A talaj nedvességtartalmának ismerete – részben a klímaváltozás következtében fenyegető szárazság -, részben pedig az időleges túlöntözés okozta károk miatt – óriási jelentőséggel bír a szántóföldi gazdálkodást folytatók számára. Ennek ismeretében ugyanis, pontosan meg tudják határozni, mely területen van szükség öntözésre és mely területeken fölösleges – sőt, esetenként káros – többlet vizet juttatni a földekre. A módszer nagyon komoly megtakarítást hozhat a vízfelhasználásban, ami nemcsak ökológiai, hanem ökonómiai haszonnal kérdés is.
A talajnedvesség mérésére természetesen, most is léteznek módszerek. Megoldható a terepen elhelyezett szondák és műholdak segítségével is. Az első megoldás hátránya, hogy egy több száz hektáros tábla esetén körülményes és nehézkes. A második esetben azzal kénytelen szembesülni a gazda, hogy a műholdfelvételek felbontása nem elégséges ahhoz, hogy az optimális vízfelhasználás mennyiségét és pontos helyét meg lehessen határozni.
A műholdas felvételekkel ugyanis, csak 10 szer 10 méteres felbontásig tudnak eljutni, miközben vannak olyan parcellák, amiknek talajnedvesség szint méréséhez 10 szer 10 centiméteres felbontás is szükséges lehet. További gond, hogy a Föld körül keringő műholdak csak több nap elteltével képesek ismételten felvételeket készíteni. Mindez pedig, azzal jár, hogy a túlzottan heterogén szerkezetű parcellák esetében a műholdas felvételek többnyire nem tudnak elég információt szolgáltatni a talaj helyenkénti vízigényéről.
Segít a termális orto-fotómozaik
A DE TTK Természetföldrajzi és Geoinformatikai Tanszékének kutatói a problémával szembesülve feltételezték, hogy hőkamerával készített légi felvételek mesterséges intelligencia bevonásával történő elemzésével egészen apró talajrészletek nedvességtartalmának meghatározása is lehetővé válhat. Bertalan László adjunktus tájékoztatása szerint vizsgálódásaikat Hajdúböszörmény határában ipari kategóriás drónokra szerelt multi-spektrális hőkamerákkal végezték egy kukoricaföldön, illetve annak parlagterületén. A berendezések segítségével „termális ortofotó-mozaikot” – vagyis, egyfajta hőtérképet készítettek, majd megnézték, mely adatelemzési módszerekkel lehet ezeket a leghatékonyabban feldolgozni. Az eredményeket validálásához talajmintákat gyűjtöttek, majd ezekből laboratóriumi körülmények között meghatározták a talajnedvesség tényleges eloszlásait azokon a területeken, amelyekről hőtérkép készült. Mindezek után kiszámolták a drónos hőkamera alapján lehetséges talajnedvesség-tartalmat és összehasonlították a talajminták laborban mért értékeivel.
A kutatócsoport a Computers and Electronics in Agriculture folyóiratban publikált tanulmánya a talajnedvesség becslésének leghatékonyabb módszereiről számol be. – A mesterséges intelligencia, a hőtérkép és a kézzel vett talajminta nedvességszint alapján a gépi tanulás segítségével képes statisztikai összefüggést meghatározni. Ez pedig azt jelenti, hogy a talaj nedvességeloszlása viszonylag kis energiabefektetéssel és nagy biztonsággal jól előre jelezhető.
Majd az AI megmondja
A publikációban bemutatják az optimális beállításokat, amikkel a lehető legpontosabb eredmény érhető el és amikkel a gazdálkodók is hasznosíthatják majd a módszert a gyakorlatban. Első lépésként drónos térképezéssel berepülik a területet, digitális légi felvételeket készítenek és a megfelelő számítógépes szoftver segítségével feldolgozzák az adatokat. A gépi tanulás eszköztárával ezt követően állítható elő az egyenletrendszer, aminek a végeredményeként egy talajnedvesség-térkép rajzolódik ki. – Bár a GINOP-projekt véget ért, a kutatás folytatódik a Természetföldrajzi és Geoinformatikai Tanszéken, egyik PhD-hallgatónk, együttműködésben a KITE Zrt.-vel, Tépe határában egy kísérleti parcellán végez további vizsgálatokat. A módszertan tehát még véglegesítés alatt áll, most próbáljuk letisztázni a technológia korlátait annak érdekében, hogy a végén tudjunk egy egységes módszertant adni a hazai gazdáknak – összegezte a kutató. Tanulmányozzák többek között, hogy megbízható-e a módszer minden évszakban, befolyásolja-e az időjárás, a különböző hőmérsékleti, illetve csapadékviszonyok vagy a talajfizikai sajátosságok. – Egy nagy adatsort szeretnénk összeállítani, hogy minél megbízhatóbb legyen a mesterséges intelligencia-modell, ami erre a végső egyenletet elkészíti. Ezt értelemszerűen mindig egy adott helyre, specifikusan kell kidolgozni. Az alap keretrendszert mi ki tudjuk alakítani és után a helyi felméréssorozatok alapján, parcellára szabottan lehet majd alkalmazni. Ha módszerünk véglegesedik, hozzájárulhat ahhoz, hogy a precíziós öntözéstervezésbe integrálva hatékonyabbá tudják tenni a hozamok optimalizálását.
Borítókép: illusztráció/Fotó: Magyar Nemzet/Mirkó István
