یہ نظام مصنوعی ذہانت کے ساتھ سیٹلائٹ کی تصاویر کو بھی استعمال کرتا ہے اور آلو کی کارکردگی کا اندازہ لگانے کے لئے پہلے ہی کامیابی کے ساتھ تجربہ کیا گیا ہے۔
کی ریموٹ سینسنگ لیبارٹری (LATUV) کے محققین ویلادولڈ یونیورسٹی (UVa) فصلوں کی پیش گوئی کے ماڈلز کو بہتر بنانے کے قابل نباتات کا ایک نیا انڈیکس تیار کیا ہے۔ نئی تکنیک ، جس میں ESA سینٹینیل 2 سیٹلائٹ امیجز اور مشین لرننگ اور مصنوعی ذہانت کی تکنیک کا استعمال کیا گیا ہے ، آلو اور گندم کی فصل کی پیداوار کی پیش گوئی کرنے میں کامیابی کے ساتھ تجربہ کیا گیا ہے۔
زرعی پیداوار کا انحصار انسان اور ماحولیاتی دونوں عوامل کی ایک بڑی تعداد پر ہے جس سے کسانوں میں بہت زیادہ غیر یقینی پیدا ہوتا ہے۔ لیکن اس کو کم کرنے میں ٹکنالوجی ایک اہم اتحادی ثابت ہوسکتی ہے۔ یہی معاملہ کمپیوٹیشنل ماڈل کے لئے ہے جو مخصوص حالات کے تحت کسی فصل کے طرز عمل کی تقلید کرتے ہیں ، مثال کے طور پر مٹی ، آب و ہوا یا زرعی طریقوں ، اور اس متوقع ارتقاء پر منحصر ہے ، زرعی پیداوار کا تخمینہ لگائیں۔
انٹرنیشنل جرنل آف ریموٹ سینسنگ اینڈ ایگریکلچرل اینڈ فارسٹ میٹروولوجی کے جریدے میں حال ہی میں شائع ہونے والے دو مطالعے کے لیگو گیمز ، ڈیاگو گیمز کی وضاحت کرتے ہیں ، "بہت سارے ماڈل موجود ہیں اور وہ عام طور پر ہر قسم کی فصل سے مخصوص ہوتے ہیں۔"
لیکن ان روایتی نمو کے نمونے میں کچھ حدود ہوتی ہیں ، جیسے "ایک ہی پارسل میں مقامی طور پر ماڈل کی تغیر پزیر ہونا" یا ان پٹ ڈیٹا کی کثیر تعداد جس کی انہیں ضرورت ہوتی ہے "عام طور پر وقت اور رقم کی زیادہ قیمت کی وجہ سے ان کو جمع کرنے میں شامل نہیں ہوتے ہیں۔ "
آلو کی نشوونما کا رقبہ جس پر اندازہ لگایا گیا ہے / D گیمز
اس طرح ، حالیہ برسوں میں ہم ایک ایسی ٹکنالوجی ، ریموٹ سینسنگ پر شرط لگارہے ہیں جس میں آپٹیکل سینسرز (مصنوعی سیارہ ، ہوائی جہاز ، ڈرون ، وغیرہ پر انسٹال شدہ) کے ذریعے لی گئی رنگی تصاویر کا استعمال کیا گیا ہے اور یہ ان روایتی ماڈلز کی تکمیل اور حتی کہ کچھ معاملات میں ان کی جگہ لے سکتی ہے۔ پودوں کی نشوونما کے عمل میں دکھائی دینے والی بیرونی تبدیلیاں - - یہ رنگی تصاویر فصل کی حالت یا فینولوجی کے بارے میں اعداد و شمار فراہم کرتی ہیں جو فصلوں کی پیش گوئی کے ل that اس ان پٹ معلومات کو ایڈجسٹ کرتی ہیں۔
“خصیریی امیجز کا احاطہ کرتا ہے جس کے لئے ان پٹ ڈیٹا کی ضرورت ہوتی ہے ، دور دراز سائٹوں تک رسائی کی اجازت دیتا ہے ، اور کم قیمت ہے۔ وہ ایسی معلومات بھی حاصل کرنے میں کامیاب ہیں جو فصل کی پیداواری صلاحیت سے وابستہ ہیں۔ پودوں کی کثافت - جو بالآخر فصل کی پیداوری کی پیش گوئی کرتی ہے - NDVI (NDVI) ہے۔
سائنسی لٹریچر میں فصلوں کے پیش قیاسی ماڈل تیار کرنے کے لئے اس انڈیکس کی ٹائم سیریز کا استعمال بہت عام ہے۔ اس انڈیکس میں پودوں کی عکاسی - پودوں کی روشنی کی عکاسی کرنے کی صلاحیت - دو رنگی بینڈوں میں ، سرخ اور قریبی سرخ ، جو بالترتیب روشنی سنتھیز اور پتیوں کی خلیوں کی ساخت کے لئے استعمال ہونے والے کچھ روشنی سے متعلق ہیں۔
ایک نیا نباتاتی اشاریہ
ایل اے ٹی یو وی کے محققین نے ای ایس اے سینٹینیل 2 سیٹلائٹ امیجوں پر مبنی پی پی آئی کے نام سے ایک نیا انڈیکس تیار کیا ہے جو روشنی سنتھیس میں شامل رنگی معلومات - 400 سے 700 نینو میٹر - کو برقی مقناطیسی اسپیکٹرم -704 کے دوسرے علاقوں سے حاصل کردہ معلومات کو بھی مدنظر رکھتا ہے۔ نینو میٹر ، ریڈ ایج بینڈ اور 945 نینو میٹر ، واٹر بخار جذب بینڈ- ، جو فصل کی حالت کے بارے میں دوسری اہم معلومات مہیا کرسکتے ہیں ، جیسے اس کے پانی کا تناؤ - جب پلانٹ اپنے پانی سے زیادہ پانی کا مطالبہ کرتا ہے۔
محققین نے دونوں پودوں کے اشاریہ جات ، NDVI اور پی پی آئی کی پیش گوئی کی گنجائش کے ساتھ سیٹلائٹ امیجوں کے مزید اعداد و شمار کا موازنہ کیا۔ ایسا کرنے کے ل they ، انہوں نے دو مصنوعی ذہانت اور مشین لرننگ الگورتھم (جسے رینڈم فاریسٹ اینڈ سپورٹ ویکٹر مشین کہا جاتا ہے) کا استعمال کیا ، اور مختلف ماڈل تیار کیے جن میں انہوں نے یہ اشاریہ دوسرے سیٹلائٹ بینڈ کے ساتھ جوڑ دیا۔
پیش قدمی کرنے والے گیمز کا کہنا ہے کہ ، "قیاس آرائی یہ تھی کہ ، انڈیکس کا استعمال کرتے ہوئے جو دوسرے بینڈوں کو استعمال کرتا ہے جس میں مشہور این ڈی ویVI انڈیکس شامل نہیں ہے اور دوسری طرف ، فصلوں کی حساس معلومات فراہم کرنے کی کچھ صلاحیتوں کے ساتھ ، پیش گوئی کرنے والے نمونے بہتر ہوں گے ،" پیش قدمی کرنے والے گیمز کہتے ہیں۔ یہ ، آخر میں ، ماڈلز کی پیش گوئی کی گنجائش "اس وقت بڑھ گئی جب دونوں میں سے ایک یا دونوں نباتات کے اشارے شامل کیے گئے تھے" ، جو "کچھ خاص انفرادی سیٹلائٹ بینڈوں کے ساتھ مل کر اس اعداد و شمار کے استعمال کی قدر کرتے ہیں"۔
آلو کی کاشت میں زیادہ درست پیش گوئیاں
نتائج سے پتہ چلتا ہے کہ پی پی آئی انڈیکس NDVI سے ملتی جلتی معلومات فراہم کرتا ہے جب سپورٹ ویکٹر مشین الگورتھم کا استعمال کرتے ہیں ، اور رینڈم فاریسٹ الگورتھم کا استعمال کرتے وقت NDVI کے مقابلے میں نمایاں طور پر زیادہ معلومات فراہم کرتے ہیں ، وابستہ نتائج "جس نے میز پر ایک نیا پودوں کا اشاریہ لگایا ہے جو پیش گوئی کو بہتر بنا سکتا ہے۔ سیٹلائٹ کی تصاویر پر مبنی کٹائی کے ماڈل ”۔
ابھی تک ، نئے انڈیکس کا تجربہ کافی حد تک مقامی مطالعہ والے علاقے میں آلو کی کاشت پر کیا گیا ہے۔ اناج کے بعد ، آلو عالمی سطح پر کھانے کی اہم فصلوں میں سے ایک ہے۔ یہ ترقی پذیر ممالک کی غذائی تحفظ میں کلیدی کردار ادا کرتا ہے اور اس کے ساتھ یورپی زرعی شعبے میں بھی بہت زیادہ وزن ہوتا ہے ، جرمنی ، فرانس ، نیدرلینڈز اور پولینڈ بڑے پروڈیوسروں کے ساتھ۔ میکسیکو میں لی گئی ڈیٹا کے ساتھ اس کی گندم میں بھی جانچ کی گئی ہے۔
سامان کا خیال ماڈل کی مضبوطی کو بہتر بنانے کے ل data اعداد و شمار کی تعداد میں اضافہ کرنا ، مقامی تغیر کو بڑھانے اور نئی فصلوں کو شامل کرنے کے ل study مطالعہ کے ایک بڑے علاقے کا احاطہ کرنا ہے۔ وہ نظریہ جو مالی اعانت کے تسلسل پر منحصر ہیں اور کسانوں کو مستقبل میں ان کی فصل کا زیادہ قابل اعتماد اندازہ لگانے میں مدد کرسکتے ہیں۔