ဂြိုဟ်တုပုံရိပ်များကိုအတုထောက်လှမ်းရေးနှင့်အတူဂြိုလ်တုပုံရိပ်များ အသုံးပြု၍ အာလူးစွမ်းဆောင်ရည်ကိုမျှော်လင့်ရန်အောင်မြင်စွာစမ်းသပ်ပြီးဖြစ်သည်။
Remote Sensing Laboratory (LATUV) မှသုတေသီများ ဗားလ်ဒိုးဒီးယားတက္ကသိုလ် (UVa) သီးနှံခန့်မှန်းတွက်ချက်မှုပုံစံများတိုးတက်စေရန်စွမ်းရည်သစ်အညွှန်းကိန်းသစ်တစ်ခုကိုရေးဆွဲခဲ့ကြသည်။ ESA Sentinel-2 ဂြိုဟ်တုပုံရိပ်များနှင့်စက်လေ့လာမှုနှင့်အတုထောက်လှမ်းရေးနည်းစနစ်များကိုအသုံးပြုသောနည်းစနစ်အသစ်သည်အာလူးနှင့်ဂျုံသီးနှံအထွက်နှုန်းကိုခန့်မှန်းရာတွင်အောင်မြင်စွာစမ်းသပ်ပြီးဖြစ်သည်။
လယ်ယာကဏ္ production ထုတ်လုပ်မှုသည်လူနှင့်သဘာဝပတ်ဝန်းကျင်အပေါ်များစွာ မူတည်၍ လယ်သမားများအကြားကြီးမားသောမသေချာမရေရာမှုကိုဖြစ်ပေါ်စေသည်။ သို့သော်နည်းပညာသည်၎င်းကိုလျှော့ချရာတွင်အရေးပါသောမဟာမိတ်တစ်ခုဖြစ်နိုင်သည်။ သီးနှံများ၏အပြုအမူကိုတိကျသောအခြေအနေများအောက်တွင်ဥပမာအားဖြင့်မြေဆီလွှာ၊ ရာသီဥတုသို့မဟုတ်စိုက်ပျိုးရေးအလေ့အထများကိုအတုယူရန်ကြိုးစားသည့်တွက်ချက်မှုပုံစံများအတွက်ဖြစ်သည်၊ ဤမျှော်လင့်ထားသည့်ဆင့်ကဲပေါ် မူတည်၍ စိုက်ပျိုးရေးထုတ်လုပ်မှုကိုခန့်မှန်းသည်။
LATUV မှသုတေသီနှင့်မကြာသေးမီကထုတ်ဝေသောလေ့လာမှုနှစ်ခုဖြစ်သောအဝေးမှအာရုံခံခြင်းနှင့်စိုက်ပျိုးရေးနှင့်သစ်တောမိုးလေဝသဆိုင်ရာဂျာနယ်များတွင်“ မော်ဒယ်များစွာရှိပြီးသီးနှံအမျိုးအစားတိုင်းအတွက်ပုံမှန်အားဖြင့်သီးခြားစီရှိသည်” ဟုရှင်းပြသည်။
သို့သော်ဤအစဉ်အလာကြီးထွားမှုပုံစံများသည်အချို့သောအကန့်အသတ်များရှိသည်။ ဥပမာအားဖြင့်“ အတူတူပင်အတွင်းတွင်အမျိုးမျိုးပြောင်းလဲနိုင်ခြင်းမရှိခြင်း” (သို့) ၎င်းတို့စုဆောင်းရန်အတွက်အချိန်နှင့်ငွေကြေးများစွာကုန်ကျမှုကြောင့်များသောအားဖြင့်ရယူခြင်းမဟုတ်သော ။ "
ခန့်မှန်းထားသည့်အာလူးစိုက်ပျိုးမှုareaရိယာ။ ဂိုမက်
ထို့ကြောင့်မကြာသေးမီနှစ်များအတွင်းကျွန်ုပ်တို့သည် optical sensor များ (ဂြိုဟ်တုများ၊ လေယာဉ်ပျံများ၊ မောင်းသူမဲ့လေယာဉ်များတွင်တပ်ဆင်ထားသည့်) optical sensor များမှရိုက်ယူထားသောရောင်စဉ်တန်းပုံရိပ်များကိုအသုံးပြုသောနည်းပညာတစ်ခု၊ remote sensing ကိုလောင်းကစားခြင်းဖြစ်ပြီးအချို့ရိုးရာမော်ဒယ်များကိုအချို့နေရာများတွင်အစားထိုး။ အစားထိုးနိုင်သည်။ ဤရွေ့ကားရောင်စဉ်တန်းပုံရိပ်များသီးနှံ၏ပြည်နယ်သို့မဟုတ် phenology အပေါ်ဒေတာပေး - စက်ရုံဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်အတွက်မြင်နိုင်ပြင်ပအပြောင်းအလဲများ - သောကောက်ပဲသီးနှံများကိုကြိုတင်ခန့်မှန်းရန်ကြောင်း input ကိုသတင်းအချက်အလက်ကိုညှိသောမော်ဒယ်များသို့ပေါင်းစည်းနေကြသည်။
"Spectral ပုံရိပ်တွေ input ကိုဒေတာလိုအပ်ကြောင်း, ဝေးလံခေါင်သီ site များမှဝင်ရောက်ခွင့်ခွင့်နှင့်စျေးနှုန်းချိုသာသောဖုံးလွှမ်း။ ၎င်းတို့သည်သီးနှံထုတ်လုပ်နိုင်စွမ်းစွမ်းရည်နှင့်သက်ဆိုင်သောသတင်းအချက်အလက်များကိုလည်းရရှိနိုင်သည်” ဟု LATUV သုတေသီကမှတ်ချက်ချသည်။ ၎င်းသည်ရောင်စဉ်တန်းညွှန်းကိန်းများထဲမှ - ရောင်စဉ်တန်းကြိုးများကိုပေါင်းစပ်ထားသောသင်္ချာဆိုင်ရာပုံသေနည်းများ - အားစိုက်တွက်ချက်ရာတွင်အသုံးများဆုံးသော နောက်ဆုံးတွင်သီးနှံထွက်ကုန်ထွက်နှုန်းကိုခန့်မှန်းနိုင်သည့်အပင်များ၏သိပ်သည်းဆမှာ NDVI (NDVI) ဖြစ်သည်။
ကောက်ပဲသီးနှံများကိုကြိုတင်ခန့်မှန်းနိုင်သောမော်ဒယ်များထုတ်လုပ်ရန်ဤအညွှန်းကိန်း၏အချိန်စီးရီးကိုအသုံးပြုခြင်းသည်သိပ္ပံဆိုင်ရာစာပေတွင်အလွန်အသုံးများသည်။ ဤအညွှန်းကိန်းသည်အလင်းကိုရောင်ပြန်ဟပ်ရန်အပင်၏စွမ်းရည်ကိုအသုံးပြုသည်။ ရောင်စဉ်တန်းများဖြစ်သောအလင်းနှင့်အလင်းရောင်ကိုရောင်ပြန်ဟပ်ရာတွင်အသုံးပြုသောအလင်းအချို့နှင့်အရွက်များ၏ဆဲလ်ဖွဲ့စည်းပုံတို့နှင့်ဆက်စပ်သည်။
အသစ်အပင်ညွှန်းကိန်း
LATUV သုတေသီများသည် ESA Sentinel-2 ဂြိုဟ်တုပုံရိပ်များကို အခြေခံ၍ PPI ဟုခေါ်သည့်အညွှန်းအသစ်တစ်ခုကိုတီထွင်ခဲ့ပြီး photosynthesis - ၄၀၀ မှ ၇၀၀ နာနိုမီတာ - ဓာတ်ပုံအက်ဆစ်ပေါင်းစပ်မှုတွင်ပါ ၀ င်သည့်ရောင်စဉ်တန်းသတင်းအချက်အလက်များ - လျှပ်စစ်သံလိုက်ရောင်စဉ်၏အခြားဒေသများမှသတင်းအချက်အလက်များကိုထည့်သွင်းစဉ်းစားသည်။ နာနိုမီတာ၊ Red Edge band နှင့် ၉၄၅ နာနိုမီတာ၊ ရေငွေ့စုပ်ယူသည့် band- သည်သီးနှံ၏အခြေအနေနှင့်ပတ်သက်သောအခြားသော့ချက်အချက်အလက်များဖြစ်သောရေဖိအားကဲ့သို့သောစက်ရုံသည်ရေထက်ပိုမိုတောင်းဆိုသည့်အချိန်တွင်ဖြစ်သည်။
သုတေသီများသည်ဂြိုဟ်တုပုံရိပ်များမှအချက်အလက်များနှင့်အတူအသီးအရွက်ညွှန်းကိန်းများဖြစ်သော NDVI နှင့် PPI တို့၏ခန့်မှန်းနိုင်စွမ်းကိုနှိုင်းယှဉ်ခဲ့သည်။ ထိုသို့ပြုလုပ်ရန်သူတို့သည် Artificial Intelligence နှင့် Machine Learning algorithms နှစ်ခု (Random Forest and Support Vector Machine) ကို အသုံးပြု၍ ပုံစံအမျိုးမျိုးကိုထုတ်လုပ်ခဲ့ပြီးထိုအညွှန်းကိန်းများကိုအခြားဂြိုလ်တုခလုတ်များနှင့်ပေါင်းစပ်ခဲ့သည်။
“ အယူအဆမှာ၊ အခြား NDVI အညွှန်းတွင်မပါ ၀ င်သောအခြား band များကိုအသုံးပြုသည့်အညွှန်းကိုအသုံးပြုခြင်းအားဖြင့်အထိခိုက်မခံသည့်သီးနှံသတင်းအချက်အလက်များကိုပေးနိုင်သည့်အချို့သောအလားအလာများနှင့်အတူကြိုတင်ခန့်မှန်းတွက်ချက်မှုပုံစံများသည်ပိုမိုကောင်းမွန်သောအရာဖြစ်သည်” ဟုGómezကပြောကြားသည်။ နောက်ဆုံးတွင်မော်ဒယ်များ၏ကြိုတင်ခန့်မှန်းနိုင်စွမ်းသည်“ အသီးအရွက်အညွှန်းကိန်းနှစ်ခုလုံးသို့မဟုတ်နှစ်ခုစလုံးပါ ၀ င်သောအခါတိုးပွားလာသည်”၊ ၎င်းသည်“ ဤအချက်အလက်များကိုဂြိုဟ်တုအချပ်အချည်နှင့် တွဲဖက်၍ ဤအချက်အလက်အသုံးပြုခြင်းကိုတန်ဖိုးထားသည်”
အာလူးစိုက်ပျိုးခြင်းအတွက်ပိုမိုတိကျသောဟောကိန်းများ
ရလဒ်များအရ PPI ညွှန်းကိန်းသည် Support Vector Machine algorithm ကိုအသုံးပြုသောအခါ NDVI နှင့်ဆင်တူသည့်သတင်းအချက်အလက်များကိုပေးသည်။ ကျပန်းသစ်တော algorithm ကိုအသုံးပြုသည့်အခါ NDVI ထက်သိသိသာသာပိုမိုသိကောင်းစရာကောင်းသည်။ ဂြိုလ်တုပုံရိပ်တွေအပေါ်အခြေခံပြီးရိတ်သိမ်းမော်ဒယ်များ "။
ယခုအချိန်အထိဒေသအလိုက်လေ့လာမှုပြုလုပ်သောနေရာတွင်အာလူးစိုက်ပျိုးခြင်းဆိုင်ရာအညွှန်းကိန်းသစ်ကိုစမ်းသပ်ခဲ့သည်။ ကောက်ပဲသီးနှံအပြီးတွင်အာလူးသည်ကမ္ဘာပေါ်တွင်အရေးအပါဆုံးသောသီးနှံများထဲမှတစ်ခုဖြစ်သည်။ ဖွံ့ဖြိုးဆဲနိုင်ငံများ၏စားနပ်ရိက္ခာဖူလုံရေးတွင်အဓိကအခန်းကဏ္ plays မှပါ ၀ င်ပြီးဥရောပစိုက်ပျိုးရေးကဏ္ in တွင်လည်းအရေးပါသည်။ ဂျာမနီ၊ ပြင်သစ်၊ နယ်သာလန်နှင့်ပိုလန်နိုင်ငံတို့သည်အဓိကထုတ်လုပ်သူများဖြစ်သည်။ ဒါဟာအစမက္ကဆီကိုယူဒေတာနှင့်အတူဂျုံအတွက်စမ်းသပ်ပြီးခဲ့တာဖြစ်ပါတယ်။
ပစ္စည်းကိရိယာ၏စိတ်ကူးသည်ပုံစံ၏ခိုင်မာသောခိုင်မာမှုကိုတိုးမြှင့်ခြင်း၊ ကျယ်ပြန့်သောလေ့လာမှုareaရိယာကိုဖုံးအုပ်ထားခြင်းနှင့် Spatial အမျိုးမျိုးပြောင်းလဲနိုင်မှုကိုတိုးမြှင့်ခြင်းနှင့်ကောက်ပဲသီးနှံအသစ်များကိုထည့်သွင်းခြင်းတို့အတွက်အချက်အလက်အရေအတွက်တိုးမြှင့်ခြင်းဖြစ်သည်။ ရန်ပုံငွေဆက်လက်မတည်မြဲမှုအပေါ် မူတည်၍ အနာဂတ်တွင်တောင်သူများသည်၎င်းတို့၏ရိတ်သိမ်းခြင်းကိုပိုမိုယုံကြည်စိတ်ချစွာခန့်မှန်းနိုင်သည့်အမြင်များ။