Theo dõi đồng ruộng, nắm bắt quá trình phát triển và phát hiện vấn đề trước khi triệu chứng xuất hiện rõ ràng là những việc rất quan trọng để có một vụ thu hoạch thành công. Những tiến bộ công nghệ cho phép chụp ảnh các trang trại trên toàn thế giới bằng vệ tinh, giúp việc giám sát trở nên đơn giản và có chi phí hợp lý. Chỉ số thực vật được nông dân sử dụng phổ biến nhất là Chỉ số thực vật khác biệt chuẩn hóa (NDVI); theo dõi ảnh NDVI trong nông nghiệp có thể giúp đánh giá sức khỏe cây trồng.
Ảnh NDVI là gì, các giá trị NDVI cho biết điều gì và tại sao chúng hữu ích?
NDVI là một phương pháp viễn thám để ước tính sức khỏe và sinh khối cây trồng. Chỉ số này đo sự khác biệt giữa độ phản xạ của thảm thực vật đối với ánh sáng khả kiến và ánh sáng cận hồng ngoại. Độ phản xạ của cây trồng phụ thuộc vào diện tích lá, hàm lượng diệp lục, tuổi lá, mật độ tán cây và loại đất. NDVI thường được sử dụng cùng ảnh vệ tinh, vốn cung cấp hình ảnh có độ phân giải cao từ không gian. Vệ tinh giúp nông dân trên toàn thế giới dễ tiếp cận NDVI hơn, vì bất kỳ ai có kết nối internet đều có thể sử dụng. Việc theo dõi NDVI để đánh giá sức khỏe cây trồng đã có từ nhiều thập kỷ. Tuy nhiên, phương pháp này chỉ trở nên phổ biến gần đây nhờ vệ tinh và ảnh hàng không có độ phân giải cao cho phép quan sát lặp lại thường xuyên. Nó cung cấp ước tính chính xác về sinh khối thực vật và chỉ số diện tích lá (LAI) mà không cần thu thập dữ liệu tại mặt đất hoặc diễn giải thủ công.
Chỉ số NDVI được tính như thế nào?
NDVI được tính theo công thức sau:
NDVI = (NIR-Red) / (NIR+Red)
Trong đó, NIR là ánh sáng cận hồng ngoại, còn Red là ánh sáng đỏ nhìn thấy được. Giá trị NDVI nằm trong khoảng từ -1 đến 1. Các khu vực cát, đá hoặc tuyết có giá trị từ 0,1 trở xuống. Thảm thực vật thưa, chẳng hạn cây trồng đang già hóa, có giá trị NDVI trung bình từ 0,2 đến 0,5. Giá trị NDVI cao, từ 0,6 đến 0,9, tương ứng với thảm thực vật dày đặc.
Làm thế nào để có được ảnh NDVI?
Agrio là ứng dụng dành cho Android và iOS. Với Agrio, việc theo dõi đồng ruộng trở nên rất đơn giản và không đòi hỏi kiến thức từ trước. Các ứng dụng như Agrio cho phép bạn vẽ ranh giới ruộng trên bản đồ để bắt đầu theo dõi. Sau khi xác định vị trí ruộng, bạn sẽ thường xuyên nhận được ảnh cùng phần diễn giải.
Cách đọc và phân tích ảnh NDVI
Bằng cách xem xét ảnh NDVI, chúng ta có thể hiểu rõ hơn tình trạng đồng ruộng và phát hiện những khu vực có thể đang chịu stress. Ví dụ, hãy quan sát mức độ màu xanh trong hình dưới đây. Hình ảnh thể hiện các giai đoạn phát triển khác nhau của cây trồng giữa các thửa ruộng, cũng như sự khác biệt bên trong từng thửa.

Hãy chú ý những đốm xanh riêng lẻ trên khu vực chủ yếu có màu cam. Chúng cho thấy cỏ dại đang phát triển.
Khi so sánh ảnh NDVI của các ngày liên tiếp, chúng ta có thể nhận ra những khu vực không phát triển như dự kiến và cần được chú ý ngay. Ví dụ, hãy xem hình dưới đây và lưu ý các đốm đỏ trên những thửa ruộng có cây trồng ở giai đoạn phát triển ban đầu, khi NDVI lẽ ra phải tăng theo thời gian.

Những hạn chế của ảnh NDVI trong nông nghiệp
NDVI có mức tương quan thấp với hàm lượng diệp lục. Hạn chế này rõ hơn ở các giai đoạn sinh trưởng muộn, khi NDVI bị bão hòa. Sự bão hòa là do diện tích lá và mật độ cấu trúc tán cây tăng lên. Vì vậy, ở giai đoạn này cần theo dõi một chỉ số có tương quan cao với hàm lượng diệp lục trong lá và ít nhạy cảm hơn với cấu trúc lá và tán cây.
Diệp lục có vai trò thiết yếu trong quang hợp, chẳng hạn hấp thu ánh sáng. Vì thế, hàm lượng diệp lục có thể là dấu hiệu của nhiều dạng stress. Các dải phổ khác, như vùng biên đỏ, có thể phát hiện sớm những thay đổi trong hoạt động của diệp lục. Những thay đổi này xảy ra trước khi nồng độ diệp lục trong lá thực sự giảm. Theo dõi chúng do đó có thể cảnh báo sớm sự xuất hiện của stress sinh học và phi sinh học.
Tại sao tiến bộ công nghệ khiến việc lựa chọn một chỉ số thực vật cụ thể ít mang tính quyết định hơn?
Chúng ta ngày càng thành thạo trong việc dạy máy tính nhận ra các quy luật trong lượng dữ liệu lớn, nên việc lựa chọn một chỉ số cụ thể không còn thiết yếu. Thay vào đó, trí tuệ nhân tạo có thể phân tích toàn bộ phổ ánh sáng phản xạ và đưa ra thông tin hữu ích. Trước đây, người ta phải thiết kế sẵn các đặc trưng để huấn luyện máy phân loại các mẫu trong dữ liệu. Nhưng cách làm đã thay đổi: hiện nay chúng ta biết cách lập trình để máy tự chọn những đặc trưng phù hợp nhất trong quá trình huấn luyện.
Các chỉ số thực vật vẫn tiện dụng khi chuyên gia trực tiếp xem xét ảnh. Con người khó diễn giải khối lượng lớn thông tin được mã hóa trong toàn bộ phổ. Vì vậy, việc trình bày những chỉ số quen thuộc với chuyên gia vẫn có ích. Tuy nhiên, diện tích cần theo dõi lớn và tần suất vệ tinh quay lại quan sát cao khiến việc phân tích thủ công kém phù hợp hơn đối với nông dân và chuyên gia nông học.
Một lựa chọn ban đầu xuất phát từ các giới hạn kỹ thuật đã trở thành thông lệ trong ngành.
Ứng dụng trí tuệ nhân tạo để phát hiện bất thường trên ảnh vệ tinh
Sau khi tìm hiểu những lợi ích của việc theo dõi độ phản xạ phổ, chúng ta cần xem xét tính thực tiễn của phương pháp này. Một thách thức khi dùng phân tích phổ để phát hiện stress là xác định chính xác những mẫu trên ảnh vệ tinh cho thấy cây trồng đang chịu stress. Ngay cả khi đã có chuyên môn để xem xét ảnh thủ công, công việc vẫn trở nên nặng nề khi diện tích bao phủ lớn.
Việc ứng dụng trí tuệ nhân tạo trong nông nghiệp ngày càng tăng nhờ các tiến bộ công nghệ gần đây, góp phần giải quyết những thách thức này. Trí tuệ nhân tạo phát hiện bất thường bằng cách đưa ra quyết định dựa trên những quy luật học được từ các tập dữ liệu huấn luyện lớn.

Quá trình phát triển công cụ phát hiện sớm có thể được đẩy nhanh nếu thu thập được lượng lớn dữ liệu chất lượng cao với chi phí hợp lý. Để làm được điều đó, chúng tôi lựa chọn cách tiếp cận huy động đóng góp từ cộng đồng và xây dựng công cụ giúp người trồng xác định bệnh cây qua ảnh chụp bằng điện thoại thông minh. Người trồng hưởng lợi trực tiếp từ dịch vụ, đồng thời giúp huấn luyện các thuật toán phát hiện sớm — một khả năng có thể mang lại nhiều lợi ích hơn nữa cho họ về lâu dài. Ảnh có gắn vị trí địa lý được dùng làm dữ liệu tham chiếu thực địa, giúp chúng tôi huấn luyện thuật toán nhận ra vấn đề trực tiếp từ ảnh vệ tinh. Máy tính được cung cấp các ảnh vệ tinh mà những khu vực mắc bệnh trong ruộng đã được xác định. Nhờ thu thập được lượng lớn dữ liệu chất lượng cao, chúng tôi tiến bộ nhanh chóng.
Những dữ liệu này giúp chúng tôi học được các mẫu phản xạ đặc trưng của nhiều vấn đề cây trồng. Chúng tôi sử dụng khả năng đó để xây dựng các giải pháp theo dõi dễ dùng. Nông dân sử dụng Agrio có thể theo dõi sức khỏe đồng ruộng rất đơn giản: chỉ cần xác định vị trí ruộng bằng cách vẽ một đa giác theo ranh giới. Sau đó, chúng tôi bắt đầu theo dõi liên tục và thông báo khi có ảnh mới.
Tóm tắt
Theo dõi bằng vệ tinh là kỹ thuật đã được sử dụng trong nông nghiệp nhiều năm. Tuy nhiên, việc ứng dụng công nghệ vệ tinh để theo dõi đồng ruộng đã tăng đáng kể trong thập kỷ qua. Phương pháp này có thể giúp tăng năng suất, nâng cao độ chính xác và phát hiện sớm các vấn đề của cây trồng.
Người dùng có thể truy cập ảnh vệ tinh Sentinel và PlanetScope trên nền tảng của chúng tôi. Chúng tôi áp dụng thuật toán vào ảnh để theo dõi sự phát triển của cây trồng, phát hiện vấn đề trên ruộng và cảnh báo cho người trồng khi cần can thiệp.
Chúng tôi mời bạn sử dụng những khả năng này để tránh tổn thất, canh tác tốt hơn và giảm phun thuốc.
- Thuốc trừ bệnh đậu tương: khi nào phun, khi nào thăm đồng
- Tưới hoa hồng trồng chậu trên ban công có mái che mà không phải đoán
- Ứng dụng bác sĩ cây: AI đổi mới ngành nông học
- Những lầm tưởng về làm vườn: tìm hiểu sự thật cùng chuyên gia nông học AI bỏ túi
- Một cơn mưa, năm loại cây: AI cho nông hộ nhỏ hiểu toàn bộ trang trại
