Σε αυτήν την έρευνα, αναπτύχθηκε ένα μοντέλο για την εκτίμηση της αντιοξειδωτικής περιεκτικότητας στα κεράσια από πολυφασματικές εικόνες που ελήφθησαν από μη επανδρωμένα εναέρια οχήματα (drone), βάσει μεθόδων μηχανικής εκμάθησης. Για δύο διαδοχικές καλλιεργητικές περιόδους, πραγματοποιήθηκαν δειγματοληψίες καρπών και φύλλων από τα δέντρα, σε διαφορετικές ημερομηνίες και στη συνέχεια αναλύθηκαν για την ικανότητα της μείωσης των ελεύθερων ριζών κατά την μέθοδο (DPPH) και την ποσότητα των πολυφαινολών κατά την μέθοδο Folin-Ciocalteu (FCR). Πολυφασματικές εικόνες από drone ελήφθησαν για τις ίδιες ημερομηνίες με αυτές των δειγματοληψιών των καρπών. Συλλέχθηκαν δείγματα εδάφους σε όλους τους τομείς της μελέτης, στο τέλος της περιόδου. Τοπογραφικά, υδρογραφικά και κλιματικά δεδομένα συμπεριλήφθηκαν επίσης στη μοντελοποίηση. Τα δεδομένα του πρώτου έτους χρησιμοποιήθηκαν για προσαρμογή του μοντέλου, ενώ τα δεδομένα του δεύτερου έτους για δοκιμές. Ο έλεγχος της χωρικής αυτοσυσχέτισης έδειξε αμερόληπτη δειγματοληψία και, επιπλέον, επέτρεψε τη μείωση των παραμέτρων εισόδου μοντελοποίησης. Το βέλτιστο μοντέλο χρησιμοποιεί 24 μεταβλητές εισόδου με αποτέλεσμα η ρίζα του μέσου τετραγωνικού σφάλματος να ισούται με 6,74. Υπό την προϋπόθεση ότι τα εδαφικά προφίλ και άλλα βοηθητικά δεδομένα είναι γνωστά πριν από την έναρξη της καλλιεργητικής περιόδου, η λήψη εικόνων drone σε κρίσιμες φάσεις ανάπτυξης, μαζί με δεδομένα καιρού σε πραγματικό χρόνο, μπορούν να υποστηρίξουν την στοχευμένη συγκομιδή ανά θέση και χρόνο. Θα μπορούσε επίσης να υποστηρίξει εφαρμογές γεωργίας ακριβείας για τη βελτίωση της ποιότητας των φρούτων, με τις ανάλογες προοπτικές για την αγορά.
Την δημοσίευση μπορείτε να τη βρείτε εδώ.
