Forscher aus Japan haben ein Modell entwickelt, das mithilfe von digitalen Bildern die Reisernte schätzen kann. Das CNN-basierte Modell nutzt Bilder des Reisbestands, die während der Ernte aufgenommen werden, um die Ernte zu prognostizieren. Um eine umfassende Datenbank zu erstellen, sammelte das Team Reiskanopy-Bilder und Ernteertragsdaten von 20 Standorten in sieben Ländern. Das CNN-Modell erreichte eine Genauigkeit von 68% bis 69% und konnte den Ertragsverlauf während der Reifung genau vorhersagen. Die Genauigkeit nahm ab, wenn die Bildauflösung geringer war, blieb aber weitgehend stabil, unabhängig von den Aufnahmebedingungen. Die Forscher sind überzeugt, dass diese KI-basierte Methode großes Potenzial hat, um die Reisproduktion regional zu überwachen. Um diese Technologie zugänglicher zu machen, wurde die Smartphone-Anwendung “HOJO” entwickelt, die sowohl auf iOS als auch auf Android verfügbar ist. Mit dieser App können Landwirte ihre Reisproduktion entsprechend der geschätzten Ernte anpassen.

Einführung

Reis ist eine der wichtigsten Pflanzen weltweit und dient als Grundnahrungsmittel für einen großen Teil der Weltbevölkerung. Eine genaue Überwachung und Vorhersage der Reisernte kann dazu beitragen, die Ertragsfähigkeit der Pflanzen zu verstehen und landwirtschaftliche Praktiken zu verbessern. Forscher in Japan haben ein bahnbrechendes CNN-basiertes Modell entwickelt, das bodengestützte digitale Bilder aus der Erntezeit verwendet, um die Reisernte abzuschätzen. Dieses Modell verspricht eine Revolution in der Pflanzenüberwachung und hat das Potenzial, regionale Bewertungen der Reisproduktivität zu erleichtern.

Datenerhebung und Modellentwicklung

Um ein genaues und robustes CNN-Modell zu entwickeln, hat das Forschungsteam eine umfangreiche multinationalen Datenbank angelegt. Sie sammelten Reisbilderkronen und dazugehörige Ertragsdaten an 20 Standorten in sieben Ländern. Diese vielfältige Datenbank ermöglichte es dem Modell, Unterschiede in der Reisernte in verschiedenen Regionen und Umgebungen zu verstehen. Die Forscher trainierten dann das CNN-Modell mit diesen Daten, um Muster zu erkennen, die mit hoher und niedriger Reisernte zusammenhängen.

Die Leistung des CNN-Modells

Das CNN-Modell zeigte eine beeindruckende Leistung bei der Schätzung der Reisernte. Es erklärte etwa 68%-69% der Variation in der Ernte, was auf eine starke Korrelation zwischen den digitalen Bildern und der tatsächlichen Pflanzenproduktivität hinweist. Das Modell war besonders genau bei der Vorhersage der Ernte während der Reifungsphase, einer entscheidenden Zeit für die Bewertung der Pflanzenbereitschaft zur Ernte. Diese Fähigkeit macht das Modell zu einem wertvollen Werkzeug für Landwirte und Forscher, um fundierte Entscheidungen zu treffen und ihre landwirtschaftlichen Praktiken zu optimieren.

Die Forscher bewerteten auch die Leistung des Modells unter verschiedenen Bedingungen. Sie stellten fest, dass die Genauigkeit des Modells abnahm, wenn die Bildauflösung abnahm. Das Modell blieb jedoch unabhängig von Aufnahmewinkeln und Tageszeiten robust, was es vielseitig und anpassungsfähig für verschiedene Feldbedingungen macht. Diese Anpassungsfähigkeit erhöht die Praktikabilität des Modells für den realen Einsatz.

HOJO: Die Smartphone-App

Da die Zugänglichkeit dieser Technologie für ein breiteres Publikum von großer Bedeutung ist, hat das Forschungsteam eine Smartphone-App namens “HOJO” entwickelt. Diese Anwendung ermöglicht es den Benutzern, ihre Reisernte bequem mit Hilfe des CNN-Modells auf ihren iOS- oder Android-Geräten abzuschätzen. Die benutzerfreundliche Oberfläche und das intuitive Design machen es für Landwirte, Agronomen und Pflanzenforscher einfach, diese KI-basierte Technologie nahtlos in ihren Arbeitsablauf zu integrieren. Die Verfügbarkeit von HOJO auf beiden großen mobilen Plattformen erhöht die Zugänglichkeit und Benutzerfreundlichkeit zusätzlich.

Funktionen von HOJO

– Bildaufnahme: Die Anwendung ermöglicht es den Benutzern, bodengestützte digitale Bilder von Reiskronen direkt von ihren Smartphones aus aufzunehmen. Diese Funktion eliminiert die Notwendigkeit zusätzlicher spezialisierter Ausrüstung und vereinfacht den Datenerhebungsprozess.

– Ernteabschätzung: Mit den gesammelten Bildern schätzt HOJO die Reisernte mithilfe des trainierten CNN-Modells ab. Die Anwendung liefert genaue und rechtzeitige Vorhersagen, die zu einer effizienten Entscheidungsfindung auf dem Feld beitragen.

– Überwachung im regionalen Maßstab: Durch die Möglichkeit, Daten von mehreren Benutzern zu aggregieren, unterstützt HOJO die Überwachung der Reisproduktivität im regionalen Maßstab. Diese Funktion ist besonders vorteilhaft für politische Entscheidungsträger und landwirtschaftliche Organisationen, die sich mit der Bewertung und Verwaltung von Pflanzen in einem größeren Maßstab befassen.

Fazit

Die Entwicklung eines CNN-basierten Modells zur Schätzung der Reisernte mithilfe bodengestützter digitaler Bilder ist ein bedeutender Fortschritt in der Pflanzenüberwachung. Diese auf KI basierende Technologie hat ihre Genauigkeit und Robustheit unter unterschiedlichen Umweltbedingungen, Aufnahmewinkeln und Tageszeiten unter Beweis gestellt. Die Bemühungen der Forscher, eine multinationalen Datenbank zu erstellen und das CNN-Modell zu trainieren, haben den Weg für regionale Bewertungen der Reisproduktivität geebnet. Durch die Zugänglichkeit dieser Technologie über die Smartphone-App HOJO können Landwirte und Forscher ihre Vorteile nutzen, um landwirtschaftliche Praktiken zu optimieren und zur globalen Ernährungssicherheit beizutragen.

Quelle

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

You May Also Like

Machine-Learning-Ansatz zur Berechnung von Übergangszuständen in chemischen Reaktionen

Forscher vom MIT haben eine maschinelle Lernmethode entwickelt, um Übergangszustände in chemischen…

Ein potenzieller Wirkstoffkandidat zur Behandlung der Amyotrophen Lateralsklerose (ALS)

Forscher der Universität Helsinki haben einen potenziellen Wirkstoff entdeckt, der zur Behandlung…

Von der Verbrennung angetriebener insektengroßer Roboter: Ein Durchbruch in der Robotik

Forscher der Cornell University haben einen robotischen Insekt entwickelt, der durch Verbrennung…

Die Rolle des Retinsäurerezeptors Alpha (RARα) bei der T-Zell-Aktivierung und Immunantwort

Eine neue Studie, veröffentlicht im Journal Immunity, zeigt, dass der nukleare Rezeptor…