Tổng quan về ứng dụng của thiết bị bay không người lái  trong canh tác trên đồng ruộng

Phùng Trường Trinh; Chu Đức Hà; Phạm Minh Triển

doi:10.55250/Jo.vnuf.13.2.2024.112-122

Từ khóa:

Chỉ tiêu thực vật, lập bản đồ canh tác, theo dõi cây trồng, thiết bị bay không người lái, ước tính sản lượng

Tóm tắt

Canh tác nông nghiệp hiện nay đang có xu hướng áp dụng thiết bị bay không người lái (unmanned aerial vehicle, UAV) giúp tăng cường hiệu quả sản xuất và quản lý nông trại bền vững. Tuy nhiên, chưa có nhiều báo cáo tổng quan về vai trò của UAV trong canh tác. Mục tiêu của bài tổng quan nhằm đưa ra cái nhìn toàn diện về các ứng dụng của UAV trong giám sát sức khỏe cây trồng, lập bản đồ canh tác, phun thuốc bảo vệ thực vật và phát hiện cỏ dại. Cụ thể, UAV mang lại khả năng giám sát và thu thập dữ liệu chính xác về tình trạng cây trồng và đất đai từ trên cao giúp nông dân đưa ra quyết định phù hợp. Từ việc phát hiện sâu bệnh, đánh giá sức khỏe cây trồng, ước lượng sản lượng và phun thuốc bảo vệ thực vật, UAV cung cấp giải pháp toàn diện giúp giải quyết những thách thức của canh tác truyền thống. Sử dụng UAV giúp tiết kiệm thời gian và nguồn lực, giảm thiểu sự phụ thuộc vào lao động và tăng cường khả năng tự động hóa trong quản lý nông trại. Các công nghệ tiên tiến như phân tích hình ảnh và các mô hình học máy được tích hợp với UAV giúp xử lý và phân tích dữ liệu thu thập, từ đó tối ưu hóa các quy trình canh tác, nâng cao năng suất và chất lượng cây trồng. Kết quả của bài tổng quan này cung cấp những hiểu biết toàn diện về ứng dụng của UAV trong canh tác nông nghiệp, từ đó bổ sung những định hướng quan trọng cho quy trình canh tác chính xác trên đồng ruộng.

Tài liệu tham khảo

. Ehrlich P. R. & Harte J. (2015). Opinion: To feed the world in 2050 will require a global revolution. Proc Natl Acad Sci U S A. 112(48): 14743-14744.

. Shi J., An G., Weber A. P. M. & Zhang D. (2023). Prospects for rice in 2050. Plant Cell Environ. 46(4): 1037-1045.

. Navarro E., Costa N. & Pereira A. (2020). A systematic review of IoT solutions for smart farming. Sensors. 20(15): 4231.

. Ahmed M. A., Gallardo J. L., Zuniga M. D., Pedraza M. A., Carvajal G., Jara N. & Carvajal R. (2022). LoRa based IoT platform for remote monitoring of large-scale agriculture farms in Chile. Sensors. 22(8): 2824.

. Jin D., Yin H., Zheng R., Yoo S. J. & Gu Y. H. (2023). PlantInfoCMS: Scalable plant disease information collection and management system for training AI models. Sensors. 23(11): 5032.

. Ivezić A., Trudić B., Stamenković Z., Kuzmanović B., Perić S., Ivošević B., Buđen M. & Petrović K. (2023). Drone-related agrotechnologies for precise plant protection in Western Balkans: Applications, possibilities, and legal framework limitations. Agronomy. 13(10): 2615.

. Tetila E., Machado B., Astolfi G., Belete N., Amorim W., Roel A. & Pistori H. (2020). Detection and classification of soybean pests using deep learning with UAV images. Comput Electron Agric. 179(1): 105836.

. Kerkech M., Hafiane A. & Canals R. (2020). Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach. Comput Electron Agric. 174(1): 105446.

. Liu Y., Nie C., Zhang Z., Wang Z., Ming B., Xue J., Meng L., Cui N., Wu W. & Jin X. (2022). Evaluating how lodging affects maize yield estimation based on UAV observations. Front Plant Sci. 13(1): 979103.

. Baykalov P., Bussmann B., Nair R., Smith A. G., Bodner G., Hadar O., Lazarovitch N. & Rewald B. (2023). Semantic segmentation of plant roots from RGB (mini-) rhizotron images-generalisation potential and false positives of established methods and advanced deep-learning models. Plant Methods. 19(1): 122.

. Fu Z., Jiang J., Gao Y., Krienke B., Wang M., Zhong K., Zhu Y., Cao W. & Liu X. (2020). Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle. Remote Sensing. 12(3): 508.

. Hernandez A., Murcia H., Copot C. & De Keyser R. (2015). Towards the development of a smart flying sensor: illustration in the field of precision agriculture. Sensors. 15(7): 16688-16709.

. Christiansen M. P., Laursen M. S., Jorgensen R. N., Skovsen S. & Gislum R. (2017). Designing and testing a UAV mapping system for agricultural field surveying. Sensors. 17(12).

. Wang T., Liu Y., Wang M., Fan Q., Tian H., Qiao X. & Li Y. (2021). Applications of UAS in crop biomass monitoring: A review. Front Plant Sci. 12(1): 616689.

. Kim J., Kim S., Ju C. & Son H. I. (2019). Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications. IEEE Access. 7(1): 105100-105115.

. Panday U., Pratihast A., Aryal J. & Kayastha R. (2020). A review on drone-based data solutions for cereal crops. Drones. 4(3): 41.

. Su X., Wang J., Ding L., Lu J., Zhang J., Yao X., Cheng T., Zhu Y., Cao W. & Tian Y. (2023). Grain yield prediction using multi-temporal UAV-based multispectral vegetation indices and endmember abundance in rice. Field Crops Research. 299: 108992.

. Tunca E., Köksal E. S., Çetin S., Ekiz N. M. & Balde H. (2018). Yield and leaf area index estimations for sunflower plants using unmanned aerial vehicle images. Environ Monit Assess. 190(11): 682.

. Ninkov A., Frank J. R. & Maggio L. A. (2022). Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11(3): 173-176.

. Bouguettaya A., Zarzour H., Kechida A. & Taberkit A. M. (2023). A survey on deep learning-based identification of plant and crop diseases from UAV-based aerial images. Cluster Comput. 26(2): 1297-1317.

. Allred B., Eash N., Freeland R., Martinez L. & Wishart D. (2018). Effective and efficient agricultural drainage pipe mapping with UAS thermal infrared imagery: A case study. Agric Water Manag. 197(1): 132-137.

. Zhang C., Atkinson M., George C., Wen Z., Diazgranados M. & Gerard F. (2020). Identifying and mapping individual plants in a highly diverse high-elevation ecosystem using UAV imagery and deep learning. ISPRS J Photogramm Remote Sens. 169(1): 280-291.

. Zhao Y., Ma J., Li X. & Zhang J. (2018). Saliency detection and deep learning-based wildfire identification in UAV imagery. Sensors. 18(3): 712.

. Zhu W., Rezaei E., Nouri H., Sun Z., Li J., Yu D. & Siebert S. (2022). UAV-based indicators of crop growth are robust for distinct water and nutrient management but vary between crop development phases. Field Crops Research. 284(1): 108582.

. Sousa J. J., Toscano P., Matese A., Di Gennaro S. F., Berton A., Gatti M., Poni S., Padua L., Hruska J., Morais R. & Peres E. (2022). UAV-based hyperspectral monitoring using push-broom and snapshot sensors: A multisite assessment for precision viticulture applications. Sensors. 22(17): 6574.

. Ye H., Huang W., Huang S., Cui B., Dong Y., Guo A., Ren Y. & Jin Y. (2020). Recognition of banana Fusarium wilt based on UAV remote sensing. Remote Sensing. 12(6): 938.

. Li B., Xu X., Zhang Li, Han Jiwan, Bian Chunsong, Li Guangcun, Liu Jiangang & Jin Liping (2020). Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging. ISPRS J Photogramm Remote Sens. 162(1): 161-172.

. Blasch G., Anberbir T., Negash T., Tilahun L., Belayineh F. Y., Alemayehu Y., Mamo G., Hodson D. P. & Rodrigues F. A., Jr. (2023). The potential of UAV and very high-resolution satellite imagery for yellow and stem rust detection and phenotyping in Ethiopia. Sci Rep. 13(1): 16768.

. Subramanian K. S., Pazhanivelan S., Srinivasan G., Santhi R. & Sathiah N. (2021). Drones in insect pest management. Front Agron. 3(1): 640885.

. Cao Y., Li G., & Zhang S. (2020). Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images. Comput Electron Agric. 171(1): 105331.

. Johansen K., Morton J. L., Malbeteau Y., Aragon B., Al-Mashharawi S., Ziliani G., Angel Y., Fiene G., Negrão S., Mousa A. A., Tester A. & McCabe F. (2020). Predicting biomass and yield in a tomato phenotyping experiment using UAV imagery and random forest. Front Artif Intell. 3(1): 28.

. Strzepek K., Salach M., Trybus B., Siwiec K., Pawlowicz B. & Paszkiewicz A. (2023). Quantitative and qualitative analysis of agricultural fields based on aerial multispectral images using neural networks. Sensors. 23(22): 9251.

. lost F. H., Heldens B., Kong Z. & de Lange S. (2020). Drones: Innovative technology for use in precision pest management. J Econ Entomol. 113(1): 1-25.

. Pan Z., Lie D., Qiang L., Shaolan H., Shilai Y., Yan-de L., Yongxu Y. & Haiyang P. (2016). Effects of citrus tree-shape and spraying height of small unmanned aerial vehicle on droplet distribution. Int J Agricult Biol Eng. 9(1): 45-52.

. Meng Y., Su J., Song J., Chen W. & Lan Y. (2020). Experimental evaluation of UAV spraying for peach trees of different shapes: Effects of operational parameters on droplet distribution. Comput Electron Agric. 170(1): 105282.

. Hassan M. A., Yang M., Rasheed A., Yang G., Reynolds M., Xia X., Xiao Y. & He Z. (2019). A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform. Plant Sci. 282(1): 95-103.

. Comba L., Biglia A., Ricauda Aimonino D., Tortia C., Mania E., Guidoni S. & Gay P. (2020). Leaf Area Index evaluation in vineyards using 3D point clouds from UAV imagery. Precision Agriculture. 21(4): 881-896.

. Zhang H., Ge Y., Xie X., Atefi A., Wijewardane N. K. & Thapa S. (2022). High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion. Plant Methods. 18(1): 60.

. Alordzinu K. E., Li J., Lan Y., Appiah S. A., Al Aasmi A., Wang H., Liao J., Sam-Amoah L. K. & Qiao S. (2021). Ground-based hyperspectral remote sensing for estimating water stress in tomato growth in sandy loam and silty loam soils. Sensors. 21(17): 5705.

. Meng Y., Zhong W., Liu C., Su J., Su J., Lan Y., Wang Z. & Wang M. (2022). UAV spraying on citrus crop: impact of tank-mix adjuvant on the contact angle and droplet distribution. PeerJ. 10(1): e13064.

. Chen P., Douzals J. P., Lan Y., Cotteux E., Delpuech X., Pouxviel G. & Zhan Y. (2022). Characteristics of unmanned aerial spraying systems and related spray drift: A review. Front Plant Sci. 13(1): 870956.

. Khan S., Tufail M., Khan M. T., Khan Z. A., Iqbal J. & Wasim A. (2021). Real-time recognition of spraying area for UAV sprayers using a deep learning approach. PLoS One. 16(4): e0249436.

. Gašparović M., Zrinjski M., Barković D. & Radočaj D. (2020). An automatic method for weed mapping in oat fields based on UAV imagery. Comput Electron Agric. 173: 105385.

. Hassan S. I., Alam M. M., Zia M. Y. I., Rashid M., Illahi U. & Su'ud M. M. (2022). Rice crop counting using aerial imagery and GIS for the assessment of soil health to increase crop yield. Sensors. 22(21): 8567.

. Khater E. G., Ali S. A., Afify M. T., Bayomy M. A. & Abbas R. S. (2022). Using of geographic information systems (GIS) to determine the suitable site for collecting agricultural residues. Sci Rep. 12(1): 14567.

. Barrile V., Simonetti S., Citroni R., Fotia A. & Bilotta G. (2022). Experimenting agriculture 4.0 with sensors: A data fusion approach between remote sensing, UAVs and self-driving tractors. Sensors. 22(20): 7910.

. Pearse Grant D., Tan Alan Y. S., Watt Michael S., Franz Matthias O. & Dash Jonathan P. (2020). Detecting and mapping tree seedlings in UAV imagery using convolutional neural networks and field-verified data. ISPRS J Photogramm Remote Sens. 168(1): 156-169.

. Schiefer F., Kattenborn T., Frick A., Frey J., Schall P., Koch B. & Schmidtlein S. (2020). Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks. ISPRS J Photogramm Remote Sens. 170(1): 205-215.

. Perich G., Hund A., Anderegg J., Roth L., Boer M. P., Walter A., Liebisch F. & Aasen H. (2020). Assessment of multi-image unmanned aerial vehicle based high-throughput field phenotyping of canopy temperature. Front Plant Sci. 11(1): 150.

. Sun C., Feng L., Zhang Z., Ma Y., Crosby T., Naber M. & Wang Y. (2020). Prediction of end-of-season tuber yield and tuber set in potatoes using in-season UAV-based hyperspectral imagery and machine learning. Sensors. 20(18): 5293.

. Torres-Sánchez J., Peña J., de Castro A. & López F. (2014). Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput Electron Agric. 103(1): 104-113.

. Yang T., Zhou S., Xu A., Ye J. & Yin J. (2023). An approach for plant leaf image segmentation based on YOLOV8 and the improved DEEPLABV3. Plants. 12(19): 3438.

. Ma X., Deng X., Qi L., Jiang Y., Li H., Wang Y. & Xing X. (2019). Fully convolutional network for rice seedling and weed image segmentation at the seedling stage in paddy fields. PLoS One. 14(4): e0215676.

. Sapoukhina N., Boureau T. & Rousseau D. (2022). Plant disease symptom segmentation in chlorophyll fluorescence imaging with a synthetic dataset. Front Plant Sci. 13(1): 969205.

. Ding R., Luo J., Wang C., Yu L., Yang J., Wang M., Zhong S. & Gu R. (2023). Identifying and mapping individual medicinal plant Lamiophlomis rotata at high elevations by using unmanned aerial vehicles and deep learning. Plant Methods. 19(1): 38.

. Aslan M., Durdu A., Sabanci K., Ropelewska E. & Gültekin S. (2022). A comprehensive survey of the recent studies with UAV for precision agriculture in open fields and greenhouses. Applied Sciences. 12(3): 1047.

. Zhang M., Zhou J., Sudduth A. & Kitchen R. (2020). Estimation of maize yield and effects of variable-rate nitrogen application using UAV-based RGB imagery. Biosystems Eng. 189(1): 24-35.

. Ashapure A., Jung J., Chang A., Oh S., Yeom J., Maeda M., Maeda A., Dube N., Landivar J., Hague S. & Smith W. (2020). Developing a machine learning based cotton yield estimation framework using multi-temporal UAS data. ISPRS J Photogramm Remote Sens. 169(1): 180-194.

. Zheng J., Fu H., Li W., Wu W., Yu L., Yuan S., Tao W., Pang T. & Kanniah K. (2021). Growing status observation for oil palm trees using Unmanned Aerial Vehicle (UAV) images. ISPRS J Photogramm Remote Sens. 173(1): 95-121.

. Gomez S., Vergara A., Montenegro F., Alonso R., Safari N., Raymaekers D., Ocimati W., Ntamwira J., Tits L., Omondi A. & Blomme G. (2020). Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS J Photogramm Remote Sens. 169(1): 110-124.

. Johansen K., Duan Q., Tu H., Searle C., Wu D., Phinn S., Robson A. & McCabe F. (2020). Mapping the condition of macadamia tree crops using multi-spectral UAV and WorldView-3 imagery. ISPRS J Photogramm Remote Sens. 165(1): 28-40.

. Faiçal S., Freitas H., Gomes H., Mano Y., Pessin G., de Carvalho F., Krishnamachari B. & Ueyama J. (2017). An adaptive approach for UAV-based pesticide spraying in dynamic environments. Comput Electron Agric. 138(1): 210-223.

. Ahmed F., Al-Mamun H., Bari A. S. M., Hossain E. & Kwan P. (2012). Classification of crops and weeds from digital images: A support vector machine approach. Crop Protection. 40(1): 98-104.

. Hung C., Xu Z. & Sukkarieh S. (2014). Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV. Remote Sensing. 6(12): 12037-12054.

. Park S., Lee H. & Chon J. (2019). Sustainable monitoring coverage of unmanned aerial vehicle photogrammetry according to wing type and image resolution. Environmental Pollution. 247(1): 340-348.

. Erdelj M., Saif O., Natalizio E. & Fantoni I. (2019). UAVs that fly forever: Uninterrupted structural inspection through automatic UAV replacement. Ad Hoc Networks. 94(1): 101612.

. Ju C. & Son H. I. (2018). Multiple UAV systems for agricultural applications: Control, implementation, and evaluation. Electronics. 7(9): 162.

. Shi Q., Liu D., Mao H., Shen B., Liu X. & Ou M. (2019). Study on assistant pollination of facility tomato by UAV. 2019 ASABE Annual International Meeting. 1.

. Roldán J., Joossen G., Sanz D., Del Cerro J. & Barrientos A. (2015). Mini-UAV based sensory system for measuring environmental variables in greenhouses. Sensors. 15(2): 3334-3350.