, Y. (2020). Evaluation of the crop water stress index as an indicator for the diagnosis of grapevine water deficiency in greenhouses. Horticulturae, 6(4), article number 86. doi: 10.3390/horticulturae6040086.
[18] Serrano-Finetti, E., Castillo, E., Alejos, S., & Hilario, L.L. (2023). Toward noninvasive monitoring of plant leaf water content by electrical impedance spectroscopy. Computers and Electronics in Agriculture, 210, article number 107907. doi: 10.1016/j.compag.2023.107907.
[19] Simbeye, D.S., Mkiramweni, M.E., Karaman, B., & Taskin, S. (2023). Plant water stress monitoring and control system. Smart Agricultural Technology, 3, article number 100066. doi: 10.1016/j.atech.2022.100066.
[20] Skoneczny, H., Kubiak, K., Spiralski, M., Kotlarz, J., Mikiciński, A., & Puławska, J. (2020). Fire blight disease detection for apple trees: Hyperspectral analysis of healthy, infected and dry leaves. Remote Sensing, 12(13), article number 2101. doi: 10.3390/rs12132101.
[21] Starr, J.L., & Paltineanu, I.C. (2002). Methods for measurement of soil water content. Retrieved from https://www.researchgate.net/publication/283997019_Methods_for_measurement_of_soil_water_content_Capacitance_ devices.
[22] Wood, W.W., & Cherry, J.A. (2021). Food security and inaccurate quantification of groundwater irrigation use. Groundwater, 59(6), 782-783. doi: 10.1111/gwat.13122.
[23] Zahoor, S.A., et al. (2019). Improving water use efficiency in agronomic crop production. In Agronomic Crops. Singapore: Springer. doi: 10.1007/978-981-32-9783-8_2.
[24] Zhao, T., Nakano, A., Iwaski, Y., & Umeda, H. (2020). Application of hyperspectral imaging for assessment of tomato leaf water status in plant factories. Applied Sciences, 10(13) article number 4665. doi: 10.3390/ app10134665.