Opracowanie i wdrożenie innowacyjnej metody oznaczania potrzeb nawozowych roślin, ze szczególnym uwzględnieniem fosforu, na etapie wczesnego plonowania dla wybranego gatunku roślin zbożowych oraz predykcji jego optymalnej podaży w okresie wzrostu rośliny, w oparciu o wieloźródłowe dane hiperspektralne.
Opis projektu:
Celem operacji jest stworzenie narzędzia cyfrowego dla rolników pozwalającego na nieinwazyjne, zdalne wykrywanie niedoborów fosforu i azotu na wczesnym etapie wzrostu oraz zapobieganie ich skutkom. Informacja o poziomach fosforu i azotu będzie obliczana w oparciu o dane satelitarne, dzięki technologii opracowanej w ramach części badawczej. Informacje o wykrytych niedoborach, wraz z rekomendowanym planem nawożenia będą dostępne dla rolnika na urządzeniach z dostępem do internetu, dzięki aplikacji opracowanej w ramach prac rozwojowych. Prawidłowe wykorzystanie dostarczonych informacji pozwoli wyeliminować problemy uprawowe wynikające z niedoborów pierwiastków występujących w glebie oraz wesprze proces sprzedaży produktów rolnych. Ostatecznie rezultatami projektu będą: (1) innowacja ponadkrajowa polegająca na stworzeniu technologii do zdalnego oznaczania niedoborów fosforu i azotu w zbożach, w oparciu o dane satelitarne, (2) opracowanie i wdrożenie cyfrowego narzędzia do automatycznego wydawania rekomendacji w zakresie składu nawozu oraz harmonogramu nawożenia interwencyjnego dla wykrytego stanu niedoborów, (3) stworzenie i udostępnienie aplikacji dla użytkowników końcowych pozwalającej na zautomatyzowane oraz zdalne pozyskanie informacji o stanie upraw.
Realizacja:
W ramach prac zaplanowano i zrealizowano kampanie terenowe obejmujące badania in situ upraw zbożowych we wczesnych fazach rozwojowych na polach z upraw eksperymentalnych zlokalizowanych w Stacji Doświadczalnej SGGW w Skierniewicach, pola z żytem ozimym, zlokalizowanym w woj. zachodniopomorskim oraz pól z trzech obszarów województwa mazowieckiego.
Zebrano pełen zakres informacji dla próby kontrolnej i badanej upraw w okresie wczesnego stadium rozwojowego, w tym zapis parametrów uprawowych, analizy laboratoryjne gleby i roślin, dane hiperspektralne dotyczące wzrostu i rozwoju roślin z urządzenia ASD FieldSpec 4 Hi-Res i nalotu dronem, oraz obrazowania satelitarne w wybranych zakresach (Sentinel-2 oraz PlanetScope).
Zastosowano różne modele uczenia maszynowego, w tym sieć neuronową z trzema warstwami: wejściową (64 neurony), ukrytą (32 neurony) i wyjściową. Model trenowano przez 10 000 epok, optymalizując jego działanie przy użyciu algorytmu Adam i funkcji straty MSE. Przeprowadzono analizę macierzy korelacji dla różnych parametrów roślinnych i glebowych, co pozwoliło zidentyfikować istotne związki między składnikami odżywczymi i metalami.
W ramach badań przeprowadzono analizę danych hiperspektralnych z dronów w celu przewidywania zawartości fosforu w życie ozimym za pomocą sieci neuronowych typu Feedforward (FNN). Przeprowadzono analizę danych symulujących pasma Sentinel-2 oraz PlanetScope, uzyskując podobne wyniki w przewidywaniu fosforu. W badaniach uwzględniono również pomiary reflektancji wykonane za pomocą urządzenia FieldSpec, które symulowały pasma Sentinel-2 i PlanetScope.
W ramach realizowanych prac badawczych przygotowano artykuł naukowy we współpracy z Szkołą Główną Gospodarstwa Wiejskiego (SGGW) oraz firmą Transcend. W roku 2025 złożono dwa wnioski patentowe dotyczące opracowanego modelu i technologii, umożliwiające precyzyjną identyfikację deficytów fosforu i azotu w roślinach na podstawie analizy danych hiperspektralnych.
Czas trwania projektu: 13.03.2023 – 31.03.2025
Konsorcjum realizujące projekt:
Transcend Sp. z o.o., Instytut Geodezji i Kartografii, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
Projekt realizowany ze środków uzyskanych z Agencji Restrukturyzacji i Modernizacji Rolnictwa w ramach Programu „Program Rozwoju Obszarów Wiejskich na lata 2014 2020” (Komisja Europejska), działanie 16 „Współpraca”.
